実践

AI CodingがCIを崩壊させた──Linearはどう復旧させたか

AIエージェントが一晩で大量のPRを投げ込み、従来のCI runnerは即座にパンク。Linearはrunnerのスケジューリング層を一から書き直し、その全貌を公開した。

文字サイズ

linear.app/now/ci-bottleneck-reworked
HNのスレッド(73点、61コメント)


CIが遅いんじゃない、PRが多すぎるんだ

Linear社のエンジニアリングチームが最近ブログを公開した。AIコーディングエージェントにCIシステムを叩き潰された顛末と、その復旧作業の話だ。記事は先週Hacker Newsのフロントページに載り、73点・61コメントを獲得。コメント欄は「うちも完全に同じ」で埋め尽くされた。

矛盾の本質はどこにあったか。一回のテスト実行が遅いわけではない。PRの数が爆発したのだ。

一人の開発者が従来は1日に3〜5個のPRを提出していた。Claude CodeやCursorのようなエージェントを使えば、一晩で30〜50個出すことも珍しくない。すべてのPRがCIを必要とするため、runnerプールは一瞬で埋まる。キューには40分以上ものが溜まり、開発者が朝PCを開いてもPRはまだCI待ち。昼過ぎにようやくレビューに入る。

従来のCIモデルはこういう前提で設計されている。

  • PRごとに独立したrunnerを割り当てる
  • runnerは完了後に解放され、次のジョブが順番待ちする
  • 単体テストが遅い?テストを最適化。runnerが足りない?マシンを増設

AIコーディングはこの前提をすべてひっくり返した。マシンを増やしてもPRの増加速度には追いつかない。テストを高速化しても数十倍のスループットには耐えられない。

Linear社のデータでは、ピーク時の一開発者あたりのCIラン数が1時間4〜6回。AIエージェント普及前と比べて8倍に達している。


テストではなくrunnerスケジューラを書き直した

Linearのアプローチは興味深い。「テストの高速化」や「マシン増設」を追いかけるのではなく、スケジューリングロジックを改修した。

核心となる考え方は3つある。

  1. 並列可能なジョブを束ねる。同一PR内のlint・typecheck・unit testが互いに依存せず、workspaceを共有できるなら、3つのrunnerで3回走らせる必要はない。Linearはjob bundling方式に変更し、単一runnerが互換性のあるタスク群を逐次実行する。
  2. workspaceを再利用。従来はCIランごとに毎回リポジトリをcloneし、依存パッケージをインストールしていた。Linearはworkspaceキャッシュプールを導入し、同じcommit hashのランは既存ディレクトリを直接マウントする。pnpmやnode_modulesのインストールに費やしていた90秒が丸ごと削減される。
  3. 優先度と影響範囲に基づく動的割り当て。コアファイル(monorepoのroot、shared lib)を変更したPRには高い優先度が与えられる。ドキュメント修正やtypo修正のPRは後回し。LinearはGitHubのCODEOWNERSとパスマッチングを組み合わせて「影響度スコア」を算出する。

この3施策により、runnerプールに必要な容量は60%削減された。

Linearはスケジューラの一部の疑似コードを公開している(簡略版であり、本番コードではない)。

// Linear CI スケジューラの簡略版
interface CIRun {
  prId: string
  commitSha: string
  changedPaths: string[]
  jobs: Job[]
  priority: number // 影響度スコアから算出
}

function scheduleRun(runs: CIRun[], runners: Runner[]) {
  // 1. priorityでソート
  const sorted = runs.sort((a, b) => b.priority - a.priority)

  // 2. workspaceキャッシュヒットを検索
  for (const run of sorted) {
    const cached = workspaceCache.find(r => r.sha === run.commitSha)
    if (cached) {
      run.workspace = cached.path // 再利用し、clone + installを省略
    }
  }

  // 3. Job bundling: 互換性のあるジョブをパック化
  const bundles = bundleCompatibleJobs(sorted)

  // 4. runnerを割り当て、競合時は非クリティカルジョブをデグレード
  assignToRunners(bundles, runners, {
    onContention: degradeNonCritical,
  })
}

このコードがどれだけエレガントかよりも重要なのは、AI時代のCI最適化の焦点が「単一実行を速くする」から「バッチ実行を稠密にする」へ移ったという事実を示している点だ。


Gitワークフローとの深い結合

Linear自身はissue trackingとGit workflowのツールベンダーであるため、CI改修とブランチ戦略を密に結合させている。

主な設計ポイント。

  • AIエージェントのコミット特徴を検出。AIが連続で投じるコミットメッセージのパターン(feat: で始まり5〜10件連続、タイムスタンプが密集)は人間のそれとは異なる。Linearはこのシグナルを使って「次の30分でPRラッシュが来る」と予測し、runnerプールを先行して暖機する。
  • Merge queueとの統合。彼らのmerge queueは「PRがmainにマージされてからCIを走らせる」のではなく、「PRがキューに入った時点でテストを先行走らせる」。マージ実行時にはすでに結果が出ており、最終的な待ち時間がゼロになる。
  • Branch stackingの最適化。開発者は機能ごとにブランチを作る方式を改め、1つのスタック内に5〜6個のPRを直列に積む方式に移行した。Linearのスケジューラはスタック内の関係を認識し、連続するPRに前のworkspaceキャッシュを再利用する。

この部分のコードはLinear社も完全には公開していないが、ブログには分かりやすいフローチャートが掲載されている。


これはLinearに限った話ではない

HNの61件のコメントのうち、少なくとも30件は「同じ被害に遭っている」という声だった。代表的なものをいくつか。

ユーザ devops_at_scale:self-hosted runnerを50台から200台に増やしたけど足りなかった。結局キャパの問題ではなく、runner同士が同じmonorepo lockを取り合っていたのが原因だった。workspace再利用に切り替えたら一瞬で解決した。

ユーザ agent_pm:うちの会社は開発者8人。Claude Code導入後、PR数が1日12件から150件に増えた。CIの月額費用は4倍になり、CEOから「なぜITコストが失控した」と詰められた。

ユーザ platform_eng_lead:検証してみたけど、単一PRのCI所要時間は実は変わっていない(平均8分)。変わったのは同時走行中のPR数で、20から200に跳ね上がった。ボトルネックはテストではなくスケジューリングだ。

3件目がまさにLinearの中核判断を裏付けている。CIが遅いのではなく、並行処理モデルのミスマッチが問題なのだ。

その他のコメントから。

  • GitHub Actionsの並行制限(無料アカウントで20同時実行)を超えたため、チームが自前のrunner構築に移行している事例
  • build matrix(同一コードを複数runnerで並列実行)を使って「PR重要度選別」を行い、重要度の低いPRにはsubsetテストだけ走らせるチームも登場
  • AIエージェント専用のrunnerプールを別途用意し、リソース競合を避けるチームもある

他のエンジニアリングチームへの示唆

Linearの経験から転用できるポイントがいくつかある。

1. CIがパンクしてから動くな。AIコーディングの普及速度は多くのチームの想定より速い。いまのrunnerプール容量は「人間がコードを書く」前提で設計されているが、エージェント普及後はその前提が一瞬で崩壊する。

2. ハードウェア増設よりスケジューラ改修を優先する。runner追加は最も単純な解決策だが、コストは線形に増え、ROIは悪い。スケジューラ改修(job bundling + workspace再利用 + 優先度制御)は一度の投資で長期的に効く。

3. CIとGitワークフローを一体で設計する。merge queue、branch stacking、AI commit検出といった要素をCIスケジューラと疎通させ、サイロ化させない。Linearは元々issue trackingを手がけているため、こうした深い統合が自然にできた。

4. PR流入レートを監視する。通常のCI durationやsuccess rateに加えて、「PR per hour per developer」という指標を追加すべきだ。このカーブが指数的に伸び始めたら、CI危機は近い。


編集後記

この話で最も興味深いのは、反コンセンサスな点だ。誰もがAIコーディングエージェントの生成品質(正しく書けるか、レビューできるか、ハルシネーションを起こさないか)で競っている。生成速度がすでにエンジニアリング基盤を圧壊しているという議論を誰もしていない。

Linearの事例は、2026年におけるAI実装のボトルネックがモデル層ではなく、CI/CD、review queue、merge queueといった「下水道」層にある可能性を示している。普段は注目されないこれらのレイヤーが、AIコーディングが大規模に展開された瞬間、最初に破綻する。

過去の類似事例と何が違うか。クラウドネイティブ時代にも「新パラダイムにインフラが押し潰される」現象はあった。マイクロサービス化でDBコネクションプールが破綻したり、サービスメッシュでsidecarのリソースが爆発したり。ただあれらは漸進的で予測可能な拡張カーブだった。AIコーディングがもたらすPRラッシュはステップ関数的に跳ぶ。チームがClaude Codeを1つ導入しただけで、翌週にはPR量が5倍になる。漸進過程がない。

不確実な点として。Linearの解法は同社のような規模(中規模エンジニアリングチーム + 自前CIオーケストレーション)では有効だが、GitHub ActionsやCircleCIの標準構成を使う小企業への転用性は限定的かもしれない。そうしたチームの解法は「AIにPRを控えさせる」や「AI専用runnerプールを別途用意する」といった泥臭い方法にならざるを得ないだろう。

もう一つの予測。今後12ヶ月のうちに、workspace再利用・job bundling・AI commit検出に特化した「AI-native CI」ツールがいくつも登場するだろう。過小評価されている市場だ。

出典: https://linear.app/now/ci-bottleneck-reworked