AIアプリは200個作るべきか、20個作るべきか

AIアプリ開発をめぐって、4つの気持ちが混在していた。

• AIが作れるありきたりな200個のアプリが市場に並びまくるだけなのでは
• でも作る過程で得られるものはあるかも
• 200個作って1個の当たりを探すのは意味がなくはない
• それなら考えて作った20個のほうが当たる確率が高いのでは

矛盾しているように見えて、整理できていなかった。Claude と一緒に4つを並べて考えてみた。

4つの気持ちが混在している。それぞれを一度ちゃんと立てて、整理してみる。

# 4つの気持ちを並べる

これらは矛盾していない。それぞれ異なる変数を見ている。

# ①「市場がありきたりで溢れる」について

これは構造的に正しい懸念だ。

AIは「平均的に正解らしいもの」を出力する^4,5。学習データの中心にある「よくあるアプリ」を生成するのが得意で、誰も見たことのない新しい概念を自力で発明するのは苦手だ。

つまり、AIを使って何も考えずに作ると、市場で最も競合が多い領域に向かっていく。ToDoアプリ、習慣トラッカー、ランディングページジェネレーター……これらは AI に「何か作って」と言ったときに出てくるものの筆頭だ。

そしてその「ありきたりアプリ」を量産できる人が増えると、AIが作れる平均的なアプリ = 市場の最低水準になる。ゴミ箱が溢れるというより、床が上がっていく。

この床が上がった世界で差別化するためには、「AIが平均的に出力できるものより上」のものを作る必要がある。それはつまり、人間側の判断・視点・ドメイン知識で上乗せしなければ、勝てない。

# ②「作る過程で得られるものがある」について

これは量産派の最も誠実な主張で、一定の正しさがある。

作ることで得られるもの：

• ユーザーとの接触（本当に使われるかの検証）
• 技術的な解像度（実際に動かすことで見えること）
• 「作り切る」という感覚の蓄積

ただしこれは「200個作るから得られる」のではなく、「1個でも真剣に届けようとすれば得られる」ものでもある。数を増やすことで得られるものと、1個に向き合うことで得られるものは別だ。

量産で得られるのは「数をこなすことへの慣れ」と「出力スピード」。深く向き合うことで得られるのは「判断力」と「設計力」。

# ③「200個で1個の当たりを探す」について

これは「ショット・オン・ゴール理論」として一定の合理性がある³。

試行回数 × 成功確率 = 期待成功数

試行回数を上げることで期待値を上げる戦略は、成功確率が変えられないときに有効だ。宝くじは1枚より100枚買ったほうが当たりやすい。

ただし、アプリ開発は宝くじではない。成功確率は変えられる。ユーザーを理解すること、問題を定義すること、市場を読むことで、確率そのものを引き上げられる。

さらに言えば、「ランダムに200個作る」場合の成功確率が非常に小さいとすると、200個作っても期待値は依然低い。確率が 0.1% なら 200個で 0.2 個の期待成功数。確率が 10% なら 20個で 2 個の期待成功数。

量産が合理的なのは、「成功確率を上げるコストが、試行数を増やすコストより高い」ときだけだ。AIが試行コストをほぼゼロにした今、この条件がかつてより成立しやすくはなった。ただし、成功確率を上げるコストも同時に下がっている（AIで調査・検証・プロトタイプができる）ので、どちらが有利かは単純ではない。

# ④「考えた20個のほうが当たる確率が高い」について

これが最も現実に近い直感だと思う。

式で書くと：

量産戦略：200 × p（低）
設計戦略：20 × p（高）

p の差がどれだけあるかによって逆転する。もし「考えて作る」ことで成功確率が10倍になるなら、20個で200個分の期待値を超えられる。

実際、収益を上げている個人開発者（Pieter Levels など）^1,2は、ランダムに量産しているわけではない。「誰が困っているか」「解決されていないニーズはどこか」を考えた上で作り、AIでその実装コストを下げている。

量産とは「思考の省略」ではなく、「検証サイクルの高速化」として使ったときに機能する。

# 整理：矛盾ではなく、変数の違いだった

モヤモヤの正体は「量産の合理性を完全に否定できない」という感覚だと思う。それは正しくて、完全には否定できない。ただ「考えた20個」と「ランダムな200個」の期待値を比較したとき、ほとんどの状況では前者が勝つ。

# もう一つの視点：量産が「思考の代替」になるとき

量産戦略が最も危ういのは、「何を作るか考えない」ための言い訳になるときだ。

「とりあえず作ってみれば何かわかる」は正しいことが多い。でも「200個作れば何か当たる」は、「何を作るか考える」というコストを回避するための合理化になりうる。

これはコーディングを AI に委ねることで設計力が落ちる問題と同じ構造だ。量産によって「選ぶ力」を使わなくなると、その力は育たない。そして「選ぶ力」こそが、AIが平均的に出力できるものより上に行くための唯一の武器になる。

# 備考

この記事で「200個」と言っているのは、AIを使って考えずにサクサク作り続けた場合のイメージで、おおよそ1年スパンを想定している。週4本ペースで1年、という感じ。「20個」のほうはその同じ1年で、ちゃんと考えながら月1〜2本作るイメージ。同じ時間軸で比較したときに、どちらの戦略が合理的かという話。

# 参考文献

1. Pieter Levels, "I'm Launching 12 Startups in 12 Months" https://levels.io/12-startups-12-months/
2. Pieter Levels, "List of all my projects ever" https://levels.io/projects/
3. Robert E. Litan, "Think of Start-ups as Shots on Goal", Harvard Business Review (2012) https://hbr.org/2012/06/think-of-start-ups-as-shots-on-goal
4. Briesch et al., "Large Language Models Suffer From Their Own Output: An Analysis of the Self-Consuming Training Loop", arXiv:2311.16822 https://arxiv.org/abs/2311.16822
5. "All AI Models Make the Same Mediocre Creative Work", BRXND Dispatch vol.99 https://newsletter.brxnd.ai/p/all-ai-models-make-the-same-mediocre