ただこ

Fireside chat at Sequoia Ascent 2026 from a ~week ago. Some highlights: The first theme I tried to push on is that LLMs are about a lot more than just speeding up what existed before (e.g. coding). Three examples of new horizons: 1. menugen: an app that can be fully engulfed by LLMs, with no classical code needed: input an image, output an image and an LLM can natively do the thing. 2. install .md skills instead of install .sh scripts. Why create a complex Software 1.0 bash script for e.g. installing a piece of software if you can write the installation out in words and say "just show this to your LLM". The LLM is an advanced interpreter of English and can intelligently target installation to your setup, debug everything inline, etc. 3. LLM knowledge bases as an example of something that was *impossible* with classical code because it's computation over unstructured data (knowledge) from arbitrary sources and in arbitrary formats, including simply text articles etc. I pushed on these because in every new paradigm change, the obvious things are always in the realm of speeding up or somehow improving what existed, but here we have examples of functionality that either suddenly perhaps shouldn't even exist (1,2), or was fundamentally not possible before (3). The second (ongoing) theme is trying to explain the pattern of jaggedness in LLMs. How it can be true that a single artifact will simultaneously 1) coherently refactor a 100,000-line code base *and* 2) tell you to walk to the car wash to wash your car. I previously wrote about the source of this as having to do with verifiability of a domain, here I expand on this as having to also do with economics because revenue/TAM dictates what the frontier labs choose to package into training data distributions during RL. You're either in the data distribution (on the rails of the RL circuits) and flying or you're off-roading in the jungle with a machete, in relative terms. Still not 100% satisfied with this, but it's an ongoing struggle to build an accurate model of LLM capabilities if you wish to practically take advantage of their power while avoiding their pitfalls, which brings me to... Last theme is the agent-native economy. The decomposition of products and services into sensors, actuators and logic (split up across all of 1.0/2.0/3.0 computing paradigms), how we can make information maximally legible to LLMs, some words on the quickly emerging agentic engineering and its skill set, related hiring practices, etc., possibly even hints/dreams of fully neural computing handling the vast majority of computation with some help from (classical) CPU coprocessors.

「AIで稼ぐ」と言ってる人の9割が、結局AIの情報商材。 Claude Codeハッカソンの結果で、AI時代の起業の勝ち筋が見えた。 結論：全員「自分の業界の深い課題」をAIで解いてる ■1位：医学生の問診トレーニングAI ・声で患者役のAIに問診 ・検査をオーダーして診断まで出す ・診断内容を最新の医療ガイドラインに照らして採点してくれる ※制作者：医療現場の経験者（医学現場の手順を知ってる人だから設計できた） ■2位：壊れた電子基板の修理を手助けするAI ・回路図を読み取って、修理に必要な手順を表示 ・基板の上に直接「ここを直す」と矢印を描画してくれる ※制作者：電子工作の経験者（電子工作の手順が頭に入ってる人だから作れた） ■3位：説明できないとコードが書けないAI ・「何を作りたいか」を言語化するまでコード生成を拒否する ・コーディングの前に思考の整理を強制する設計 ・AIに丸投げして学習が止まる問題を解決する目的 ※制作者：プログラミング教育者 ■創造性賞：声と手で動かす人形劇AI ・声で「ステージに椅子を出して」と言うとその場で生成される ・手で人形を動かして主人公を演じる ※制作者：舞台演出の経験者（舞台の現場感覚がある人だから設計できたUI） ■特別賞：自宅の壊れた箇所を直すAI ・スマホで写真を撮ると壊れた箇所を診断してくれる ・必要な部品の値段を算出 ・更に近所の職人を紹介してくれる ※制作者：大工の息子（家業で「何が壊れやすいか」を知ってるから作れた） ▼5作品すべてに共通 「AIで何ができるか」より「自分が一番詳しい業界の本当の困りごとをAIで解いた」って点。コードを書ける人より、業界の知識を持ってる人が勝つフェーズに入った。 逆に言うと、これからAIで起業するなら3つのうち1つは持っておくべきだと思う。 ❶ 業界内の独自データを持ってる ❷ 教科書にない実務手順を知ってる ❸ 先に売れる顧客がいる このどれもなくてAIだけ持ってる人は、結局「ChatGPTで〇〇する方法」を売る側に回る。

1. 一次情報に触れて 2. 儲かる話を収集し 3. 自分の得意に転用した事業をやる とうまくいきやすいです。いかに新しいことをやらず、他社がやって成功したことを模倣するか。事業や施策の成功率が高い人は見極め、模倣が上手くて無駄な取り組みが少ないですね。

Xが伸びない友人経営者。 30分ヒアリングし、投稿添削してあげただけで、インプが3倍になりました。やったことは3つだけ。 ①引用の設計 ②フックの再構築 ③PREPで論点整理 多くの経営者と話して感じるのは、 「何を投稿すべきか分からない」 「忙しくて投稿まで手が回らない」 この状態で発信が止まっているケースが多いこと。 そこで、 『ヒアリング → 戦略整理 → 投稿添削 or 作成』 のご支援って需要ありますか？ 興味ある方は、“いいね”だけお願いします。 ※経営者でなくても大丈夫です。 まずは需要感を知りたいだけなので。

事業におけるAI活用について 『驚き屋しか見かけないので実はAIは実務に使えないのでは』 と勘繰っている人がいるが、実務でAIを使いこなし、事業として売上が立っている人はSNSにそれを書くインセンティブがないだけで、実はめちゃくちゃ活用されている。斜に構えず早急ににAIを触ったほうがいい。

【Xでリポストされる投稿の共通点】 伸びる投稿は、 いい話で終わらず、引用したくなる。 伸びる投稿は、 ・経験・独自の考えがある ・引用される余白がある ⇒リポストしたくなる 逆に伸びない投稿は、 ・情報提供やいい話のみ ・賛成も反対も起こらない 投稿前に考えるべきは、 ①そのままリポストできるか ②一言足せば引用リポストできるか Xは、自分の考えを読者に語らせるSNS。

時価総額1300億円超え 「タイミー」の2つの戦略が凄い。 ❶ 小さく始めた タイミーは「既存市場の効率化」ではなく、 スキマバイトという新しい労働市場そのものを作った。 ただし、最初からフルベットはしていない。 ・LINEでの手動マッチング ・渋谷区 × 飲食に限定 ・勝ち筋が見えた段階で資金調達 ・最後に一気に市場を抑える ⇒小さな検証を積み重ねてから、市場を取りに行った。 ❷ 後発が勝てない仕組み作り スキマバイトは「資本があれば誰でもできるビジネス」 しかし、実際は価格攻勢で参入したメルカリは撤退。 理由は単純で、 この市場は広告や手数料0%だけでは勝てない。 ・エリアごとの高マッチング率 ・欠勤しない人が評価される信頼データ ・現場に入り込む泥臭い運用支援 これらは、時間と失敗の蓄積でしか作れない資産。 ⇒タイミーは、市場が立ち上がる前から 　後発が詰む構造を完成させていた。 タイミーここまで成長した理由は、 市場創造を小さく始めながら、 後発が勝てない仕組みを同時に育てていたこと。 だから、1300億円超えの企業になった。 新しい市場を作りたいなら、 小さく検証し、真似が難しい強みを先に仕込むべき。 ここができなければ、ほぼ確実に死亡する。

時価総額1300億円超え 「タイミー」の2つの戦略が凄い。 ❶ 小さく始めた タイミーは「既存市場の効率化」ではなく、 スキマバイトという新しい労働市場そのものを作った。 ただし、最初からフルベットはしていない。 ・LINEでの手動マッチング ・渋谷区 × 飲食に限定 ・勝ち筋が見えた段階で資金調達 ・最後に一気に市場を抑える ⇒小さな検証を積み重ねてから、市場を取りに行った。 ❷ 後発が勝てない仕組み作り スキマバイトは「資本があれば誰でもできるビジネス」 しかし、実際は価格攻勢で参入したメルカリは撤退。 理由は単純で、 この市場は広告や手数料0%だけでは勝てない。 ・エリアごとの高マッチング率 ・欠勤しない人が評価される信頼データ ・現場に入り込む泥臭い運用支援 これらは、時間と失敗の蓄積でしか作れない資産。 ⇒タイミーは、市場が立ち上がる前から 　後発が詰む構造を完成させていた。 タイミーここまで成長した理由は、 市場創造を小さく始めながら、 後発が勝てない仕組みを同時に育てていたこと。 だから、1300億円超えの企業になった。 新しい市場を作りたいなら、 小さく検証し、真似が難しい強みを先に仕込むべき。 ここができなければ、ほぼ確実に死亡する。