技術で稼ぐを、実体験から。SNS運用の自動化・AI活用・収益化を、個人開発者が自分で試した結果から発信しています。
Googleは気象予測モデルWeatherNextをオープンソース化した。70万人の被害を出してきた台風の進路予測で、従来より1日早い精度を叩き出す科学計算AIだ。 一方で軽量モデルをローカルで動かすオンデバイスAIの波も押し寄せている。AI開発は巨大専門モデルのOSS活用とローカル推論の最適化という二極化のフェーズに入った。 開発者はどこまでをクラウドAPIに頼り、どこをローカルで動かすか。
AIがコードを書くスピードは、人間の100倍を超えている。 最新のAIモデルを使えば、複雑なリファクタリングも、新しい機能の実装も、数分で完了する。 AIがコードを生成するのに3分かかる一方で、その後の後始末に2時間かかっている。 コンパイルが通らない。依存関係が壊れる。ディレクトリ構造が崩れる。 これはAIの性能の問題ではない。
巨大プロジェクトでAIが迷走する本当の理由 Metaが巨大データパイプラインにAIエージェントを導入した。 4,100ファイル。3言語。4つのリポジトリ。 最初は全く使い物にならなかったらしい。 だが、ある仕組みを導入した結果、AIのツール呼び出し回数が40%も減少した。 AIがコードを理解できない原因は、モデルの性能不足ではない。
息をするようにトークンが消える コンテキストウィンドウ20万トークンは圧倒的だ。 だが、日本語でやり取りし、テストやLintまで任せると一瞬でトークン破産する。 ルーチン作業をローカルLLMに逃がす。 31BパラメータのGemma4-31B-ITモデルをサブエージェントとして繋ぐ。 これでAPIコストの出血は止まる。 ただし、GPUのファンが爆音で鳴り続ける。
AIモデルの追加学習に数千行のPythonコードを書いていた過去のものになった。 今回公開されたTRL v1.0は、複雑な学習ループをたった1つのYAMLファイルに置き換えた。 これは単なるツールのアップデートではない。 モデル学習、アプリ実装、アーキテクチャ設計の全レイヤーでパラダイムシフトが起きている。 AI開発の主戦場が「コード」から「設定ファイル」へと完全に移行したサインだ。
コードを書く作業は、もう人間の仕事じゃない。 AIが勝手に学術論文を読み込み、最適なアルゴリズムを提案する。 Devinが複数の子セッションを立ち上げ、並列でE2Eテストを回す。 これが今の開発現場のリアルだ。 僕たち開発者は「コードを書く人」から、AIという暴れ馬を乗りこなす「アーキテクト」に変わる。 プロンプトの微調整は通用しない。 AIの暴走を止める構造化された制約設計が求められる。
AIが自分のコードを書き換え始めた エージェントがエージェントを進化させる。 GitHub Copilot Applied ScienceチームのAI研究者が、Copilotを使って自分の知的作業を丸ごと自動化した。そのプロセスで生まれたシステムが「エージェント自身がコードを書いて新しいエージェントを生成する」という構造を持っていた。
AIは「お願い」じゃ制御できない プロンプトを磨けば磨くほど、壊れ方も派手になる。 これ、LLMを実業務に組み込もうとした人なら全員ぶつかる壁だ。「もっと正確に答えてください」と書いても、AIは自信満々に間違える。「必ず確認してから行動してください」と書いても、デモ中に勝手に待機モードに入る。 実際に動いている事例を3つ並べると、共通点が見えてくる。プロンプトに頼っていない。
APIの請求書を見るたびにため息をついていた話 月額のAPI課金を計算するたびに、「このコスト、なんとかならんのか」と思っていた。 OCRだけで数千円。画像処理が増えるたびに青くなる。 そこに、国立国会図書館がとんでもないものを無料公開した。GPU不要・CPU動作・日本語高精度のOCRツール「NDLOCR-Lite」だ。
プロンプトをこね回す時間は終わった AIコーディングエディタWindsurfが、2025年2月から2026年3月の1年間で100以上のバグ修正と3つの新モード追加を実施した。 GPT-5系列やClaude 4.5、Gemini 3系列への対応拡大だけではない。 本質は、AIエージェントを動かす環境そのものの根本的な再構築だ。 プロンプトエンジニアリングの賞味期限は切れた。
1時間で動く。30分でPRが出る。速さが生む新たな罠 1時間で動くものが作れる。 30分でPRが出る。 実装スピードが上がった。 その手軽さが最大の落とし穴になる。 状態管理とプロセスの境界設計。 これが今の開発者の主戦場だ。 実装が数十分で終わるからこそ、泥臭いアーキテクチャ設計から逃げられない。 手軽さに流されたシステムは必ず破綻する。 マルチステップで崩壊するAI。
画像判定が1回2円で終わる。 最新の巨大AIモデルに画像を投げれば、マニアックなバイクの車種すら一瞬で特定される。 単発のタスクなら、もうAIに丸投げでいい。 だが、複雑なドキュメント解析やシステム画面の操作になると話は別だ。 汎用モデルに丸投げした途端、処理は重くなり、コストは跳ね上がり、AIは画面の前でフリーズする。 単発の視覚タスクと、連続する状態タスク。
