プロダクトビルダー：AI時代のPM職能転換ガイド

OpenAI・Anthropic の公開情報をもとに、複数エージェントの並列化が処理速度に与える影響を分析。Anthropic Research では調査時間を最大 90% 短縮した事例がある一方、token 消費が 15 倍に増える、依存関係の強い作業には向かない、別のボトルネックが生じるなどの課題がある。エージェント数より「仕事をどこまで独立した単位に分割できるか」が重要。

LLMに開発を依頼する際、コードに書かれていない「暗黙の意図」は確実に伝わらない。Todoアプリの修正事例を通じ、仕様書・自動テスト・構造的な設計が互いに補完し、運用ルールとして強制することの重要性を検証。単なるセッション会話やドキュメント作成だけでは不十分。

長期案件でClaudeやChatGPTを使う際、大量のファイルをAIに記憶させるのではなく、参照方向の管理と探索ルールを構造化することで対応した実運用例。00番を「正典」として現在の採用判断を一元管理し、深掘りルールを外部ファイル化することで、モデルの忘却や読み落としを前提とした安定運用を実現。

Claude を用いた機密情報検出プロンプトの検証から、注意書き（「社外秘」「未承認」など）がある場合は高精度で機密を指摘するが、同じ内容でも注意書きなしの平叙文では検出されないことが判明。LLM は社内ポリシー DB を参照せず文中の自己申告に依存した closed-book な一貫性チェックしか行えず、構造的には「書き手が気づいていない機密」に無力。対策として決定論的リスト照合と LLM 判定の組み合わせを提案。