カナダを拠点とするマーケットプレイスのスタートアップは、カスタムビークルラップにおける「想像に頼る」購入プロセスをなくすことを目指しました。従来の購入プロセスは遅く、リスクも高いものです。顧客は最終的な仕上がりをイメージできず、見積もりのために複数の施工店を回らなければならず、施工店側も新規顧客へリーチするのに苦労していました。HDWEBSOFTは、車両オーナーが3D車両モデル上でラップをデザインし、7つのカメラアングルからフォトリアルなAIレンダリングをプレビューして、審査済みの施工店に直接発注できるマルチロールマーケットプレイスを構築しました。加盟店には事前審査済みで支払い完了のリードが届き、独立系アーティストは承認されたデザインに対するコミッションを自動的に受け取れます。
プロジェクトの背景
カスタムビニールラッピングには、根本的な「信頼」の問題があります。ラッピングは高額な買い物ですが、従来の購入者は結果を見ないまま決断しなければなりませんでした。施工店で平面的なサンプルを見て、完成品が想像通りになることを願うしかなかったのです。一方、施工店は来店客と口コミに依存し、才能あるラップデザイナーには単発の依頼以外に作品を収益化するチャネルがありませんでした。
クライアントが構想したのは、3つの課題を同時に解決する単一のプラットフォームです。支払い前に顧客が自分の車の仕上がりを正確に確認できるAIデザインスタジオ、質の高い注文をプロの施工店へ配分するマーケットプレイス、そしてアーティストがコミュニティ承認のデザインを公開して収益を得られるデザインマーケットプレイス。HDWEBSOFTの少人数チームは、5つのユーザーロール、リアルタイムの注文ワークフロー、マーケットプレイス決済、AI生成パイプラインという全体構築を、厳しいスケジュールの中で担いました。しかもビークルラップの幾何学、車両パーツ、サーフェス、展開図という、チーム全員にとって未経験のドメインでした。
プロジェクト関係者インタビュー
「初期のレンダリングでは、車をリアルに見せる細部——ミラーの形状、エンブレム、パネル間の隙間、ホイールデザイン——が繰り返し崩れていました。転換点となったのは、プロンプト自体を設計された成果物として扱うことでした。バージョン管理し、車両ファミリーとカメラアングルごとにパラメータ化し、コードと同様にリグレッションテストを行うのです。プロンプトが再デプロイ不要で管理者が調整できる設定レイヤーに移ったことで、チューニングサイクルのコストが劇的に下がりました。」
— Chinh Tran(HDWEBSOFT チームリーダー)
このエンジニアリングの規律は必要性から生まれました。チームは構造化されたイテレーションループ——生成、実車との各アングル照合、ミラー形状の誤りやエンブレム欠落といった失敗モードの記録、その知見を明示的な制約としてプロンプトへフィードバック——を、7アングルすべてが安定するまで繰り返しました。チェーン生成(フロント3/4アングルを最初に、残りを後続、失敗時は対象を絞ってリトライ)により、不良レンダリングのフルセット生成を避けて早期にエラーを検出できました。さらにプロンプトバージョンごとのリグレッションテストにより、1つのアングルの修正が別のアングルを静かに壊すことを防ぎました。
主な機能
- AIデザインスタジオ — 顧客が3D車両モデル上でラップをデザイン。AI(Google Gemini + fal.ai)が7つのカメラアングルからフォトリアルなプレビューと短いプロモ動画を生成し、共有アセットには自動でAIラベルを付与。
- デザインディスカバリーマーケットプレイス — アーティストがデザインを公開し、管理者が承認。顧客はコミュニティのデザインを閲覧・お気に入り登録・発注できる。
- マルチロールプラットフォーム — 顧客、アーティスト、加盟店(スタッフと管理者)、プラットフォーム管理者のための専用ポータル。企業単位のマルチテナンシー。
- リード・注文管理 — 施工店への自動リード配分、受諾/拒否/割り当てワークフロー、完全な注文ライフサイクル(Pending → Paid → Confirmed → Processing → Ready → Fulfilled)とリアルタイムステータス更新。
- 決済・支払い — Stripe決済処理、クーポン・割引システム、コミッションと税の設定、配送完了7日後に施工店とアーティストへ自動でStripe Connect支払い。
- リアルタイムチャット・通知 — Socket.IOによる顧客と施工店の注文内会話、Expoプッシュ通知とSendGridメール通知。
- 包括的な管理ダッシュボード — カタログ管理(車種、車両パーツ、ラップオプション、ブランド)、AIモデルとプロンプト設定、価格・コミッション設定、レポート・分析、クーポン・ドキュメント管理。
- 価格エンジン — 選択したサーフェス、素材、車両パーツに基づく自動価格見積もり。
技術的な課題
7アングルでのフォトリアルな一貫性
車両には極小のディテール——ドアハンドル、ミラー、エンブレム、パネル間の隙間、ホイールデザイン——が無数にあり、初期のAIレンダリングはこれらを歪めたり省略したりしていました。各車両モデルは7つのカメラアングルで一貫したセットを必要とするため、正面から正しく見えるレンダリングが側面では明らかに間違っていることがあり、フルセットの再生成には高いコストがかかりました。すべての車両ファミリーをカバーする汎用プロンプトテンプレートは存在しませんでした。
長時間実行AIジョブの信頼性の高いオーケストレーション
画像セット、プロモ動画、AIラベリングは、APIリクエストをブロックできない長時間ジョブです。パイプラインの途中での失敗——1つのアングルの失敗、動画ジョブのタイムアウト——には、注文を放棄せず完了済みの作業を失わないリトライ・リカバリロジックが必要でした。
5ロールのマルチテナント権限モデル
顧客、アーティスト、施工店スタッフ、施工店管理者、プラットフォーム管理者は、それぞれ異なるデータを見て異なるワークフローを起動します。しかも1人のユーザーが複数の企業に所属できます。リード・支払い・返金のビジネスルールはどのロールが操作するかに依存するため、ここでのミスは施工店間のデータ漏洩や誤送金を意味します。
正確な金銭処理
コミッションと税率はベーシスポイントで保存され、支払金額は注文時にスナップショットとして保持され、返金は定義済みのフローに従い、Stripe Connectの自動支払いは紛争処理付きでスケジュール実行されます。端数やステータスのエラーは、実際のお金が誤った口座に入る結果になります。
タイトなスケジュールでの未経験ドメイン
ビークルラップの幾何学——車両パーツ、サーフェス、展開図——はチームの全開発者にとって新領域でした。少人数チームと厳しい締め切りのもと、最初から正しいモデリング判断を下せるだけの速さでドメインを習得する必要がありました。
ソリューション
設計・テストされる成果物としてのプロンプト
単一の汎用プロンプト文字列ではなく、車両ファミリーごとのプロファイル、角度ごとのカメラ仕様(焦点距離、フレーミング、7つの各アングルの可視性ルール)、ラップの仕上げ・素材ルールから指示を組み立てる構造化プロンプトビルダーを構築しました。これにより各車両モデルに合わせた指示を提供します。イテレーションはテストサイクルとして実行されました。生成、実車との各アングル照合、失敗モードの記録(誤ったミラー形状、欠落したエンブレム、歪んだパネル)、その知見を明示的なプロンプト制約としてフィードバック——を、出力が一貫して正確になるまで繰り返しました。プロンプト値はデータベース駆動の設定レイヤー(AiPromptConfig)に格納され、管理者は管理パネルから実行時にプロンプトを調整し画像・動画モデルを切り替えられます。チューニングごとの再デプロイは不要です。プロンプトバージョンごとのユニットリグレッションテストがチューニングの進捗を保護し、1つのアングルを修正する変更が別のアングルを密かに壊すことを防ぎます。
チェーン生成パイプライン
フロント3/4アングルを最初に生成し、残りのアングルを続けて生成、失敗時は対象を絞ってリトライします。エラーは早期に表面化して修正されるため、不良レンダリングのフルセットを生み出しません。各フルセットに実際の生成コストがかかることを考えると重要です。
AIコアを支える安定したプラットフォーム
チームがプロンプト品質に集中できるよう、プラットフォームの他の部分は意図的にシンプルに保ちました。BullMQ/RedisジョブキューがAIワークロードをリクエストパスから分離し、ロールガードと企業メンバーシップのステートマシンがマルチテナンシーを強制し、検証済みの注文ステートマシンがライフサイクル全体でレートスナップショットを保持し、Stripe Connectの自動支払いが手作業の照合なしにループを閉じます。
ビジネス成果
- 顧客は安心して購入できる — 支払い前に自分の車への正確なラップを視覚化でき、加盟店でのためらい、修正の往復、注文放棄を削減。
- 施工店は獲得コストゼロで事前審査済み・支払い済みのリードを受け取れる — 販売パイプラインを合理化し、施工量を拡大。
- アーティストは承認済み公開デザインによる自動コミッション支払いで受動的収入を得られる。
- 管理者は設定だけでプラットフォームを運用できる — コミッション、税率、価格、AIモデル、メールテンプレートを再デプロイなしで設定でき、運用コストを削減。
- 自動化が手作業の調整を置き換えた — リード割り当て、ステータスワークフロー、支払いが自動で動き、運用チームを増やさずにより多くの施工店と注文へ拡大可能。
技術スナップショット
- バックエンド: NestJS 11 + TypeScript、PostgreSQL(Prisma ORM)、Redis + BullMQジョブキュー、Socket.IO、Swagger/OpenAPI、JWT認証、Helmet、レート制限。
- フロントエンド: React 19 + Vite + TypeScript、Tailwind CSS、shadcn/ui(Radix UI)、TanStack Query & Table、React Hook Form + Zod、Recharts、dnd-kit、React Router v7、Socket.IOクライアント。
- AIパイプライン: 画像・動画生成にGoogle Gemini API + fal.ai、画像処理にSharp、データベース駆動のAiPromptConfigによる実行時のモデル・プロンプト切り替え、バージョン別リグレッションテスト。
- 統合: Stripe決済 + Stripe Connect支払い、Supabase Auth、Cloudflare R2(S3互換ストレージ)、SendGrid/Nodemailerメール、Expoプッシュ通知。
- テスト・DevOps: Jest、Playwright、Docker、AWS、ESLint/Prettier/Husky。
まとめ
このプラットフォームは、施工店ごとに試行錯誤していた遅いプロセスを、AIプレビューが購入リスクを低減し、自動化がリード・注文・支払いをエンドツーエンドで処理するセルフサービス型マーケットプレイスへと変革しました。最も困難だった部分——あらゆる車両ファミリーの7アングルでのフォトリアルな忠実度——は、生成予算を増やすのではなく、構造化プロンプト、計測されたイテレーション、リグレッションテスト済みの設定というエンジニアリングの規律によって解決されました。
マーケットプレイス、AI搭載の製品ビジュアライザー、複雑な決済フローを持つマルチロールプラットフォームの構築をお考えであれば、当社のAI開発サービスとeコマースソフトウェア開発サービスがまさにこのデリバリーモデルをカバーしています。類似案件のご相談はチームまでお問い合わせください。
関連する取り組みを見る
関連するケーススタディ、サービス、業界、地域での開発実績をご覧ください。