下書きの手伝いから、成果物をそのまま渡してくれるまで

個人レバレッジは誰もが最もよく使う用法だ：文書を書く、リサーチする、簡易な成果物を作る。第1段階と第2段階の違いは一言で言える：第1段階はAIがテキストをくれて、あなたがコピペして自分で整理する；第2段階はAIが使えるものをそのままくれる。

第1段階：AIがテキストを書くのを手伝う

AIにPRD・Jiraチケット・メールなどを書いてもらい、その回答を他のツールにコピペする。ほとんどの人はこの段階で止まっている。著者の例は、ClaudeにPRDを1本書いてもらうというものだ。AIはあなたの会社や「良いPRDとは何か」についてほぼコンテキストを持っていないため、「使えるレベル」になるまで何度もやり取りが必要で、Google DocsやWordに貼り付けて仕上げてからでなければチームに送る勇気が出ない。

第1段階：ClaudeにPRDの下書きを書いてもらう。出来上がったものは人手でドキュメントにコピーして磨く必要がある。出典：Colin Matthews / Lenny's Newsletter

第2段階：AIが成果物を直接生成する

この段階ではAIに「仕事をさせる」——スライド、Excelモデル、簡易プロトタイプなど実際のものを生成させる。著者の実例は、Claudeにコスト比較モデルを作らせたケースだ：agentを自前で構築・ホスティングする場合と、Vercelのようなマネージドサービスを使う場合とで、それぞれいくらかかるかを比較する。以下が当時彼が使った生のpromptで、そのままコピーして自分のケースに書き換えられる。

Create a model that represents costs if we build and host ourselves vs. using managed agents. Do research on the engineering time saved and the compute costs in self-hosted vs. managed. Look at other vendors, like Cloudflare, Vercel, or E2B that provide sandboxes for agents for pricing. Demonstrate both the cost of the pilot and the cost at scale in the model, assuming we have 5M+ agent instances running annually (where an agent instance is per hour).

上記のpromptで出力されたコストモデル：パイロット段階とスケール段階それぞれの費用を提示。出典：Colin Matthews / Lenny's Newsletter

著者の注意点：この段階の成果物もまだ大幅な修正が必要だが、「AIからテキストをコピーして別の文書に貼る」よりは一歩前進している。AIが渡してくれるのは成果物であり、もはや編集待ちの文章の断片ではない。

AIを実際のツールに接続し、一つの仕事をまるごとやり切らせる

これが個人レバレッジの最上段であり、本文全体の最初のポイントでもある：普段使っているプロダクトをMCP経由でAIに接続すれば、AIは自分でデータを調べ、資料を引っ張ってきて、以前なら同僚に振っていたような仕事をエンドツーエンドでやり切れる。カギとなる動作はただ一つ——AIを実際のツールに接続することだ。

接続の仕方：Claude Code、Codex、CursorはいずれもMCP経由でFigma、Amplitude、PostHog、Pendoなどのツールに接続できる。やり方はシンプルで、あなたのプロダクトのコネクタ・マーケットプレイスでツールを追加すればいい（Claude、ChatGPT、Gemini）。しかも一度設定すればずっと有効で、以後は触る必要がない。

プロダクトのコネクタ・マーケットプレイスでよく使うツールを追加する。一度設定すればずっと有効。出典：Colin Matthews / Lenny's Newsletter

実例：ClaudeをPostHogに接続し、リテンション分析を自分でやり切らせる

著者は架空のプロダクトStride（Stravaのクローンにあたる運動アプリ）を例に挙げる。彼はリテンション分析をしたかった：ソーシャルシェア機能を使ったユーザーは、使っていないユーザーより30日リテンションが高いのか。彼はClaudeをプロダクト分析ツールPostHogに接続し、一言でやり切らせてレポートを出させた。

Use PostHog to check if users who use social share features have a higher 30d retention than those who don't. Show me an html doc as a final output visualizing cohorts and any other useful data. Cite all your sources so I can validate.

上記のpromptで出力されたリテンション分析：2つのユーザーグループのリテンション差を可視化し、遡って確認できるデータソースを添付。出典：Colin Matthews / Lenny's Newsletter

著者はprompt内の cite your sources（データソースを明示せよ）という一文が重要だと強調する：これを入れておくことで、結果が正しいかを簡単に検証できる。この例ではClaudeがPostHogの元データを指すリンクを直接提示していた。

接続権限を得たら、まず何を練習すべきか

ツールを接続し終えたら、著者は日常タスクを一つ選んで練習することを勧めている。以下の4つは彼が挙げたすぐに着手できる高レバレッジなタスクで、そのまま列挙する。

- Analyzing how a launch went by reviewing recent customer tickets and online sentiment
- Checking how many users actually use a feature through product analytics events
- Summarizing a recording from a customer call and creating a prototype based on their feedback
- Updating your next sprint based on a change in roadmap priorities

最初は結果に大抵がっかりするはずだが、それは単にモデルがまだあなたの基準を知らないからだ。満足いくまで対話を重ねて改善を続け、同じ会話の中でAIにこのプロセスをskill（スキル）として固定させれば、次からはワンクリックで再利用できる。この一連の流れがあれば、PRD、ロードマップ、マーケティング素材、リサーチ分析、プロトタイプ、Figma案など、ほぼ何についてもそこそこの初稿を出せるようになる。

Webプロトタイプはアイデアを素早く検証できるが、コードは使い物にならない

プロダクトレバレッジが扱うのは「やりたいこと」と「実際に届けられるもの」の間のギャップだ。第1段階はWebプロトタイプツール（Lovable、Replit、Magic Patterns）で素早くプロトタイプを作ること。文書よりもアイデアをはっきり伝えられるが、はっきりした限界がある：生成されるコードは、あなたのプロダクトの実際のコードベースとは一切関係がない。

引き続きStrideを例に使う。以下は現在のプロフィールページで、ユーザーはずっとサブスクリプション解約の導線が分かりにくいと不満を言っており、無料トライアル終了後も自分のサブスクリプション状態が把握できずにいる。

Strideの現在のプロフィールページ：サブスクリプション解約の導線が分かりにくく、ユーザーからの苦情が多い。出典：Colin Matthews / Lenny's Newsletter

AIのWebプロトタイプツールを使えば、素早くmock（モック）の改修版を作り、ユーザーやステークホルダーにあなたの案が問題を解決できるかテストしてもらえる。下のアニメーションは、Webプロトタイプツールで作ったサブスクリプション解約フローだ。

デモ：Webプロトタイプツール（Lovable / Replit / Magic Patterns）で作ったサブスクリプション解約mock。素早く案をテストするために使う。出典：Colin Matthews / Lenny's Newsletter

Webプロトタイプツールは、あなたの実際のコンポーネントやデータモデルについての理解が限られているため、作られるものは現実からかなり遠い。テストが終わったプロトタイプを本物のコードに落とし込むには、さらに一手間かかる。これが次の段階へとつながる。

AIにあなたの実際のコードベースを直接編集させる

第2段階は本文全体の2つ目のポイントだ：スクリーンショットや複雑なpromptに頼るのではなく、Claude CodeやCodexにあなたのプロダクトの実際のコードベースを直接読み込ませてプロトタイプを作る。生成されるUIは本物のコンポーネントを使い、本物のデザイン規約に従うため、公開できるコードにずっと近い。

引き続き同じStrideのサブスクリプション解約の例で、今度はClaude Code / Codexに既存のコードベースを使って作らせる。変更は実際の設定ページに直接組み込まれ、本物のコンポーネントを再利用し、プロダクト自体のデザイン規約に従う。下のアニメーションがコードベースプロトタイプの効果だ。

デモ：Claude Code / Codexが実際のコードベースで作ったサブスクリプション解約フロー。実際の設定ページに組み込み、本物のコンポーネントを再利用。出典：Colin Matthews / Lenny's Newsletter

この段階ではノートPC上でプロダクト全体を動かす必要はなく、エキスパート級のコーディング能力も不要だが、多少の技術的な下地は必要になる：一つはClaude CodeやCodexでコードを書き、アプリを動かすこと；もう一つは、UIのみを含み完全なバックエンドを含まないコードベースが必要になることだ。このコードベースはどう用意するか？エンジニアに頼んで、メインのコードベース上で以下のpromptを実行してもらう。

Create a new repo that contains all of the base UI elements, styles, routes, pages, and components for [list parts of the product you want included]. Create a mock data store that mimics the API data model and is stored locally. I should be able to run the resulting repo without any environment variables or backend services.

できあがったら、新しいrepoをあなたのPCにクローンすれば、簡単に動かせて、しかも本物のプロダクトを誤って壊す心配のないUI版が手に入る。エンジニアからは「一本のpromptで済むほど単純じゃない」と言われることもあるだろうが、あなたの本物のスタイルとコンポーネントの上でプロトタイプを作る価値は十分にある。著者のアドバイスは、なんとかしてこのハードルを越えることだ。

agentに変更をマージ可能なPRとして直接作らせる

プロダクトレバレッジの最上段は、agentにコードを本番環境へ提出させることだ：エンジニアがそのPRを受け取り、レビューしてプロダクトにマージする。この段階が最も試されるのはPMの技術的判断力で、どの変更なら安心してAIに直接PRを出させられるか、どこで手を引くべきかを見極める必要がある。

著者が挙げる例：課金まわりの変更がUIだけに手を入れるもので、バックエンドのAPI・データ・イベントはすでに揃っている場合は、直接PRを出すのに向いている；だが、新しいインフラを構築する必要があったり、他チームとの連携が必要だったりする場合は、自分で手を出すべきではない。判断基準は以下の通り。

PMとして、「チームのエンジニアより劣ったエンジニアになる」ことに時間を使う意味はない。いつ文書を書くべきか、いつプロトタイプを作るべきか、いつPRを出すべきかを見極める力は、それらのタスクをこなす能力そのものと同じくらい重要だ。

PMとして、チームの他のメンバーより劣ったエンジニアになることに時間を使う意味はない。Colin Matthews / Lenny's Newsletter

3本目のラダーは、原文では名前だけが残されている

フレームワークの冒頭では3種類のレバレッジが定義されており、3本目がシステムレバレッジだ：AIの使い方を再現可能な手順として定着させ、継続的かつ安定して仕事をAIに外注しながら高品質な結果を得る。しかし本文中では、前の2本のような3段階への分解や実践事例は示されていない。

著者は個人レバレッジの節で伏線を一つ張っている：初稿の質はまだ完璧ではないかもしれないが「システムレバレッジの話をするときにまた戻ってこよう」と。記事が終わるまで、この項目は概念レベルにとどまったままで、本記事の素材もここまでとなる。これは著者の今後のコースや記事で展開されうる方向性という位置づけに近く、ここではそのまま正直に伝えるにとどめ、代わりに内容を補うことはしない。

今日からできる最初の一歩

フレームワーク全体を悩むより、まず一度動いてみよう。まず自分が2本のラダーのそれぞれどの段階にいるかを判断し、まだやったことのない動作を一つ選んで試してみる。

1. 上の3×3マトリクスを見ながら、自分が個人レバレッジ、プロダクトレバレッジでそれぞれ第何段階にいるかを書き出す。
2. コネクタ・マーケットプレイス（Claude / ChatGPT / Gemini）で、PostHogやNotionなどよく使うツールを一つ接続する。一度設定すればずっと有効。
3. 本文第3節のタスクリストから一つ選んで練習する。例えば「ある機能を実際に使っているユーザーが本当は何人いるかを調べる」など。
4. 結果に満足できなければpromptを調整して反復する；満足できたら、同じ会話の中でAIにこのプロセスをskillとしてまとめさせ、再利用可能な手順として固定する。

どの段階がふさわしいかは、目の前の仕事にAIをどこまで深く使うべきかによって決まる。Colin Matthews / Lenny's Newsletter

著者はPMのAI活用法を3本の「レバレッジ・ラダー」として描いており、測っているのは「AIをどこまで深く使っているか」だ：上に行くほどAIが代わりにやってくれる量が増え、あなたは確認するだけでよくなる。本文ではそのうち2本を掘り下げる：個人レバレッジ（自分の仕事を担当）、プロダクトレバレッジ（届けるものを担当）；3本目のシステムレバレッジは名前が挙がるだけ（文末を参照）。以下では「小互がリテンション分析レポートを1本出す」というケースで、個人レバレッジ3段階の違いを見ていく。

上に上るためのカギとなる動作は2つだけだ。1つ目は、よく使うツールをMCP（Model Context Protocol、AIが外部ツールのデータを直接読み書きできる標準インターフェース）経由でAIに接続すること。万能鍵を持たせるようなもので、AI自身がPostHog（プロダクトデータ分析ツール）のドアを開けてデータを取りに行けるようになり、あなたはもう手動で運ばなくていい。Claude / ChatGPT / Geminiのコネクタ・マーケットプレイスでワンクリック追加するだけで、一度設定すればずっと有効。

2つ目は、プロトタイプ（クリックできる画面のサンプル）を作るとき、AIにあなたのプロダクトの実際のコードを直接読ませること。ゼロから作り直すのではなく：

上に上ると結局何が節約できるのか？またあのリテンション分析レポートを見てみよう。以前は会議と会議の合間を縫って自分でやるか、データ担当の同僚に順番待ちで頼むしかなかった。今ではツールを接続したAIに一言で任せれば、数分でデータソース付き、クリックして遡って確認できるレポートが出来上がる。

注：3万人以上のPMを研修、10以上のプロダクトをローンチというのは、いずれも著者本人の自己申告およびLenny's Newsletter主宰者による紹介であり、第三者による裏付けはない；フレームワークの3本目「システムレバレッジ」は、原文では冒頭で名前が挙がるだけで、前の2本のような方法論は本文で示されていない。