# Cinderella Glass Slipper効果 ## 定義 [[@2026__arXiv__State of AI - 100 Trillion LLM Interactions with OpenRouter]] が提案した、LLMの新規ユーザーコホートにおける定着率(retention)の分析フレームワーク。急速に進化するAIエコシステムには常に「未解決の高価値ワークロード」が潜在的に存在し、新しいフロンティアモデルが登場するたびにそれらのワークロードへ「試着」される。あるモデルが特定のワークロードの技術的・経済的制約に偶然マッチしたとき、深く持続的な適合(fit)が生まれ、そのコホートは後続のモデル世代が登場しても離脱しにくくなる。この「最初にぴったり合った」現象を、シンデレラのガラスの靴になぞらえて命名している。 ## 子概念 (未整備) ## 未編纂の観察 - [観測された3パターン] 同ソースは実データから3つの定着パターンを識別している: (1) Dominant Launch Anomaly — GPT-4o Miniのように単一の初期コホートのみが突出して定着し、後続コホートは軒並み低位に収束する、(2) No-Fit — Gemini 2.0 FlashやLlama 4 Maverickのように基盤的コホートが一切形成されない、(3) Boomerang Effect — DeepSeekモデルのように離脱後に定着率が再上昇する resurrection jump が観測される。 - [示唆される評価軸の転換] 著者らは、成長率(growth)ではなく定着率曲線・基盤的コホートの形成こそがモデル-ワークロード適合(model-market fit)の実質的な先行指標であると主張している。 ## 未解決の問い - 基盤的コホートの形成が「技術的なcapability inflection」によるものか、単なるマーケティング・無料配布等の一過性の要因によるものかを、定着率データのみから区別できるか。