2026-08-28

ゲーム開発におけるAI生成建築の活用と可能性

近年、生成AIはゲーム開発のさまざまな分野で活用され始めています。キャラクター、音声、シナリオ、プログラムなどに加えて、建築物や都市空間の生成も注目されている分野の一つです。

AI生成建築の最大の価値は、建物を完全に自動制作することではありません。企画段階のアイデアを短時間で可視化し、3Dモデルやレベルデザインの初期工程を効率化することにあります。

1. 建築コンセプトの作成

AIは、テキストやスケッチ、参考画像をもとに、さまざまな建築デザインを提案できます。

例えば、次のような指示が可能です。

砂漠に埋もれた近未来都市の駅
戦争によって廃墟となった病院
山間部に建つ北欧風の木造住宅
潜入ミッションに適した工業倉庫
中世の港町にある市庁舎

こうした指示から、建物の外観、屋根、窓、素材、色彩、周辺環境などの案を短時間で大量に作成できます。

従来であれば、コンセプトアーティストが何日もかけて複数案を制作する必要がありました。しかし、AIを活用すれば、初期段階で多くの方向性を比較できます。デザイナーはその中から有望な案を選び、世界観やゲームの目的に合わせて調整できます。

ただし、AIが生成した画像は、そのまま最終デザインとして利用できるとは限りません。建物の構造や遠近感が不自然であったり、正面と側面のデザインが一致しなかったりする場合があります。そのため、AIはデザインの探索やアイデアの可視化に利用するのが現実的です。

2. 3D建築モデルの制作支援

現在のAI技術では、画像やテキストから建築物の基本的な3Dモデルを生成することも可能になっています。

この機能は、次のような用途で役立ちます。

ゲーム序盤のグレーボックス制作
遠景用の都市建築
一般的な住宅や倉庫の量産
オープンワールドの背景制作
建築モデルの初期案作成
コンセプトアートの3D化

特に、プレイヤーが細部まで確認しない背景建築や、開発初期の仮モデルには大きな効果があります。建物の大まかな形状を短時間で用意できるため、レベルデザイナーやプランナーは、実際のゲーム空間を早い段階で検証できます。

一方で、AIが作成した3Dモデルには、実際のゲーム開発に必要な調整が残されています。

ポリゴン構造の整理
不要な面の削除
UV展開の修正
マテリアルの統一
LODの制作
コリジョンの設定
建物の寸法や比率の調整
キャラクターや乗り物が通行できるかの確認

したがって、AI生成モデルは完成品というよりも、モデリング作業を始めるためのベースとして活用するのが適切です。

https://www.tiktok.com/@shapezo_3d_modeling/video/7679000191340481808

3. モジュール式建築の自動生成

ゲーム開発において特に実用性が高いのが、モジュール式建築とAIを組み合わせる方法です。

開発チームがあらかじめ、壁、床、屋根、階段、ドア、窓、柱、廊下、家具などの部品を制作します。そしてAIやプロシージャル生成システムが、指定された条件に従ってそれらを組み合わせます。

例えば、次のような条件を設定できます。

建物の種類：近未来の工業倉庫
階数：2階
用途：4人協力型の防衛戦
入口：3か所
退路：2か所
屋上：アクセス可能
立地：港湾地区

建物の種類：近未来の工業倉庫

階数：2階

用途：4人協力型の防衛戦

入口：3か所

退路：2か所

屋上：アクセス可能

立地：港湾地区

この方法では、AIが建物を無秩序に生成するのではなく、検証済みの部品を使って安全に組み立てます。そのため、次のような利点があります。

建物の寸法を統一できる
キャラクターが正常に移動できる
敵AIの経路探索に対応しやすい
コリジョンを安定して設定できる
建築全体のデザインを統一できる
大量の建物を効率よく制作できる

この仕組みは、オープンワールド、ステルスゲーム、サバイバルゲーム、都市建設ゲーム、ローグライクゲームなどに適しています。

4. 室内レイアウトと家具の配置

AIは建築物の外観だけでなく、室内空間の設計にも活用できます。

例えば、病院であれば受付、病室、手術室、薬局、設備室などを配置できます。警察署であれば、受付、取調室、資料室、武器庫、監視室、留置所などの構成を提案できます。

さらに、AIは次のような要素も配置できます。

家具
棚
照明
配管
電線
物資
隠し通路
手掛かりとなる小物
NPCの活動エリア
敵やアイテムの配置

これにより、背景建物の制作や、室内に配置する小物の作業を効率化できます。

ただし、重要なクエストエリアやボス戦の舞台、複雑な謎解き空間については、レベルデザイナーが直接設計する必要があります。これらの空間は、プレイヤーの行動やゲーム体験に大きな影響を与えるためです。

5. ゲームプレイに合わせた建築生成

AI生成建築において、今後特に重要になるのは、見た目だけでなくゲームプレイを考慮した空間生成です。

例えば、ステルスゲームでは、複数の侵入経路、遮蔽物、通気ダクト、巡回ルートなどが必要になります。シューティングゲームでは、遮蔽物、高低差、側面攻撃のルート、適切な視線の設計が求められます。

ゲームの目的に応じて、AIに次のような条件を与えることができます。

目的：4人協力型の防衛戦
条件：
- 防衛方向を3か所用意する
- 退却ルートを2本用意する
- 高リスクの物資部屋を設置する
- 敵がプレイヤーの視界内に直接出現しない
- 主要な部屋を階段またはエレベーターで接続する

目的：4人協力型の防衛戦

条件：

- 防衛方向を3か所用意する

- 退却ルートを2本用意する

- 高リスクの物資部屋を設置する

- 敵がプレイヤーの視界内に直接出現しない

- 主要な部屋を階段またはエレベーターで接続する

このように、プレイヤーの移動、戦闘、探索、視線、目標への誘導などを考慮して建築を生成できれば、単なる背景制作を超えた「プレイ可能な建築」が実現します。

ゲームの建築は、現実世界の建物のように構造が正しいだけでは十分ではありません。重要なのは、プレイヤーがどこから入り、何を見つけ、どのように移動し、どのような選択をするかという体験です。

6. 都市や街区の自動生成

AIは、単体の建築物だけでなく、都市全体の構成にも利用できます。

例えば、次のような要素を自動的に設計できます。

道路と交差点
住宅地、商業地、工業地
建物の密度
都市の中心部と郊外
地域ごとの建築様式
港湾、駅、市場などのランドマーク
都市の発展や衰退の状態

例えば「洪水被害を受けた沿岸都市」という設定であれば、中心部には高層の商業施設、旧市街には狭い路地と古い建物、港周辺には倉庫や工場を配置するといった都市構成が考えられます。

ただし、都市生成で大切なのは、建物の数を増やすことだけではありません。

道路が自然につながっているか
プレイヤーが目的地を理解できるか
地域ごとの特徴が明確か
プレイに適した視線やルートがあるか
印象に残るランドマークがあるか

このような条件を満たさなければ、規模は大きくても、探索する価値のない都市になってしまいます。

7. 建築物の変化と動的な世界

AIを利用すると、ゲームの進行に応じて建物を変化させることも可能になります。

例えば、次のような変化が考えられます。

戦争によって建物が破壊される
火災や洪水によって地域の外観が変化する
経済発展により住宅や店舗が増築される
プレイヤーが占領した拠点に防御施設が追加される
NPCの生活状況に応じて建物が改修される
プレイヤーの基地に新しい施設が提案される

サンドボックスゲームでは、プレイヤーが「港の近くに倉庫を建てて、屋上に見張り台を追加したい」と指示すると、AIが複数の配置案を提示することも考えられます。

このような仕組みは、都市建設、サバイバル、ストラテジー、シミュレーションゲームとの相性がよいでしょう。

8. NPCやクエストとの連携

生成された建築物に、NPC、クエスト、環境ストーリーを連動させることもできます。

例えば、古い劇場を生成した場合、AIは次のような情報を同時に作成できます。

劇場の歴史
現在の所有者
関係するNPC
使用されている部屋
崩壊した区域
建物に隠された手掛かり
プレイヤーが訪れる理由
ポスターや資料による環境演出

これにより、建築物が単なる背景ではなく、ゲーム世界の物語を伝える装置になります。

ただし、建物、NPC、クエスト、マップ情報の間に矛盾が生じないよう、構造化されたデータ管理が必要です。例えば、クエストでは地下室があることになっているのに、実際の建物には地下室が存在しない、といった問題を防がなければなりません。

9. 開発チームにとってのメリット

AI生成建築を導入することで、開発チームには次のようなメリットがあります。

初期プロトタイプを短時間で作成できる
建築案を大量に比較できる
背景建物を効率よく増やせる
レベルデザインの検証を早期に行える
美術、企画、プログラマー間の意思疎通が容易になる
小規模チームでも広い世界を制作しやすくなる
多言語向けの建築看板や装飾を用意しやすくなる

特にインディーゲーム開発では、少人数のチームが多くの役割を兼任する必要があります。AIは、建築、美術、背景制作、資料作成などの作業を補助し、チーム全体の制作能力を引き上げる可能性があります。

10. 現在の課題

一方で、AI生成建築にはまだ多くの課題があります。

品質と構造

見た目が自然でも、3Dモデルとしては不完全な場合があります。トポロジー、UV、コリジョン、アニメーションとの干渉などを人間が確認する必要があります。

美術スタイルの統一

一つの建物は魅力的でも、都市全体で見ると建築様式がばらばらになる可能性があります。地域、時代、階級、素材などのルールを設定し、全体の統一感を管理する必要があります。

パフォーマンス

大量の建物を生成すると、ポリゴン数、描画負荷、メモリ、ストリーミング、ライティングなどが問題になります。AIの生成量と、ゲーム機やPCが処理できるデータ量は別問題です。

ゲームプレイの検証

生成された建物が、実際に楽しく遊べるとは限りません。プレイヤーが目的地に到達できるか、敵AIが移動できるか、視線や遮蔽物が適切かなどを自動テストする必要があります。

著作権と権利関係

実在する建築物、有名な建築家の作風、映画やゲームに登場する建物をAIが強く模倣する場合、著作権や商標などの問題が発生する可能性があります。商用利用では、学習データや生成素材の権利関係を確認することが重要です。

11. 現実的な導入方法

ゲーム開発でAI生成建築を活用する場合、次のような4段階の構成が現実的です。

モジュールとルールを用意する
壁、床、屋根、ドア、階段、家具など、品質を確認した部品を準備する。
プロシージャル生成で組み立てる
建物の大きさ、階数、部屋の接続、入口、道路などをルールに従って構成する。
AIで要求を理解する
「防衛に適した倉庫」「貧しい農村の住宅」「潜入ルートが複数ある施設」など、デザイナーの意図を生成条件に変換する。
自動検証と人間による確認を行う
通行可能性、経路探索、コリジョン、クエスト、パフォーマンス、デザインの一貫性を確認する。

この方法なら、AIの柔軟性を活かしながら、ゲームとして必要な安定性も確保できます。

まとめ

現在のAI生成建築は、ゲーム開発において次のような支援を提供できます。

建築コンセプトの提案
3Dモデルの初期制作
モジュール式建築の組み合わせ
室内レイアウトと家具配置
都市や街区の生成
ゲームプレイに適した空間設計
建物の破壊や発展などの動的変化
NPC、クエスト、環境ストーリーとの連携
開発チーム間のコミュニケーション支援

ただし、現時点ではAIが建築物を完全に自動制作し、そのまま商用ゲームに利用できる段階には達していません。

最も現実的で効果的な考え方は、

AIが要求を理解し、生成案を提示し、プロシージャルシステムが建築を組み立て、開発者がゲーム性と品質を確認する

という分業です。

将来的には、AI生成建築は単に見た目のよい建物を作る技術から、プレイヤーの行動、NPCの生活、クエスト、戦闘、都市の発展までを統合した「プレイ可能な世界生成技術」へ発展していくと考えられます。

2026-08-27

レシピ・簡単料理！キユーピーのとっておきレシピから情報をスクレイピング

キユーピーのとっておきレシピとは？
キユーピーの「とっておきレシピ」は、キユーピーが提供する公式ウェブサイトやアプリ内で提供される料理レシピのコンテンツです。これには、キユーピーの調味料や食材を使ったさまざまな料理のレシピが含まれています。ユーザーは、簡単な料理から本格的な料理まで幅広いレシピを見つけることができ、料理のアイデアや新しい料理方法を探すことができます。また、季節や特定のイベントに合わせたレシピも提供されており、料理のバリエーションを楽しむことができます。
スクレイピングツールの概要
ScrapeStormは、プログラミングが不要で使いやすい人工知能を搭載したWebスクレイピングツールです。他のツール（Firecrawl、Apifyなど）と異なり、極限の零コード体験と、1-Clickで99％のWebスクレイピングを満たします。データをすぐに現場やシステムに落とせる機能を特徴とします。ローカルでの豊富な機能生態系により、カスタマイズが簡単で、大規模なデータ収集にもコスト効率よく対応可能です。手動での抽出作業に時間を取られたくない、効率よくデータを取得したいというニーズにお応えする、最適な選択肢です。

抽出されたデータをご覧ください。

1.タスクを新規作成する

(1)URLをコピーする
今回は《人気順》魚介のレシピ一覧ページのスクレイピング方法を紹介します。まず、URLをコピーしてください。

(2)スマートモードタスクを新規作成する
ScrapeStormのホムページ画面にスマートモードタスクを新規作成します。また、持っているタスクをインポートすることもできます。
詳細には下記のチュートリアルをご参照ください。
スマートモードタスクの新規作成方法

2.タスクを構成する

(1)AIで認識
ScrapeStormはリスト要素やページボタンを自動的に識別するAI認識機能が内蔵されています。もし識別誤差が発生する時、手動でページボタンを選択してください。下記のチュートリアルも参照してください。
ページ分けの設定方法

(2)詳細ページに行く
作り方、材料、栄養成分などの詳細情報は詳細ページに付いていますから、ソフトウェアの「詳細ページに行く」機能を利用して、データを抽出します。

(3)フィールドの追加と編集
「フィールドを追加」ボタンをクリックして、画面に必要な要素を選択、データが自動的に抽出されます。また、必要に応じてフィールドの名前の変更または削除、結合できます。
フィールドの設定の詳細には下記のチュートリアルをご参照ください。
抽出されたフィールドを配置する方法

3.タスクの設定と起動

(1)起動の設定
必要に応じて、スケジュール、アンチブロック、自動エクスポート、写真のダウンロード、スピードブーストを設定できます。サーバーに負荷しないように、遅延時間を設定してください。5秒以上を推薦します。スクレイピングタスクを配置する方法については、下記のチュートリアルをご参照ください。
スクレイピングタスクを配置する方法

(2)しばらくすると、データがスクレイピングされる。

4.抽出されたデータのエクスポートと表示

(1)エクスポートをクリックして、データをダウンロードする

(2)必要に応じてエクスポートする形式を選択します。
ScrapeStormは、Excel、csv、html、txt、データベース、ローカルなどさまざまなエクスポート方法を提供します。抽出結果のエクスポート方法の詳細には下記のチュートリアルをご参照ください。
抽出されたデータのエクスポート方法

Demoタスク：

簡単料理！キユーピーのとっておきレシピから情報をスクレイピング.sst
https://drive.google.com/file/d/1AwKrKiXybNA9AiyfwEEmQRN6IM4EnaDA/view?usp=sharing

注意：法律違反しないため、抽出されたデータを悪用禁止です！

2026-08-26

AIは地図から直接、建物を生成できるのか？

結論から言うと

現在のAIモデリングでは、地図、対象エリア、簡単な設計条件をもとに、建物や敷地の大まかな3D案を素早く生成できます。

ただし、それはAIが建築設計を完成させたという意味ではありません。

AIが答えているのは、主に次のような問いです。

「この場所には、どのような配置が考えられるか」

であって、

「この建物は、すぐに施工できる状態か」

ではありません。

AIは、場所を短時間で可視化された空間の仮説に変えることができます。これは、初期計画や敷地検討、複数案の比較において大きな価値があります。

一方で、生成された結果は通常、まだコンセプトモデルの段階です。エンジニアリング設計の成果物と同じものとして扱うことはできません。

地図からAIが生成できるもの

ユーザーは地図上で対象範囲を選び、ポリゴンで境界を指定し、いくつかの条件を入力できます。

たとえば、次のような情報です。

建物の大まかな用途
建物の数や規模
道路や出入口の位置
オープンスペースの要件
キャンパスや団地、業務地区の基本構成

AIは、その情報をもとに建物のボリューム、道路との関係、オープンスペース、基本的な動線を生成します。

ツールによっては、複数の案を並べて比較することもできます。

初期検討であれば、これだけでも十分に役立ちます。

プロジェクトの初期段階で不足しているのは、必ずしも精密なモデルではありません。むしろ、チームで議論できる比較可能な仮説です。

たとえば、次のような点を早い段階で確認できます。

建物のボリュームは敷地に合っているか
道路や出入口は大まかに成立しているか
建物同士に明らかな衝突がないか
オープンスペースが分断されていないか
周辺の市街地や既存施設とつながっているか

こうした確認によって、初期の問題を早く見つけることができます。間違った方向に時間をかけすぎることも防げます。

ただし、まだ完全な建築設計ではない

地図から生成された建物モデルの多くは、まだコンセプト段階のものです。

見た目が整っていても、すべての関係が検証されているとは限りません。地図情報だけでは、AIは次のような問題を正確に解決できないことがあります。

地形や高低差が設計条件に合っているか
敷地内の排水が成立しているか
建築の後退距離や都市計画上の制限を満たしているか
日影、消防、バリアフリーの条件を満たしているか
構造や設備のためのスペースが確保されているか
地下埋設物と基礎が干渉しないか
地盤条件が施工に適しているか
材料、コスト、施工手順が成立するか

そのため、AIが生成した建物は、最終設計ではなく空間的な仮説として扱うのが適切です。

「この敷地には、このような配置が考えられる」と示すことはできます。
しかし、「この案は法規に適合し、施工可能である」と自動的に証明することはできません。

AIモデリングが最も役立つ場面

地図を使ったAIモデリングの価値は、専門設計を置き換えることではありません。初期段階の試行錯誤を安く、速くできることです。

これまでは、複数案を比較する前に、基礎ファイルの作成、レイヤーの整理、参照データの準備などが必要でした。

まだ方向性が決まっていないプロジェクトでは、この準備が負担になることがあります。

地図を起点にしたAIツールなら、まず範囲と問いを設定して検討を始められます。

たとえば、

駅周辺で、建物と公共空間の配置を2案試す。

あるいは、

このキャンパス内に、新しいオフィス、駐車場、歩行者動線を配置する。

といった使い方です。

この段階では、複数の方向性を素早く比較できます。結果が正確でなくても、新しい問題に気づくきっかけになります。

生成された結果の中には、間違いであるからこそ価値を持つものもあります。

AIが開発に適さない地形に建物を配置したり、歩行者の接続が成立していない道路を生成したりすることがあります。

その案をそのまま使うことはできません。しかし、それによって、設計者が早い段階で重要な制約に気づける可能性があります。

AIモデルを正式な設計へ引き継ぐ方法

私は、AIをプロジェクトの初期段階で使うのが適していると考えています。

まず、地図上で対象範囲と検討する問いを決めます。次に、複数のラフ案を生成し、建物のボリューム、道路、オープンスペース、周辺環境との関係を比較します。

方向性を決めたら、重要な内容を正式なエンジニアリング環境へ移し、改めて構築します。

MicroStationのような設計環境では、次の内容を確認する必要があります。

正確な座標系
測量データと地形データ
既存道路やインフラ
建物のレベル
道路の平面線形と縦断
敷地排水
配管や構造との関係
図面、数量、プロジェクト標準

AIが生成した建物のブロックは、実際の条件に合わせて再構築することもあります。条件に合わなければ、削除する判断も必要です。

概念的な道路は、線形、縦断、勾配、設計条件を持ったエンジニアリング要素へ置き換えます。

そこまで進めて初めて、初期のアイデアが調整可能で検証できる設計データになります。

可視化による「完成したように見える」問題

AIモデルには、ひとつの注意点があります。

それは、実際の検討状況よりも、モデルが完成しているように見えることです。

表面が整った3Dモデルは、プロジェクトがかなり進んでいるように感じさせます。しかし、その内部には、排水、構造、埋設管、消防、施工動線、維持管理スペースなどが含まれていない可能性があります。

コンセプト形状と、検証済みのエンジニアリング要素を区別しなければ、チームは誤った前提でレビューを進めることになります。

そのため、私は次の情報を残すようにしています。

案の名称
生成日
使用したデータソース
モデルの現在のステータス
まだ検証されていない仮定
今後確認すべき事項

コンセプトモデルは議論に使えます。
しかし、承認、数量算出、契約、施工の根拠として扱うことはできません。

では、AIは地図から建物を生成できるのか

問いが、

「AIは地図から建物の大まかな外形や配置を生成できるか」

であれば、答えははいです。しかも、すでに実用的な場面があります。

一方で、

「AIは地図から、承認、数量算出、施工に使える建築設計を直接生成できるか」

という問いであれば、答えはまだできないです。

より正確に言えば、AIモデリングは、建築の仮説を素早く生成する段階に入っています。

しかし、まだ建築設計を自動的に完了させる段階には達していません。

AIが支援するのは、

「この場所には、何が置けそうか」

という探索です。

専門的な設計ツールが確認するのは、

「その案は、本当に成立するのか」

という問題です。

本当に重要なのは、AIが建物を描けるかどうかだけではありません。

この場所、この範囲、この条件の中で、どの案がより合理的なのか。
それをチームが早く判断できるようになることに、AI地図建模の大きな価値があります。

2026-08-24

酒好き・通販サイト！SAKE People（酒ピポ）からお酒の情報をスクレイピング

SAKE People（酒ピポ）とは？
「SAKE People（酒ピポ）」は、日本の日本酒に関連する情報や文化を共有し、日本酒愛好家コミュニティを形成するためのプラットフォームです。このプラットフォームでは、日本酒に関する情報やニュース、酒造りの裏話、日本酒イベントの情報などが提供され、日本酒に興味を持つ人々が交流し、情報を共有する場として利用されています。SAKE Peopleは、日本酒業界の情報を発信するだけでなく、日本酒を愛する人々が集まるコミュニティを形成し、日本酒文化の普及にも貢献しています。
スクレイピングツールの概要
ScrapeStormは、プログラミングが不要で使いやすい人工知能を搭載したWebスクレイピングツールです。他のツール（Firecrawl、Apifyなど）と異なり、極限の零コード体験と、1-Clickで99％のWebスクレイピングを満たします。データをすぐに現場やシステムに落とせる機能を特徴とします。ローカルでの豊富な機能生態系により、カスタマイズが簡単で、大規模なデータ収集にもコスト効率よく対応可能です。手動での抽出作業に時間を取られたくない、効率よくデータを取得したいというニーズにお応えする、最適な選択肢です。

抽出されたデータをご覧ください。

1.タスクを新規作成する

(1)URLをコピーする
今回はウイスキーの検索結果一覧ページのスクレイピング方法を紹介します。まず、URLをコピーしてください。

2.タスクを構成する

(2)詳細ページに行く
商品番号、原産国、容量などの詳細情報は詳細ページに付いていますから、ソフトウェアの「詳細ページに行く」機能を利用して、データを抽出します。

3.タスクの設定と起動

(2)しばらくすると、データがスクレイピングされる。

4.抽出されたデータのエクスポートと表示

(1)エクスポートをクリックして、データをダウンロードする

Demoタスク：

通販サイト！SAKE People（酒ピポ）からお酒の情報をスクレイピング.sst
https://drive.google.com/file/d/17_ht5Zle3zLV7Sw7ZaAVZQKrUL32o1M4/view?usp=sharing

注意：法律違反しないため、抽出されたデータを悪用禁止です！

2026-08-21

グルメ・レストラン！美味案内から飲食店の情報をスクレイピング

美味案内とは？
美味案内は、日本全国の多くのレストランや飲食店の情報を提供しています。これには、料理のジャンル、価格帯、場所、評価、口コミなどが含まれます。ユーザーは、自分の好みや予算に合ったレストランを見つけるのに役立ちます。レストランや料理に対する評価やレビューを投稿できます。これにより、他のユーザーは実際の食体験に基づいた評判や意見を参考にできます。食事を楽しむ人々にとって便利なツールであり、レストランの選択や食事プランの計画をサポートします。
スクレイピングツールの概要
ScrapeStormは、プログラミングが不要で使いやすい人工知能を搭載したWebスクレイピングツールです。他のツール（Firecrawl、Apifyなど）と異なり、極限の零コード体験と、1-Clickで99％のWebスクレイピングを満たします。データをすぐに現場やシステムに落とせる機能を特徴とします。ローカルでの豊富な機能生態系により、カスタマイズが簡単で、大規模なデータ収集にもコスト効率よく対応可能です。手動での抽出作業に時間を取られたくない、効率よくデータを取得したいというニーズにお応えする、最適な選択肢です。

抽出されたデータをご覧ください。

1.タスクを新規作成する

(1)URLをコピーする
今回は東京都和食の検索結果をランキング順にして、その検索結果一覧ページのスクレイピング方法を紹介します。まず、URLをコピーしてください。

2.タスクを構成する

(2)詳細ページに行く
アクセス、住所などの情報は詳細ページに付いていますから、ソフトウェアの「詳細ページに行く」機能を利用して、データを抽出します。

3.タスクの設定と起動

(2)しばらくすると、データがスクレイピングされる。

4.抽出されたデータのエクスポートと表示

(1)エクスポートをクリックして、データをダウンロードする

Demoタスク：

グルメ・飲食店！美味案内からレストランの情報をスクレイピング.sst

https://drive.google.com/file/d/1nbXQD1_huNXyM9qNXCLqO9K5mCaePSs9/view?usp=sharing

注意：法律違反しないため、抽出されたデータを悪用禁止です！

2026-08-20

なぜ優秀なエンジニアがさらに価値を持つのか

作者：Florian Herrengt
元記事：https://blog.florianherrengt.com/ai-removing-middle-class-software-engineering.html

もし2020年だったら

あなたはチームで最も経験豊富な人物で、コード品質とアーキテクチャ設計を担当している。整備されたエンジニアリング規約を作り、自分より経験の浅い同僚が提出するPRを丁寧にレビューし、健全なコードベースを維持するために努力してきた。

ある日、あなたは休暇に出かける。そして戻ってくると、コードベースは完全にめちゃくちゃになっていた。

みんながお互いのPRをマージし合い、ほとんど真剣にレビューしていない。手間を省くために、データベースへ大量の新しいテーブルを追加して非正規化を進めた人もいる。十分な根拠もないまま、ServerlessやKafkaを技術スタックに直接追加した人もいる。

それでも大丈夫だ。まだ直せる。

時は2026年。あなたは休暇にすら出ていない。ただの月曜の朝だ。コーヒーを淹れ、PCを開くと、レビュー待ちのPRが7件ある。

最初のPRを開く。

+24,506 行、-3,938 行

横には、AIが生成した「このPRが何をするものか」を大まかに説明する文章が添えられている。

なぜか、金曜から今までの間にチームが行った変更量は、かつてあなたが数週間チームを離れていた間に彼らが完了させた作業量を上回っている。

AIは速度制限をなくした

AIは、エンジニアリング文化の弱いプロジェクトを、より速い速度で失敗へ向かわせる。

以前なら、チームはあることをどのように実装すべきか、座って議論していた。今では、AIエージェントを数時間走らせてPRを作るだけでよい。

この働き方で最も悲しいのは、訓練を受けていない人の目には、実際に動いているように見えることだ。

ブランチを取得してテストすれば、かろうじて動くものが手に入るかもしれない。では、彼らはどうするか。

続ける。

何度も、何度も繰り返す。

そしてプロジェクトは、誰も何がどう動いているのか、本当の仕組みは何なのかを把握していない段階まで進んでいく。

これは、誰かがクレジットカードで高級な新車を買うようなものだ。あなたに見えるのは見栄えのよい車だけで、背負っている負債は見えない。

しかしその後、ユーザーから奇妙なバグが報告され始める。これはチームとして4回目の修正試行だ。

正確に言えば、AIに4回目の修正を試させている。

残念ながら、Fableですら何が問題なのか把握できていないようだ。

続いて、あなたはこの機能を開発した担当者を見つけ、長い会話を始める。

「このデータはどこから来ているの？」
「ええと……実は自分も分かりません。Claudeに聞いてみます」

二人で並んで座り、画面上に次々と現れる文章を見つめる。

そこに書かれている内容が本当かどうかは、二人とも分からない。それでもClaudeは自信満々に見える。

「ultracodeを開いて、もう一度確認させましょうか？」

今回は少し待つことになりそうだ。そこであなたたちは、Xで最近話題になっているニュースについて話し始める。

ようやくAIが答えを出す。

「これ、筋が通ってる？」
「分からない」
「これって、あなたが先週やったものじゃないの？」

沈黙。

このプロジェクトは、あまりにも複雑になっている。多くのレイヤー、多くのサービスが積み重なり、チーム内の誰一人として、実際にどう動いているのかを本当に理解できなくなっている。

では、何ができるのか。

修復には莫大な労力が必要になる。その価値をなぜ管理職に説明すべきなのか、あなた自身にも分からないほどだ。

しかも、今あなたが何を悩んでいるのか。仮に本当に直したとしても、数か月後にはまた同じ状態に戻る。

「Claudeに直させればいいんじゃない？」
「そうしよう。ループと目標を設定して、すべてが正常だと確認できるまで動かし続ける」
「よさそうだね」
「待って、今日のFableの利用枠はもう使い切った。明日実行しよう」

あなたはもう一杯コーヒーを取り、PCの前に戻る。

今度はレビュー待ちのPRが13件ある。

その中に、どうしても理解できないコードがある。そこで、そのコードを書いた人にメッセージを送る。

「なぜここでこうしているの？」

相手はリンクを送ってくる。Claudeとの会話ログだ。

その会話のどこかに、このコードの設計判断が埋もれている。ただし、そこへたどり着くには、大量の内容をかき分けなければならない。

Claudeが自信満々にアーキテクチャを勧め、その後で謝って意見を変える。同僚がもう一度考え直すよう求める。さらに15回の修正を経て、ようやく今のコードの設計方針にたどり着いたらしい。

「どの部分を読めばいい？」
「たぶん……全部読んで」

聞き覚えはないだろうか。

こういう話をすると、いつも誰かが言う。

「以前だって、大規模システムを完全に理解している人なんていなかった」と。

それは正しい。すべてのサービス、すべてのデータベースを理解する必要はない。

だが少なくとも、以前は誰かが理解していた。

問題が起きたとき、その人たちはそれを説明できた。

今では、彼ら自身も答えを知らないからLLMに聞く。

もはや、悪いエンジニアを抱えてはいられない

どのチームにも、本当に有能で、プロジェクトを動かしている人がいる。同時に、本質的には他の全員の仕事を難しくしている人もいる。

そして今、一人が一日に書くコードは、かつて一年かけて書いた量を超えるかもしれない。

先ほどの話では、実際には全員に問題がある。

2万5,000行のPRを出したエンジニアは、エージェントがそこまで進むずっと前に止めるべきだった。エージェントが何をしているのか理解し、作業をより小さく分割し、新たに導入するあらゆる抽象化に疑問を投げかけるべきだった。

レビュー担当者は、これほど巨大なPRをレビューすることを拒否すべきであり、最終的に妥協すべきではなかった。

Kafkaを導入したエンジニアは、なぜKafkaが必要なのかを正確に説明できるべきだった。

この機能を開発した人も、データがどこから来ているのか説明できるべきであり、Claudeとの会話リンクをそのまま投げるべきではなかった。

しかし、そこで疑問が出てくる。

AIを使って、これらの問題を直せばいいのではないか。

そう単純ではない。

すぐに反論されないように言っておくと、これは技術的負債が常に悪いという意味ではない。

本当に重要なのは、自分が近道をしていることを理解しているかどうかだ。

問題は、一度下した悪い判断を取り消すのは、本当に難しいということだ。

たとえば、LLMにデータベースへ大量のテーブルやカラムを追加させるのに、どれくらいかかるだろうか。10分かもしれない。

しかし、一度そこにデータを保存し始めたら、簡単に削除することはできない。

移行計画を立てなければならない。そして移行がシステムの正常な稼働に影響しないことを保証しなければならない。なにしろ、毎日あなたたちの製品にお金を払っているユーザーがいる。

移行に失敗したらどうなるかも考える必要がある。最終的に孤立した外部キーが残らないようにしなければならない。

これらを修正するのは、はるかに難しい。

手元に最高のモデルがあったとしても同じだ。

そしてあなたがこれらの問題を修正している間にも、新しいPRは絶えず流れ込んでくる。

さらに多くのコード、さらに多くの抽象化、さらに多くの意思決定。

一人が一日の午後だけで2万行のコードを生成できる。しかしあなたは、それが実際に何をしているのかを理解するために座り続けなければならない。

ようやく一つの悪い判断を整理できたころには、似たような判断がさらに五つマージされているかもしれない。

AIがもたらす新しい経済

もちろん、悪いエンジニアは以前から負担だった。

この問題は何十年も続いており、OpenAIやAnthropicが登場するずっと前から存在していた。

悪い判断が積み重なり、不必要な複雑さが蓄積され、最終的にチーム全体が、誰も本当に理解していないシステムを保守することになる。

違いは、かつてはこのようなことが進む速度に限界があったことだ。

しかし今日、実装コードは非常に安くなった。

あなたがお金を払って手に入れるべきものは、正しい判断を下すこと、そして複雑さを制御しながら継続的に拡張できるソフトウェアを構築することだ。

なぜ企業がロンドンやサンフランシスコで、エンジニアに六桁の年収を支払うのかを考えてみてほしい。

もし彼らが必要としているのが、要件定義を動くコードに変換できる人だけなら、なぜこれほど多くのお金を払うのか。

結局のところ、その仕事はすでに他の場所で、より低いコストで実現できたはずだ。

「ソフトウェアはすでに解決された」と主張するテクノロジー企業が、なぜ今でも最高額の報酬を提示して優秀な人材を奪い合うのか。

私の考えでは、AIはむしろエンジニア間の給与格差をさらに広げる。

雇用市場で競争力を保つには、一つの基準を越えなければならない。

その基準とは、現在最も優れたモデルができることに対して、少なくともそれ以上の価値を提供できることだ。

優秀なエンジニアは、むしろさらに価値を持つようになる。AIによって、彼らははるかに速い速度で仕事を進められるからだ。

彼らの周囲には、具体的な実装を専門に支援する人が、これまでほど多く必要ではなくなる。

一方で、悪いエンジニアはさらに高くつく。

以前、「Vibe Coder」という職業の道は成立しないと書いたが、その理由もこれだ。

あなたは何かを貢献しなければならない。そしてそれは、エージェントにプロンプトを与えるだけで得られるものではいけない。

LLMの提案が正しいかどうかを判断するための判断力がないなら、AIにさらに多くの「判断」をさせても問題は解決しない。

結局のところ、システム内で何が起きているのかを、本当に理解している人が必要になる。

その人こそが、チームの中で最も価値のある人だ。

理解していない人は、ますます安くなり、代替されやすくなるか、最終的には淘汰される。

同時に、資金は本当に信頼できる少数の人々へ、ますます集中していく。

そして私は、この変化がソフトウェアエンジニアリングだけに起こるとは思わない。

大半の知識労働が、同じ変化を経験すると考えている。

AIは最も優秀な人を極端に高効率にし、能力の低い人を雇う価値がほとんどない存在にする。

以前なら、一人が悪い判断をしても、それがあまり大きな影響を与える前に、他の誰かが発見できる可能性が高かった。

しかし今では、周囲の人が適切にレビューする時間も、理解する時間さえもない速度で、彼らは絶えず変更を加え続けることができる。

━━━━━━━━━━━━━━━━━━

2026-08-18

コスメ！カラリア香りの定期便から香水の情報をスクレイピングする

カラリア香りの定期便とは？
「カラリア香りの定期便」とは、カラリアという香水ブランドが提供しているサービスの一つです。このサービスでは、ユーザーが定期的に香水を届けてもらうことができます。具体的には、ユーザーが好みの香りや香水を選び、定期的に一定の期間ごとにその香水が自動的に送られてくるという仕組みです。これにより、ユーザーはいつでも好みの香りを楽しむことができ、香水を買い忘れたりする心配がありません。また、定期便として申し込むことで、特別な割引や特典を受けることもできる場合があります。
スクレイピングツールの概要
ScrapeStormは、プログラミングが不要で使いやすい人工知能を搭載したWebスクレイピングツールです。他のツール（Firecrawl、Apifyなど）と異なり、極限の零コード体験と、1-Clickで99％のWebスクレイピングを満たします。データをすぐに現場やシステムに落とせる機能を特徴とします。ローカルでの豊富な機能生態系により、カスタマイズが簡単で、大規模なデータ収集にもコスト効率よく対応可能です。手動での抽出作業に時間を取られたくない、効率よくデータを取得したいというニーズにお応えする、最適な選択肢です。