近年、システム開発の現場において「AIコーディング」の活用が急速に広まっています。AIに指示を出すだけで、複雑なプログラムのコードを自動で作成したり、エラーの原因を見つけて修正してくれたりする時代が到来しました。開発現場の生産性を大きく向上させる手段として、AIプログラミングツール（ClaudeやCodex、Cursorなど）を業務に導入する企業も増えています。
しかし、実際の業務でAIコーディングを導入してみると、「期待したほどスムーズに動作しない」「エラーの解決に時間がかかる」「毎回同じツールの準備に無駄な時間がかかっているようだ」といった壁にぶつかることが少なくありません。
なぜこのような問題が発生するのでしょうか。その原因の一つは、**「AIが作業を行う環境（開発環境）の設計不足」**にあります。
AIコーディングにおいて、AIは単に文章（テキスト）を生成するだけではありません。自律的にファイルの中身を検索し、プログラムを実行し、テスト結果を確認しながら修正を行う「AIエージェント（人間に代わって自律的に作業を進めるAI）」として動作します。つまり、AIエージェントがスムーズに働くためには、人間と同じように「作業に必要な道具（コマンドラインツールやライブラリ）」が適切にそろった環境が必要です。
では、AIは具体的にどのようなツールを使って作業を進めようとするのでしょうか。そして、私たちはAIコーディングのパフォーマンスを最大限に引き出すために、どのような環境を設計・運用すればよいのでしょうか。
本記事では、Armature社が実施した「17,000回以上のAIエージェント実行データの分析調査」という一次情報をもとに、AIが好んで選択するツールの傾向を解説します。さらに、そのデータを実務に落とし込み、AIコーディングを成功させるための導入・設計・運用ガイドをお届けします。
1. 1.7万回のデータが示す：AIエージェントが好むツールと選択の傾向
AIコーディングの現場において、AIエージェントは問題解決のためにどのような行動をとるのでしょうか。Armature社の調査では、17,000回（17k runs）を超えるAIエージェントの実行ログを計測し、課題（タスク）を与えられたAIが自律的にどのようなツール（プログラムやコマンド）をインストールし、使用したかを詳しく分析しています。
この膨大なデータ分析から、いくつかの興味深い事実と傾向が浮かび上がってきました。
(1) AIエージェントは「足りないツール」を自分でインストールする
人間が新しい開発環境で作業を始める際、必要なコマンドがインストールされていなければ、自らインストールコマンドを実行してツールを補います。実は、最新のAIエージェントも全く同じ行動をとります。
実行環境に必要なツールが存在しない場合、AIエージェントはエラーを検知し、自らツールをインストールするためのコマンド（たとえばパッケージ管理コマンドなど）を発行して、不足している道具を補おうとします。
(2) AIエージェントがよく選ぶ「定番ツール」の傾向
1.7万回のデータ分析によると、AIエージェントがタスクを解決する過程で頻繁にインストール・利用を選択するツールには明確な偏りがありました。特に以下のカテゴリのツールが多く選ばれています。
- コード検索ツール（例：ripgrep など） 膨大なプログラムコードの中から、目的の関数や変数、エラー箇所を高速に検索するためのツールです。標準的な検索コマンドよりも圧倒的に処理が速いため、AIエージェントはコードベース全体の把握や調査のためにこの種のツールを強く好みます。
- データ変換・解析ツール（例：jq など） 設定ファイルやAPIの応答結果（JSON形式と呼ばれるデータ構造）を効率よく読み取ったり、必要なデータだけを抽出したりするためのツールです。AIエージェントは、構造化されたデータを正確に解釈するためにこれらのツールを活用します。
- バージョン管理・差分確認ツール（例：git など） コードの変更履歴を管理したり、自分が修正した箇所の差分を確認したりするために利用されます。
- プログラミング言語の実行環境・ビルドツール（例：Python関連パッケージ、Node.js/npm など） 修正したプログラムが正しく動くかを実際にテスト（試運転）したり、依存するライブラリをセットアップしたりするために必要なツール群です。
(3) 「ツールがない状態」が引き起こす3つのロス
AIエージェントが必要なツールをその都度自らインストールできることは、一見すると利便性が高いように思えます。しかし、実務の運用という観点からは、大きな3つの不利益（ロス）が生じています。
- 実行時間（タイムアウト）の増加 AIが自前でツールをダウンロードしてインストールする処理には、数秒から数十秒の時間がかかります。これにより、1つのタスクを完了するまでの全体的な処理時間（遅延・レイテンシ）が長くなります。
- トークンコストと費用の増加 AIは「ツールの不在を認識する」「インストールコマンドを生成する」「実行結果を確認する」という試行錯誤を繰り返します。この一連のやり取りによってAIの利用量（トークン消費量）が無駄に増え、APIの利用料金が高くなってしまいます。
- 失敗（エラー）リスクの上昇 ネットワークの通信エラーや、パッケージの依存関係（動作に必要な他のソフトとの相性問題）の崩れによって、インストールの途中で作業が失敗してしまう可能性が高まります。
なお、実験に用いられた特定のAIモデル内部におけるプロンプト（指示文）の細かいチューニング条件や、今後登場する未発表モデルのツール選択アルゴリズムの完全な詳細については、一次情報源に記載がないため「未確認」です。
2. 実務への応用：効率的なAIコーディング環境の「設計・導入ガイド」
1.7万回の実験データから得られた知見を、私たちの日常のシステム開発にどのように活かすべきでしょうか。ここでは、AIコーディングの成果を最大化するための実務的な環境設計と導入の手順を解説します。
ステップ1：AI専用の「標準コンテナ環境（サンドボックス）」を構築する
AIコーディングを導入する際、人間の開発者が使っているパソコンの環境をそのまま使うのし、**「コンテナ技術（Dockerなど）」**を利用した安全で独立した試運転環境（サンドボックス）を用意するのがベストプラクティスです。
コンテナとは、アプリケーションの実行に必要なプログラムやツールを一つの「箱」に丸ごとまとめる仕組みのことです。このコンテナ環境にあらかじめAIが好むツールをすべて組み込んでおく（プリインストールしておく）ことが重要なポイントになります。
プリインストールしておくべき推奨ツール群
- ファイル検索・参照系：
ripgrep,fd,find - データ加工系：
jq,yq - 開発基本系：
git,curl,wget - 言語別基本ツール：プロジェクトに応じた言語環境（Python, Node.js, Go, Rustなど）およびその標準パッケージマネージャー
これらを初期状態でコンテナイメージに含めておくことで、AIエージェントは到着直後から「道具が揃った作業場」で無駄なく作業を開始できます。
ステップ2：AIに対する「ツール存在の明示（コンテキスト付与）」
ツールをコンテナにインストールするだけでは不十分な場合があります。AIエージェント自身が「自分はどんなツールを使える状態にあるのか」を把握していなければ、やはり無駄な確認コマンドを実行してしまうことがあるからです。
そこで、AIコーディングツールに与える初期指示（システムプロンプトや設定ファイル）に、以下のような情報を明記しておきます。
設定例の考え方： 「この環境には
ripgrepおよびjqがすでにインストールされています。コードの検索にはgrepではなくripgrepを使用し、JSONの処理にはjqを優先的に使用してください。」
このように「使える道具」と「優先して使うべきコマンド」をあらかじめ教えてあげることで、AIエージェントの思考プロセスが効率化され、正確で素早いコード生成が可能になります。
ステップ3：チーム全体での「AI環境の標準化」
個人レベルでAIコーディングツールを使うだけでなく、チーム全体で共通の「AI開発用コンテナ定義（Dockerfileなど）」を共有しましょう。
全員が同じAI実行環境を使うことで、「Aさんの環境ではAIが正しく修正できたのに、Bさんの環境ではツールが入っていなくて失敗した」という再現性の問題を防ぐことができます。
3. AIコーディング運用時の注意点とセキュリティリスク
AIコーディング環境の最適化を進めるにあたっては、生産性の向上だけでなく、運用面やセキュリティ面での注意点にも配慮する必要があります。
(1) ツール自動インストールのセキュリティリスク
AIエージェントに「自由にコマンドを実行する権限」と「インターネット接続権限」を与えている場合、大きなセキュリティ上のリスクが発生します。
万が一、AIが誤った指示を解釈したり、悪意のあるサードパーティ製パッケージ（悪質なプログラムが含まれたライブラリなど）の名前を推測して自動インストールしてしまった場合、システム内部の情報が漏洩したり、開発環境が汚染されたりする恐れがあります。
対策：
- AI実行環境からの不要な外部インターネット接続を制限する。
- 信頼できる内部パッケージリポジトリ（プログラムの保存場所）のみアクセスを許可する。
- AIエージェントにルート権限（システム全体を改変できる最強の権限）を与えず、制限されたユーザー権限で動作させる。
(2) コンテナイメージの肥大化と起動速度のトレードオフ
「AIが使いそうなツールをすべて入れておこう」と考え、あらゆる開発ツールやライブラリをコンテナに詰め込むと、コンテナイメージのデータサイズが数ギガバイトから数十ギガバイトへと巨大化してしまいます。
コンテナイメージが大きくなりすぎると、環境を立ち上げるまでの待ち時間（起動遅延）が長くなり、かえって開発スピードが低下してしまいます。
対策：
- プロジェクトの性質（Web開発、データ分析、組み込み開発など）に合わせて、最小限の必要ツールに絞り込んだ複数の「軽量コンテナ」を用意する。
- 1.7万回のデータでも示されている通り、「検索ツール（ripgrep）」「データ加工ツール（jq）」など、最も効果の高い汎用ツールの導入を優先する。
(3) 未確認の仕様変更に対する柔軟な運用
AIモデル（Claude、Codex、Cursor等で利用される基盤モデル）は頻繁にアップデートされます。アップデートによって、AIが内部で優先して使用するコマンドの嗜好や、内部でのエラーリカバリのアルゴリズムが変化する可能性があります。
一次情報源のデータは測定時点での統計であり、将来すべてのバージョンにおいて完全に同一の行動パターンをとるかどうかについては未確認な部分が存在します。そのため、一度構築した環境を放置するのし、定期的にAIエージェントの行動ログを観察し、無駄なインストール動作が発生していないかを点検・チューニングする運用体制が必要です。
4. まとめと今後の展望
今回のテーマである「1.7万回のデータから知るAIエージェントのツール選択行動」は、これからのAIコーディング時代における重要な示唆を与えてくれています。
AIコーディングを成功させる鍵は、単に「最も賢いAIモデルを選ぶこと」だけではありません。**「AIという優れた職人に、いかに使い勝手の良い作業場（環境とツール）を提供できるか」**という、環境設計の視点が欠かせません。
本記事のポイントおさらい
- AIエージェントは自律的にツールを選ぶ：不足しているツールがあると自らインストールを試みるが、それには時間・コスト・失敗リスクが伴う。
- 好まれるツールをあらかじめ提供する：
ripgrep（検索）やjq（データ処理）など、AIがよく使う高速ツールを標準環境に組み込んでおく（プリインストールする）。 - AI実行環境の標準化：Dockerなどのコンテナ技術を用いて、安全で統一されたAIサンドボックス環境をチームで運用する。
- セキュリティと軽量化のバランス：何でも許可するのではなく、権限の分離やネットワーク制限、適切なイメージサイズの維持を行う。
AIコーディング技術は日々進化しています。最新のAIモデルの性能を100%発揮させるために、まずは自社の開発現場で「AIがどんなツールを使おうとして躓いているか」を確認することから始めてみませんか。開発環境を少し工夫するだけで、AIコーディングのスピードと精度は劇的に向上するはずです。