折原

営業マン 助産師 看護師
AI支援事業／Web SNSマーケティング

[折原 @n_lead_]

助産師として、いろいろな場面を見てきたけど、改めて思う。

命の誕生って、本当に素晴らしい。

多くの女性が、
心から「子どもを産みたい」
と思える社会になってほしい。

そのために、私もできることをしよう。

本当にお疲れさまでした✨
そして、おめでとうございます😊💕

[橋本琴絵 @HashimotoKotoe]

第七子を産みました！
皆様、応援してくださりありがとうございました！
���師、助産師���看護師の皆様方の御尽力に感謝申し上げます。

[折原 @n_lead_]

メール営業史上、最強の件名は…
「先ほどのお電話の件」

これが一番開封率高い。

[折原 @n_lead_]

気づいてしまった。

「こんな人と一緒にいたい」
「こういう人は苦手」
は自分から発信するといい。

そうすると、自然と
心地いい環境ができる。

私は「自責思考の人」が好きで
他責メッチャキライ

[折原 @n_lead_]

こういう話を見るとSNSが普及してよかった���思う

家族や学校などの
小さく閉鎖されたコミュニティの意見だけだと
「これが世界の常識」と思ってしまうから

[とろろ @jjn448HGZV42964]

最近わかったんだけど、幼少期に親の愚痴を聞き続けた人は、心の底から他者を優先する心が出来上がるらしい。的確な共感力を持つが、境界線がなく他者の影響を受け過ぎる。情に深くなるが抱え込みやすい。そうして、他者を助けすぎるあまり、人生全体が報われにくくなり、他者に振り回されるような人生を、 引き寄せやすかったりする。

そんな人ほど幼少期から傷ついた母を支え、父や姑の悪口を言う母の味方で居たり、子供なのに親の親で居たことが多い。この逆転が自身を愛せない��ターンを作り、身を粉にして与え過ぎ、自身の人生を静かに壊してしまう。大切なのは、聞かない、寄り添わない、受け入れない、選択肢を自分に許すことだよ。

[折原 @n_lead_]

言葉だけで終わらせず、発言したことを実現するために行動する。

小さな約束も忘れずに守り、
言葉と行動に一貫性を持つことで、
「この人なら任せられる」と思われる信頼を��み重ねたいです。

[折原 @n_lead_]

たしかに。
本人の視点＋おもろいことが必要ですねw
https://t.co/SqvTKirF98

[深津 貴之 / THE GUILD, note @fladdict]

生成AIで自動ツイートする人のおかげで、「この人の言動は無視してもいいな」がだいぶ明快になった。「生身or生成AIつかえてオモロイこと言える人」と「生成AI使ってすらオモロイこと言えない人」が、SNS文章から簡単に発見できるので、かえってラクになった気がする。

[折原 @n_lead_]

AIの選択肢が増えるほど、「一番すごいモデルはどれ？」より「自分の仕事にはどれが合う？」が大事になりそうです。性能表だけでなく、用途から選びたいです。
https://t.co/10RT36sfyy

[Daisuke Okanohara / ���野原 大輔 @hillbig]

Kimi K3は、フロンティアモデルに匹敵する性能を持つオープンウェイトモデルである。Technical Reportが公開されたので、重要な点をまとめる。

Kimi K3は、総パラメータ数2.8T、活性パラメータ数104BのMoEモデルである。アーキテクチャ、データ、ハイパーパラメータ、学習手法を総合的に改善し、Kimi K2と比べて、同じvalidation lossに到達するために必要な学習計算量を約2.5分の1にしたと主張している。

* アーキテクチャ
Kimi K3のアーキテクチャは、系列方向、深さ方向、幅方向という三つの情報流を、それぞれ拡張するように設計されている。

系列方向では、Kimi Delta Attention（KDA）とMulti-head Latent Attention（MLA）を組み合わせる。モデル全体は93層からなり、基本的には3層のKDAと1層のGated MLAを一つのブロックとして繰り返す。

KDAは、過去の履歴を固定サイズの状態行列へ圧縮する線形アテンションである。従来のDeltaNet系の構造を拡張し、過去の情報をどの程度保持するかをチャネルごとに調整できる。

KDAの基になったKimi Linearでは、忘却率が極端に小さくなる可能性があり、チャンク並列計算において累積減衰の逆数が過大になり、オーバーフローなどの数値不安定性を引き起こす問題があった。Kimi K3では、対数減衰に下限を設けている。
この変更により、以前は特殊なposition-pair計算が必要だった対角タイルも、Tensor Core上の密行列積として処理できるようになった。数式上は小さな変更だが、GPUカーネルを単純化し、学習速度を改善する重要な工夫である。

MLA層では、RoPEなどの明示的な位置符号化を使っていない。Kimi Linearでも示されていたように、位置や順序に関する情報は主にKDA側が担い、MLAは主として内容に基づくグローバルな情報検索を担当する。
この役割分担によって、コンテキスト長を拡張する際に、RoPEの��波数調整や補間を行う必要がない。

ただし、位置符号化の変更が不要だからといって、学習なしで100万トークンを利用できるわけではなく、Kimi K3は、8K、64K、256K、1Mと段階的にコンテキスト長を伸ばして学習している。

技術報告では、8Kから64Kまでをpre-training中に実行し、学習の最終段階であるcooldownにおいて256K、1Mに拡張したとしている。

次に特徴的なのが、深さ方向の情報流を改善するAttention Residualsである。

通常のTransformerでは、過去の層の情報が残差接続によって順番に加算され、一つのhidden stateへ集約される。深さ方向で見ると、過去の情報を単一の状態へ圧縮していくRNNのような構造になっている。

Attention Residualsでは、各層が過去の層やブロックの表現に対してattentionを行い、必要な深さの表現を選択的に取得する。

この実現にあ���り、各層は、学習可能なpseudo-queryベクトルを持つ。このqueryは入力から計算されるのではなく、層ごとに保持される学習可能なパラメータである。一方、keyとvalueには、各入力トークン���対する過去の層出力が使われる。

pseudo-queryは、「この層がどのような種類の表現を必要としているか」を表す検索テンプレートとみなせる。query自体は入力に依存しないが、keyは入力に依存するため、実際のattention weightはトークンごとに変化する。

独立した学習可能ベクトルをqueryとして使うことで、各トークン、各層について大きなquery projectionを計算する必要がなくなる。また、Attention Residualsによって作られる現在層への入力からqueryを生成しようとした場合に生じる循環依存も避けられ、実装が単純になる。

Kimi K3では、全93層をおおむね12層ずつのブロックに分け、過去の全層ではなく、主としてブロック単位の表現にattentionするBlock Attention Residualsを用いている。これにより、過去の全層出力を保持するためのメモリと、pipeline parallelism時の通信量を削減している。

幅方向では、Stable LatentMoEを用いる。

Kimi K3には896個のrouted expertがあり、各トークンについて16個が選ばれる。ただし、各expertへ7168次元のhidden stateをそのまま送るわけではなく、expertへ入る前に3584次元のlatent空間へ圧縮し、expert処理後に元の幅へ戻す。一方、全トークンに共通して使われる2個のshared expertは、元の全幅で動作する。

Kimi K2では384個のrouted expertから8個を選択していたのに対し、Kimi K3ではexpert候補数が約2.3倍、同時に活性化するexpert数が2倍になっている。sparsity ratioはKimi K2の48に対してKimi K3は56であり、似たレベルである。より多くの専門的なexpertを組み合わせながら、latent空間を使うことで計算量と通信量を抑えている。

さらに、routed expertの集約後にRMSNormを挿入し、SwiGLUの代わりにSiTU-GLUを導入している。SiTU-GLUは、SwiGLUの原点付近における性質を保ちながら、大きな入力をtanhによって滑らかに飽和させる。Kimi K3の設定では、各出力座標の絶対値が最大100に抑えられる。大規模かつ極端に疎なMoEにおけるactivation explosionを防ぐための設計である。

また、expert負荷の均衡にはQuantile Balancingを使う。
従来方式では、過剰に使われたexpertのbiasを少し下げ、使われていないexpertのbiasを少し上げる更新を繰り返していた。しかし、896個のexpertを扱う場合、このような固定幅の更新では追従が遅く、負荷が振動しやすい。

Quantile Balancingでは、各expertが目標数のトークンを受け取るように、router scoreのmarginの分位点から次のbiasを直接推定する。

実際には、全marginを一箇所へ集めるのではなく、expertごとのhistogramをall-reduceし、全体の分位点を近似する。

さらに、Kimi K3は画像と動画を事前学習の段階から統合している。画像・動画のencoderには、約4億パラメータ、27層のMoonViT-V2を用いる。Kimi K3では、SigLIPなどで事前学習したvision encoderを接続するのではなく、vision encoderも言語モデルと同時にscratchから学習している。

技術報告では、SigLIPで初期化したencoderよりも、next-token predictionによってscratchから学習したMoonViT-V2の方がgradient normが安定し、最終的なvision評価も同等だったと報告している。

事前学習
===
事前学習は8K contextから始まり、その後64Kへ拡張される。さらに、学習の最終段階であるcooldownにおいて、256K、1Mへ伸ばしている。

一般的には4K~8Kなのに対し、64Kまでが事前学習の範囲とされているのが興味深い。どの規模でされたかの証明は示されていない。

自然な長文や動画には、重複、壊れたファイル、無効なlog、途中で切れたデータ、類似したframeの連続などが多く含まれる。そのため、長文専用のcleaning pipelineを用いて、重複除去、品質判定、構造検証を行う。

また、本当に長く一貫した文書や動画は短いデータに比べて少ないため、cooldownでは長文データを相対的にupsampleする。

ただし、長いsequenceを見せるだけでは、モデルが近くの情報だけを利用し、遠距離の情報を無視する可能性がある。そこで、複数の文書やsub-taskを並べ替えて連結し、100万トークンの中に分散した情報を集めなければ解けないような合成課題も作っている。

事後学習
===
事後学習は、SFT、RL、Multi-Teacher On-Policy Distillationの三段階で行う。

まずSFTによって、tool callingやagent trajectoryの基礎を学習する。

次に、general tasks、general agents、coding agentsという三領域について、それぞれlow、high、maxの三段階のreasoning effortを学習する。これにより、合計9個の専門policyが作られる。

まず、特定のエージェント実装への過学習を防ぐため、ツール、system prompt、memory、context management、subagentなどを交換可能な部品として構成する。Kimi CodeやClaude Code、Codexに近い形式だけでなく、未知の構成でも学習させることで、特定のハーネスに依存しない能力を目指している。

RL課題の生成には、自己拡張する知識グラフを利用する。数学、物理、化学、コンピュータ科学などの大分類から始め、エージェントがWeb検索を行いながら、より細かな概念へ分解する。そこから論文、ブログ、コードリポジトリなどを収集し、知識問題、コーディング、視覚推論などの課題を合成する。

学習対象は多岐にわたる。検索や法律、金融、データ分析などの専門業務に加���、画像をPythonでcrop、zoom、変換しながら解く視覚課題、CUDAやTritonを用いたGPUカーネル最適化なども含まれる。

また、Gmail、Slack、Notionなどを模した環境を構築し、複数日にわたるpersonal assistant課題も学習する。一つのrolloutが数千回のtool call、数百万context tokensに達することもある。

Autonomous Execution Tasksでは、正解手順を与えず、初期状態、目標、制約、ツール、実行予算だけを与える。モデルは自ら計画し、ツールを使い、失敗から回復し、最終状態を外部verifierに評価させる。公開verifierだけに過適合することを防ぐため、モデルには見えないhidden verifierも用いる。

Web開発では、Webサイト、ゲーム、3D、データ可視化、full-stack applicationなどを生成する。buildの成否、実行時error、機能、見た目、操作結果を評価し、画像を貼り付けただけの偽装などは報酬をゼロにする。

その後、9個の専門モデルを一つに統合す��ため、Multi-Teacher On-Policy Distillation（MOPD）を行う。

RL学習環境
===

長期エージェントRLでは、一つのtrajectoryが数百から数千回のtool callを含み、��積context tokensが数百万に達することもある。

すべてのtrajectoryの終了を待つと、一部の非常に長いtrajectoryが学習全体を待たせる。そのため、一定割合のrolloutが完了した時点でpolicy updateへ進み、未完了trajectoryは次のiterationで再開するpartial rolloutを使う。

未完了trajectoryを再開するには、モデル側のKV cacheと、外部環境側のsandbox stateの両方を保持する必要がある。

Kimi K3では、GPUからevictされた長いprefixをCPU DRAM上のexternal KV cache poolへ保存する。また、Firecrackerを用いたmicroVM sandboxであるAgentENVを使い、sandboxをpause、resume、fork、snapshotできるようにしている。

報告では、checkpointが最短133ミリ秒、resumeが最短49ミリ秒であり、学習と評価全体で約5122万個のsandboxが作成されたとしている。

学習基盤
===
KDAでは、各sequence segmentの作用を、入力状態に作用するtransitionと、zero stateから生成される局所状態に分解する。

これらの変換は結合可能であるため、prefix scanによって各GPUに必要な初期状態を計算できる。

MoE学習にはMoonEPを用いる。必要に応じてexpertを別rankへ動的に複製し、すべてのexpert parallel rankが正確に同数のトークンを処理するようにする。技術報告では、各rankに最大E/R個のredundant expert slotを確保すれば、完全に均衡した割り当てが常に存在することを示している。ここでEはexpert数、Rはexpert parallel rank数である。
完全に負荷を均衡できれば、遅いrankを待つ時間がなくなるだけでなく、通信bufferや計算shapeを固定でき、各層でhost側へ同期してtoken数を確認する処理も不要になる。

推論
==
推論時には、KDAの固定サイズ状態と、MLAの系列長に比例するKV cacheを、同じpaged cache managerで管理する。

MLAは細かいtoken境界でprefixを再利用する一方、KDA stateは大きいため、conversation turnなどの限られた境界でcheckpointする。

投機的デコーディングでは、draft tokenごとに巨大なKDA stateを保存せず、小さ��projection inputだけを保存する。

draft tokenの一部がrejectされた場合は、acceptされた部分についてKDA stateをGPU上で再計算し、正しい状態へ戻す。

性能評価
===
性能評価では、Kimi K3は総合的にClaude Fable 5とGPT-5.6 Solの��下に位置し、技術報告で比較された多くのオープンモデルおよびプロプライエタリモデルを上回っている。

特に、コーディング、検索、調査、長期ツール利用を必要とする課題で強い。
一方、Humanity’s Last ExamやCritPtのような研究レベルの推論、OSWorld 2.0のような難しいcomputer use、長期的な行動規律や複雑な協調では、最上位モデルとの差が残っている。

なお、技術報告では、以下の情報は公開されていない。

総事前学習トークン数、最終的なデータ配分、総学習FLOPs、使用GPU数、学習期間、実測MFU、各context lengthでの学習トークン数である。

コメント
===
Kimi K3は、現時点で最も強力なオープンウェイトモデルの一つであり、そのアーキテクチャ、学習方法、システム実装をまとめた重要な資料である。

新技術があるというよりも、必要な技術��幅広く取り込み、それぞれを大規模モデルで実際に動作するまで作り込んでいるという印象が強い。

モデル開発をしている立場から、特に印象的だった点は次の二つである。

・Kimi K2に引き続き、事後学習におけるエージェントRL環境へ非常に大きな投資をしている。テキスト、画像、コード、Web、業務アプリケーション、GPU kernelなどを含む多様なエージェント課題を合成し、長期間にわたるtool useと試行錯誤を学習させている。この部分については、改めて詳しく紹介したい。

・十分なablation studyが提供されていないため、それぞれの技術選択が、どのような比較や判断に基づいて行われたのかは分からない部分が多い。KDA、Attention Residuals、Stable LatentMoE、SiTU-GLU、Quantile Balancing、Per-Head Muonなどの個別技術が、最終性能や学習効率改善にどの程度寄与したのかは分解されていない。

実際には、内部実験の結果、学習安定性、GPUカーネルの効率、分散学習時の通信、メモリ制約など、さまざまな要因を総合して選択したと考えられる。

[折原 @n_lead_]

@HS36lab こちらこそ、ありがとうございます！
掃除しっくりきますね…！！🧹

[折原 @n_lead_]

失敗した時は、焦って新しい施策を足したくなりますね
でも、原因が残ったまま人や予算を増やしたら、失敗まで大きくなる。
まず余計なものを減らして、小さく直す。
この順番なんだと思いました！
https://t.co/rl1vXQNl1J

[竹内明仁@「あり方×やり方」で経営の詰まりをほどく伴走者 @HS36lab]

～掛ける前に、引け！～

「経営はいきなり“掛け算”で考えると危うい」
杉本貴司さんの『ユニクロ』を読みながらと感じたこと。

失敗した直後ほど、人は失ったものを一気に取り戻そうとする。

売上が落ちれば、大型商品を投入する。
集客に失敗すれば、広告費を増やす。
組織が乱れれば、新しい制度を導入する。

しかし、原因が残ったまま力を掛ければ、失敗まで拡大してしまう。
失敗の後に必要なのは、まず引き算だと思うのです。

間違った前提。
余計な工程。
顧客とのズレ。
そして、「早く取り返したい」という焦りや見栄。

それらを一つずつ取り除く。

失敗を恐れて動けなくなるのは、能力がないからではないことを自覚しておきたいですね。

「傷つきたくない」
「迷惑をかけたくない��
「評価を下げたくない」
そんな感情が行動にブレーキ���かけるから。

けれど失敗は、自分の価値を減らすものでは決してない。
「このやり方では届かない」と教えてくれる、成功までの関所。
好き嫌いにかかわらず、持たざるを得ない“通行手形”

引き算の次に行うのが、足し算。

・小さな改善を加える
・顧客の反応を確かめる
・うまくいった理由を言葉にする
・誰がやっても再現できる形にする

人材、資金、広告、技術という掛け算を使うのは、その後です。
再現性のないものに大きな力を掛けても、混乱が速く広がるだけだから。

あのユニクロも、最低の時は2人からリスタート。
引き算でマイナスになる度にそれを上回る足し算に代えていった。

・出店へのメインバンクの無理解
・ロードサイドショップの限界
・フリースブームが去った後の反動
・社長交代の失敗
・海外展開の不採算の長期化
・婦人服キャビン再建の断念
・野菜市場への参入の��算

など、たくさんのマイナスを経験。
それを支えた目標は、“世界一のアパレル企業になる”こと。

だから目標は高く持ち、未来から逆算する。
現に今期の決算で、ユニクロはH&Mを抜いて世界第2位の売上高になる見込み。
営業利益では2倍以上の開きがある。

高い目標は、今のやり方の延長では届かない。
仕事の前提そのものを問い直し、新しい方法を考えさせてくれる。
ここでしょう、レバレッジを使うのは……。

ただし、数字だけでは人は走り続けられない。

何のために達成するのかという「目的」があり、その先に、誰をどのような状態にしたいのかという「ビジョン」が必要。

ユニクロも飛躍の時に必ず振り返った定義がある。
「ユニクロとはなにか？」
「ユニクロの服とはなにか？」

企業理念は
「服を変え、常識を��え、世界を変えていく」
だから、“ここで終わり”はないということ。

これは物販だけの話ではないですね。
IT、コンサルティング、医療、介護、理美容などにも、目には見えない在庫があることを自覚していますか？

それらは、���間・知識・技術・経験、そして信用。

顧客の声から不要なものを引き、改善を足し、再現できてから掛け算にする。

成功とは、最初から大勝負を狙うことではない。
小さな正解を積み重ねた先に起きる、増幅なのだと思います。

「あなたはこれを“他山の石”とみますか？」
それとも、
「自分に当てはめてみようと思いますか？」

[折原 @n_lead_]

挫折経験を
馬力にできる人と
できない人では
大きな差が生まれる気がしてます

[ゆる麻布 @yuruazabu]

面白い人生を歩んでるやつほど、経歴のどこかで一回レールから落ち���る。第一志望に受かってたら、その人は今ごろ普通の会社で普通に消耗してたはずなんだわ。挫折はレールの外に蹴り出してくれる装置。ワイも学校に馴染めず速攻で辞めた側だが、落ちた側の方が結局遠くまで行く。

[折原 @n_lead_]

顧客理解は、声の大きいお客様だけを見ることではないですよね
営業でも、一部の反応だけで「これがニーズだ」と決めると、打ち手を間違えたりする
感覚だけでなく、顧客全体の動きまで見たいですね〜
https://t.co/PiLGibReox

[芹澤連@��略ごっこ／未顧客戦略（日経BP） @serizawa_ren_]

今日の記事はセミナーと併読す��と無駄打ちが減ります🤑

・顧客の状態遷移（ライト→ヘビー）は特定の確率分布に従って起こる
・カテゴリーごとに一定で好きに動かせるわけじゃない
・ヘビーの出現率は「購入者数と平均購入回数」と連動
・浸透率を変えずにヘビーだけ増やそうとしても構造的に厳しい

[折原 @n_lead_]

営業は、話がうまい人より、相手のために準備できる人の方が強いと思います。私も商談前は「何を話すか」より「相手は何を判断したい��」を考えます。準備量には、顧客への敬意が出ますよね…！
https://t.co/j1cdEEeGO7

[ぎんおう@元金融庁担当記者 @kagachan777]

「証券営業の申し子」という彼女ですが、性別やルックスを排除した結論は、結局、営業もビジネスも「どれだけ顧客のために準備し、動けるか」に尽きるという話。
情報武装＋即実行＋適応力。この3つを愚直に磨けば、年齢や経験は関係なく結果が出せます。全ビジネスマンにオススメのロールモデル。あなたの一日は、今日の情報を「明日のお客さんにどう活かすか」で決まることを教えてくれる。

[折原 @n_lead_]

成果が出た時ほど「どこまでが実力で、どこからが環境のおかげか」は分けて考えたいです。自分を過小評価する必要はないけど、追い風まで実力だと思うと、環境が変わった時にズレるんですよね…
https://t.co/WDtUExwOQo

[坂井風太 @fuuuuuta21]

成長企業にいる若手社員が「自分は全部できている」といった全能感・万能感に包まれ「生存者バイアス」に陥りやすい理由は

❶ 市場成長×プロダクトの優位性によって、マネジメントが下手でも伸びただけ
❷ 人が足りないから抜擢人事をされた��けで、他所から見ると実は大したことない(最年少XXとか知らん)
❸ モチベアップ施策のMVPなどに選ばれることで、「自分を一角の人物」だと思い込む

などがある気がするが、

運と実力の「運側」が強いにも関わらず、「実力側」で勝ったと思い込むことで、感覚がズレていっている可能性がある。

[折原 @n_lead_]

これは、営業育成にかなり使えそうです…！トップ営業の商談準備を録画して、「どこを見て、なぜそう考えたか」までAIで言語化する。結果だけでなく、判断の過程を残した方が再現しやすいと思います。
https://t.co/o0UaPvhYVH

[あさひ @asahi_sales]

会社で1番優秀な営業に商談準備してる様子画録+音声解説してもらってスキル化→展開するだけで若手大助かりだな

[折原 @n_lead_]

AI導入は目的ではなく、手段ですもんね。

[iwashi / Yoshimasa Iwase @iwashi86]

世界的に〜、という話だけど日本企業にも一定当てはまりそうな記事だった。

・記事の筆者のチームが観測した企業のAIプロジェクトの成功率はなんと0%
・社内用チャットボットは使われない
・顧客対応ボットも機能していない
・多くの企業がCopilotのライセンスを買っただけで生産性向上を宣言している

・��もかかわらず、経営陣はAIの導入を絶対の義務としている
・現場のエンジニアは自分の仕事に無理やりAIを紐づける "AI-wash" を強いられている
・AIの活用に懐疑的な意見を言うだけで解雇されるリスクも

・実はAIの効果を信じていない経営層もたくさんいる
・ただ、顧客企業の幹部が「生産性が100倍になった」と豪語しているため、ベンダー側もそれを否定できない
・もし事実を指摘すれば契約を切られる
・全員が嘘をつき続ける囚人のジレンマに陥っている

・その結果、あらゆる社内プロジェクトでAI成分が求められるようになった
・組織はもはや本当に重要なソフトウェアの導入や人材採用に集中できなくなっている
・ただのデータベース移行案件も、一部をAIに翻訳させてAIドリブンな成功として報告される始末

・今の異常な熱狂に正面���ら反対意見を言うのは危険
・こういった環境に耐え��れないなら、組織の政治から距離を置ける契約社員になるか、まだ正気を保っている小さな会社に転職するしかない

https://t.co/6jXUx5kJTn

[折原 @n_lead_]

自然さは、精細さではなく少しの不完全さで生まれるんですね！
AIは上手すぎると違和感になるの面白い。
伝える仕事も同じで、整いすぎた言葉より、その人らしい癖が残る方が届くことがあるけどそれを再現させるのが一工夫いるんですよね

[ぴょんきち @yarakashiyama_]

AI動画がどうしてもAIっぽくなる原因、
画質じゃなくて「カメラが上手すぎる」ことでした。

友達がスマホで撮った風に崩す3行を足したら、
同じ画像からこの動画になります。

Seedance 2.0（TopViewで生成）

この下に全部置いておきます
①コピペ用プロンプト全文
②失敗した書き方と、その直し方
③そのまま使える型カード1枚

👇

[折原 @n_lead_]

理想の上司になれなくても、「話が通じる人」でいる価値は大きいです！
全部解決できなくても、現場の声を止めない。
言えなくなったら終わりですからね…

完璧なリーダー像より、相談を閉ざさない姿勢の方が組織を救うこともある気がしてます
https://t.co/nz95GKUtaT

[加藤よしき（新アカウント） @FinalOhhh12945]

いざ自分が中堅なってみて思うのは、かつて憧れた「この人についていこう！」みたいな人間にはなれない。俺は若人から見て「思ったよりは話が通じるが、思ったより役に立たない」の立ち位置をキープするだけで精一杯である

[折原 @n_lead_]

タイパやコスパ自体が悪いわけじゃない。問題は、成果を出す前から努力を省く理由に使うってことかな

効率化は行動しないための言葉ではなく、行動→検証→改善を速く回すために使いたい。仕事は前に進めないとですよねぇ
https://t.co/nBz4zr7MX6

[つぐ @tsugu1908]

努力しないやつほど、タイパ、コスパって言うんだよね。ダサい。

[折原 @n_lead_]

人間関係は「親切かどうか」だけでなく、受け取ったものを返す姿勢で続きますね。���理人情ってやつですね。

返礼は損得勘定ではなく、信頼を一方通行にしない意思表示
https://t.co/Ah8k3tGC5J

[髙木美歩『開かれる自閉――医者・心理学者・当事者のポリフォニー』重版感謝！ @tkgm_nullpo]

「陽キャ」がグループのリスクになる人を簡単に切るという仕草を、宮台真司は「親切な人は友好的で親切だが、返礼を忘れると関係を切る。親切な人同士は助け合い、返礼の習慣がない人はお互いに搾取しあう世界に住んでいる。世界が二層に分かれている」（意訳）と言っていたような。

[折原 @n_lead_]

完成させる仕事は、最初から100点を狙うより「最後まで走る設計」ですよね、
品質は後から上げられる��ど、未完成のままでは改善材料すら残らない。
まず終わらせる、は立派な仕事術！🤔
https://t.co/uL8M3GfAvH

[うっぴー（エンタメラボ・ライトノベル作法研究所の主催） @ranokenn]

小説を10万字書き切る4つのコツ🖊️

① クオリティ度外視で3ヶ月で書き切る
長く続けていると自分の作品に飽きてしまいます。情熱は長続きしません。質は完成後の改稿で上げればOK。まずは完結を最優先に。

② クライマックスを決めておく
着地点がないと迷子になります。プロットで重要なのは「誰が何をする物語か」と「ラスト」だけは固めておくことです。

③ 1日100文字でも毎日書く
ランニングと同じで、3日休むと書けなくなります。極限までノルマを下げて「書く習慣」を維持します。

�� 「失敗してもOK」と自分を許す
「傑作��書かなきゃ」というプレッシャーは未完の元。「失敗してもまあいいか」の気楽さが、最後まで走り切るコツです。