マワルくん
・AI導入で成果が出ない
・成功企業の共通点を知りたい
・導入計画を作りたい
ChatGPTを契約した、AIツールを導入した。それで成果が出るわけではありません。海外の成功事例を見ると、AIそのものよりも、AIの前後にデータ・業務・人・評価が設計されていることが分かります。
本記事では、Coca-Cola、Octopus Energy、L’Oréal、ASOS、Lazadaなど海外事例の「なぜ成果が出たのか」を深掘りし、AIマーケティングを成功させる3つの条件——①AIとファーストパーティデータをつなぐ、②Human-in-the-Loopを設計する、③結果データから予兆データへ移る——を解説します。あわせて、AI導入が失敗する理由、導入前に決めるべきこと、7ステップ、KPI設計も対象です。各事例の詳細は、別記事で解説しています。
この記事のゴール（読了目安 約9分）
AI導入が成果につながる3条件（データ・人・予兆）を理解し、自社のAI導入計画を「どの課題・どのデータ・どこまで任せ・どう評価するか」まで設計できるようになる。
AIを導入するだけでは成果は出ない
「ChatGPTを契約→社員が使う→成果」という流れにはなりません。成功事例では、AIの前にデータ（何を渡すか）と業務（どの工程に組み込むか）、AIの後に人（どこで確認・判断するか）と評価（何のKPIで見るか）が設計されています。
たとえば、生成AIで広告文を100本作れるようになっても、どの顧客に何を訴求するかのデータがなければ、100本の一般的な広告文が増えるだけです。逆に、顧客データとつながっていれば、10本でも成果の出る訴求を選べます。つまり、AI導入の成否を決めるのはAIの性能ではなく、AIを挟んだ前後の設計です。ここから、成功企業に共通する3つの条件を見ていきます。
成功条件① AIと一次データをつなぐ
AIモデルよりデータが重要
一般的なAIは一般的な情報しか持っていません。「自社の顧客情報＋AI」にして初めて、自社固有の判断ができます。AIモデルは競合も使えますが、自社の顧客・購買・商談・在庫・問い合わせのデータは競合が持てません。AIモデルより「AIに渡せる独自データ」が競争力です。
事例に見るデータ接続
Octopus Energyは、顧客管理プラットフォームKrakenの上にAIアシスタントArloを構築し、料金プランの更新・支払日・アカウント情報といった問い合わせにAIが回答できる状態を作りました（Octopus Energy「Octopus Energy’s AI trial wins customer approval」）。ASOSは、閲覧・購買・保存といった行動データに加えて在庫の状態までレコメンドにつないでいます。保存した商品が残りわずかになったときの提示や、売り切れ商品の代替提案がその例です（ASOS公式ヘルプ「Can you help me with the ASOS App?」）。Lazadaは自社のデータ基盤・レコメンド基盤とAIをつなぎ、買い物客の意図と行動に合わせて広告枠をリアルタイムに割り当てています（Lazada「Lazada’s AI Agents Power a Smarter Shopping and Selling Experience Ahead of 11.11」（PDF））。
AIへつなぐべきデータ
CRM、購買、POS、アクセス解析、広告、問い合わせ、商談、在庫、商品、口コミ。ただ集めるだけではなく、顧客ID・商品ID・企業IDなどで接続することが重要です。ファーストパーティデータの整え方は、別記事で解説しています。
成功条件② 人の関与を設計する
成功企業は完全自動化をしていません。役割は次のように分かれています。
- AI: 大量処理→分析→下書き→定型実行
- 人: 判断→共感→ブランド→例外→責任
なぜ完全自動化しないのか。AIは大量処理と一貫性に強い一方、顧客の感情、ブランドの文脈、例外的な状況、そして結果への責任は担えないからです。Human-in-the-Loop（人の関与を組み込む設計）とは、AIの精度を疑うことではなく、AIと人それぞれが得意な領域を分け、境界を明確にすることです。この設計がある企業ほど、AIへ任せる範囲を安心して広げられています。
Coca-Colaに見るブランドガバナンス
生成AIを自由に使わせたのではなく、コントゥアボトルやスペンサー体ロゴといった自社のブランドアセットに限定した専用サンドボックス（GPT-4とDALL-Eで構築）の中で、デジタルクリエイターやファンに作品を作らせました（The Coca-Cola Company「Coca-Cola Invites Digital Artists to ‘Create Real Magic’ Using New AI Platform」）。ブランド安全性と創造性の両立です。
Octopus Energyに見る分業
定型的な問い合わせはAIが処理し、要配慮の顧客・センシティブな案件・複雑な苦情は必ず人へ回す、と公式に線が引かれています（前掲のOctopus Energy公式リリース）。重要なのはAI精度100％ではなく、「どこで人へ戻すか」を決めていることです。
顧客セグメントで自動化の度合いを変える
BtoBであれば、Tier1（重要顧客）は人が個別に対応し、Tier2はAIで大量に対応する、という分け方が考えられます。すべてを同じ自動化レベルに揃えないことが要点です。
成功条件③ 結果データから予兆データへ
従来のデータは、売上・CV・購入といった過去の結果でした。AIが得意なのは、検索・閲覧・滞在・スクロール・カート・比較といった行動意図を大量データから検出することです。「何が起きた？」から「次に何が起きそう？」へ。
Lazadaに見る行動データの活用
購入は結果です。しかしその前に、商品を見る→長く滞在→カート→離脱、という行動があります。Lazadaは、この買い物客の意図と行動をリアルタイムに読み取り、広告枠の割り当てや商品のレコメンドへ反映しています（前掲のLazada公式リリース）。
L’Oréalに見る検索意図の捉え方
従来はキーワードを人が登録していました。L’Oréalのチリ法人が試したGoogleのAI Maxは、登録済みキーワードに縛られずに新しい検索語句を捉え、広告文を自動で調整し、遷移先ページも広げて最適化しています（Think with Google「L’Oréal’s AI Max search marketing strategy」）。人が固定した設定より、AIが読み取る「今の意図」のほうが速いのです。
AIマーケティングの成熟度3段階
自社がどの段階にいるかを確認します。整理すると以下の表のとおりです。
多くの企業はSTEP1にとどまっています。成果が出ている企業はSTEP2以上へ進んでおり、その差はデータ接続の有無です。自社の現在地を確認する簡単な方法は、「AIの出力が自社の顧客データにもとづいているか、一般的な情報にもとづいているか」を見ることです。後者ならSTEP1、前者ならSTEP2以上へ進む準備ができています。
AIマーケティングが失敗する5つの理由
- AIツールから始める: 「どのAIを使うか」から入り、課題・データ・業務が決まっていない。導入後に「何に使えばいいか分からない」状態になる
- データが分断されている: Web・CRM・広告・店舗のデータがつながらず、AIが顧客単位で見られない。チャネル別レポートをAIに要約させるだけで終わる
- AIに全判断を任せる: 人の確認・承認がなく、誤った出力がそのまま顧客へ届く
- KPIが工数削減だけ: 「20時間削減」で成功と判断し、事業成果を見ていない
- PoCから業務へ組み込めない: 実験は成功したが、担当者・承認フロー・データ更新の仕組みがなく、日常の業務フローに定着しない
AI導入前に決める5つのこと
①どの課題を解決する？（AIを使うこと自体を目的にしない）②何のデータを使う？（あるか、つながっているか）③AIへ何を任せる？（定型・分析・生成・予測のどれか）④人がどこで確認する？（承認・例外・責任の場所）⑤どのKPIで評価する？（生産性か、マーケティング成果か、事業成果か）。この5つが決まっていないAI導入は、ツール導入で終わりやすくなります。
AIマーケティング導入7ステップ
- STEP1 課題: 解決したい課題を1つに絞る
- STEP2 業務フロー: 課題に関わる業務を分解する
- STEP3 データ: 必要なデータを棚卸しし、IDで接続する
- STEP4 AI: 業務に合うAIを選ぶ（多機能より確実に役立つもの）
- STEP5 人の介入: 確認・承認・例外対応の場所を決める
- STEP6 小規模実験: 1業務・1チーム・1か月で試す
- STEP7 成果検証→本番化: KPIで評価し、範囲を広げる
ポイントは、STEP3のデータとSTEP5の人の介入を飛ばさないことです。多くの失敗はこの2つを省略し、STEP1の課題からいきなりSTEP4のAI選定へ進むことで起きています。
KPIは生産性と事業成果を分ける
AI導入の評価では、3階層でKPIを分けます。整理すると以下の表のとおりです。
「20時間削減」だけで成功としないこと。生産性の向上は入口にすぎません。成功事例はいずれも、マーケティング成果か事業成果まで変化しています。逆に、生産性が上がっても事業成果が変わらないなら、AIが「間違った施策を高速化している」可能性を疑ってください。
【プロの視点】最初に設計すべきはデータパイプライン
多くの企業は「どのAI？」「どのプロンプト？」から考え始めます。しかし成功企業が最初に設計しているのは、どのデータ？→どの判断？→どの施策？→どの結果を戻す？というデータの流れです。
AIモデルは数か月で入れ替わります。プロンプトもモデルが変われば書き直しです。一方、顧客IDでつながった自社データ基盤は、モデルが変わっても資産として残ります。AI導入の投資対効果は、AIツールの選定より、データパイプラインの設計で決まります。
【waltsu視点】自動化できる範囲を広げる
AI活用の成熟とは、人をなくすことではありません。安全にAIへ任せられる範囲を広げることです。
低リスク（分類・要約）はAIに任せる。中リスク（広告・顧客メール）は人が確認する。高リスク（契約・重要顧客・外部操作）は責任者が承認する。この線引きがあるから、AIへ任せる範囲を段階的に広げられます。線引きがないまま「全部自動化」を目指すと、事故が起きて「全部禁止」へ戻ります。成功企業の共通点は、完全自動化ではなく、自動化の境界を明確にしたうえで、その境界を少しずつ動かしていることです。AIガバナンスと責任あるAIの考え方は、それぞれ別記事で解説しています。
よくある質問
AIマーケティングを成功させるポイントは？
AIと自社の一次データをつなぐこと、人が確認・判断する場所を設計すること、結果データだけでなく予兆データを見ることの3つです。AIツールの選定より、前後の設計が成否を左右します。
ファーストパーティデータはなぜ重要？
AIモデルは競合も使えますが、自社の顧客・購買・商談・問い合わせデータは競合が持てないためです。AIに渡せる独自データが競争力になります。
Human-in-the-Loopとは？
AIの処理の中に人の確認・判断・承認を組み込む設計を指します。AI精度100％を目指すのではなく、どこで人へ戻すかを決めることが重要です。
AIマーケティングが失敗する理由は？
AIツールから始める、データが分断されている、AIに全判断を任せる、KPIが工数削減だけ、PoCから業務へ組み込めない、の5つが代表的な理由として挙げられます。
AI導入はどの業務から始めるべき？
低リスクで、データがあり、効果を測りやすい業務からです。問い合わせ分類、口コミ分析、広告文の複数案作成などが向いています。
まとめ
この記事の要点
・AI導入の成否はAIの性能でなく、前後の「データ・業務・人・評価」の設計で決まる
・成功3条件: ①一次データとAIをつなぐ ②Human-in-the-Loopを設計する ③結果データから予兆データへ
・最初に設計すべきはプロンプトでなくデータパイプライン。モデルは変わるがデータ基盤は残る
・成熟とは完全自動化でなく、安心して自動化できる範囲を段階的に広げること
AIマーケティングで成果を出している企業は、最新のAIを持っているわけではありません。データ＋AI＋人＋改善を一つの仕組みにしています。自社の一次データをIDでつないでAIへ渡し、AIが定型・分析・生成・予測を担い、人が判断・ブランド・例外・責任を担い、結果を再びデータへ戻す。この循環があるから、AIモデルが変わっても成果が続きます。
自社のAI導入を見直すなら、「どのAIを使うか」ではなく、どの課題を解決するか→何のデータを使うか→AIへ何を任せるか→人がどこで確認するか→どのKPIで評価するか、の5つから始めてください。そして評価は工数削減だけでなく、マーケティング成果・事業成果まで見る。「自社のAI導入をデータと業務設計から組み立て直したい」という場合は、waltsuがマーケティング戦略・データ設計・AI活用の実行までご支援します。
