Five Fatal Assumptions: Why T-Shirt Sizing Systematically Fails for AI Projects
本論文は、従来のソフトウェア開発で用いられるTシャツサイズ見積もりが、LLMやマルチエージェントシステムなどのAIプロジェクトにおいて非線形性や不確実性により機能しないことを5つの誤った前提から指摘し、開発中の学習に基づいてスコープを再評価する「チェックポイント見積もり」という代替アプローチを提案しています。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
この論文は、**「AI 開発プロジェクトの工期見積もりにおいて、従来の『T シャツサイズ法（S/M/L/XL）』がなぜことごとく失敗するのか」**を暴き、新しい解決策を提案するものです。
まるで、**「帆船の航海術で宇宙船を飛ばそうとした」**ようなものだと想像してみてください。昔ながらのルールは、AI という「新しい宇宙」では通用しないのです。
以下に、専門用語を排し、身近な例え話を使ってわかりやすく解説します。
🧥 従来のルール：「T シャツサイズ法」とは？
ソフトウェア開発では、作業の大きさを「S（小）」「M（中）」「L（大）」「XL（特大）」という T シャツのサイズで表すのが一般的です。
- 考え方： 「前に似たようなものを作ったから、次も同じくらいかかります」「作業を細かく分ければ、何人かで同時に進められます」。
- 前提： 作業は直線的に増え、過去の経験が未来を予測する役に立ちます。
🤖 現実の AI 開発：なぜこのルールが崩壊するのか？
論文によると、AI 開発（特に大規模言語モデルや複数の AI エージェントを使う場合）には、この T シャツ法が通用しない**「5 つの致命的な誤解」**があります。
1. 「直線的な成長」の誤解
- 昔の常識： 「機能を 2 倍にすれば、作業量も 2 倍」。
- AI の現実： 「最後の 1 歩が、これまでの 100 歩に相当する」。
- AI の精度を 85% から 95% に上げるのは、単なる「少しの調整」ではなく、データや計算資源を指数関数的に増やさないと不可能な「大冒険」です。
- 例え： 山を登る時、麓から中腹までは楽ですが、頂上付近に行くほど酸素が薄くなり、一歩進むのに何倍もの体力が必要になるようなものです。
2. 「過去の経験」の誤解
- 昔の常識： 「前に作ったチャットボットがあるから、次も同じくらいでできる」。
- AI の現実： 「データは毎回、未知の海」。
- 人事用のチャットボットと、技術サポート用では、使う言葉や失敗のパターンが全く違います。AI は「未知の未知（何が起きるかわからないこと）」に直面し、学習中に初めて問題が発覚することが多いです。
- 例え： 東京で運転免許を取ったからといって、すぐにサハラ砂漠を走れるわけではありません。土壌も気象も全く違うのです。
3. 「時間と人数の交換」の誤解
- 昔の常識： 「8 週間の作業を 4 週間に終わらせたいなら、エンジニアを 2 倍にすればいい」。
- AI の現実： 「待ち時間は、人を増やしても消えない」。
- AI 開発には「データ収集→学習→評価」という順番にしか進めない工程があります。計算機の処理速度は、人を増やしても速くなりません。
- 例え： 妊娠期間が 10 ヶ月で、10 人の女性に分担しても 1 ヶ月で赤ちゃんが生まれるわけではありません。
4. 「部品ごとの分解」の誤解
- 昔の常識： 「画面作り」「裏側の処理」「データ処理」を別々に作って、最後に組み合わせればいい」。
- AI の現実： 「すべてが密接に絡み合っている」。
- データを少し変えるだけで、AI の学習結果が変わり、画面の表示も崩れます。一つの部品をいじると、全体が揺さぶられます。
- 例え： 時計の歯車ならバラバラに作れますが、AI は「生きている生物」のようなもので、心臓（データ）を触れば脳（モデル）も手足（画面）も連動して反応します。
5. 「完了の定義」の誤解
- 昔の常識： 「テストに合格したら、もう完成（Done）」。
- AI の現実： 「ゴールポストが動く」。
- 精度は OK でも、「法律に違反する発言をする」「偏見がある」と判明すれば、完成したはずのプロジェクトがまた「特大（XL）」の作業に戻ります。
- 例え： 料理が完成したと思って盛り付けたら、「塩分濃度が基準を超えている」と言われて、また鍋に戻して作り直すようなものです。
💡 解決策：「チェックポイント・サイジング」とは？
では、どうすればいいのでしょうか？論文が提案するのは、**「チェックポイント・サイジング」**という新しい方法です。
これは、**「冒険の途中で、地図を何度も書き直す」**ようなアプローチです。
- 最初の見積もりは「仮説」に過ぎない： 最初から「何週間かかる」と決めるのではなく、「まずはデータが使えるか確認しよう」と考えます。
- 明確な「通過点（ゲート）」を作る：
- ゲート A（データ）： データが綺麗か？
- ゲート B（評価）： 正しく動いているか？
- ゲート C（安全）： 危険な発言はしないか？
- ゲート D（コスト）： 予算と時間は収まるか？
- 証拠に基づいて再見積もり： 各ゲートを通過するたびに、実際の結果を見て「やっぱりもっと時間がかかるな」と見積もりを修正します。
例え話：
- T シャツ法： 「この山は 3 日で行けるから、3 日分の食料を持って出発しよう！」（途中で雪崩が起きても、食料が足りなくなる）。
- チェックポイント法： 「まずは麓まで行ってみよう。道が通れるか確認したら、次のキャンプ地までの距離を測り直そう。もし道が崩れていたら、ルートを変えるか引き返す決断をする」。
📝 まとめ
この論文が伝えたいのは、**「AI 開発は、従来のソフトウェア開発とは全く違う生き物」**だということです。
- 過去の経験に頼りすぎない。
- 人を増やせば解決すると思わない。
- 最初から完璧な計画を立てようとしない。
代わりに、**「小さな実験を繰り返し、その結果に基づいて計画を柔軟に変えていく」**という、より人間らしく、現実的なアプローチが必要だと説いています。
AI プロジェクトを成功させる鍵は、**「確実な予測」ではなく、「不確実性への適応力」**にあるのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。