AI議事録で作業はゼロになった。でも「派生論点」に時間を溶かしていた話

エンジニアが開発したサービスはアクセスがあるのに何を改善すべきか不明だった。そこで Claude にマーケッター・UI/UX ディレクターのペルソナを与えてアクセスログを分析させたところ、単なる分析ではなく判断と根拠がセットになった専門的な提案が得られた。役職を具体的に定義するほど LLM の回答の質が向上し、技術的実装の前に「体験として正しいか」を定義する人材の必要性に気づく。

複数のAIモデル（ChatGPT、Gemini、Deepseek など）に「なぜ多くの人はAIを使いこなせないのか」を問い、その共通項を分析した記事。技術スキルではなく、メタ認知の柔軟性、AIを補助脳として扱うディレクター視点、不完全性を前提にした批判的評価力といった認識フレームの刷新が必要であり、現段階では先行者の手法を模倣しながら追随する戦略が現実的だと提唱している。

LLMは学習データの統計パターンから「最ありそうな文」を生成するため、入力を工夫しなければ「Web平均」に収束する。Google E-E-A-T の Experience（経験）は Web 平均からは生成不可能であり、自身の計測値・失敗談・ツール比較体験などの一次情報を明示的にプロンプトで「抽象化禁止・数値原文維持」と指定してから AI に執筆させることで、独自性のある記事を効率的に生成できる。

Electron + Three.js アプリに GLB 形式の 3D キャラクター素体を統合する際、頂点数・モーフ・リグが一致していても実装時に直面した課題（メッシュ変形、テクスチャシーム処理、モーフクランプ漏れ）と、Claude Code を活用した診断・解決の過程を記録。Blender ヘッドレスレンダリング検証、定数チューニング、クランプ関数の一般化による実装修正を実施。