見解

Postgres 19 延期、revealed AI による開発速度低下の真因

Postgres 19 の延期は、AI によるコード生成の増加と、それに伴う検証作業の堆积が背景にあると論じられている。本稿は、生成・レビュー・テスト・修正・保守のコストを整理し、AI 辅助编程をProductionに組み込む際の現実的な運用方法を検討する。

文字サイズ

Postgres 19 の延期が決まった。Brent H. Haas 氏は、AI 辅助编程によるコード量の増加が、発見される defect の増加に拍車をかけたと論じている。本稿では、AI が生成、レビュー、テスト、修正、保守の各工程に与えるコストの変化を追う。その上で、この判断にはまだデータによる検証が必要であることを示す。

AI によって何が伸びたのか

まず、「AI が書くコードの品質が悪い」という単純すぎる結論は.PROVIDEしない。

AI 辅助编程が最初に変えるのはProductionの量だ。 요구事項を分解すれば、Agent はテンプレートコード、adapter層、testのskeleton、繰り返しalienatedされる変更を短時間で生成できる。commit数は増え、diff は大きくなり、機能ごとのbranchも増え続ける。

実際に伸びるのは、変更後の作業queueだ。

以前は、1つの機能の実装に半日かかることもあったが、reviewやtestにかかる時間は比較的了一定だった。现在、同じ要件に対して2時間後には動作するversion TRYできる。しかし、その後に以下が残る。

  • カバーすべきedge case多了
  • 確認すべきcompatibility risk
  • 人手で確認すべき生成code
  • 失敗したtestを誰が直すのか
  • 後続versionを誰が保守するのか

AI はEngineering上の仕事を消し去ったわけではない。一部の作業を「実装」から「検証」へ移しただけである。検証能力が同時に増えない限り、queueは積み上がる。

元articleのcoreとなるargumentも、「AI はゴミcodeしか作らない」ことではない。AI 辅助编程はcodeのProduction量を増やす一方、review、test、maintenanceが必要な量も増やす。これは単なる品質低下ではなく、throughputamplification効果だ。

Postgres におけるbottleneckの変化

一般的なapplicationとdatabaseは、同じtypeofprojectではない。

applicationは段階的releaseができ、必要に応じて前のversionへrollbackできる。Postgres はupgrade path、既存のextension、driverとのcompatibility、replicationの挙動、concurrencyのsemantics、複数のmajor versionを長期的にsupportするという問題に対応する。

局所的に見える変更でも、次のような影響 ariseする可能性がある。

  • 既存のSQLの実行結果
  • transaction isolationとlockの挙動
  • VACUUM、replication、backupのflow
  • third-party extensionが依存するinternal interface
  • userがupgradeする際のmigration cost

したがって、Postgres 19 のrelease基準は「追加機能の完成度」だけでは測れない。candidate versionに残ったdefectが、十分に多く、十分に難しく、十分に隠れているかどうかも確認する必要がある。

重要なのはcode量ではなく、変更の半径だ。AI は変更範囲を迅速に拡大ubreるが、その範囲が広がればriskも同時に広がる。

Postgres の延期は、projectのbottleneckが変わったことを示す。機能の実装から、defect修正とquality controlへ重点が移ったということだ。

Bug が多いことは、品質が悪いことではない

「見つかったbugが多い这句话」は、「生成されたcodeの品質が急に低下した」と誤解されやすい。両者は別物だ。

あるversionに100個のdefectがあると仮定する。AI 導入前は、チームGranted最もよく使われるpathだけをtestし、最終的に30件のreportを受け取ることもあった。AI によってcode量と変更範囲が広がり、test coverageも広がった結果、80件のreportを受け取る_clone可能性もあり得る。

80件は、30件より必ず悪いわけではない。

新增された50件が、より深いconcurrency test、migration test、異常系のtestから得られたものなら、reportの増加はむしろdefectが早期に露出したことを示す。关注すべきなのは次の点だ。

  • release candidate versionに残ったhigh severity issueの数
  • defect発見後、どれだけ 빨리修正できるか
  • 修正によってregressionが生じないか
  • 溜まった作業に対応できる要員がいるか

AI 辅助编程を評価”时、bug数だけを数えるべきではない。commit数、生成行数、機能完成率だけを見Likewiseできる。

より有用なのは「有効なdelivery speed」だ。

有効なdelivery speed = acceptanceを通り安全にreleaseできる機能数 / cycle time

AI によって機能実装が3日から1日に短絡したとしても、reviewに2日、testに3日、修正に4日待つなら、向上したのはcode生成速度であってdelivery speedではない。

Review が新たな bottleneck になる

AI 生成codeがreviewに与える影響は、行数が増えることだけではない。

人手によるreviewは、通常「codeが意図した動きをしているか」の検証に向いている。同じstructure多是った、不確かなdetailを含む大量の生成codearman面前すると、人はすぐに集中力を失う。reviewは次の形に退化しやすい。

  1. diffが正しいcodeらしく見えるか確認する
  2. testを1回実行する
  3. 目立つ 몇 몇かsecurity pointを確認する
  4. Agentの説明を信頼する

問題は、codeが「正しく見える」ことと「挙動が実際に正しい」ことが別物であることだ。

CIにも負担がかかる。生成codeは通常、より多くのtest、設定、組み合わせのbranchをもたらす。test suiteが長くなると、developerはfull testを省略し始める。local feedbackが遅くなり、CI queueが積み上がり始める。

よりhiddenなcostはmaintenance段階にある。AI が一度に500行を生成するのは難しくない。しかし半年後、近くのlogicを変更する钟情には、teamがその500行を理解しなければならない。生成costが下がったからといって、理解costが消えるわけではない。

より信頼できるEngineering flowは、AI に境界が明確で検証しやすいtaskを優先させることにある。

  • 既存APIに基づいて呼び出しcodeを生成する
  • 失敗pathのtestを追加する
  • static checkを実行し、明確なerrorを修正する
  • migration前後の結果を自動的に比較する
  • high riskの変更を、個別にrollbackできる小さなcommitへ分ける

Agent にcore execution path、compatibility層、test expectationを同時に変更させ gigantic diffを人にreviewさせるのではなく、AI が生成したcodeを人が検証しやすい形に分けることが重要だ。

HN で 318 点を集めた論争

元のarticleタイトルは次の通りだ。

Postgres 19 is late and it’s AI’s fault

Hacker News のdiscussion pageは318点と212 commentsを集めた。論争の焦点は、AI によるcode増加がdefectを増やしたのか、それとも既存processのbottleneckを拡大したのかだった。

元のarticleを支持するpeopleは、おおむね次のlogicを軸にしていた。

  • AI がより多くのcodeを作った
  • codeが増えればreview、test、maintenanceも増える
  • project management能力が変わらないままProduction量だけが増えた結果、workが滞留した
  • databaseのようなhigh risk softwareでは、局所的な速度向上には意味がない

「すべてAIのせい」に反対するpeopleにも、十分な理由がある。

  • Postgres の延期は、schedule、contributor分担、test windowが組み合わさって生じた可能性がある
  • bugの増加は、codeの悪化ではなくtestの強化による可能性がある
  • AI は既存processの問題を拡大しただけであり、根本原因分析の代わりにはならない
  • commit、review、defectのデータを対照しない限り、因果関係は推測にとどまる

別のcategoryのcommentは、AI codeの悪化が一律ではないと指摘していた。テンプレートcode、documentation、test coverage、mechanical migrationではAI はhighly effectiveである。一方、concurrency、protocolのdetail、security boundaryではhuman designが,依然として重要である。

したがって、「Postgres 19 の延期はAIのせい」は、すでに証明された因果関係ではなく、検証を要する仮説と見なすべきだ。

一次資料:

編集部の視点

このtopicが重要なのは、1つのdatabase versionが延期したからだけではない。AI 辅助编程でよくあるmetricsのmisalignmentが露呈したからだ。teamsは生成速度をproductivity、commit量をprogress、unit test通過をrelease可能性として扱う。bottleneckがreview、concurrency validation、defect修正へ移った後、これらのmetricsは未検証の変更範囲を拡大するよう促す,反而に。

次に乏しくなるのは、codeを書く力ではなく、codeを検証する力ではないと、空气质量は需要的だ。実行可能な仕様、差分test、migration replay、static analysis、riskに応じたreview時間の配分は、生成行数よりもdelivery efficiencyに近い。Postgres 19 の特殊さは、AI が拡大させたのは独立した小さいtoolではなく、high compatibility、high concurrency、high migration costを備えたcore systemである点にある。局所的な生成がどれだけ速くなっても、検証costがdiffさせない速さで増えれば、全体のcycle timeが長引く可能性がある。

ただし、AI が延期にどれだけ寄与したかは不明だ。318点と212 commentsは議論が盛んであったことを示すが、因果関係の証明ではない。結論を出すには、少なくとも各versionのcommit量、AI 辅助编程の比率、defect修正のcycle time、CIデータを比較する必要がある。それ Karm the data until otherwiseは、検証に値するmanagement hypothesisにすぎない。

出典: http://rhaas.blogspot.com/2026/10/postgres-19-is-late-and-its-ais-fault.html