Hacker Newsに投稿された週末プロジェクトが経営幹部の注目を集めることは稀だ。だが今回のプロジェクトは注目に値する——それ自体のためではなく、診断する問題のためだ。Latheはソースに裏付けられたコーディングチュートリアルを生成し、ユーザーに手作業でコードを入力させることで、AIアシスタントが競って排除しようとしている摩擦を意図的に再導入する。その前提は生産性の物語全体を逆転させる。つまり、時には作業そのものこそが重要なのだ。

これはほとんどのCTOがまだ織り込んでいない問題を直撃する。GitHub Copilot、Cursor、AnthropicのClaude Codeといったツールは、実証可能なほどアウトプットを加速させてきた——しかし同時に、ジュニアをシニアに変える徒弟制度を空洞化させ始めている。従来の専門知識への道は苦闘を通じて形成されてきた。馴染みのないシステムのデバッグ、ソースコードの読解、困難な方法でのメンタルモデルの構築だ。LLMがそのループを短絡させると、今日はより速く出荷できるが、明日のシニア人材パイプラインを枯渇させる。その代償は3〜5年後に訪れる。深いシステム直観を一度も構築したことのない世代が、それらを設計するよう求められる時だ。

戦略的な非対称性は明白だ。AIコーディングツールは、経営陣が今四半期に確認できる指標——速度、チケット処理数、マージされた行数——を最適化する。そのコスト——萎縮した組織的能力——は、本番インシデントがスタックを実際に理解している人材を必要とするまで見えない。ChatGPTのリリース以降のStack Overflowのトラフィック崩壊は先行指標だ。人間の学習を支える公共の足場が崩壊しつつあり、それが強いていた認知作業を代替するものは何もない。

企業リーダーにとって、実行可能な施策は学習の摩擦を非効率ではなく意図的な投資として扱うことだ。AIが出力を最大化すべき作業(定型コード、接着コード、移行)と、エンジニアが苦労して得た流暢性を保持すべき領域(コアアーキテクチャ、セキュリティクリティカルなパス、新規システム)を区別する必要がある。一部の企業はすでにこれを正式化している——スキル開発のための'AI オフ'期間を義務付けたり、エンジニアに自分が書いていないAI生成設計を擁護させたりしている。Latheの検証レイヤー(第二のモデルが生成されたコードがコンパイルされるかをチェックする)も、LLM出力を完成品ではなく人間の責任を要するドラフトとして扱う新興の規律を示唆している。

より広範なシグナルとして、AI生産性の物語は第二幕に入りつつある。第一幕は'どれだけ速くできるか'だった。第二幕は'ここに至るために何を失ったか'——そしてこのトレードオフを人材危機の後ではなく今監査する組織が、持続可能な優位性を保持するだろう。エンジニアリングのスピードではなく、エンジニアリング能力こそが希少資源であり続ける。