multimodal_opportunities = {
    "画像 + テキスト": {
        "applications": [
            "ECサイト商品写真からの自動説明文生成",
            "医療画像の分析と所見レポート自動生成",
            "不動産物件写真からの査定・説明文生成",
            "製造業の外観検査 + 不良品レポート",
        ],
        "market_readiness": "即座に参入可能",
        "key_models": ["GPT-4o", "Claude 3.5 Sonnet", "Gemini Pro Vision"],
    },
    "音声 + テキスト": {
        "applications": [
            "会議の自動議事録 + アクション抽出",
            "コールセンター通話の分析 + 品質スコアリング",
            "多言語リアルタイム通訳サービス",
            "音声メモからのタスク自動生成",
        ],
        "market_readiness": "急速に成長中",
        "key_models": ["Whisper", "Gemini", "ElevenLabs"],
    },
    "動画 + テキスト": {
        "applications": [
            "動画コンテンツの自動要約・チャプター生成",
            "監視カメラ映像の異常検知 + アラート",
            "スポーツ映像の戦術分析",
            "教育動画の理解度テスト自動生成",
        ],
        "market_readiness": "2026-2027年に本格化",
        "key_models": ["Sora", "Gemini 1.5 Pro", "GPT-4o with video"],
    },
    "3D/空間 + テキスト": {
        "applications": [
            "建築設計の3Dモデル自動生成",
            "VR/ARコンテンツの自動制作",
            "製造業の3D CADファイル分析",
            "都市計画シミュレーション",
        ],
        "market_readiness": "2027-2028年以降",
        "key_models": "開発中（各社研究段階）",
    }
}

on_device_ai = {
    "概要": {
        "definition": "クラウドに送信せずデバイス上でAI推論を実行",
        "benefits": [
            "プライバシー保護（データがデバイスから出ない）",
            "低レイテンシ（ネットワーク遅延なし）",
            "オフライン動作",
            "APIコスト削減",
        ],
        "enabling_tech": [
            "Apple Neural Engine (ANE)",
            "Qualcomm Snapdragon AI Engine",
            "Google Tensor TPU",
            "小型LLM (Llama 3 8B, Gemma 2B, Phi-3)",
        ]
    },
    "事業機会": {
        "プライバシー重視アプリ": {
            "examples": [
                "オンデバイス健康データ分析",
                "ローカル文書分析（機密文書対応）",
                "オフライン翻訳アプリ",
            ],
            "pricing": "ワンタイム購入 or プレミアムサブスクリプション",
        },
        "リアルタイム処理アプリ": {
            "examples": [
                "リアルタイムカメラAI（AR/MR）",
                "ゲーム内AIキャラクター",
                "音声リアルタイム処理",
            ],
            "pricing": "フリーミアム + アプリ内課金",
        },
        "エッジAIソリューション": {
            "examples": [
                "工場のエッジAI検査システム",
                "小売店舗のAI顧客分析",
                "農業IoTのエッジAI処理",
            ],
            "pricing": "ハードウェア + ソフトウェアライセンス",
        }
    },
    "技術的課題": [
        "モデルサイズの制約（メモリ・ストレージ）",
        "推論速度とバッテリー消費のトレードオフ",
        "デバイス間の互換性確保",
        "モデルアップデートの配信方法",
    ]
}

future_agent_businesses = {
    "ai_sdr": {
        "name": "AI営業開発担当（SDR）",
        "description": "リード調査→メール送信→フォローアップを自律実行",
        "market_size": "SDR年間人件費 $50B → AI化で$10-15B市場",
        "timeline": "2025-2026",
        "pricing": "成果報酬型（商談獲得あたり$50-$500）",
        "example_companies": ["11x.ai", "Artisan AI", "Regie.ai"]
    },
    "ai_accountant": {
        "name": "AI経理担当",
        "description": "請求書処理→仕訳→月次決算→税務申告を自動化",
        "market_size": "経理業務 $30B → AI化で$5-10B市場",
        "timeline": "2025-2027",
        "pricing": "月額$200-$2000（取引量ベース）",
        "example_companies": ["Vic.ai", "Truewind", "Botkeeper"]
    },
    "ai_researcher": {
        "name": "AIリサーチアシスタント",
        "description": "論文収集→要約→仮説生成→実験設計を支援",
        "market_size": "研究支援 $20B → AI化で$5B市場",
        "timeline": "2026-2028",
        "pricing": "月額$100-$500（研究者向け）",
        "example_companies": ["Elicit", "Consensus", "Semantic Scholar"]
    },
    "ai_legal_assistant": {
        "name": "AIリーガルアシスタント",
        "description": "契約レビュー→判例調査→書面ドラフト→コンプライアンス",
        "market_size": "法務サービス $100B → AI化で$15-20B市場",
        "timeline": "2025-2027",
        "pricing": "月額$500-$5000（企業規模別）",
        "example_companies": ["Harvey", "Casetext (Thomson Reuters)", "EvenUp"]
    }
}

# AIエージェントの基本アーキテクチャ
class AIAgentArchitecture:
    """2025年以降のAIエージェント設計パターン"""
 
    def __init__(self):
        self.architecture = {
            "perception_layer": {
                "description": "環境からの情報取得",
                "components": [
                    "API連携（メール、CRM、カレンダー等）",
                    "ドキュメント読み取り（OCR、PDF解析）",
                    "Web情報収集（スクレイピング、検索）",
                    "リアルタイムデータフィード",
                ],
            },
            "reasoning_layer": {
                "description": "情報の分析と意思決定",
                "components": [
                    "LLM推論（Claude、GPT-4等）",
                    "RAG（関連ドキュメント検索）",
                    "メモリシステム（短期・長期記憶）",
                    "計画立案（タスク分解、優先順位付け）",
                ],
            },
            "action_layer": {
                "description": "実際のアクション実行",
                "components": [
                    "API呼び出し（メール送信、データ更新）",
                    "ドキュメント生成（レポート、提案書）",
                    "通知・アラート送信",
                    "人間へのエスカレーション",
                ],
            },
            "safety_layer": {
                "description": "安全性とガバナンス",
                "components": [
                    "実行前の人間承認ゲート",
                    "予算・権限の制限",
                    "監査ログの記録",
                    "異常検知とロールバック",
                ],
            },
        }
 
    def design_agent_workflow(self, task_type: str) -> dict:
        """タスク種別に応じたワークフロー設計"""
        workflows = {
            "sales_outreach": {
                "trigger": "新規リードの登録",
                "steps": [
                    "1. リード情報の収集（LinkedIn、会社HP）",
                    "2. パーソナライズされたメール文面の生成",
                    "3. 送信タイミングの最適化",
                    "4. メール送信（人間承認後 or 自動）",
                    "5. 開封・クリック追跡",
                    "6. フォローアップメールの自動送信",
                    "7. 返信があれば分類→営業担当に通知",
                ],
                "human_checkpoints": ["初回テンプレート承認", "重要クライアントへの送信"],
                "success_metric": "商談転換率",
            },
            "customer_support": {
                "trigger": "サポートチケットの発生",
                "steps": [
                    "1. チケット内容の分析と分類",
                    "2. 過去の類似チケットと解決策の検索",
                    "3. 回答案の生成",
                    "4. 自信度が高ければ自動返信",
                    "5. 自信度が低ければ人間にエスカレーション",
                    "6. 解決後のフォローアップ",
                    "7. FAQの自動更新",
                ],
                "human_checkpoints": ["低自信度の回答", "返金・特別対応が必要なケース"],
                "success_metric": "自動解決率、CSAT",
            },
            "content_creation": {
                "trigger": "コンテンツカレンダーのスケジュール",
                "steps": [
                    "1. トレンド・キーワードリサーチ",
                    "2. 記事構成の立案",
                    "3. ドラフト執筆",
                    "4. SEO最適化（タイトル、メタ、内部リンク）",
                    "5. 画像生成 or 選定",
                    "6. 人間レビュー → 修正",
                    "7. CMS投稿 + SNS共有",
                ],
                "human_checkpoints": ["最終レビュー", "ブランドトーンの確認"],
                "success_metric": "公開記事数、オーガニックトラフィック",
            }
        }
        return workflows.get(task_type, {})

# マルチエージェントシステムの設計パターン
multi_agent_system = {
    "概要": {
        "definition": "複数のAIエージェントが協調して複雑なタスクを実行",
        "advantage": "単一エージェントでは困難な複雑なワークフローを実現",
        "timeline": "2027-2028年に本格化",
    },
    "設計パターン": {
        "hierarchical": {
            "name": "階層型",
            "structure": """
            Orchestrator Agent（指揮者）
                ├── Research Agent（調査）
                ├── Writer Agent（執筆）
                ├── Reviewer Agent（レビュー）
                └── Publisher Agent（公開）
            """,
            "use_case": "コンテンツ制作パイプライン",
        },
        "collaborative": {
            "name": "協調型",
            "structure": """
            Agent A（分析）←→ Agent B（提案）
                ↕                   ↕
            Agent C（検証）←→ Agent D（実行）
            """,
            "use_case": "データ分析→施策立案→実行→効果測定",
        },
        "competitive": {
            "name": "競争型",
            "structure": """
            Task → Agent A → Solution A ─┐
                 → Agent B → Solution B ──┤→ Best Solution
                 → Agent C → Solution C ─┘
            """,
            "use_case": "複数の解決策を生成し最良のものを選択",
        }
    },
    "ビジネス応用": {
        "ai_marketing_team": {
            "agents": [
                "マーケティング戦略エージェント",
                "コンテンツ制作エージェント",
                "広告運用エージェント",
                "分析・レポートエージェント",
            ],
            "value": "マーケティングチーム3-5人分の業務を自動化",
            "pricing": "月額¥300,000-¥1,000,000",
        },
        "ai_back_office": {
            "agents": [
                "経理エージェント",
                "人事エージェント",
                "法務エージェント",
                "総務エージェント",
            ],
            "value": "バックオフィス業務の70%を自動化",
            "pricing": "月額¥200,000-¥500,000",
        }
    }
}

# 業界別参入ロードマップ
industry_entry_roadmaps = {
    "教育": {
        "phase_1": {
            "period": "0-6ヶ月",
            "actions": [
                "教師10人以上にインタビュー",
                "既存EdTechプロダクトの徹底調査",
                "AI個別指導のプロトタイプ作成",
                "学習塾1-2社でパイロット導入",
            ],
            "target": "PMF検証",
            "investment": "500万-1000万円"
        },
        "phase_2": {
            "period": "6-18ヶ月",
            "actions": [
                "学習データの蓄積と精度向上",
                "教育委員会・学校法人への営業",
                "学習効果の定量的エビデンス構築",
                "文科省のEdTech補助金への対応",
            ],
            "target": "有料顧客100校",
            "investment": "3000万-1億円"
        },
        "phase_3": {
            "period": "18-36ヶ月",
            "actions": [
                "全国展開（都道府県教育委員会との連携）",
                "海外展開（アジア市場から）",
                "教科書出版社との提携",
                "学習分析プラットフォームへの進化",
            ],
            "target": "ARR 10億円、全国1000校導入",
            "investment": "5-20億円（Series A-B）"
        },
        "key_challenges": [
            "教育現場のIT リテラシーのバラつき",
            "学校の予算サイクル（年度単位）",
            "個人情報保護（子どものデータは特に厳格）",
            "教育効果の実証に時間がかかる",
        ]
    },
    "不動産": {
        "phase_1": {
            "period": "0-6ヶ月",
            "actions": [
                "不動産会社10社にインタビュー",
                "公示地価・取引事例データの収集と分析",
                "AI査定プロトタイプの構築",
                "不動産ポータルサイトとのAPI連携調査",
            ],
            "target": "AI査定精度 ±5%以内の実現",
        },
        "phase_2": {
            "period": "6-18ヶ月",
            "actions": [
                "不動産仲介会社への販売開始",
                "物件情報の自動取得と分析パイプライン構築",
                "賃貸管理の自動化機能追加",
                "REINSデータとの連携",
            ],
            "target": "有料顧客50社、MRR 500万円",
        },
        "key_challenges": [
            "不動産データの非構造性（間取り図、写真等）",
            "地域差が大きい（都市部vs地方）",
            "既存の業界慣行（対面商談文化）",
            "宅建業法等の法規制対応",
        ]
    },
    "保険": {
        "phase_1": {
            "period": "0-6ヶ月",
            "actions": [
                "保険会社のデジタル部門にアプローチ",
                "保険金請求処理の自動化プロトタイプ",
                "不正検知AIの精度検証",
                "InsurTech アクセラレーターへの参加検討",
            ],
            "target": "保険会社1社とPoC契約",
        },
        "phase_2": {
            "period": "6-18ヶ月",
            "actions": [
                "保険引受審査の自動化",
                "損害査定AIの開発",
                "コンプライアンス対応（金融庁ガイドライン）",
                "保険代理店向けツールの開発",
            ],
            "target": "保険会社3-5社と本契約",
        },
        "key_challenges": [
            "金融規制への対応（AI利用の説明責任）",
            "長い営業サイクル（6ヶ月-1年）",
            "既存システム（レガシー）との統合",
            "AI判断の説明可能性（XAI）の要求",
        ]
    }
}

# 成果報酬型AIの収益モデル
outcome_based_pricing = {
    "design_principles": {
        "成果の定義": "客観的に測定可能な成果指標を定義する",
        "基本料金": "最低限のプラットフォーム利用料（月額固定）",
        "成功報酬": "成果に連動した変動課金",
        "上限設定": "月額上限を設けて顧客の予算管理を容易にする",
    },
    "revenue_models": {
        "ai_sdr": {
            "base_fee": 30000,          # 月額基本料 ¥30,000
            "per_meeting": 50000,       # 商談獲得1件あたり ¥50,000
            "monthly_cap": 500000,      # 月額上限 ¥500,000
            "expected_meetings": 8,     # 月平均8件獲得
            "expected_mrr": 430000,     # 基本料 + 8件 × ¥50,000
            "margin": 0.85,             # 粗利率85%
        },
        "ai_content": {
            "base_fee": 50000,
            "per_article": 15000,       # 記事1本あたり ¥15,000
            "per_1000_pv": 500,         # PV連動 ¥500/1000PV
            "monthly_cap": 300000,
        },
        "ai_support": {
            "base_fee": 100000,
            "per_resolution": 500,      # チケット自動解決1件 ¥500
            "csat_bonus": 50000,        # CSAT 90%以上で月額ボーナス
            "monthly_cap": 1000000,
        }
    },
    "implementation_challenges": [
        "成果の測定方法（アトリビューション問題）",
        "成果が出るまでのタイムラグ",
        "顧客側の環境要因による成果変動",
        "成功報酬の公正な算出ロジック",
    ],
    "risk_mitigation": [
        "初期は固定課金でデータ収集、精度が安定したら成果報酬に移行",
        "A/Bテストでの効果実証",
        "最低保証と上限のバランス設計",
        "成果指標の定期的な見直し条項を契約に含める",
    ]
}

ai_workforce_model = {
    "concept": "AIを「ツール」ではなく「労働力」として提供",
    "pricing": "人間の人件費の1/10-1/5で同等の成果",
    "examples": {
        "ai_sdr_team": {
            "human_cost": "SDR 1人 = 年間¥6,000,000",
            "ai_cost": "AI SDR = 年間¥600,000",
            "capability": "24時間稼働、多言語、無限スケール",
            "limitation": "複雑な交渉、信頼関係構築は人間"
        },
        "ai_content_team": {
            "human_cost": "ライター3人 = 年間¥18,000,000",
            "ai_cost": "AIコンテンツ = 年間¥2,400,000",
            "capability": "月100本のブログ、SNS毎日投稿",
            "limitation": "独自取材、インタビュー記事は人間"
        },
        "ai_support_team": {
            "human_cost": "CS 5人 = 年間¥30,000,000",
            "ai_cost": "AIサポート = 年間¥3,600,000",
            "capability": "24/365対応、多言語、即時回答",
            "limitation": "感情的なクレーム対応は人間"
        }
    }
}

# データフライホイールの設計と構築
data_flywheel_design = {
    "step_1_data_collection": {
        "description": "プロダクト利用を通じた自然なデータ収集",
        "tactics": [
            "ユーザーの入力データを（同意の上で）蓄積",
            "AI出力へのフィードバック（サムズアップ/ダウン）を収集",
            "ユーザー行動ログの分析（どの機能がよく使われるか）",
            "エラーケースの自動収集と分類",
        ],
        "privacy": "GDPR/個人情報保護法に準拠したデータ収集同意の取得",
    },
    "step_2_model_improvement": {
        "description": "蓄積データによるAI精度の向上",
        "tactics": [
            "フィードバックデータでプロンプトを最適化",
            "業界特化の用語・パターン辞書の構築",
            "ファインチューニング用データセットの生成",
            "エッジケースの処理改善",
        ],
    },
    "step_3_value_delivery": {
        "description": "精度向上をユーザー体験に反映",
        "tactics": [
            "パーソナライズされた提案の精度向上",
            "処理速度の改善",
            "新機能の自動提案",
            "業界ベンチマークの提供",
        ],
    },
    "step_4_network_effects": {
        "description": "ネットワーク効果の創出",
        "tactics": [
            "ユーザー間のベストプラクティス共有",
            "匿名化されたベンチマークデータの提供",
            "テンプレート・ワークフローのマーケットプレイス",
            "コミュニティ機能の追加",
        ],
    },
    "moat_strength": {
        "weak": "単なるAPI呼び出しの薄いラッパー → データモートなし",
        "medium": "業界特化のプロンプト/パイプライン → 模倣可能",
        "strong": "独自データ + カスタムモデル + ワークフロー統合 → 強固なモート",
    }
}

# AIネイティブ組織の設計
ai_native_organization = {
    "definition": "AIを前提として設計された組織構造",
    "characteristics": {
        "人数": "10人で100人分の成果を出す",
        "意思決定": "データ + AIインサイトに基づく",
        "プロセス": "繰り返し業務は全てAIが実行",
        "人間の役割": "戦略、創造性、人間関係",
    },
    "typical_10_person_company": {
        "human_roles": [
            "CEO（戦略・対外活動）",
            "CTO（技術方針・アーキテクチャ）",
            "プロダクトマネージャー（優先順位・UX）",
            "シニアエンジニア × 3（コア開発）",
            "マーケティング（戦略・クリエイティブ）",
            "セールス（ハイタッチ営業）",
            "カスタマーサクセス（戦略・エスカレーション）",
            "オペレーション（財務・法務・HR）",
        ],
        "ai_handled": [
            "コンテンツ制作（ブログ、SNS、メルマガ）",
            "リード獲得（SDR業務）",
            "カスタマーサポート（Tier 1）",
            "経理（請求書処理、仕訳、月次決算）",
            "コード生成（ボイラープレート、テスト）",
            "データ分析・レポーティング",
            "採用スクリーニング",
            "法務チェック（契約書レビュー）",
        ],
        "revenue_per_employee": "従来の5-10倍",
    }
}

ai_regulation_landscape = {
    "EU_AI_Act": {
        "status": "2024年施行開始、2025-2026年に段階適用",
        "key_requirements": [
            "AIシステムのリスク分類（禁止/高リスク/限定リスク/最小リスク）",
            "高リスクAIの適合性評価義務",
            "AI生成コンテンツの開示義務",
            "人間による監視の義務",
        ],
        "business_impact": "EU市場参入にはコンプライアンス対応が必須",
    },
    "日本": {
        "status": "AI事業者ガイドライン（2024年策定、継続更新中）",
        "key_principles": [
            "人間中心のAI社会原則",
            "公平性・透明性・説明責任",
            "安全性の確保",
            "プライバシー保護",
        ],
        "business_impact": "ガイドラインベース（法的拘束力は限定的だが準拠が推奨）",
    },
    "米国": {
        "status": "連邦レベルの包括規制は未成立、州法が先行",
        "key_developments": [
            "大統領令（AI安全性に関する）",
            "州法（カリフォルニア、コロラド等）",
            "SEC、FTC等の個別規制機関のガイダンス",
        ],
        "business_impact": "セクター別の規制に対応が必要",
    },
    "ビジネス機会": {
        "ai_governance_tools": "AIガバナンスプラットフォーム（$5B市場予測）",
        "ai_audit_services": "AI監査・認証サービス",
        "explainability_tools": "AI説明可能性ツール",
        "bias_detection": "AIバイアス検出・軽減ツール",
    }
}

ai_ethics_business_impact = {
    "リスク": {
        "reputation_damage": {
            "example": "AIによる差別的な出力がSNSで拡散",
            "impact": "ブランド毀損、顧客離れ、訴訟リスク",
            "prevention": "バイアステスト、出力フィルタリング、人間レビュー",
        },
        "regulatory_penalty": {
            "example": "EU AI Actの高リスクAI要件違反",
            "impact": "最大3,500万ユーロまたは売上の7%の罰金",
            "prevention": "コンプライアンス専門家の配置、定期監査",
        },
        "data_breach": {
            "example": "AIモデルからの個人情報漏洩",
            "impact": "GDPR罰金、集団訴訟、信頼喪失",
            "prevention": "データ最小化、暗号化、アクセス制御",
        }
    },
    "機会": {
        "trust_as_differentiator": {
            "strategy": "倫理的AI」をブランドの差別化要因にする",
            "examples": [
                "AI出力の透明性レポートを公開",
                "第三者によるAI監査の実施と結果公開",
                "ユーザーデータの利用方法を分かりやすく説明",
            ],
            "benefit": "信頼性が高い企業が選ばれる時代へ",
        },
        "responsible_ai_tools": {
            "market_size": "$10B (2030年予測)",
            "products": [
                "AIバイアス検出ツール",
                "AI意思決定の説明可能性ツール",
                "AIモデルの監査・認証サービス",
                "AI倫理コンサルティング",
            ]
        }
    }
}

scenarios_2030 = {
    "optimistic": {
        "description": "AIが全産業に浸透、生産性2倍",
        "ai_market_size": "$2T",
        "new_jobs_created": "5000万件",
        "ai_saas_penetration": "80%の企業がAI SaaS利用",
        "opportunity": "AI統合の専門家、業界特化AIが最大機会"
    },
    "moderate": {
        "description": "主要産業でAI活用、規制との共存",
        "ai_market_size": "$1T",
        "new_jobs_created": "3000万件",
        "ai_saas_penetration": "50%の企業がAI SaaS利用",
        "opportunity": "規制対応AI、信頼性・安全性ツールが成長"
    },
    "conservative": {
        "description": "限定的なAI活用、規制強化",
        "ai_market_size": "$500B",
        "new_jobs_created": "1000万件",
        "ai_saas_penetration": "30%の企業がAI SaaS利用",
        "opportunity": "コンプライアンス、AI監査が重要分野に"
    }
}

future_skills_2030 = {
    "technical_skills": {
        "ai_system_design": {
            "description": "AIエージェントシステム全体の設計",
            "demand": "非常に高い",
            "current_scarcity": "極めて希少",
            "learning_path": "ソフトウェアアーキテクチャ → LLMアプリ開発 → エージェント設計",
        },
        "ai_safety_alignment": {
            "description": "AIの安全性とアラインメント",
            "demand": "急速に増大",
            "current_scarcity": "希少",
            "learning_path": "ML基礎 → 安全性研究 → 実務応用",
        },
        "data_engineering_for_ai": {
            "description": "AI向けデータパイプライン構築",
            "demand": "高い",
            "current_scarcity": "中程度",
            "learning_path": "DB/SQL → データエンジニアリング → ML Ops",
        },
    },
    "business_skills": {
        "ai_product_management": {
            "description": "AI機能を含むプロダクトの企画・管理",
            "demand": "非常に高い",
            "key_competencies": [
                "AIの能力と限界の理解",
                "AI品質の評価方法",
                "倫理的なAI利用の判断",
                "AIコストの最適化",
            ],
        },
        "ai_strategy_consulting": {
            "description": "企業のAI戦略策定支援",
            "demand": "高い（特に非テック産業向け）",
            "key_competencies": [
                "業界ドメイン知識 + AI技術理解",
                "ROI分析とビジネスケース作成",
                "変革管理とチェンジマネジメント",
            ],
        },
    },
    "human_skills": {
        "creative_direction": "AIを使った創造的プロジェクトのディレクション",
        "complex_negotiation": "AIでは代替困難な高度な交渉・関係構築",
        "ethical_judgment": "AI利用における倫理的判断と意思決定",
        "cross_cultural_leadership": "グローバルなAIチームのリーダーシップ",
    }
}

# BAD: AGIの到来を前提としたビジネスプラン
bad_bet = {
    "premise": "2027年にAGIが実現する",
    "plan": "AGI用のアプリプラットフォームを今から構築",
    "risk": "AGIの到来は予測不能。到来しても想定と異なる形かも",
    "result": "資金枯渇、技術の方向性が外れる"
}
 
# GOOD: 今の技術で価値を提供しつつ、未来に備える
good_bet = {
    "premise": "現在のLLM技術で解決できる課題に集中",
    "plan": "契約書レビューAIを今すぐローンチ",
    "future_ready": "アーキテクチャはモデル非依存、新技術を即統合可能",
    "result": "今日から売上、将来の技術進化で更に強化"
}

# BAD: 「マルチモーダルAIが来たから何かやろう」
tech_driven = {
    "approach": "技術を探して用途を後付け",
    "result": "ソリューションを探す問題（Solution in search of a problem）"
}
 
# GOOD: 「この業界の課題を新技術で解けるか」
problem_driven = {
    "approach": "建設業の安全管理に年間1000億円の損失がある",
    "technology": "マルチモーダルAI（画像認識）で現場の危険を検知",
    "result": "明確な課題 × 適切な技術 = 大きな事業機会"
}

# BAD: APIラッパー型の事業
no_moat = {
    "product": "GPT-4 APIを呼び出すだけのチャットボット",
    "differentiation": "なし（誰でも作れる）",
    "risk": [
        "OpenAI自身が同じ機能を提供し始める",
        "競合が数日で類似サービスを構築",
        "APIの値上げで収益モデルが破綻",
    ],
    "result": "価格競争に陥り、利益が出ない"
}
 
# GOOD: 独自の参入障壁を構築
strong_moat = {
    "product": "建設業界特化のAI安全管理システム",
    "moat_sources": [
        "建設現場の独自データ蓄積（10万件の危険検知データ）",
        "業界規制への深い理解と対応",
        "現場IoTデバイスとの統合",
        "大手ゼネコンとの長期契約",
    ],
    "result": "後発の参入コストが高く、先行者優位を維持"
}

# 演習1: 基本実装のテンプレート
class Exercise1:
    """基本的な実装パターンの演習"""
 
    def __init__(self):
        self.data = []
 
    def validate_input(self, value):
        """入力値の検証"""
        if value is None:
            raise ValueError("入力値がNoneです")
        return True
 
    def process(self, value):
        """データ処理のメインロジック"""
        self.validate_input(value)
        self.data.append(value)
        return self.data
 
    def get_results(self):
        """処理結果の取得"""
        return {
            'count': len(self.data),
            'data': self.data
        }
 
# テスト
def test_exercise1():
    ex = Exercise1()
    assert ex.process(1) == [1]
    assert ex.process(2) == [1, 2]
    assert ex.get_results()['count'] == 2
 
    try:
        ex.process(None)
        assert False, "例外が発生するべき"
    except ValueError:
        pass
 
    print("全テスト合格!")
 
test_exercise1()

# 演習2: 応用パターン
from typing import List, Dict, Optional
from datetime import datetime
 
class AdvancedExercise:
    """応用パターンの演習"""
 
    def __init__(self, max_size: int = 100):
        self._items: List[Dict] = []
        self._max_size = max_size
        self._created_at = datetime.now()
 
    def add(self, key: str, value: any) -> bool:
        """アイテムの追加（サイズ制限付き）"""
        if len(self._items) >= self._max_size:
            return False
        self._items.append({
            'key': key,
            'value': value,
            'timestamp': datetime.now().isoformat()
        })
        return True
 
    def find(self, key: str) -> Optional[Dict]:
        """キーによる検索"""
        for item in reversed(self._items):
            if item['key'] == key:
                return item
        return None
 
    def remove(self, key: str) -> bool:
        """キーによる削除"""
        for i, item in enumerate(self._items):
            if item['key'] == key:
                self._items.pop(i)
                return True
        return False
 
    def stats(self) -> Dict:
        """統計情報"""
        return {
            'total_items': len(self._items),
            'max_size': self._max_size,
            'usage_percent': len(self._items) / self._max_size * 100,
            'uptime': str(datetime.now() - self._created_at)
        }
 
# テスト
def test_advanced():
    ex = AdvancedExercise(max_size=3)
    assert ex.add("a", 1) == True
    assert ex.add("b", 2) == True
    assert ex.add("c", 3) == True
    assert ex.add("d", 4) == False  # サイズ制限
    assert ex.find("b")['value'] == 2
    assert ex.remove("b") == True
    assert ex.find("b") is None
    stats = ex.stats()
    assert stats['total_items'] == 2
    print("応用テスト全合格!")
 
test_advanced()

# 演習3: パフォーマンス最適化
import time
from functools import lru_cache
 
# 最適化前（O(n^2)）
def slow_search(data: list, target: int) -> int:
    """非効率な検索"""
    for i in range(len(data)):
        for j in range(i + 1, len(data)):
            if data[i] + data[j] == target:
                return (i, j)
    return (-1, -1)
 
# 最適化後（O(n)）
def fast_search(data: list, target: int) -> tuple:
    """ハッシュマップを使った効率的な検索"""
    seen = {}
    for i, num in enumerate(data):
        complement = target - num
        if complement in seen:
            return (seen[complement], i)
        seen[num] = i
    return (-1, -1)
 
# ベンチマーク
def benchmark():
    import random
    data = list(range(5000))
    random.shuffle(data)
    target = data[100] + data[4000]
 
    start = time.time()
    result1 = slow_search(data, target)
    slow_time = time.time() - start
 
    start = time.time()
    result2 = fast_search(data, target)
    fast_time = time.time() - start
 
    print(f"非効率版: {slow_time:.4f}秒")
    print(f"効率版:   {fast_time:.6f}秒")
    print(f"高速化率: {slow_time/fast_time:.0f}倍")
 
benchmark()

# デバッグ用ユーティリティ
import logging
import traceback
from functools import wraps
 
# ロガーの設定
logging.basicConfig(
    level=logging.DEBUG,
    format='%(asctime)s [%(levelname)s] %(name)s: %(message)s'
)
logger = logging.getLogger(__name__)
 
def debug_decorator(func):
    """関数の入出力をログ出力するデコレータ"""
    @wraps(func)
    def wrapper(*args, **kwargs):
        logger.debug(f"呼び出し: {func.__name__}(args={args}, kwargs={kwargs})")
        try:
            result = func(*args, **kwargs)
            logger.debug(f"戻り値: {func.__name__} -> {result}")
            return result
        except Exception as e:
            logger.error(f"例外発生: {func.__name__}: {e}")
            logger.error(traceback.format_exc())
            raise
    return wrapper
 
@debug_decorator
def process_data(items):
    """データ処理（デバッグ対象）"""
    if not items:
        raise ValueError("空のデータ")
    return [item * 2 for item in items]

# 設計判断の記録テンプレート
class ArchitectureDecisionRecord:
    """ADR (Architecture Decision Record) の作成"""
 
    def __init__(self, title: str):
        self.title = title
        self.context = ""
        self.decision = ""
        self.consequences = []
        self.alternatives = []
 
    def set_context(self, context: str):
        """背景と課題の記述"""
        self.context = context
        return self
 
    def set_decision(self, decision: str):
        """決定内容の記述"""
        self.decision = decision
        return self
 
    def add_consequence(self, consequence: str, positive: bool = True):
        """結果の追加"""
        self.consequences.append({
            'description': consequence,
            'type': 'positive' if positive else 'negative'
        })
        return self
 
    def add_alternative(self, name: str, reason_rejected: str):
        """却下した代替案の追加"""
        self.alternatives.append({
            'name': name,
            'reason_rejected': reason_rejected
        })
        return self
 
    def to_markdown(self) -> str:
        """Markdown形式で出力"""
        md = f"# ADR: {self.title}\n\n"
        md += f"## 背景\n{self.context}\n\n"
        md += f"## 決定\n{self.decision}\n\n"
        md += "## 結果\n"
        for c in self.consequences:
            icon = "✅" if c['type'] == 'positive' else "⚠️"
            md += f"- {icon} {c['description']}\n"
        md += "\n## 却下した代替案\n"
        for a in self.alternatives:
            md += f"- **{a['name']}**: {a['reason_rejected']}\n"
        return md

# チーム間のAPI契約定義
from dataclasses import dataclass
from typing import List, Optional
from enum import Enum
 
class Priority(Enum):
    LOW = "low"
    MEDIUM = "medium"
    HIGH = "high"
    CRITICAL = "critical"
 
@dataclass
class APIContract:
    """チーム間のAPI契約"""
    endpoint: str
    method: str
    owner_team: str
    consumers: List[str]
    sla_ms: int  # レスポンスタイムSLA
    priority: Priority
 
    def validate_sla(self, actual_ms: int) -> bool:
        """SLA準拠の確認"""
        return actual_ms <= self.sla_ms
 
    def to_openapi(self) -> dict:
        """OpenAPI形式で出力"""
        return {
            'path': self.endpoint,
            'method': self.method,
            'x-owner': self.owner_team,
            'x-consumers': self.consumers,
            'x-sla-ms': self.sla_ms
        }
 
# 使用例
contracts = [
    APIContract(
        endpoint="/api/v1/users",
        method="GET",
        owner_team="user-team",
        consumers=["order-team", "notification-team"],
        sla_ms=200,
        priority=Priority.HIGH
    ),
    APIContract(
        endpoint="/api/v1/orders",
        method="POST",
        owner_team="order-team",
        consumers=["payment-team", "inventory-team"],
        sla_ms=500,
        priority=Priority.CRITICAL
    )
]