  |
はてなキーワード: MVPとは
ロサンゼルス・ドジャースが、ワールドシリーズを連覇しました。
大谷翔平選手、山本由伸選手、佐々木朗希選手、おめでとうございます！
また、山本選手のシリーズMVP受賞、重ねてお祝い申し上げます。私が愛する阪神タイガースは日本シリーズ優勝を逃しましたが、日本と日本人の底力を信じてやまない者として、日本人選手の海外でのご活躍は、とても嬉しいニュースです。
これからも、日本人メジャーリーガーの皆様、そして全ての日本人アスリートの皆様が、世界の真ん中で咲き誇り、日本人に夢と希望を与え続けて下さることを、大いに期待しています。— 高市早苗 (@takaichi_sanae) November 2, 2025
「ブルペンのドアを施錠しておけ」
「俺を出すことが最善の選択肢だ」
「打てるものなら打ってみろ」
「際どい打球処理は全部俺がカバーしてやる」
トドメを刺しに行かなければいけない」
「俺を日本式の中６日で投げさせろ。
そうすれば全てを出し切ってやる」
「へどが出る。0でなければならないはずだ」
「負けという選択肢はない」
2025年、私たちはソフトウェア開発の歴史的な転換点に立っている。大規模言語モデル（LLM）の進化は、GitHub Copilotのようなコード補完ツールに始まり、今や「何を作りたいか」を自然言語で伝えるだけで、アプリケーションの雛形が数分で生成される時代を現実のものとしつつある。この光景を目の当たりにした多くのプログラマが、漠然とした、しかし確かな不安を抱いているだろう。「私たちの仕事は、いずれAIに奪われるのではないか」と。
この問いに対する私の答えは、半分はYesであり、もう半分はNoだ。より正確に言えば、プログラマの仕事の本質が、歴史上かつてないレベルで抽象化され、その役割が再定義されるのだ。私たちは、コードを「書く」作業から解放される一方で、これまで以上に高度な思考を要求されることになる。
本稿では、プログラミングの歴史を「How（いかに作るか）」から「What（何を作るか）」への移行として捉え直し、LLMがこの流れをいかに加速させるかを論じる。そして、その先にある、AIには決して代替できない、人間ならではの競争優位性、すなわち「Why（なぜ作るのか）」を定義し、記述する能力の重要性について深く考察していく。これは、単なる未来予測ではない。今を生きるすべてのソフトウェアエンジニアにとっての、生存戦略の提示である。
LLMの登場を特異点として捉える前に、我々が立っている場所を正確に知る必要がある。ソフトウェア開発の歴史は、常に「抽象化」との戦いであった。そしてその歴史は、プログラマの関心が「How」から「What」へと徐々に移り変わっていくプロセスとして描くことができる。
コンピュータの黎明期、プログラミングとは、計算機が理解できる命令（How）を、一行一行、丹念に記述する作業そのものであった。アセンブリ言語や初期のFORTRAN、COBOLといった言語は、ハードウェアの制約を強く受けており、プログラマはメモリ管理やプロセッサの動作といった、極めて物理層に近いレベルでの「How」を意識する必要があった。
この時代のテストもまた、「How」に強く束縛されていた。書かれた手続きが、意図した通りに順番に実行されるか、特定の入力に対して期待された計算結果を返すか。テストの関心事は、あくまで「手続きの正しさ」の検証にあった。ビジネスロジックと実装の詳細が密結合し、コードは特定の処理手順を記述した、硬直的な塊となっていた。
風向きが変わり始めたのは、ソフトウェアの規模が拡大し、その複雑性が人間の認知能力を超え始めた頃だ。1990年代後半から2000年代にかけて提唱されたエクストリーム・プログラミング（XP）の中で、テスト駆動開発（TDD）という考え方が登場する。
TDDの本質は、単なるテスト手法の改善ではない。それは、プログラミングのパラダイムを根底から覆す思想だった。TDDは、「まずテストを書く」ことを強制することで、プログラマの意識を「これから実装するコード（How）」から「そのコードが満たすべき振る舞い（What）」へと強制的に転換させたのだ。
テストはもはや、書かれたコードの後追いで正しさを検証する作業ではない。それは、これから作られるべきソフトウェアの「仕様書」であり、「振る舞いの宣言」となった。例えば、「ユーザーがログインボタンをクリックしたら、ダッシュボード画面に遷移する」というテストコードは、具体的な実装方法（`onClick`イベントハンドラの中で`window.location.href`を書き換える、など）には一切言及しない。それはただ、達成されるべき「What」を記述しているだけだ。
この思想は、ビヘイビア駆動開発（BDD）へと発展し、`Given-When-Then`といった、より自然言語に近い形式でソフトウェアの振る舞いを記述するスタイルを生み出した。プログラマだけでなく、プロダクトマネージャーやビジネスアナリストといった非技術者をも巻き込み、「What」を共通言語として定義する試みが本格化したのである。
TDD/BDDによってプログラマの意識が「What」に向かい始めると、コードそのものもまた、宣言的なスタイルへと進化していく。この変化を劇的に加速させたのが、モダンなフレームワークの存在だ。
Reactを例に考えてみよう。Reactが登場する前、フロントエンド開発はjQueryに代表されるように、DOMを直接操作する命令的なコード（How）の連続だった。「このボタンがクリックされたら、この要素のテキストを書き換え、あちらの要素を非表示にする」といった具合だ。
しかし、Reactは「UIとは、ある状態（state）に対する純粋な写像である」という宣言的なモデルを提示した。プログラマがやるべきことは、UIの状態（`state`）と、その状態がどのように見えるか（JSXによるコンポーネント）を宣言することだけだ。状態が変更された際に、DOMをどのように効率的に更新するかという面倒な「How」の部分は、Reactの仮想DOMと差分検出アルゴリズムがすべて隠蔽してくれる。プログラマは「What（UIのあるべき姿）」を記述するだけでよくなったのだ。
この「WhatからHowへの変換」は、様々な領域で見られる。
これらのフレームワークやツールは、いわば「特定の制約下における、WhatからHowへの高性能な変換器」として機能してきた。プログラマは、フレームワークが課す「お作法」や「制約」を受け入れることで、退屈で間違いの多い「How」の記述から解放され、より本質的な「What」の定義に集中できるようになった。我々が「生産性が高い」と感じる開発体験は、この優れた変換器の恩恵に他ならない。
現状は、この歴史的変遷の延長線上にある。プログラマの仕事は、手続きを記述する職人から、振る舞いを定義し、それを実現するための最適な「変換器（フレームワーク）」を選択・設定するアーキテクトへと、その重心を移してきたのだ。
フレームワークがもたらした「WhatからHowへ」の潮流は、LLMの登場によって、未曾有のスケールで加速されようとしている。フレームワークが「特定の領域に特化した変換器」であったのに対し、LLMは「あらゆる領域に対応可能な、究極の汎用変換器」としてのポテンシャルを秘めているからだ。
前章で述べたように、ReactやTerraformといったフレームワークは、その恩恵と引き換えに、私たちに特定の「制約」を課してきた。Reactを使うならコンポーネントベースで思考し、状態管理の作法に従う必要がある。Terraformを使うなら、そのエコシステムとHCLの流儀を受け入れなければならない。これらの制約は、WhatからHowへの変換を自動化するための「レール」であり、私たちはそのレールの上を走ることで効率を得てきた。
しかし、LLMはこの前提を覆す。LLMは、特定のフレームワークや言語の知識を事前に学習しているが、その利用において絶対的な制約を課すわけではない。私たちは、より自由な形式で「What」を伝えることができる。
例えば、こうだ。
ユーザー認証機能付きのシンプルなブログアプリを作ってほしい。フロントエンドはReactとTypeScript、UIコンポーネントはMUIを使う。バックエンドはNode.jsとExpressで、データベースはPostgreSQL。ユーザーはGoogleアカウントでログインでき、新しい記事を作成、編集、削除できる。記事にはマークダウン記法が使えて、画像もアップロードできるようにしてほしい。
この要求（What）は、特定のフレームワークの流儀に則ったものではない。複数の技術スタックを横断し、機能要求を自然言語で並べただけのものである。しかし、現在のLLM、特にGPT-4oやそれに類するモデルは、このレベルの要求から、ディレクトリ構造、設定ファイル、APIエンドポイント、フロントエンドコンポーネントに至るまで、驚くほど具体的なコード（How）を生成することができる。
これは、フレームワークが担ってきた「WhatからHowへの変換」が、特定のレールから解き放たれ、より広範で柔軟な領域へと拡張されたことを意味する。これまで自動化が難しかった、あるいは特定のフレームワークが存在しなかったニッチな領域や、複数の技術を組み合わせる複雑なシステム構築においても、AIによる宣言的プログラミングの恩恵を受けられる時代が始まろうとしているのだ。
LLMという汎用変換器の登場により、プログラマの生産性は、「いかに質の高いWhatをLLMに伝えられるか」に直結するようになる。これは、俗に「プロンプトエンジニアリング」と呼ばれるスキルだが、その本質は、ソフトウェア開発における「要求定義」そのものである。
質の高い「What」とは何か。それは、曖昧性がなく、網羅的で、矛盾のない要求である。
これらは、優秀なソフトウェアエンジニアが、プロダクトマネージャーやデザイナーとの対話を通じて、日常的に行ってきた思考プロセスそのものではないだろうか。LLMの登場は、この思考プロセスを、より明確に、よりテキストベースで「記述」する能力を求める。私たちの頭の中にあった暗黙的な仕様が、LLMへの入力（プロンプト）という形で、明示的に言語化されることを要求するのだ。
やがて、ほとんどのプログラミング作業は、この「Whatの記述」に収束していくだろう。TDDがテストコードという形式で「What」を記述したように、私たちは自然言語や、より構造化された要求記述言語を用いて、AIに対して「What」を宣言することになる。コード（How）は、その宣言から自動生成される中間生成物に過ぎなくなる。まさに、コードが蒸発していく未来である。
「What」を伝えれば「How」が手に入る。この魔法のような世界の到来を前に、私たちは一つの重大な問いに直面する。それは、「そのWhatからHowへの変換は、本当に一意に決まるのか？」という問いだ。
答えは、明確にNoである。
ある「What（要求）」を実現するための「How（実装）」は、無数に存在する。そして、どの「How」を選択すべきかを決定するためには、単純な機能要求（What）だけでは情報が全く足りない。そこには、必ず「Why（なぜそう作るのか）」という、背景、文脈、そしてトレードオフの考慮が必要不可欠となる。
簡単な例を考えてみよう。「1億件のユーザーデータを格納し、ユーザーIDで高速に検索できるシステム」という「What」をLLMに与えたとする。LLMは、どのような「How」を提案するだろうか。
これらの選択肢は、どれも「What」を満たしている。しかし、その特性は全く異なる。案Aは多くのエンジニアにとって馴染み深く開発が容易だが、10億、100億件へのスケールは難しいかもしれない。案Bはスケール性に優れるが、厳密なトランザクション管理は苦手だ。案Cは高速だが、運用コストとシステムの複雑性が増す。案Dは安価だが、検索速度は他に劣る。
LLMは、これらの選択肢をリストアップすることはできるだろう。しかし、このプロジェクトにとって最適な選択肢はどれかを、自信を持って決定することはできない。なぜなら、その決定には、LLMが与えられていない「Why」の情報が必要だからだ。
これらの「Why」こそが、無数に存在する「How」の中から、ただ一つの「正解」を選び出すための羅針盤なのである。そしてこの「Why」は、ビジネスの目標、組織の文化、ユーザーの期待、技術的な制約といった、極めて人間的で、文脈依存的な情報の中にしか存在しない。
ここで重要なのは、これまでもエンジニアは、この「Why」に基づく意思決定を、意識的あるいは無意識的に行ってきたという事実だ。
私たちが技術選定を行うとき、単に「流行っているから」という理由だけでReactを選ぶわけではない。「SPA（Single Page Application）にすることでユーザー体験を向上させたい（Why）」、「コンポーネント指向の開発によって長期的な保守性を確保したい（Why）」、「Reactエンジニアの採用市場が活発だから（Why）」といった、様々な「 Permalink | 記事への反応(0) | 17:09
2025年、私たちはソフトウェア開発の歴史的な転換点に立っている。大規模言語モデル（LLM）の進化は、GitHub Copilotのようなコード補完ツールに始まり、今や「何を作りたいか」を自然言語で伝えるだけで、アプリケーションの雛形が数分で生成される時代を現実のものとしつつある。この光景を目の当たりにした多くのプログラマが、漠然とした、しかし確かな不安を抱いているだろう。「私たちの仕事は、いずれAIに奪われるのではないか」と。
この問いに対する私の答えは、半分はYesであり、もう半分はNoだ。より正確に言えば、プログラマの仕事の本質が、歴史上かつてないレベルで抽象化され、その役割が再定義されるのだ。私たちは、コードを「書く」作業から解放される一方で、これまで以上に高度な思考を要求されることになる。
本稿では、プログラミングの歴史を「How（いかに作るか）」から「What（何を作るか）」への移行として捉え直し、LLMがこの流れをいかに加速させるかを論じる。そして、その先にある、AIには決して代替できない、人間ならではの競争優位性、すなわち「Why（なぜ作るのか）」を定義し、記述する能力の重要性について深く考察していく。これは、単なる未来予測ではない。今を生きるすべてのソフトウェアエンジニアにとっての、生存戦略の提示である。
LLMの登場を特異点として捉える前に、我々が立っている場所を正確に知る必要がある。ソフトウェア開発の歴史は、常に「抽象化」との戦いであった。そしてその歴史は、プログラマの関心が「How」から「What」へと徐々に移り変わっていくプロセスとして描くことができる。
コンピュータの黎明期、プログラミングとは、計算機が理解できる命令（How）を、一行一行、丹念に記述する作業そのものであった。アセンブリ言語や初期のFORTRAN、COBOLといった言語は、ハードウェアの制約を強く受けており、プログラマはメモリ管理やプロセッサの動作といった、極めて物理層に近いレベルでの「How」を意識する必要があった。
この時代のテストもまた、「How」に強く束縛されていた。書かれた手続きが、意図した通りに順番に実行されるか、特定の入力に対して期待された計算結果を返すか。テストの関心事は、あくまで「手続きの正しさ」の検証にあった。ビジネスロジックと実装の詳細が密結合し、コードは特定の処理手順を記述した、硬直的な塊となっていた。
風向きが変わり始めたのは、ソフトウェアの規模が拡大し、その複雑性が人間の認知能力を超え始めた頃だ。1990年代後半から2000年代にかけて提唱されたエクストリーム・プログラミング（XP）の中で、テスト駆動開発（TDD）という考え方が登場する。
TDDの本質は、単なるテスト手法の改善ではない。それは、プログラミングのパラダイムを根底から覆す思想だった。TDDは、「まずテストを書く」ことを強制することで、プログラマの意識を「これから実装するコード（How）」から「そのコードが満たすべき振る舞い（What）」へと強制的に転換させたのだ。
テストはもはや、書かれたコードの後追いで正しさを検証する作業ではない。それは、これから作られるべきソフトウェアの「仕様書」であり、「振る舞いの宣言」となった。例えば、「ユーザーがログインボタンをクリックしたら、ダッシュボード画面に遷移する」というテストコードは、具体的な実装方法（`onClick`イベントハンドラの中で`window.location.href`を書き換える、など）には一切言及しない。それはただ、達成されるべき「What」を記述しているだけだ。
この思想は、ビヘイビア駆動開発（BDD）へと発展し、`Given-When-Then`といった、より自然言語に近い形式でソフトウェアの振る舞いを記述するスタイルを生み出した。プログラマだけでなく、プロダクトマネージャーやビジネスアナリストといった非技術者をも巻き込み、「What」を共通言語として定義する試みが本格化したのである。
TDD/BDDによってプログラマの意識が「What」に向かい始めると、コードそのものもまた、宣言的なスタイルへと進化していく。この変化を劇的に加速させたのが、モダンなフレームワークの存在だ。
Reactを例に考えてみよう。Reactが登場する前、フロントエンド開発はjQueryに代表されるように、DOMを直接操作する命令的なコード（How）の連続だった。「このボタンがクリックされたら、この要素のテキストを書き換え、あちらの要素を非表示にする」といった具合だ。
しかし、Reactは「UIとは、ある状態（state）に対する純粋な写像である」という宣言的なモデルを提示した。プログラマがやるべきことは、UIの状態（`state`）と、その状態がどのように見えるか（JSXによるコンポーネント）を宣言することだけだ。状態が変更された際に、DOMをどのように効率的に更新するかという面倒な「How」の部分は、Reactの仮想DOMと差分検出アルゴリズムがすべて隠蔽してくれる。プログラマは「What（UIのあるべき姿）」を記述するだけでよくなったのだ。
この「WhatからHowへの変換」は、様々な領域で見られる。
これらのフレームワークやツールは、いわば「特定の制約下における、WhatからHowへの高性能な変換器」として機能してきた。プログラマは、フレームワークが課す「お作法」や「制約」を受け入れることで、退屈で間違いの多い「How」の記述から解放され、より本質的な「What」の定義に集中できるようになった。我々が「生産性が高い」と感じる開発体験は、この優れた変換器の恩恵に他ならない。
現状は、この歴史的変遷の延長線上にある。プログラマの仕事は、手続きを記述する職人から、振る舞いを定義し、それを実現するための最適な「変換器（フレームワーク）」を選択・設定するアーキテクトへと、その重心を移してきたのだ。
フレームワークがもたらした「WhatからHowへ」の潮流は、LLMの登場によって、未曾有のスケールで加速されようとしている。フレームワークが「特定の領域に特化した変換器」であったのに対し、LLMは「あらゆる領域に対応可能な、究極の汎用変換器」としてのポテンシャルを秘めているからだ。
前章で述べたように、ReactやTerraformといったフレームワークは、その恩恵と引き換えに、私たちに特定の「制約」を課してきた。Reactを使うならコンポーネントベースで思考し、状態管理の作法に従う必要がある。Terraformを使うなら、そのエコシステムとHCLの流儀を受け入れなければならない。これらの制約は、WhatからHowへの変換を自動化するための「レール」であり、私たちはそのレールの上を走ることで効率を得てきた。
しかし、LLMはこの前提を覆す。LLMは、特定のフレームワークや言語の知識を事前に学習しているが、その利用において絶対的な制約を課すわけではない。私たちは、より自由な形式で「What」を伝えることができる。
例えば、こうだ。
ユーザー認証機能付きのシンプルなブログアプリを作ってほしい。フロントエンドはReactとTypeScript、UIコンポーネントはMUIを使う。バックエンドはNode.jsとExpressで、データベースはPostgreSQL。ユーザーはGoogleアカウントでログインでき、新しい記事を作成、編集、削除できる。記事にはマークダウン記法が使えて、画像もアップロードできるようにしてほしい。
この要求（What）は、特定のフレームワークの流儀に則ったものではない。複数の技術スタックを横断し、機能要求を自然言語で並べただけのものである。しかし、現在のLLM、特にGPT-4oやそれに類するモデルは、このレベルの要求から、ディレクトリ構造、設定ファイル、APIエンドポイント、フロントエンドコンポーネントに至るまで、驚くほど具体的なコード（How）を生成することができる。
これは、フレームワークが担ってきた「WhatからHowへの変換」が、特定のレールから解き放たれ、より広範で柔軟な領域へと拡張されたことを意味する。これまで自動化が難しかった、あるいは特定のフレームワークが存在しなかったニッチな領域や、複数の技術を組み合わせる複雑なシステム構築においても、AIによる宣言的プログラミングの恩恵を受けられる時代が始まろうとしているのだ。
LLMという汎用変換器の登場により、プログラマの生産性は、「いかに質の高いWhatをLLMに伝えられるか」に直結するようになる。これは、俗に「プロンプトエンジニアリング」と呼ばれるスキルだが、その本質は、ソフトウェア開発における「要求定義」そのものである。
質の高い「What」とは何か。それは、曖昧性がなく、網羅的で、矛盾のない要求である。
これらは、優秀なソフトウェアエンジニアが、プロダクトマネージャーやデザイナーとの対話を通じて、日常的に行ってきた思考プロセスそのものではないだろうか。LLMの登場は、この思考プロセスを、より明確に、よりテキストベースで「記述」する能力を求める。私たちの頭の中にあった暗黙的な仕様が、LLMへの入力（プロンプト）という形で、明示的に言語化されることを要求するのだ。
やがて、ほとんどのプログラミング作業は、この「Whatの記述」に収束していくだろう。TDDがテストコードという形式で「What」を記述したように、私たちは自然言語や、より構造化された要求記述言語を用いて、AIに対して「What」を宣言することになる。コード（How）は、その宣言から自動生成される中間生成物に過ぎなくなる。まさに、コードが蒸発していく未来である。
「What」を伝えれば「How」が手に入る。この魔法のような世界の到来を前に、私たちは一つの重大な問いに直面する。それは、「そのWhatからHowへの変換は、本当に一意に決まるのか？」という問いだ。
答えは、明確にNoである。
ある「What（要求）」を実現するための「How（実装）」は、無数に存在する。そして、どの「How」を選択すべきかを決定するためには、単純な機能要求（What）だけでは情報が全く足りない。そこには、必ず「Why（なぜそう作るのか）」という、背景、文脈、そしてトレードオフの考慮が必要不可欠となる。
簡単な例を考えてみよう。「1億件のユーザーデータを格納し、ユーザーIDで高速に検索できるシステム」という「What」をLLMに与えたとする。LLMは、どのような「How」を提案するだろうか。
これらの選択肢は、どれも「What」を満たしている。しかし、その特性は全く異なる。案Aは多くのエンジニアにとって馴染み深く開発が容易だが、10億、100億件へのスケールは難しいかもしれない。案Bはスケール性に優れるが、厳密なトランザクション管理は苦手だ。案Cは高速だが、運用コストとシステムの複雑性が増す。案Dは安価だが、検索速度は他に劣る。
LLMは、これらの選択肢をリストアップすることはできるだろう。しかし、このプロジェクトにとって最適な選択肢はどれかを、自信を持って決定することはできない。なぜなら、その決定には、LLMが与えられていない「Why」の情報が必要だからだ。
これらの「Why」こそが、無数に存在する「How」の中から、ただ一つの「正解」を選び出すための羅針盤なのである。そしてこの「Why」は、ビジネスの目標、組織の文化、ユーザーの期待、技術的な制約といった、極めて人間的で、文脈依存的な情報の中にしか存在しない。
ここで重要なのは、これまでもエンジニアは、この「Why」に基づく意思決定を、意識的あるいは無意識的に行ってきたという事実だ。
私たちが技術選定を行うとき、単に「流行っているから」という理由だけでReactを選ぶわけではない。「SPA（Single Page Application）にすることでユーザー体験を向上させたい（Why）」、「コンポーネント指向の開発によって長期的な保守性を確保したい（Why）」、「Reactエンジニアの採用市場が活発だから（Why）」といった、様々な「 Permalink | 記事への反応(0) | 17:09
来週にアプデも迫っておりますし、そろそろスタレのメインストーリー進めないとなって思っている所ですの。
時間がなかったわけじゃないけれど、主要キャラほぼ全員死ぬの分かりきってて、そういうツラミを消化できる感情リソースの余裕が必要って身構えちゃうと進まないのよね。
ついつい適当勘をいじったり何だので先延ばしにしておりました。
といっても完全に手つかずではなくて、半分くらいは読み進めましたわ、実況者の録画の長さから察するにあと6時間分くらいはありますわね。ここからが踏ん張りどころ。
それが終わったらスカーク伝説とフーフー秘話も読破したい所ですわ。
あ、幽境はエクストラはクリアはできましたわ、アルティメットは全然無理よ。
ほぼ全員無凸無餅でも全キャラ持ってればまだ余裕な範囲ですわ。
1つ目のMVPは螭龍の剣もったマーヴィカ。
2つ目のMVPはナタ鍛造もったキィニチと死闘の槍もったエミリエ。
3つ目のMVPは護摩もったエスコ。初期の頃はたまに武器も引いておりましたわね。
ええ、実は全キャラ所持といいつつまだスカーク引けてませんのよ。99キャラ所持・育成済ですわ。
だって、ねえ。
2連続ですり抜けてるから流石に出るじゃろ、フォッフォッフォ、と高をくくっておりましたら、見事3連続すり抜けいただきましたの。
この時点のPU率はたしか統計によれば75%でしたわね。そう考えると武器ガチャで恒常引くのと同じくらいには起きること……いえ2連続で負けてた分も含めるともっと不運ですわ！
次の4連続すり抜けは100%起こらないという不運救済があるので安心とはいえ、さすがに計画がブレるほどの負け込みようで動揺してしまいますわ。
こうなると記念すべき100キャラ目はあえてスルーという選択肢もでてきましたわね。
幽境エクストラですらフリーナ申鶴エスコと適当な氷キャラ1でいけますもの。
アルティメットは数万をポンポン払ってきた廃課金者じゃないとまずクリアできない難度ですから。
月2千円がいいとこのわたくしとしてはもう望める到達点には登れておりますもの。ええ、ええ。
あ、ちなみにスタレはヒアたんとサフェルはお迎えできました。こちらは1敗1勝でしたが貯蓄ゼロですわね。次verは低空飛行フェーズですわ。
回すだけ回してもし早めに出てくれたらファイノンとれるかもくらいのノリでいきますわ。戦力には困ってませんし男アタッカーは基本スルー方針でやってますから。
ところで、サフェルちゃんがいるとトパーズさん本格的に出番ないのではありませんこと？
といっても飛霄ロビントパアベパでしか使わない子でしたから、飛霄パには太ももちゃん、じゃなかったエレーナちゃんを残置としても良いでしょう。
サフェルちゃんは黄泉パを含め汎用的に使えますからニッチ枠まで出張らなくとも、無凸水準なら大差ないでしょうし。
でもキャラ強化第二弾がくるならエレーナちゃんは有力候補として考えてほしいですわね。
あ、銀狼の強化は詳細でましたけど嬉しいですわね。黄泉パにペラちゃんの代わりに入れるつもりで、クエスト移し替えて遺物整えておきましたわ。
ペラちゃんようやく引退できますわね。星4なのに長いことがんばりましたわね。
あ、わたくし崩壊3rd初期勢でもありますがキャラビジュや性格は3rdキャラの銀狼よりペラちゃんの方が好きですわよ。
ホヨのメガネキャラは100%わたくしに刺さりますわ。もっとそういうのください。
柚葉ちゃんあたり胡散臭い商人風丸メガネつけても良かったんじゃないかしら。
パイモン鼻メガネよろしくシナリオ中にたまにつける感じでプレイアブルモデルとしてはONOFFできるみたいな作りがあってもいいと思うのよ。
大谷翔平は「投打二刀流」という唯一無二の偉業で世界的な注目を集めていますが、全スポーツ史の中で「比類する」とされるアスリートはごくわずかです。ここでは、競技の枠を超えて歴史的なインパクトや多才さ、記録、影響力の観点から、大谷と並び称される5人の伝説的アスリートを紹介します。
ェンバレンはルーキーイヤーとなった1959-60シーズンから旋風を巻き起こし、NBAデビュー戦にもかかわらず43得点、28リバウンドを記録すると、シーズン中に50得点以上を7回記録。リーグ史上初のアベレージ30得点以上となる37.6得点を記録（ボブ・ペティットが記録した1シーズンの平均歴代最高29.2得点を大幅に更新）。ペティットが保持していた1シーズンの通算歴代最多の2102得点を、僅か56試合（当時は1シーズン75試合）で達成し、最終的には2707得点に達し、得点王に輝いた。リバウンド部門でも平均27.0、通算1941リバウンドを記録し、リバウンド王にも輝いている。オールスターにも1年目から選ばれ、オールスターMVPを受賞。チームも前季の32勝から49勝と大幅に勝ち星を増やし、チェンバレンは当然のように新人王を獲得しただけに留まらず、シーズンMVPも獲得した。NBA史上ルーキーにしてシーズンMVPを獲得したのはチェンバレンと1969年のウェス・アンセルドの2人だけである。チェンバレンはルーキーイヤーから主要スタッツリーダーも含めて得点王、リバウンド王、オールスターMVP、新人王、シーズンMVPの五冠を達成してしまったのである
「5冠王」的な見地とは、1シーズンで主要な個人タイトル（例：MVP、得点王、DPOY、ファイナルMVP、優勝、オールディフェンシブ1stチームなど）を3つ以上獲得したケースや、キャリアを通じて主要タイトルを複数回獲得したケースが該当します。
| 選手名 | 年度 | MVP | 得点王 | DPOY | 優勝 | ファイナルMVP | オールNBAファーストチーム |
| マイケル・ジョーダン | 1990-91, 91-92, 95-96, 97-98 | ○ | ○ | × | ○ | ○ | ○ |
| マイケル・ジョーダン | 1987-88 | ○ | ○ | ○ | × | × | ○ |
| カリーム・アブドゥル＝ジャバー | 1970-71 | ○ | ○ | × | ○ | ○ | ○ |
| シャキール・オニール | 1999-00 | ○ | ○ | × | ○ | ○ | ○ |
| レブロン・ジェームズ | 2012, 2013 | ○ | × | × | ○ | ○ | ○ |
マイケル・ジョーダンは、1990-91、1991-92、1995-96、1997-98の4シーズンで
を同時に受賞しています。これはNBA史上唯一無二の偉業です。
Steamで「オリジナルのアクションゲームを3年かけて開発したけど、売上は昼飯代にもならなかった」という話はもう珍しくない。
にもかかわらず、Kickstarterでは版権（＝既存IP）付きのTRPGが数千万円〜数億円を軽々と集めている。
――という事実を数字で整理したら、「インディーゲームで食べたいなら、むしろ版権TRPGを作った方がコスパが高いのでは？」という結論に至ったので、覚書を匿名ダイアリーに投下する。
2024年のKickstarter「Games」カテゴリに集まった資金の83%がTabletop（主にTRPG・ボドゲ）向け。
同年、Tabletopプロジェクトの成功率は80%。総調達額は2.2億ドル。([updates.kickstarter.com][1])
2024年に成功したTabletopプロジェクトは5,314件、平均調達額は41,400ドル。([polygon.com][2])
Video Gamesは同年2.61千万ドルに留まり、件数も資金もTabletopの足元にも及ばない。([polygon.com][2])
| 作品 | 元 IP | 調達額 | 期間 |
| Avatar Legends | 『アバター 伝説の少年アン』 | 9.53 百万ドル | 2021/8/3‑9/2 |
| The Witcher: Old World | 『ウィッチャー』 | 8.32 百万ドル | 2021 |
| （どちらも当時の TRPG 史上最高額）([icv2.com][3], [polygon.com][4]) |
これはGamalyticが7.1万本を対象に行った2023年調査の結果。([gameworldobserver.com][5])
言い換えれば、独力でSteamに出したゲームの3本に2本は、Kickstarterの平均的TRPG（$41k）に遠く及ばない。開発期間やチーム規模を考慮すると、労働単価は洒落にならないレベルで赤字だ。素直にコンビニバイトでもしてた方がいい。
| 項目 | オリジナル PC インディーゲーム | 版権 TRPG （PDF＋書籍） |
| 主要コスト | プログラム実装／QA／エンジンライセンス | テキスト執筆／レイアウト／印刷 |
| 必要人員 | エンジニア、アーティスト、サウンド等（多職種） | 著者＋イラスト数点（小規模でも可） |
| 技術的リスク | 高（クラッシュ・マルチプラットフォーム対応） | 低（DTP／物流の遅延程度） |
| 最低限の MVP 発行 | 要ビルド・ストア審査 | PDF で即公開可 |
| 期待売上中央値 | $5k（67 %） | $41k（2024 年平均） |
版権TRPGにはライセンス料が乗るが、そもそも大型コミュニティを抱えるIPと契約しとけばいいだけの話なので、「集客力で即回収できる」ケースが大半。
アニメ・映画・コミック等の既存コミュニティがバックしてくれる。
2. 開発期間が短い
文章中心でプログラム実装が不要。印刷版もInDesignで組めば数か月で出荷。
TRPG 界隈は「買って遊ぶ」だけでなく「作品を応援する」消費行動が定着。
4. 繰り返し売れる
シナリオ集やサプリメントを定期的に追加することでLTVが伸ばしやすい。
まず版権TRPGでキャッシュフローを作り、黒字で「研究開発費」を捻出。
ルールブックやリプレイ配信は「安価なプロトタイプ」として機能する。
3. TRPGのファンコミュニティをSteam版の初動ユーザーに転換
Avatar Legendsもローンチ後にデジタルツールキットを公開し、二次創作を促進している。([en.wikipedia.org][6])
TRPGはプレイヤー同士の口コミで生きるジャンル。サポートを怠ると即終了。
平均4.1万ドルを集められるKickstarter Tabletop、市場規模は依然拡大中。
Steamの新作は3分の2が5,000ドル未満。赤字のまま埋もれる確率が高い。
「生存するための真面目さ」と「開発対象の真面目さ」は別物。まずは版権TRPGでキャッシュフローを確保し、その後に本当に作りたいゲームへ投資しろ。
1. Kickstarter Games 2024 年総括（83 % が Tabletop、成功率 80 %）([updates.kickstarter.com][1])
2. Polygon：2024 年 Tabletop 調達額・平均 41,400 ドル([polygon.com][2])
3. ICv2：Avatar Legends が 9.53 百万ドル([icv2.com][3])
4. Polygon：The Witcher: Old World が 8.32 百万ドル([polygon.com][4])
5. GameWorldObserver：Steam ゲームの 67 % が 5,000 ドル未満([gameworldobserver.com][5])
6. Wikipedia：Avatar Legends 開発後の展開（デジタル版等）([en.wikipedia.org][6])
[1]: https://updates.kickstarter.com/kickstarter-biggest-platform-for-games/?utm_source=chatgpt.com "2024 Was a Big Year for Games on Kickstarter"
[2]: https://www.polygon.com/analysis/516342/kickstarter-tabletop-performance-2024 "Kickstarter’s post-pandemic tabletop slump slowed in 2024 | Polygon"
[3]: https://icv2.com/articles/news/view/49234/avatar-legends-rpg-kickstarter-campaign-rakes-over-9-5-million?utm_source=chatgpt.com "'Avatar Legends: RPG' Kickstarter Campaign Rakes in Over $9.5 ..."
[4]: https://www.polygon.com/22898968/kickstarter-top-10-biggest-campaigns-2021?utm_source=chatgpt.com "The top 10 biggest board games and TTRPGs on Kickstarter in 2021"
[5]: https://gameworldobserver.com/2023/10/06/steam-stats-41k-games-last-3-years-half-made-500-or-less?utm_source=chatgpt.com "41k games released on Steam over past 3 years, 50% of which ..."
[6]: https://en.wikipedia.org/wiki/Avatar_Legends%3A_The_Roleplaying_Game?utm_source=chatgpt.com "Avatar Legends: The Roleplaying Game"
諸葛亮(三国志演義)のような軍師が、趙雲などの将を適切に配置して、敵武将の調略も済ませ、適切なタイミングで軍を動かして、軍師がいる本陣を敵に突かれたときもそれを見越して配置した将に迎撃させて、戦いに勝利する。
この戦いでのMVPは戦局を先読みして完璧な事前準備を行って自軍を勝利に導いた軍師だが、敵と直接戦っていないので戦った感が薄い。
特にバトルがメインの作品だと軍師よりも敵を直接倒した将兵の方が共感を得られる。
諸葛亮が地味な仕事をひたすらこなしていたら戦いが終わっていた話を描くことは可能だが、趙雲が派手に三国無双をやっている話はシンプルでわかりやすく緊張感や達成感を演出しやすい。
| 選手名 | ドラフト順位 | ポジション | キャリアハイライト | 成功/失敗の原因 | 解説 |
| ラルフ・サンプソン | 1983年 1位 | C/F | 新人王、4度のオールスター、1986年NBAファイナル進出 | ケガ・時代とのミスマッチ | 史上最高のプロスペクトと評されたが、膝の故障と時代背景で本来の才能を発揮しきれなかった。 |
| ビル・ウォルトン | 1974年 1位 | C | MVP、ファイナルMVP、2度のNBA優勝 | ケガ | 健康なら歴代最高クラスのセンターと評されたが、足の慢性故障で全盛期が短命に終わった。 |
| ペニー・ハーダウェイ | 1993年 3位 | G | オールNBA1stチーム、オールスター複数回 | ケガ | オーランドでスターとなるも膝の大ケガで急失速。 |
| グラント・ヒル | 1994年 3位 | F | 7度のオールスター、オールNBA1stチーム、殿堂入り | ケガ | デトロイト時代はジョーダンの後継と期待されたが、足首の故障でピークを失った。 |
| ブランドン・ロイ | 2006年 6位 | G | 3度のオールスター、ルーキー・オブ・ザ・イヤー | ケガ | 膝の慢性故障で5シーズンほどで引退。短期間だが高い実績。 |
| グレッグ・オデン | 2007年 1位 | C | ルーキー時代に好成績も、NBA通算105試合のみ | ケガ | サンプソン同様、膝の故障でほとんどプレーできず「if only」の象徴。 |
| ニコラ・ヨキッチ | 2014年 41位 | C | 2度のMVP、NBA優勝、ファイナルMVP、オールスター複数回 | 努力・適応・スキル | 下位指名から現代最高のセンターへ。「下馬評を覆した」代表例。 |
| ヤニス・アデトクンボ | 2013年 15位 | F | 2度のMVP、NBA優勝、ファイナルMVP、オールスター複数回 | 成長・努力・身体能力 | 素材型から世界的スーパースターへ。下馬評を大きく覆した。 |
| カワイ・レナード | 2011年 15位 | F | 2度のファイナルMVP、2度のNBA優勝、オールスター複数回 | 成長・守備→攻撃両面の進化 | 守備専門と見られたが、攻守両面で大成。下馬評を覆した例。 |
| ジョン・ストックトン | 1984年 16位 | PG | 通算アシスト・スティール歴代1位、10度のオールスター | 適応・堅実な成長 | 中堅校出身で評価は高くなかったが、歴代最高PGの一人へ。 |
失敗例：サンプソン、ウォルトン、ハーダウェイ、ヒル、ロイ、オデンなどは、ドラフト時の期待値が非常に高かったものの、主にケガでキャリアが短縮・停滞しました。特にビッグマンは身体への負担が大きく、ケガが致命的になりやすい傾向があります。
成功例：ヨキッチ、ヤニス、カワイ、ストックトンなどは、ドラフト時の評価が高くなかったものの、努力や成長、環境適応力で大きく飛躍し、NBAの歴史に名を残す存在となりました。
先日のミーティングで「たたき台」という用語を用いられておりましたが、若手メンバーから「これは何のフェーズのアウトプットですか？」というリプライが多数寄せられており、ナレッジギャップが顕在化しております。
おそらく「たたき台」とは、アジャイルでいうMVPのプロトタイピング的なポジションの資料かとシンキングしておりますが、認識のコンセンサスが取りきれていません。
このままだとアライメントが弱く、エンゲージメントが低下するリスクがあります。現状、スプリントのバックログにもインプットされておらず、ステークホルダーのプライオリティマップにも未登載なので、リソースアロケーションの観点からもNo Goです。
