Data Engineering Weekly著者のAnanth Packkildurai氏は、Cursorやclaude codeなどによってこの2年でコードを書く摩擦が消えた結果、エンジニアの中心業務は「ローカルなロジックを書くこと」から「生成されたロジックを信頼できる状態に保つ契約・フィードバックループ・境界の設計」へ移ると論じています。同氏は、テストが全て通るのに財務が認めない数値を出すパイプラインを例に、物理的に整合していても意味的に誤っているデータ基盤の危うさを指摘しました。
よくテストされたAIチャットボットでも、モデルやプロンプトを一切変えなくても、公開3カ月後には利用者の質問の約3分の1に自信満々で誤答するようになる。VentureBeatの寄稿でエンジニアは、原因はモデルやコンテキストではなく、データエンジニアリング層の劣化——古く不完全なデータ——だと指摘し、正確性・鮮度・一貫性・来歴という4つの観測指標を処方箋として示す。
VentureBeatの寄稿で、シニアデータエンジニアのNaveen Ayalla氏は、企業の生成AIパイロットが本番に届かないのはモデルの限界ではなく「データ基盤の準備不足」が原因だと指摘します。断片化した既存データをそのままLLMに流し、RAGの検索層で「後から整える」発想を、氏は“Cleanup Trap（後始末の罠）”と呼びます。
VentureBeatは、プロンプト依存の「vibe coding」が抱える文脈消失の問題を解決する手段として、業務知識やルールをバージョン管理可能な「仕様」に変換するSpec-driven development(SDD)を紹介しました。Infrastructure-as-CodeやGitOpsの思想をAI支援開発に拡張する考え方で、エンタープライズのデータエンジニアリングと相性が良いとされています。