Andrej Karpathy「Vibe CodingからAgentic Engineeringへ」──Sequoia AI Ascent 2026で語られたソフトウェア開発の構造変化
2026年4月29日、Sequoia AI Ascent 2026に登壇したAndrej Karpathyは、SequoiaパートナーのStephanie Zhanとの対談で、ソフトウェア開発の根本的な変化を約30分にわたって語った。OpenAIの共同創業者であり、Teslaの元AIヘッドであり、現在はEureka Labsの創業者であるKarpathyが、AI Ascent 2026でその見解を披露した。
冒頭の自己申告が印象的だった。「プログラマーとして、これほど"遅れている"と感じたことはない」──AI時代の最前線にいる人物がこう語る意味は重い。
本記事では、Karpathyが対談で展開した主要概念──Software 3.0、検証可能性（Verifiability）、Jagged Intelligence、そして、Vibe CodingからAgentic Engineeringへの移行──を整理し、投資家・ビジネスパーソンにとっての示唆を掘り下げる。
1. 「12月に何かが変わった」──Karpathyの転換点
1-1. エージェントが「ちゃんと動く」ようになった瞬間
Karpathyは、対談の冒頭で、2025年12月を明確な転換点として挙げた。「最新のモデルでは、コードのチャンクがそのまま正しく出てくるようになった。もっと頼んでもまた正しく出てくる。最後にいつ修正したか覚えていない。そして、システムを信頼するようになり、ヴァイブコーディングをしていた」と語った。
この体験は、AIを「ChatGPT的なもの」として使っていた多くのユーザーにとって、根本的な再評価を迫るものだった。Karpathyは、「12月の時点でもう一度見直す必要があった。特にエージェンティックで一貫性のあるワークフローが本当に動き始めた」と強調した。
1-2. サイドプロジェクトの爆発
この転換以降、Karpathyのサイドプロジェクトフォルダは、「あらゆるランダムなもので極端にいっぱいになった」という。MenuGenやLLM Knowledge Basesなど、彼が構築したプロジェクトは、後に対談の中で重要な具体例として何度も参照されることになる。
2. Software 3.0──新しいコンピューティングパラダイム
2-1. 3つの時代の定義
Karpathyのフレームワークは、ソフトウェア開発を3つの明確な時代に分類する。Software 1.0は、人間が書く伝統的なコード、Software 2.0は、データとアルゴリズムを通じて最適化されるニューラルネットワークの重み（Teslaの自動運転で実証）、Software 3.0は、自然言語プロンプトでプログラム可能なLLMだ。
Karpathyは、対談で「Software 1.0ではコードを書く、Software 2.0ではデータセットを作りニューラルネットを訓練する、Software 3.0ではプロンプトとコンテキストウィンドウがLLMというインタプリタに対する"レバー"になる」と説明した。
2-2. MenuGenの「消滅」──パラダイムシフトの具体例
Karpathyが挙げた最も印象的な例は、自身が構築したMenuGen（レストランのメニューを撮影してAIで料理の画像を生成するアプリ）だ。
Software 1.0/2.0的なアプローチでは、Karpathyは、「OCRですべてのタイトルを認識し、画像生成AIで各料理の画像を作り、Vercelにデプロイする」という従来型のアプリを構築した。しかし、Software 3.0のバージョンは、「メニューの写真をGeminiに渡して、NanoBananaを使って料理の画像をメニューの上にオーバーレイして」とプロンプトするだけだった。
「これは衝撃的だった。なぜなら、自分のMenuGenアプリは余分なものだったからだ。古いパラダイムで作業していた。あのアプリは存在すべきではなかった」とKarpathyは語った。
2-3. 「新しいことが可能になった」
Karpathyは、ここで重要な区別を設けた。Software 3.0は、既存のものを速くするだけではない。以前は不可能だった新しいカテゴリの情報処理を可能にしている。
例として、LLM Knowledge Basesプロジェクトを挙げた。「これはプログラムですらない。以前はコードで知識ベースを作ることはできなかった。しかし今は、ドキュメントを取り込んで、別の方法で再コンパイルし、データの新しいリフレーミングとして興味深いものを作れる」と語った。
3. 検証可能性（Verifiability）──AI自動化の最大の予測因子
3-1. 「指定可能性」から「検証可能性」へ
Karpathyは、自身のブログで、AIを歴史的先例と比較する中で、最も強いアナロジーは、「AIは新しいコンピューティングパラダイムである」ことだと述べている。1980年代にコンピューティングの影響を予測するなら、最も予測力のある特徴は「指定可能性」だった。しかし、AIの時代では、最も予測力のある特徴は「検証可能性」だ。
対談でもKarpathyは、この概念を詳しく展開した。「フロンティアラボがLLMを訓練する方法は、巨大な強化学習環境だ。検証の報酬が与えられ、モデルは検証可能な領域──数学やコードなど──で能力がピークに達し、それ以外の領域では粗いままのギザギザの（jagged）エンティティになる」。
3-2. 検証可能性の3条件
Karpathyが定義する検証可能性の3条件は明確だ。①リセット可能であること（何度でも最初からやり直せる）、②効率的であること（高速に繰り返せる）、③報酬可能であること（結果を明確にスコアリングできる）。
3-3. 創業者へのアドバイス──「検証可能な領域でRL環境を構築せよ」
対談でKarpathyは、創業者に対し、「たとえフロンティアラボがその領域に直接注力していなくても、検証可能な環境を自分で構築すれば、ファインチューニングを行い、本当に機能するものを引き出せる。レバーを引ける」と助言した。
さらに、「非常に価値のある強化学習環境があり、まだ誰も手をつけていないものがある」と示唆しつつ、具体的な領域名は明かさなかった──「vague postingするつもりはないが、そういう例はある」と述べた。
4. Jagged Intelligence──ギザギザの知能
4-1. 「洗車に歩いていけ」と言うOpus 4.7
対談で最も会場が沸いた瞬間の一つが、Karpathyが挙げた「Jagged Intelligence（ギザギザの知能）」の具体例だ。
「50メートル先の洗車場に車を洗いに行きたい。車で行くべきか歩くべきか？ 最先端のOpus 4.7は"歩きなさい"と答える。10万行のコードベースをリファクタリングしたり、ゼロデイ脆弱性を発見したりできるモデルが、洗車には車で行くべきだと理解できない。これは正気の沙汰ではない」。
4-2. なぜギザギザなのか──データ分布とRL回路
Karpathyは、このギザギザさの原因を2つに分解した。
①ラボのRL重点領域に依存する： GPT 3.5から4へのチェスの改善は、モデルの汎用的な能力向上ではなく、事前学習データに大量のチェスデータが追加されたことによるものだった。「OpenAIの誰かがこのデータを追加する決定をしたから、その能力が急上昇した」。
②データ分布外のタスクでは苦戦する： 「RL回路の中にいればスピードが出る。データ分布の外にいれば苦戦する。自分のアプリケーションがどちらの回路にいるのか見極める必要がある」。
4-3. 「動物ではなくゴーストを召喚している」
Karpathyは、「Jagged Intelligence」という概念を自ら提唱し、最先端LLMが複雑な数学問題を解きながら、同時にいくつかの非常に単純な問題でつまずくという、奇妙で直感に反する事実を表現している。
対談では「動物 vs. ゴースト」というフレーミングについても語った。「これらは動物の知能ではない。怒鳴っても良くも悪くもならない。統計的シミュレーション回路であり、基盤は事前学習の統計、その上にRLがボルトオンされている」と述べた。
5. Vibe CodingからAgentic Engineeringへ
5-1. 「フロアを上げる」vs.「天井を超える」
Karpathyはこの2つの概念を明確に区分した。
Vibe Coding： 「すべての人にとってのフロアを上げること。誰でもヴァイブコーディングで何でも作れる。それは素晴らしいことだ」。
Agentic Engineering： 「プロフェッショナルソフトウェアで以前から存在していた品質水準を維持すること。ヴァイブコーディングで脆弱性を入れてはいけない。ソフトウェアに対する責任は以前と同じだが、もっと速くできるか？ そしてネタバレすると、できる」。
Karpathyは、2026年2月4日のXでの投稿で、この概念を2つに分解した。「"Agentic"──新しいデフォルトは、コードの99%を直接書くのではなく、エージェントを指揮し監督すること。"Engineering"──そこには技術と科学と専門性がある、ということを強調するため」。
5-2. 10xエンジニアの"再定義"
対談でKarpathyは、「以前は10xエンジニアが話題だったが、それは今やスピードアップの単位としては小さい。エージェンティック・エンジニアリングに長けた人は、10xをはるかに超える倍率でピークに達する」と述べた。
Karpathyは、最近、トップティアでは技術的な熟練が「以前よりもさらに大きな乗数効果」を持つと述べている。システムアーキテクチャを深く理解する開発者はエージェントチームを活用して10x〜100xの生産性を達成できるが、初心者は壊れたコードをより速く生成するだけだ。
5-3. 採用プロセスの再構築
Karpathyは、企業の採用プロセスが旧パラダイムに留まっていることに懸念を示した。「パズルを解かせるのは古いパラダイムだ。採用は、大きなプロジェクトを渡して──例えば、エージェント用のTwitterクローンを作り、セキュアにして、エージェントにアクティビティをシミュレートさせ、10台のCodexに攻撃させて破れないようにする──というものになるべきだ」。
6. 「ニューラルコンピュータ」──Software 3.0の未来
6-1. ニューラルネットが「ホストプロセス」になる
Karpathyは、Software 3.0の未来を大胆に展望した。「完全にニューラルなコンピュータを想像できる。生の動画や音声をニューラルネットに入力し、ディフュージョンでその瞬間固有のUIをレンダリングする。コンピューティングの初期段階で、コンピュータが計算機に見えるかニューラルネットに見えるかは自明ではなく、結局カリキュレータの道を歩んだ。しかし、今後は反転し、ニューラルネットがホストプロセスになり、CPUはコプロセッサになるかもしれない」。
6-2. 「すべてのドキュメントはエージェント向けに書き直される」
Karpathyは、現在のソフトウェアインフラが依然として「人間のために書かれている」ことへの不満を率直に語った。「なぜまだ人間に"こうしろ"と指示しているのか？ 私は何もしたくない。エージェントにコピペするためのテキストは何か？ それが新しいプログラミングパラダイムだ」。
この発想は、すべてのドキュメント、API、設定プロセスが「エージェント・ネイティブ」に再構築される必要があることを示唆している。
7. 教育と理解──「思考はアウトソースできるが、理解はできない」
7-1. 情報のボトルネックとしての人間
対談の最後に教育について問われたKarpathyは、あるツイートを引用した。「思考はアウトソースできるが、理解はアウトソースできない」。
「私はまだシステムの一部であり、情報は依然として自分の脳に入る必要がある。何を作ろうとしているのか、なぜそれに価値があるのか、どうエージェントを指揮するか──これらはまだ基本的に理解によって制約されている」。
7-2. LLM Knowledge Basesが「理解のツール」になる
Karpathyは、LLM Knowledge Basesの活用法を語った。「記事を読むたびに自分のwikiが構築される。質問をしたり、情報の異なる射影を見るたびに洞察を得る。これらは理解を高めるツールだ」。
「LLMは理解に秀でているわけではない。あなたがまだ唯一それを担っている。だから、良い監督になれなければ、良い結果は出ない」。
