論文の概要: The Specification Paradox: Rethinking Requirements Engineering in the Age of AI
- arxiv url: http://arxiv.org/abs/2608.16618v1
- Date: Mon, 17 Aug 2026 14:19:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.741053
- Title: The Specification Paradox: Rethinking Requirements Engineering in the Age of AI
- Title（参考訳）: 仕様パラドックス:AI時代の要求工学を再考する
- Abstract要約: この記事では、コード中心のパラダイムから仕様駆動開発への移行について論じます。
我々は、人工知能がソースコード作成に関わる労力の一部を削減していると主張するが、プロのソフトウェアシステムの開発の複雑さを排除しているわけではない。
ソフトウェアエンジニアリングの未来は、コードを生成する機械の能力だけでなく、人間が作るべきものを正しく特定し、評価し、進化させる能力にも依存する、と結論付けています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The growing adoption of Large Language Models (LLMs) in Software Engineering has reinforced the expectation that coding activities can be largely automated. However, this perception may represent yet another historical search for a solution capable of eliminating the inherent challenges of software development. This article discusses the transition from a code-centered paradigm to Specification-Driven Development. We argue that artificial intelligence reduces some of the effort associated with writing source code, but it does not eliminate the complexity of developing professional software systems. Instead, it shifts this complexity toward domain understanding, requirements elicitation, specification development, validation, maintenance, and software evolution. Building on this perspective, we discuss the renewed centrality of Requirements Engineering, considering its implications for productivity and software quality, as well as risks associated with automation bias, ambiguity propagation, Specification Overfitting, and the accumulation of Specification Debt. Finally, we propose the Specification Paradox: the more capable artificial intelligence systems become at automatically generating software, the greater the dependence on correct, complete, verifiable, and explainable human-produced specifications. We conclude that the future of Software Engineering will depend not only on machines' ability to generate code, but also on humans' ability to correctly specify, evaluate, and evolve what is intended to be built.
- Abstract（参考訳）: ソフトウェア工学におけるLarge Language Models (LLMs)の採用が増加し、コーディングアクティビティが大部分が自動化可能であるという期待が強まった。
しかし、この認識は、ソフトウェア開発の固有の課題を排除できるソリューションの歴史的検索を表しているかもしれない。
この記事では、コード中心のパラダイムから仕様駆動開発への移行について論じます。
我々は、人工知能がソースコード作成に関わる労力の一部を削減していると主張するが、プロのソフトウェアシステムの開発の複雑さを排除しているわけではない。
代わりに、この複雑さをドメイン理解、要求の誘導、仕様開発、検証、メンテナンス、ソフトウェア進化へとシフトさせます。
この観点から、我々は、生産性とソフトウェア品質に影響を及ぼすとともに、自動化バイアス、あいまいさの伝播、仕様オーバーフィッティング、仕様負債の蓄積に関連するリスクを考慮して、要求工学の新たな中心性について論じる。
最後に、我々は、より有能な人工知能システムがソフトウェアを自動生成するようになり、正しい、完全、検証可能な、説明可能な人為的仕様への依存度が高まる、仕様パラドックスを提案する。
ソフトウェアエンジニアリングの未来は、コードを生成する機械の能力だけでなく、人間が作るべきものを正しく特定し、評価し、進化させる能力にも依存する、と結論付けています。
関連論文リスト
- On Automated and Explainable Provenance of AI-Generated Code [56.818202904805446]
次世代のCodeGenAIツールは、説明可能な証明の基礎の上に構築されなければならない、と我々は主張する。
本稿では,大規模実証研究とポストホック因果・解釈可能性技術を組み合わせた研究プログラムについて述べる。
論文 参考訳（メタデータ） (2026-08-03T14:50:31Z) - Specification-Driven Development as the Foundation of AI-Native Enterprise Software Engineering [0.0]
大規模言語モデル(LLM)とエージェントAIは、ソフトウェアエンジニアリングを手作業によるコーディングからインテント仕様、アーキテクチャ、ガバナンスへとシフトさせています。
バイブコーディング(vibe coding)と、観察された振る舞いを通じてAIアーティファクトを受け入れる直観駆動アプローチ(intuition-driven approach)と、構造化仕様を真理の信頼できる情報源として使用する仕様駆動開発(Specification-Driven Development, SDD)の2つのパラダイムが登場した。
この記事では、3つのコントリビューションを行います。まず最初に、生産性-信頼性パラドックス、限られたコンテキストからのアーキテクチャ侵食、セキュリティ露出、技術的負債といった、過度な会話生成の失敗モードを特定します。
第2に、正式な仕様ガバナンス参照モデル(SGRM)を導入する。
論文 参考訳（メタデータ） (2026-07-18T07:27:02Z) - Reasoning Beyond Prediction: From Data-Driven to Causal Software Engineering [9.659620367206408]
我々は人間と機械の協力の新しいパラダイムを提唱する。
マシンは単にルーチンタスクを自動化するだけでなく、エンジニアの推論を積極的に増幅します。
ソフトウェアが賢くなるにつれて、よりスマートなサポートが必要になります。
論文 参考訳（メタデータ） (2026-06-26T11:03:24Z) - AI-Generated Smells: An Analysis of Code and Architecture in LLM and Agent-Driven Development [1.980498913496519]
本稿では,AI生成ソフトウェアにおける技術的負債の体系的な監査について述べる。
AIは欠陥を排除せず、むしろ欠陥のマシンシグネチャを導入している。
将来的な進歩は、彼らが構築するソフトウェアが単に機能的であるだけでなく、メンテナンス可能であることを保証するために、明示的なアーキテクチャの展望を持つエージェントの装備に依存する、と結論付けています。
論文 参考訳（メタデータ） (2026-05-04T15:41:13Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - Lost in Code Generation: Reimagining the Role of Software Models in AI-driven Software Engineering [1.3124479769761592]
このシフトは、ソフトウェアモデルの再構築を動機付けている、と私たちは主張する。
事前の青写真としてのみ機能するのではなく、AI生成コードからモデルを取り出すことができる。
この役割では、モデルは人間の意図、AI生成、長期システムの進化の間の仲介者として機能する。
論文 参考訳（メタデータ） (2025-11-04T11:03:31Z) - Vibe Coding: Toward an AI-Native Paradigm for Semantic and Intent-Driven Programming [0.0]
本稿では、開発者が所望の「ビブ」の定性記述子とともに高レベルの機能的意図を規定する、AIネイティブプログラミングパラダイムであるビブコーディングを紹介する。
インテリジェントエージェントは、これらの仕様を実行可能なソフトウェアに変換する。
論文 参考訳（メタデータ） (2025-10-09T22:31:53Z) - Challenges and Paths Towards AI for Software Engineering [55.95365538122656]
ソフトウェア工学におけるAIの進歩を3倍に議論する。
まず、ソフトウェア工学のためのAIにおいて、具体的なタスクを構造化した分類法を提供する。
次に、現在のアプローチを制限するいくつかの重要なボトルネックを概説する。
論文 参考訳（メタデータ） (2025-03-28T17:17:57Z) - From Defects to Demands: A Unified, Iterative, and Heuristically Guided LLM-Based Framework for Automated Software Repair and Requirement Realization [44.99833362998488]
この写本は、人工知能とソフトウェア工学の統合の新しい時代を示唆している。
コード作成と改良のあらゆる面において、AIが人間のプログラマを完全に置き換えることができることを証明した、形式化された反復的な方法論を提示する。
論文 参考訳（メタデータ） (2024-12-06T14:54:21Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z) - ChatDev: Communicative Agents for Software Development [84.90400377131962]
ChatDevはチャットを利用したソフトウェア開発フレームワークで、特別なエージェントがコミュニケーション方法についてガイドされる。
これらのエージェントは、統一された言語ベースのコミュニケーションを通じて、設計、コーディング、テストフェーズに積極的に貢献する。
論文 参考訳（メタデータ） (2023-07-16T02:11:34Z) - Generation Probabilities Are Not Enough: Uncertainty Highlighting in AI Code Completions [54.55334589363247]
本研究では,不確実性に関する情報を伝達することで,プログラマがより迅速かつ正確にコードを生成することができるかどうかを検討する。
トークンのハイライトは、編集される可能性が最も高いので、タスクの完了が早くなり、よりターゲットを絞った編集が可能になることがわかりました。
論文 参考訳（メタデータ） (2023-02-14T18:43:34Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。