AIはパーソナライズにどのように役立ちますか？

コンテンツが増えるほど、関連性が重要になります

現在、ウェブサイトやショップ、アプリに取り組むチームと仕事をしていると、よく同じ言葉を耳にします。「ユーザーが必要なものを見つけるのに時間がかかりすぎています。」これは、単なるコンテンツの問題であることはめったにありません。関連性の問題なのです。

ストリーミングサービスやプラットフォーム、現代の店舗のおかげで、顧客は自分の意図をくみ取ってくれるデジタルインターフェースに慣れています。McKinseyはこれを非常に明確に説明しています。消費者の71 %はパーソナライズされたやり取りを期待しており、76 %はそれが提供されないと不満を感じます。McKinsey (2021)↗

同時に、企業へのプレッシャーも高まっています。チャネル、コンテンツ、タッチポイントが増え続けています。パーソナライゼーションがなければ、すべてが「手当たり次第」のアプローチになってしまいます。その結果、ユーザーはスクロールや検索により多くの時間を費やし、意思決定による疲れも増してしまいます。

ここでAIの出番です。「魔法のようなもの」だからではなく、人の手では十分に把握し続けられないパターンを認識できるからです。このアプローチの広がりは、導入状況にも表れています。Twilio Segment Report 2023では、92 %の企業がパーソナライゼーションの取り組みにAIを活用していると回答しています。 Twilio Segment (2023)↗

ただし、ほぼ誰もが「パーソナライズ」されているなら、差を生むのは質です。そして、まさにそこが面白いところです。良いパーソナライズは、気配りの行き届いたホストのようです。押しつけることなく、手助けしてくれます。悪いパーソナライズは、騒がしいショッピングモールのようです。あちこちからシグナルが飛び交い、 「こういうものをもっと」が至る所にあります。だからこそ、私たちのプロジェクトでは、常に最優先にしている次の考え方が効果を発揮してきました。関連性はサービスであり、戦術ではありません。

最適化は注意力を人々に不利に働かせることがあります

パーソナライゼーションには、暗いもう一つの顔があります。あなたの目標達成を支えるのではなく、あなたの注意力を悪用する形のパーソナライゼーションです。

こうしたパターンは、最初の分析の段階でよく見受けられます。プッシュ通知が多すぎる、「あなたへのおすすめ」モジュールが多すぎる、バリエーションが多すぎる――その結果、すべてが場当たり的に感じられます。皮肉なことに、道案内をするはずの仕組みそのものが、かえって情報過多を生んでしまいます。

これは単なる感覚ではありません。ニュースの消費においては、情報過多がいかに早くニュース離れにつながるかがわかります。ユーザーの39 %がニュースを避け、11 %がデジタル疲れを報告しています。Reuters Institute (2023)↗

商取引においても、「多い」ことが必ずしも良いとは限りません。Medalliaによると、インテリジェントなパーソナライゼーションは非常に高く評価される一方、過負荷は顧客離れを大幅に増加させます。Medallia (2024)↗

ここで、最初の新たな視点が生きてきます。パーソナライゼーションとは「関連性の高いコンテンツを増やすこと」ではなく、多くの場合「不要なコンテンツを減らすこと」です。 パーソナライゼーションを削減と捉えると、別のUXが見えてきます。モジュールが減り、判断することが減り、データ通信量も減ります。

このために、私たちはプロジェクトで実地検証済みの小さな手法を使っています。これを「Stoplight Personalization」と呼んでいます。パーソナライゼーションのアイデアは、かっこよさではなくリスクで分類します。「Green」は、明らかに役立つものです（例：明示的に選択された関心に基づくコンテンツ）。「Yellow」は、控えめに使うべきものです（例： フィード内での順位付け）。「赤」は、自律性を損なうものです（例：衝動的な決断へと人を駆り立てる強い刺激）。このシンプルな信号機方式によって、議論は一気に具体的になります。そして、パーソナライゼーションが注意をそらす装置になることを防ぎます。

AIには多くのことができるからです。しかし、どのような行動に報酬を与えるかについて、あなたの責任がなくなるわけではありません。

成功は意義のある目標から

パーソナライゼーションを意識的に設計すると、最初の段階で一つのことが変わります。それは、成功の定義の仕方です。

多くのシステムは、これまでクリック数や視聴時間、カート内の商品総額を最大化するように学習されてきました。それで成果が出ることもありますが、同時にブランドの発信が少しずつ「声高」になり、やがてそのブランドらしさが感じられなくなることもあります。Purpose Brandsにとって、これは特につらいことです。築きたいのは信頼であって、お金で注目を買いたいわけではないからです。

したがって、私たちの2つ目の新たな視点は、戦略セッションで非常に具体的に定めるシステムの目標です。単に費やした時間ではなく、有意義に過ごした時間を重視します。 これは、指標が重要でなくなるという意味ではありません。コンバージョンや収益に加えて、 パーソナライゼーションによって負担が軽減されるかどうかも測定します。ユーザーは探しているものをより早く見つけられますか？検索の手間は減りますか？利用の道筋がより明確になることで、サポートへの問い合わせは減りますか？

このために、私たちは実績のあるもう一つの方法、「関連性の契約」をよく使います。大げさに聞こえますが、単純です。ユーザーが何を得て、その対価として何を「支払う」のかを、一文にまとめます。

例：「本当に読みたいトピックが並ぶホームページを提供します。そのために、過去30日間の閲覧行動を利用します。」この説明が誠実に聞こえれば、パーソナライズはたいてい受け入れられます。逆に、はぐらかしているように感じられれば、それは次の兆候です： 利用するデータの範囲、または提示する価値が適切ではありません。

ビジネスの観点から見ても、これは単なる理想論ではありません。パーソナライゼーションは、サービスとして実感されるときに成果をもたらします。パーソナライゼーションを一貫して活用する企業は、競合他社よりも平均で大幅に高い売上を上げています。McKinsey (2021)↗

要点は次のとおりです。インパクトとビジネスのどちらかを選ぶ必要はありません。 優れたパーソナライゼーションは、多くの場合、両方を実現します。人々を尊重し、それによってロイヤルティが生まれる土台をつくるからです。

パーソナライゼーションは直感ではなくサイクル

AIによるパーソナライズは、ユーザーにはしばしば直感のように感じられます。「なぜかこのアプリは、私が何を必要としているか分かっている」と。実際には、魔法というよりも、シグナル、判断、フィードバックが整然と循環する仕組みです。

出発点はデータですが、最初から「できるだけ多く」集めるというわけではありません。プロジェクトでは、明示的なシグナル（興味のある項目を選ぶ、チェックボックスにチェックを入れる、リストを保存する）と、暗黙的なシグナル（クリックする、スクロールする、購入する、途中で離脱する）を区別します。明示的なシグナルは、その意味がわかりやすいため、信頼につながりやすい傾向があります。 暗黙的なシグナルは強力ですが、より早く「観察」のように見えてしまう可能性があるため、より慎重な扱いが必要です。

次に、デバイス、時間、場合によってはチャネルといったコンテキストが加わります。移動中にモバイル端末を使っている人と、デスクトップを使っている人とでは、必要な回答が異なります。まさにここでAIが役立ちます。多くの弱いシグナルを組み合わせて、今のあなたに何が役立つかを確率的に推定できます。

フィードバックループは重要です。すべての推薦は仮説です。推薦に反応するか、無視するか、そのどちらからもシステムは学習します。この学習プロセスによって、パーソナライズは時間とともに精度を増しますが、リスクも伴います。システムが「クリック」だけから学習すると、 刺激と反復を重視する方向へと急速に最適化されます。

だからこそ、私たちの3つ目の新たな視点はこうです。AIには反応だけでなく、満足度からも学習させましょう。 抽象的に聞こえますが、クリックに加えて「表示を減らす」「頻度が高すぎる」「関連性がない」といった「逆方向のシグナル」を取り入れると、具体的になります。 そして、パーソナライゼーションを継続的な実行ではなく、対話として理解するときです。

これは、インクルーシブな体験を実現するうえで特に重要です。スクリーンリーダーを利用するユーザーには、支援技術を使わないユーザーとは異なるニーズがあります。パーソナライズは、こうした障壁を取り除くのに役立ちます。ただし、シグナルを誤って解釈せず、ユーザーが実際にコントロールできるようにすることが前提です。

これを適切に設定すると、私たちが繰り返し目にする効果が得られます。ユーザーは「追跡されている」のではなく、支援されていると感じます。自分がどのようなシグナルを提供し、それがどのような結果につながるのかを理解しているからです。

すべてのシステムが類似性と発見のバランスを取る

AIのパーソナライゼーションについて話すと、すぐに推薦システムの話になります。そして、その仕組みを考えるうえで最も重要な問いは、「システムは、あなたが次に見るものをどのように決めるのでしょうか？」ということです。

覚えやすい基本的な考え方が2つあります。1つ目はコンテンツベースです。あなたが循環型経済について読むのが好きなら、システムは似たようなトピックを提案します。2つ目は協調フィルタリングです。あなたと似た行動をする人たちがXも気に入っているなら、Xはあなたにも合うかもしれません。

実際には、ほぼ必ず第3の要素が関わってきます。それがランキングです。適している可能性のあるコンテンツが200件並んだリストを想像してください。モデルは、それらが今この時点で役立つ確率に基づいて並べ替えます。これは高速であるため強力ですが、1つのシグナルだけを判断基準にすると危険です。

実際、ここで私たちが取り入れたいのは、小さくても驚くほど大きな効果を発揮するガードレールです。事前にひとこと知らせてからの探索。 探索とは、システムが定番のものだけを表示するのではなく、同じものの繰り返しに陥らないよう、意図的に新しいものを混ぜることです。技術的には、 これは「バンディット・ロジック」または「セレンディピティ」と表現できます。ユーザーにとっては単純なことです。「こちらにも、まだ知らないけれど、あなたの興味に近いものがあります。」

Netflixは、関連性の高いおすすめがどれほど効果的かを示す好例です。視聴されるコンテンツの約80 %は、おすすめを通じて発見されています。Netflix Insights、MobileSyrup経由（2017）↗

同時に、多様性を積極的に組み込まなければ、ランキングがいかに早く一方通行になり得るかを、ソーシャルフィードで目にします。だからこそ、私たちはチームに対して、「最良の結果」だけでなく、親しみやすさと意外性、関連性と選択の自由を組み合わせたバランスも最適化することを勧めます。

そして、あまり語られないことがもう一つあります。優れたパーソナライゼーションは、アルゴリズムだけでなく、デザインによっても実現されます。「なぜこれが表示されるのですか？」に答えれば、ブラックボックスは理解できるサービスになり、レコメンデーションは相手を尊重した提案になります。

最高のサポートは、パーソナライズをほとんど感じさせない

パーソナライズが最も力を発揮するのは、さりげなく役立つときです。あらゆるところで目立つときではありません。

たとえば、オンボーディングでは、AIがあなたに負担をかけすぎない開始地点をすばやく見極められます。学習プラットフォームを想像してみてください。自信を持って始められる人は、より速いペースで進めます。苦戦する人は、より小さなステップで進めます。同じ仕組みはアプリでも活用できます。たとえば、最初の、 自発的な関心の設定（明示的なシグナル）に、行動に基づく慎重な調整を加えます。

コンテンツでは、「今日のあなたにとって何が重要ですか？」というシンプルな問いに、最大の価値があると感じることがよくあります。一度に20本の記事を提示するのではなく、厳選した記事をわかりやすく届けるブログは、時間を節約できます。そして、データ通信量も削減できます。まさにここで、パーソナライゼーションがサステナブルなUXと結びつきます： 不要な要素の読み込みが減ると、不要なデータ通信量も減少します。これは、多くの競合他社が完全に見落としている点です。

商取引において、レコメンデーションはもちろん定番です。経済的な効果があることも、十分に裏付けられています。極端な例としてよく挙げられるのがAmazonです。推計によると、売上高の約35 %がレコメンデーションの影響を受けています。Firney (2025)↗

それでも、私たちが特に気に入っている活用例は、サポートであることが多いです。使用している製品のバージョン、すでに試した手順、希望する言語を記憶するパーソナライズされたヘルプエリアは、ユーザーのストレスを軽減します。多くの製品では、これが問い合わせ件数を減らし、信頼を高めるための直接的な道筋になります。

そして、もう一つ過小評価されている分野があります。それは、気が散るのを防ぐためのパーソナライゼーションです。現在では、仕事の状況を学習し、通知を適切にまとめたり、集中する時間を守ったりするAIツールがあります。ad hoc news (2024)↗

これらをすべて総合すると、指針となる原則が見えてきます。パーソナライゼーションが役立つのは、次の一歩を踏み出しやすくするときであり、単に次のクリックを狙うときではありません。

私たちのAI統合作業は通常、まさにここから始まります。一つの有用なユースケース、明確なデータ、そしてシステムを拡張する前に評価できる成果です。

過去のデータは従来の不平等を強める可能性があります

AIはデータから学びます。そして、データが語るのは真実ではなく、過去です。

それがバイアスの核心です。特定の集団がクリックや購入をする頻度、あるいは記録される頻度さえ低い場合、システムは「その人たちには、それを表示する頻度を下げる」と学習します。これは関連性に基づく最適化のように感じられるかもしれませんが、単に不平等を反映しているだけの場合もあります。そして、フィルターバブルにつながることもあります： 一度Xを気に入った人には、ますます多くのXが提供され続け、やがて新しいものに触れる機会がほとんどなくなります。

ダークパターンもこの問題の一部です。AIが自動的に人を操るからではなく、チームがときに誤った目標を設定するからです。システムが短期的な指標だけに合わせて最適化されると、過剰なリマインダー、人為的にあおられる切迫感、終わりのないフィードといった典型的なパターンが生まれます。

そのため、私たちはほぼすべてのプロダクトで有効な3つのガードレールを設けています。

1) 頻度制限: パーソナライズにも適度な量があります。通知をパーソナライズする際は、その頻度を制限し、同じ内容を延々と繰り返さないようにします。

2) 設計による多様性: 多様性を意図的に組み込みます。偶然ではなく、原則として、自分に合うものだけでなく、近いながらも新しいものも含めます。

3) ユーザーの操作権を見える形に: 「このようなものの表示を減らす」は、単にあると便利な機能ではなく、安全弁です。

これは倫理的により適切だと感じられるだけでなく、ブランドの強化にもつながります。ユーザーは、システムが自分たちに真摯に向き合っているかどうかに気づくからです。

そしてそれは、デジタル領域で私たちがPolaにおいて根本的に追求していることとも合致します。それは、誰もがアクセスできること、インクルージョンを推進力とすること、そして小手先の仕掛けに頼らない落ち着いたUXです。ここでは、パーソナライゼーションは特別なテーマではありません。ブランドが自らの価値観を本当に実践しているかどうかが明らかになる、もう一つの場にすぎません。

これを心に留めると、うれしい副次効果が生まれます。パーソナライゼーションはもはや「アルゴリズム」ではなく、心配りの一つの形として受け止められるようになります。

価値は常に理解可能かつ制御可能であるべき

信頼は、あらゆるパーソナライゼーションの取り組みで通用する通貨です。そして信頼は、「私たちに任せてください」という言葉ではなく、明確さから生まれます。

多くの企業がパラドックスに直面しています。一方では、人々は価値を得るためならデータを共有してもよいと考えています。Accentureの調査によると、消費者の83 %は、パーソナライズされた体験を得るために個人データを共有してもよいと回答しています。Accenture (2018)↗

一方で、基本的な信頼は低い水準にあります。2025年の概況報告によると、自分のデータを適切に扱うと企業を信頼している顧客は、わずか37 %です。Waves and Algorithms (2025)↗

私たちにとって、これは「それなら何もしないほうがよい」という結論ではなく、極めて具体的な設計原則につながります。データを最小限に抑え、その理由を目に見える形で説明することです。 あらゆるシグナルが必要なわけではありません。必要なのは、提供する価値を真に実現できる最小限のデータです。

実践では、同意の仕組みを適切に整え、実質的な選択肢を用意し、パーソナライズの理由を説明できるようにすることを意味します。「あなたがXをしたため、Yを表示しています」という一文は、大きな効果をもたらす小さなUXの構成要素です。

さらに、ユーザーが設定を管理できる機能（「興味・関心を編集する」「パーソナライズをオフにする」「今後表示しない」）を提供すれば、パーソナライズは監視されているという感覚を生むものではなく、ユーザーが自ら選んで利用するサービスになります。これは信頼の形成にもつながります。データ利用の透明性を高めることで、受け入れられやすさが大きく向上する可能性があります。 波とアルゴリズム（2025）↗

そしてもちろん、2026年には、規制の観点からもこれは決して軽視できる問題ではありません。GDPRが引き続き基本的な枠組みであり、EU AI Actをめぐる動向も踏まえると、その方向性は明確です。システムには、説明可能性を高め、文書化を充実させ、説明責任をより確実に果たすことが求められます。

実務上の結論です。データ保護はパーソナライゼーションの妨げではありません。長期的に機能し、ブランドにも合ったパーソナライゼーションを実現するための条件です。

小規模なユースケースから始める

多くのチームが失敗するのは、AIそのものが原因ではなく、始め方に問題があるからです。構想を大きくしすぎ、データソースを増やしすぎ、ツールを導入しすぎると、気づけば何も進まなくなってしまいます。

だからこそ、私たちはほぼ常に、検証可能な小さなステップで進めます。これから始めるなら、このロードマップはさまざまな状況で役立ちます。

1) 目標の明確化: ユーザーにとって何がより簡単になるべきですか？ また、どのようなビジネス上の効果を期待していますか？

2) データの確認: 実際にどのようなシグナルを保有していますか？ そのうち、品質が良好で、最新の状態にあり、利用が許可されているものはどれですか？

3) MVPを構築します：対象は一か所、一つのユースケースに絞ります。例えば、パーソナライズされたホームページやヘルプ記事です。

4) 測定して調整します：クリック数だけでなく、質も評価します。

KPIについては、コンバージョンと収益に加えて、再訪問、離脱、苦情率、簡単な満足度の質問など、少なくとも1つの「ウェルビーイング指標」を常に測定することをおすすめします。

パーソナライゼーションには大きな経済効果があるからです。ただし、人々を不快にさせない場合に限ります。Twilio Segmentによると、消費者の56 %は、パーソナライズされた買い物体験の後、再び購入する可能性が高まります。Twilio Segment (2023)↗

また、マーケティングでは、小さな工夫が大きな効果をもたらすことがわかります。セグメント別にパーソナライズしたメールキャンペーンは、大幅な収益増加と関連していると報告されています。Campaign Monitor (2022)↗

社内で理解を得る必要があるなら、大きな約束よりも、誠実な試算のほうが役に立ちます。「コンバージョン率を3 %向上させれば、Xか月でツールの導入費用を回収できます」。これなら具体的です。

そして、2026年に私たちが意識している点がもう一つあります。パフォーマンスとサステナビリティです。パーソナライゼーションによって、ユーザーにとって無関係な要素の配信を減らせるなら、読み込み時間の短縮やデータ通信量の削減にもつながります。これは単に「環境に優しい」というだけの考え方ではなく、多くの場合、より良いUXにもつながります。

これにより、パーソナライゼーションは、どこかに置き去りにされる実験ではなく、成長し続けるプロダクトの構成要素になります。

コンテンツはより柔軟に、データ処理はより慎重に

今後を見据えると、パーソナライゼーションは現在、二つの方向に変化しています。より創造的になると同時に、より慎重にもなっています。

より創造的です。生成AIはコンテンツを選ぶだけでなく、調整したり言い換えたりすることもできるからです。それがユーザーの役に本当に立つなら、すばらしいことです。同じ商品情報を、簡潔、詳細、専門的、わかりやすい言葉といった異なる「読み方のモード」で提供できるショップを想像してみてください。 または、あなたの興味に応じて異なる例を使って説明する学習プラットフォームです。

しかし、まさにここに限界もあります。生成コンテンツが、人々をますます刺激するためだけに使われるなら、それはパーソナライゼーションの向上ではなく、単に注意をそらす手法の向上にすぎません。2026年には、その能力はすでにあります。問われるのは姿勢です。

2つ目の方向性は、より慎重なアプローチであるPrivacy Techです。生データを一元的に収集せずにパーソナライズを可能にする手法が、ますます増えています。Federated LearningやDifferential Privacyといった用語は、もはや研究の場だけでなく、大手プラットフォームの製品ロードマップにも登場しています。 チームとしての皆さんにとって、これは次のことを意味します。パーソナライズとデータ保護の両立は、以前より容易になっています。ただし、そのためには、両立を前提としたアーキテクチャを設計する意欲が必要です。

ツールも進化しています。現在、多くのパーソナライゼーションおよび実験プラットフォームが、レコメンデーション、テスト、セグメンテーションを組み合わせています。さらに詳しく知りたい場合は、Optimizelyなどのツールを見てみる価値があります。 Dynamic Yield、または、より技術志向の強いチームにはAWS Personalizeです。

私たちは引き続き、冷静に捉えています。すべてのトレンドに従う必要はありません。ただし、どのような方向に進む可能性があるのかは知っておくべきです。

今後数年でパーソナライゼーションが標準になれば、差を生むのは誰が「AIを使うか」ではありません。むしろ、人々が理解されていると感じ、なおかつ自由でいられるように、誰がAIを使うかです。