モデル層と上位ジョブ層のラグ分離(Two-Layer Lag)

## 抽象形 「海外モデルXが日本に来るまで何年」という問いは、しばしば2つの異なる問いを1つに混同している ── (1) このモデルの具体的な実装形態(ブランド・UI・技術スタック)がいつ来たか、(2) このモデルが解決する上位のジョブ(顧客が本当に欲しい機能)がいつから日本で満たされ始めたか。第2弾のパイロット(newsletter-paid-substack.md)で発見され、量産全体の標準ルールとして採用された(frontmatter に jp_precursor フィールドを新設)。 ## 大資本での実例 - domain-trends.md の時代別ラグ中央値は、この区別をせずに集計されている可能性がある。今後の運用では、集計対象が「モデル層」か「上位ジョブ層」かを明示する必要がある ## 個人・スモールでの実例 - newsletter-paid-substack.md: Substack自体は2023年日本参入(lag 3年)だが、「個人が有料購読で食う」という上位ジョブは、まぐまぐ(2001年〜)・堀江メルマガ(2010年)で日本が先行していた。単純な「3年遅れ」という数字は上位ジョブで見るとミスリード - ai-wrapper-micro-saas.md: 「AIラッパーの立ち上げ」自体はほぼラグ0(2023年、日米ほぼ同時)だが、「個人がAI開発で食える」という規模に達したのは日本では2025年前後で、実質2年のラグがある。同じモデルの中に2つの異なる波が存在する - course-platform-allinone.md: Kajabi型の「オールインワン・コース+コーチング基盤」は日本ではUTAGE・Connected One(2021年〜)が既に定着しており、「統合ツールの空白」という前提そのものが誤りだった - tiktok-shop-affiliate.md: TikTok Shopアフィリエイト自体は2025年に日本上陸したが、「ライブコマース×アフィリエイト」という上位ジョブは2017年前後の第一次ライブコマースブーム(メルカリチャンネル・BASEライブ・楽天ライブ、いずれも2019〜2021撤退)で既に一度試されて失敗していた。上位ジョブでの先行事例(失敗)を無視すると同じ轍を踏む ## 検知シグナル - 候補モデルの「新しさ」がブランド・技術スタックの新しさに留まっている(解決している顧客課題自体は古くからある) - 日本語で候補モデルの直訳名を検索すると空白に見えるが、機能を抽象化して検索すると既存プレイヤーが多数見つかる ## 個人スケールでの行動 1. 候補モデルを評価する際、必ず「このモデルが解決する上位のジョブは何か」を1文で書き出し、そのジョブの日本での充足状況を別途調べる 2. 上位ジョブに日本の先行事例(jp_precursor)がある場合、それが成功したか失敗したかを確認し、失敗していればその失敗要因が今回も再現しないかを検証する 3. time_lag_years はモデル層(具体的な実装形態)を基準に算出し、jp_precursor で上位ジョブの文脈を必ず併記する(単一数値への圧縮を禁止)