Claude CodeのCode Reviewが正式登場! 人間のレビューは不要になる?

目次
AIがコードを書く量が増えるほど、その変更を誰が確認するのかが気になります。Claude CodeのCode Reviewは、このPRレビューを支援する機能です。ただし、指摘がゼロでも安全の証明にはならず、マージの判断は人間側に残ります。
Anthropicは2026年10月15日にCode Reviewの正式提供を発表しました。この記事では2026年10月29日時点の公式資料から、できること、利用条件、費用、導入後の確認方法を整理します。自分のリポジトリで運用したレビューではないため、検出率や工数削減の実績は示しません。
正式登場したのは、GitHubのPRを調べるサービス
Code Reviewは、GitHubのプルリクエストを複数のエージェントが調べ、検証した指摘を該当行へコメントするサービスです。差分だけでなく周辺コードも参照し、ロジックの誤り、セキュリティ上の問題、境界条件などを探します。指摘の重複整理や重要度の判定も行います。公式の機能説明(外部サイト)
「コードを見て」と普段のClaude Codeへ頼むことと、組織でPRレビューを自動運用することは区別した方が分かりやすいです。
方法 | 使う場面 | 先に確認すること |
|---|---|---|
通常のセッションでレビューを依頼 | 手元の変更を相談したい | 対象差分と依頼内容 |
Code Reviewサービス | チームのGitHub PRへ継続的に指摘を付けたい | 組織プラン、GitHub連携、予算 |
CIのテスト・静的解析 | 決まったルールを繰り返し検証したい | 実行対象、失敗条件、テストの妥当性 |
これらは組み合わせて使えます。AIに聞けばテストが不要になる、という関係ではありません。
Team/Enterprise向けで、利用料は別に発生する
正式提供の対象はClaude TeamとEnterpriseです。個人向けプランでClaude Codeを使っているだけで、この組織向けサービスまで使えるとは限りません。
導入前はプランだけでなくデータの取り扱いも確認します。公式DocsにはZero Data Retention、HIPAA設定、CMEKなどに関する提供上の制限が記載されています。業務コードを扱う場合は、自社の契約条件と合わせて確認してください。利用条件(外部サイト)
費用はプラン内の通常利用枠と別のusage creditsで、トークン使用量に応じて組織へ課金されます。固定の「1PRいくら」という料金ではありません。 変更量、周辺コードの複雑さ、レビューの深さ、実行回数で変わります。料金と利用量(外部サイト)
毎回のpushで実行すると、同じPRでも何度も費用がかかります。最初は手動実行やPR作成時の実行で小さく始め、実際の平均費用を見て広げる方が予算を考えやすいです。
導入は「有効化したら終わり」にしない
組織のOwnerがCode Reviewを有効にし、GitHub Appを接続して対象リポジトリを選びます。GitHub側にもアプリをインストールする権限が必要です。ここは実際の組織の管理者と進める作業です。セットアップ手順(外部サイト)
最初に決めたいのは、次の三つです。
どのリポジトリで使うか。
PR作成時・pushごと・手動のどのタイミングで実行するか。
月額上限と、レビューが予算不足で実行されなかった場合の確認担当をどうするか。
正式発表ではレビューの深さとしてQuick、Standard、Deepが案内されています。重要なコードだから無条件に一番深い設定、ではなく、待ち時間と費用を含めて選びます。正式提供の発表(外部サイト)
なお、この発表は多くのレビューが6〜10分で完了するとしていますが、ヘルプには平均20分という説明も残っています。資料間に差があるため、必ず何分で終わるとは考えず、自分たちのPRで確認したいところです。
AIの指摘は、何を根拠に採用する?
例えば「別ユーザーのデータを取得できる」という指摘が来たとします。そこで修正案をそのまま取り込む前に、入口の認証、DBクエリの絞り込み、呼び出し元の権限をたどります。
これは説明用の例で、今回実際に検出した不具合ではありません。確認したいのは、指摘の文章のもっともらしさよりも、どの条件で、何が起きて、どこに根拠があるかです。
確認すること | レビューでの見方 |
|---|---|
発生条件 | どの入力・ユーザー・状態で起きるのか |
コード上の根拠 | 変更行だけでなく呼び出し元や関連処理もつながるか |
期待する仕様 | その挙動を本当に不具合と判断してよいか |
再現方法 | 小さなテストや操作で確かめられるか |
修正の影響 | 他の利用者や既存データを壊さないか |
誤検知は捨てれば済むように見えても、調査の時間はかかります。逆にコメント数が多いだけでは、レビューの価値は測れません。
人間が残すべきレビューは、仕様と影響の判断
Code ReviewはPRを承認したり、マージをブロックしたりする機能ではありません。公式も見逃しの可能性を明記しています。
人間側で見たいのは、そもそも依頼された課題を解いているか、権限の考え方が妥当か、既存利用者の使い方を変えていないか、公開後に戻せるか、といった部分です。正しそうな実装でも、必要な機能と違えば採用できません。
AIが指摘した不具合を人間が検証する。その間にCIで回帰を確認する。最後に仕様と運用上の影響を人間が判断する。こうした分担の方が、Code Reviewの役割をはっきりさせられます。
レビュー基準は、文章でも渡せる
公式では、共通のプロジェクト指示をCLAUDE.md、レビュー専用の指示をREVIEW.mdへ記載できます。カスタマイズ方法(外部サイト)
例えば、一般的な「厳しくレビューして」よりも、次のような依頼の方が確認の焦点が明確です。
認証後の処理でも、取得対象が利用者の権限で絞られているか確認する。
ログへ秘密値や個人データを出していないか確認する。
指摘には発生条件とコード上の根拠を付ける。
既存の自動検査が扱う書式だけの問題は重複して報告しない。これは指示例です。ファイルに書くだけで検査が保証されるわけではありません。レビュー基準そのものもチームで確認し、実際のコメントが期待どおりか見直す必要があります。
最初の数件では「発見数」より確認時間も記録したい
導入効果を判断するなら、PRごとに実行費用、待ち時間、有効だった指摘、誤検知の調査時間、修正後の回帰確認を記録します。人間が後から見つけた見逃しも残すと、任せられる範囲が見えてきます。
特に注意したいのは、人間がAIの結論を信じて確認を省くことです。「何も言われなかった」だけで安心せず、重要な認可、金銭、データ変更は明示的な確認を残したいです。
人間のレビューをなくせるか、という問いに対する現時点の答えは、不具合を探す作業を支援してもらい、採用の判断と責任は残すです。まずは対象と予算を絞り、役に立った指摘と調査負担の両方を見て判断するのがよさそうです。
関連する考え方は、AIコーディングでサブエージェントを分ける意味でも整理しています。そちらは役割分担、本記事はPRレビューの運用が中心です。



