はじめに
前回の【実装編】では、データ層(SQLite マイグレーション)を TDD で作った話を書きました。その前の【設計編】では、複数の AI に設計をレビューさせて課金設計の矛盾を潰した話です。
今回はタスク設計編です。MicroWin は「1 日 1 つの掃除タスクをガチャで抽選する」アプリですが、この抽選の中身、つまり掃除タスクの文章を大量に作る必要がありました。AI に書かせたら一瞬で 100 個できて、めでたしめでたし……にはならなかった、という話です。
結論を先に言うと、AI が書いた文章は「文法的には正しいのに、日本の一人暮らしの生活としてはざっくりズレている」ものばかりでした。4 種類の LLM に 4 ラウンド・計 129 件の指摘をもらい、さらに人間の指摘で仕上げて、ようやく「意味がひと目で分かる・今日やれる」文章集になりました。
「ガチャ」はカタログが命
MicroWin のコア体験はシンプルです。ボタンを押すと、今日やる掃除がランダムで 1 つ出てくる。やったら完了。以上です。
この設計の弱点は自明で、カタログが少ないとすぐ同じタスクが出てくることです。開発初期のタスクは 29 件。1 日 1 件のペースでも 1 か月も持ちませんし、再抽選(やる気がある日に 1 日 2 回まで)を使うともっと早く回り切ります。「ガチャを引いたら同じ景品」は、抽選という楽しみを直接殴ってきます。
リリース前に競合調査をしたときの知見でも、継続機構の実例(掃除ゲーム化アプリの分析)で「枯渇したカタログほどユーザーを置いていく」という方向の知見が集まっていました(参考にしたのは個別アプリの公開ブログで、単一事例の集まりです。裏を取りきれたものだけを設計判断に使う運用にしています)。
ついでに競合も調べた
せっかくなので「掃除ガチャ」みたいなアプリが世の中にどれくらいあるのか、英語・日本語圏で約 20 件を調査しました。結果はざっくり 3 層です。
- 直接競合(ランダム/1 タスク提示系): Sprucy(iOS・Task of the Day)、CleanSpark(Web・スピンホイール)など少数
- 掃除管理の定番(間接競合): Tody や Sweepy など、部屋を管理・チェックリスト化する系
- ゲーム化系(間接競合): Finch(ペット育成)や Habitica(RPG)など、掃除以外の習慣も含む
ここで大事なのは断定を避けることで、「掃除ガチャ×Android×一人暮らし」の組み合わせが見つからなかったのは、あくまで主要な公開経路(Web 検索上位・ストア検索上位)で未発見という意味です。ストア内の多言語検索やコミュニティの手動探索はまだやっていないので、「市場に存在しない」ことを保証する主張には使えません。差別化を前提に設計を進める、という留め方にしています(このあたりは MLR レビューの指摘で明文化させました。AI は調子のいいことを言うので、限界の記述をこちらから植え付けて回る必要があります)。
カタログの設計: 29 件から 100 件へ
拡充にあたって、まずタグ設計を決めました。
- 4 カテゴリ: A 家事(掃除・片付け・洗濯)/ B 買い物・自炊・食品管理 / C 換気・空気環境の整備 / D 事務・デジタル整理
- 部屋タグ 7 種: kitchen・bath・living・bed・entry・whole・(洗面所等)
- エネルギータグ 3 種(low/mid/high): 疲れている日に「軽いタスクだけ出す」機能の土台
- 粒度 4 段階: 5 分 40 件 / 15 分 30 件 / 30 分 20 件 / 60 分 10 件
部屋とエネルギーのタグを切っておくと、「今日は疲れたから 5 分・low だけ」のような抽選フィルタが後から作れるようになります。カテゴリも、やる気が全盛の日に D(デジタル整理)を混ぜるか、などの配分判断に使えます。
あわせて、カタログが枯渇しているかを計測する仕組み(unique タスク数と直近 7 日のリピート率を見る実装と、進捗画面の「カタログ消化」カード)も作りました。計測なしに「カタログ足りてる?」を語り始めると、感覚の言い合いになるので。
4 機 × 4 ラウンド・計 129 件の指摘
タスク 100 件の下書きが揃ったら、レビューです。運用しているマルチ LLM レビュー(複数の異なる LLM に独立にレビューさせる仕組み)で、MiniMax・GLM・OpenRouter 経由の無料枠 2 機の計 4 機に、前ラウンドの指摘を伏せたブラインド方式で点検してもらいました。4 ラウンドで指摘は r1=24 件、r2=37 件、r3=31 件、r4=37 件、計 129 件(review_log の実測値)。
おもしろかった指摘を類型ごとに紹介します。
① 数量を勝手に決めつける
「爪を 1 本だけ切る」「調味料を 1 本捨てる」のようなタスクが出てきました。対象が 1 つしかないものに「1 つだけ」を付けると、なんか変です。数量限定は「複数実在していて、その一部だけやる」場合だけに効く、というルールに改訂しました。
② 「無い人」に抽選されたら終わらない
「未送信メッセージを確認する」「トイレの鏡を拭く」。その対象が存在するとは限らないタスクは、抽選で出た瞬間に「完了できないタスク」になります。ガチャという仕組みと矛盾するので、存在が保証されない対象はチェック系の表現(「確認して、要れば対応する」)に転換しました。
③ 設備を勝手に持たせない
ここが一番ズレていました。改訂の実例をいくつか。
| 旧(AI 初稿系) | 新 | 理由 |
|---|---|---|
| 玄関マットを払って、砂を落とす | 玄関の床を払って、砂を落とす | マットを持っていない部屋が多い |
| 玄関ドアを開けて、玄関の空気を入れ替える | クローゼットの扉を開けて、湿気を逃がす | 玄関の開け放しは集合住宅では防犯・虫で NG |
| 換気扇のスイッチを入れて、部屋の空気を循環させる | エアコンの送風モードで、空気を循環させる | そもそも部屋に換気扇は存在しないことが多い |
| 浴室のドアと窓を開けて、湿気を飛ばす | 浴室の換気扇を回して、ドアを開けて湿気を飛ばす | 窓なしユニットバスが多数 |
| リビングの床に積んだ物を片付ける | 部屋の床に積んだ物を片付ける | ワンルームに「リビング」は独立して存在しない |
| 窓のサッシとレールのほこりを掃除機で吸う | 窓のサッシとレールのほこりをブラシで取る | レールに掃除機のノズルは入らない |
AI は「掃除タスクの作法」は知っていますが、日本の賃貸 1K〜2LDK に何が設置されているかは知りません。そこで共通ルールとして「設備は賃貸 1K〜2LDK の標準装備のみ前提」「設備依存の表現はチェック系に転換」を追加しました。
④ 人間の指摘が一番刺さった
4 ラウンドの LLM レビューの後、最後の一押しは人間の指摘でした。代表例がこれです。
「洗面所のタオルをかけ直す」→「洗面所のタオルの位置をそろえる」
理由は、日本の浴室(ユニットバス)に体を拭くタオルを掛ける習慣が無いから。LLM 4 機のどれもこれを指摘できていませんでした。生活の実感を持っている人間がレビューに 1 人入ることの価値を、数字で見せつけられた瞬間でした(なお、別の指摘との同系性は review_log で確認済みです)。
枯渇を見える化した
100 件に増えたあとも、「じゃあ実際何日持つの?」は体感でしかありません。そこで進捗画面に「カタログ消化」カードを置いて、直近 7 日で何件完了したか・カタログの何% をカバーしたかを表示するようにしました。
この数字は開発用ではなく、将来「次の機能(コレクション報酬など)を入れるべきか」を判断するときの根拠にする予定です。実装の詳細は省きますが、抽選ログから unique 実施タスク数を数えて表示するだけの軽い仕組みです。
学びのまとめ
- AI は文法が正しい文章を、生活実感ゼロで書ける。「リビング」を無条件に書いてくる LLM を止めるのは、人間の住宅環境の知識
- **数量・条件・設備の 3 つの「勝手な決めつけ」**が、タスク文章の品質を下げる最大の原因だった
- 複数 LLM のブラインド方式は「同じ系統の指摘が何系統から来るか」で問題の深刻度を測れて便利。ただし生活文化に根ざした盲点は、LLM 全機が同じ場所で見落とす(浴室タオル問題)
- 記事にする調査結果は限界の明記込みで書かないと、AI と同じ「調子のいい文章」になる
次回予告
次回は「壊れない継続」の設計、つまり連続記録(streak)をどう壊さない作りにするかの話を予定しています。実は「毎日連続で〜日」という表示は、掃除のような「やらなくてもすぐ困らない」行動では逆効果になりうる、という仮説を検証する話です(これも実測が 1 事例しかない仮説なので、概念テストから始めます)。
ここまで読んで興味が出た方は、公開時にお知らせするベータテストの事前登録(フォーム準備中)をどうぞ。
本記事は開発記録連載の第 3 回です。第 1 回【設計編】、第 2 回【実装編】もどうぞ。
本記事は個人Zennでも公開しています。