マーク・シーマン(Mark Seemann)はSeptember 16, 2026、正式なCS教育を受けていない読者への回答として意見エッセーを公開した。この読者はLLMを使い、API、PostgreSQL、LLMパイプライン、研究自動化、マルチモデルワークフローを含む大規模なTypeScript/JavaScriptシステムを構築していた。読者は、AI支援のプログラミングが最初はアイデアと動くシステムの距離を縮めるため「almost magical」に感じられた一方、本番環境ではエラー、リファクタリングの問題、自分が十分に理解していない部分が露呈したと述べた。

読者は、LLMによって人は理解の速度を超えて構築できるのか、またAIで作った大きなプロジェクトはあるが基礎が弱い開発者は、基礎学習に戻るべきか、作り続けて問題が出るたび学ぶべきか、その両方を組み合わせるべきかを尋ねた。シーマンはAIについて最終的な立場を決めていないとしつつ、実験を続け、時に印象的だと感じながらも、嫌悪寄りの見方をしていると述べた。プログラミングは保険請求管理のような分野より検証が容易な規律かもしれないとしたが、知識労働者の大量失業は現在の社会のあり方を脅かすと警告した。

経済学の背景がここでは関係すると述べたシーマンは、30-40%の大量失業が大きな経済的影響を伴わないとは想像できないと書いた。過去の技術が新しい雇用を生んだという楽観論にも異議を唱え、新しい仕事は古い仕事を失った人々に行き渡らないことが多いと述べた。炭鉱労働者が一夜でプログラマーになったわけではないと例示し、中国が世界貿易機関に加盟した際にも同様の議論があり、多くの新規雇用は生まれたが西側世界ではなかったと指摘した。

LLM以前にプログラミングを学んでよかったかと問われたシーマンは、そうだと答え、その技能は三十年にわたり役立ったと述べた。現在始めるなら、大工仕事、金属加工、銃器製作、または手と目の協調を要する別分野を真剣に考えるという。肉体労働をロボティクスが置き換える時期は、より遠いように見えるからだ。金銭的な見返りをあまり期待しているわけではなく、好奇心から大学課程でデータ構造と言語意味論を学んでいるとも付け加えた。

AIが人間の理解を上回る速度で開発を可能にするかについて、シーマンは答えはまだ不確かだと述べた。ソフトウェア開発者は長く、自分が理解していない抽象化の上で作業してきたとも指摘した。ウェブ開発者がコンパイラプログラミングを知らず、コンパイラプログラマーが集積回路設計を知らない例である。目安として、自分の作業のすぐ下の抽象化レベルと、すぐ上のレベルを理解すべきだとした。通常、それで大半の問題をトラブルシュートできるという。

シーマンは自身の初期キャリアについて、限られた理解のまま1999年にC++のCOMコンポーネントから始め、仕事をこなしながら学ぶ必要があったと述べた。その後、基礎を体系的に学ぶためにいったん立ち止まったが、過去の自信過剰がDunning-Kruger curveの一部だったと認識できるだけの力量に達するまで、数十年かかったという。LLMは学習者がより的を絞った質問をする助けになり得るとしながらも、人間の学習速度を大幅に速められるかには懐疑的だった。ボトルネックは、脳が知識を吸収する速度だからだ。

シーマンは自身の学習を、試行錯誤と時に書籍に基づく遅い過程だと説明した。COMAL 80での初期のつまずきの後、経済学修士論文では分岐図とローレンツアトラクターのためにQBasicプログラムを書いた。1990s and 2000sには多くの言語をサンプルとドキュメントから学び、その後F#とHaskellでは書籍を使った。2026年時点では、通常の新しい言語なら既存コードを読むことでたいてい学べるが、APLに戻るにはチュートリアルが必要だと述べた。

シーマンは、LLMの回答を信頼していないため、学習目的ではあまり使わないと述べた。LLMは信頼できる指針ではなく、検証できない主張を出すものだとみている。一方で、Haskellの式をより簡潔にできるかといった反証可能な質問にはLLMを使う。コード提案は動くか動かないか、短いか短くないかを試せるからだ。次に何を学ぶべきかといった質問は、検証可能な答えを生まないため避けている。

マーク・シーマン(Mark Seemann)はSeptember 16, 2026、正式なCS教育を受けていない読者への回答として意見エッセーを公開した。この読者はLLMを使い、API、PostgreSQL、LLMパイプライン、研究自動化、マルチモデルワークフローを含む大規模なTypeScript/JavaScriptシステムを構築していた。読者は、AI支援のプログラミングが最初はアイデアと動くシステムの距離を縮めるため「almost magical」に感じられた一方、本番環境ではエラー、リファクタリングの問題、自分が十分に理解していない部分が露呈したと述べた。

読者は、LLMによって人は理解の速度を超えて構築できるのか、またAIで作った大きなプロジェクトはあるが基礎が弱い開発者は、基礎学習に戻るべきか、作り続けて問題が出るたび学ぶべきか、その両方を組み合わせるべきかを尋ねた。シーマンはAIについて最終的な立場を決めていないとしつつ、実験を続け、時に印象的だと感じながらも、嫌悪寄りの見方をしていると述べた。プログラミングは保険請求管理のような分野より検証が容易な規律かもしれないとしたが、知識労働者の大量失業は現在の社会のあり方を脅かすと警告した。

経済学の背景がここでは関係すると述べたシーマンは、30-40%の大量失業が大きな経済的影響を伴わないとは想像できないと書いた。過去の技術が新しい雇用を生んだという楽観論にも異議を唱え、新しい仕事は古い仕事を失った人々に行き渡らないことが多いと述べた。炭鉱労働者が一夜でプログラマーになったわけではないと例示し、中国が世界貿易機関に加盟した際にも同様の議論があり、多くの新規雇用は生まれたが西側世界ではなかったと指摘した。

LLM以前にプログラミングを学んでよかったかと問われたシーマンは、そうだと答え、その技能は三十年にわたり役立ったと述べた。現在始めるなら、大工仕事、金属加工、銃器製作、または手と目の協調を要する別分野を真剣に考えるという。肉体労働をロボティクスが置き換える時期は、より遠いように見えるからだ。金銭的な見返りをあまり期待しているわけではなく、好奇心から大学課程でデータ構造と言語意味論を学んでいるとも付け加えた。

AIが人間の理解を上回る速度で開発を可能にするかについて、シーマンは答えはまだ不確かだと述べた。ソフトウェア開発者は長く、自分が理解していない抽象化の上で作業してきたとも指摘した。ウェブ開発者がコンパイラプログラミングを知らず、コンパイラプログラマーが集積回路設計を知らない例である。目安として、自分の作業のすぐ下の抽象化レベルと、すぐ上のレベルを理解すべきだとした。通常、それで大半の問題をトラブルシュートできるという。

シーマンは自身の初期キャリアについて、限られた理解のまま1999年にC++のCOMコンポーネントから始め、仕事をこなしながら学ぶ必要があったと述べた。その後、基礎を体系的に学ぶためにいったん立ち止まったが、過去の自信過剰がDunning-Kruger curveの一部だったと認識できるだけの力量に達するまで、数十年かかったという。LLMは学習者がより的を絞った質問をする助けになり得るとしながらも、人間の学習速度を大幅に速められるかには懐疑的だった。ボトルネックは、脳が知識を吸収する速度だからだ。

シーマンは自身の学習を、試行錯誤と時に書籍に基づく遅い過程だと説明した。COMAL 80での初期のつまずきの後、経済学修士論文では分岐図とローレンツアトラクターのためにQBasicプログラムを書いた。1990s and 2000sには多くの言語をサンプルとドキュメントから学び、その後F#とHaskellでは書籍を使った。2026年時点では、通常の新しい言語なら既存コードを読むことでたいてい学べるが、APLに戻るにはチュートリアルが必要だと述べた。

シーマンは、LLMの回答を信頼していないため、学習目的ではあまり使わないと述べた。LLMは信頼できる指針ではなく、検証できない主張を出すものだとみている。一方で、Haskellの式をより簡潔にできるかといった反証可能な質問にはLLMを使う。コード提案は動くか動かないか、短いか短くないかを試せるからだ。次に何を学ぶべきかといった質問は、検証可能な答えを生まないため避けている。