【ITニュース解説】Generic AI Outreach Is a Context Problem

AIを活用したメッセージ作成、特に営業メールのようなパーソナライズされたコミュニケーションにおいて、システムが出力する内容がなぜか汎用的で、人間味がないと感じることはないだろうか。この問題は、実はAIモデルそのものの性能不足ではなく、AIに与える「コンテキスト（文脈情報）」の不足が原因であると、この記事は指摘している。

具体例として、同じAIモデルを使って、営業担当者の採用情報という「シグナル（合図）」から二つの異なるメッセージが生成されたケースが示されている。一つ目のメッセージAは「営業担当者を採用されているとのこと。御社のようなチームが目標達成を早めるお手伝いをします。少しお話しませんか？」という内容だ。これは確かに採用情報を認識しているが、表面的な情報にとどまる。一方、二つ目のメッセージBは「3人のSDR（営業担当者）の増員は、人材確保から、彼らをいかに早く生産的にするかへと課題をシフトさせます。なぜなら、最初の採用を過ぎると、立ち上げ期間が最大の変数となるからです。私たちは、新しいチームが最初の悪い月を迎える前に、トップ営業担当者の実績を再現できるよう支援します。」という内容で、より深く企業の課題を推測し、解決策を提示している。

この二つの出力の違いは、AIモデルが賢くなったわけではない。違いを生んだのは、AIに与えられた「プロンプト（指示）」の内容、特に「コンテキスト」の質だった。メッセージAのプロンプトは「会社が営業担当者を採用している。パーソナライズされたオープニングラインを作成せよ」と単純だった。しかし、メッセージBのプロンプトは、採用情報というシグナルに加え、「ターゲット企業の条件」「対象者の関心事」「シグナルが意味する仮説」「解決策」といった具体的なコンテキストが詳細に与えられていたのだ。

多くの人がAIの出力がジェネリックだと感じたとき、AIモデル自体に問題があると考える傾向があるが、これはほとんどの場合、誤解である。AIは与えられた情報に基づいて論理的にテキストを生成する。もし与えられたコンテキストが浅ければ、出力も浅くなるのは当然だ。例えば「営業担当者を採用しているのを見ました」というメッセージは、確かにパーソナライズされているように見えるが、それは「あなたの採用データにアクセスできます」と言っているに過ぎず、受信者が「今、この情報が自分にとって何を意味するのか」という深い理解には繋がらない。AIが生成するメッセージが似たり寄ったりになるのは、ほとんどのプロンプトに含まれるコンテキストの量が少ないためなのだ。

では、どのようにすればAIに豊かなコンテキストを提供できるのだろうか。この記事では、AIが質の高いメッセージを生成するために必要な「コンテキストアセンブリ（文脈情報の組み立て）」のステップを具体的に解説している。

一つ目は「ICPルール（理想的な顧客プロファイルのルール）」だ。これは単に「中規模SaaS企業」といった漠然とした情報ではなく、「5人以上の営業担当者を抱えるSaaS企業で、年間成長率が30%以上、既存の営業支援ツールがなく、SDR対AE（アカウントエグゼクティブ）比率が特定の閾値を超えている」といった、具体的な条件と「なぜこの企業がターゲットなのか」という理由（例えば「プロセスが未成熟な段階での人員増加は、営業担当者の成果再現性に問題を抱えやすいから」）をAIに伝える必要がある。

二つ目は「ペルソナプライオリティ（対象者の優先事項）」だ。同じ「営業担当者採用」というシグナルでも、営業部長にとっては「新人の立ち上げ期間と成果再現性」が懸念事項だが、CFO（最高財務責任者）にとっては「人件費」、RevOps（レベニューオペレーション）責任者にとっては「オンボーディングの仕組み」が関心事となる。ターゲットとなる担当者の役職、彼らが最も気にしていること、逆に聞きたくないことなどを具体的にAIに伝えることで、その人に響くメッセージを作成できる。

三つ目は「シグナル仮説」で、これは最も重要な要素だとされている。これは単に観測されたシグナル（例: 3人のSDR募集）を伝えるだけでなく、そのシグナルが「このペルソナにとって、今、何を意味するのか」というビジネス上の解釈をAIに伝えることだ。例えば「SDRを3人増やすということは、アウトバウンド営業チームを拡大している。この人員増加は、通常30〜60日以内にプロセスの未成熟さによるギャップを生む可能性がある。つまり、新人のSDRはトップ営業担当者のやり方を知らないまま働き始め、最初の90日間で間違った習慣を身につけてしまう可能性がある」といった具合だ。この仮説をAIに与えることで、AIはゼロから推論するのではなく、既に形成されたアイデアを表現する作業に集中できる。

四つ目は「プルーフマッピング（証明ポイント）」だ。これは、提示された仮説に対して、自社がどのように役立つかを裏付ける具体的な解決策を、一つだけシンプルにAIに伝えることだ。例えば「私たちは、営業チームがトップ営業担当者の販売方法を体系化し、新しいメンバーが初日から同じパターンで営業できるように支援します」といった情報だ。

これら四つのコンテキストが揃うと、AIに与えるプロンプトは単なる指示の羅列ではなく、よりリッチな情報を持った形になる。AIはシグナルそのものではなく、シグナルから導き出された仮説に基づき、対象者の課題に焦点を当て、製品の売り込みではなく、会話のきっかけを作るようなメッセージを生成できるようになる。

また、システムが陥りがちな落とし穴として、「シグナルスコアリング」と「シグナル解釈」の違いも重要である。シグナルスコアリングは「誰に、どの順番で連絡するか」という優先順位付けの問題だ。複数のシグナル（資金調達、幹部採用、SDR募集など）があった場合、点数の高いアカウントを優先する。しかし、シグナル解釈は「何を伝えるか」というメッセージングの問題であり、対象となるペルソナにとって最も関連性の高いシグナルはどれかを見極める必要がある。スコアリングで高得点だからといって、全てのシグナルをメッセージに盛り込もうとすると、意味不明な文章になりがちだ。システムは、AIに生成させる前に、どのシグナルがこのペルソナにとって最も重要かを解釈し、そのシグナルと仮説だけをAIに渡すべきだ。AIには「選ばせる」のではなく「書かせる」べきなのである。

しかし、これらのコンテキスト情報はどこから来るのだろうか。ICPルール、ペルソナ優先事項、シグナル仮説、プルーフマッピングといった情報は、単にシグナルフィードに存在するわけではない。これらは構築され、維持され、生成時に適切に取得される必要がある。もしこれらの情報が手動で更新されるような文書に依存していると、コンテキストの矛盾や情報の古さが発生し、AIは間違った情報に基づいて自信満々にメッセージを生成してしまう可能性がある。これを解決するためには、「パーシステントな企業コンテキスト（永続的な企業文脈情報）」、つまり機械が読み取れる形で構造化されたデータベースに、これらの情報を一元的に保存し、常に最新の状態に保つ仕組みが必要となる。

この問題に取り組むシステムエンジニアにとって、最も有用なのは、実際にA/Bテストを実施してみることだ。現在システムが使っているシンプルなプロンプトと、今回説明した四つのコンテキスト（ICPルール、ペルソナ優先事項、シグナル仮説、プルーフマッピング）を盛り込んだプロンプトで、同じシグナルからメッセージを生成し、比較してみる。その出力の違いが、自社のコンテキストギャップを示している。特に、シグナル仮説（「Xを観測した、それはこの人物にとってYを意味する」という推論）は、最も深いドメイン知識を必要とする部分だが、ここが正しくエンコードされると、出力品質が劇的に向上する。

AIの性能が問題なのではなく、与えるコンテキストが問題なのだ。そして、AIモデルの性能とは異なり、コンテキストは人間が完全にコントロールできるものである。システムエンジニアとして、AIの能力を最大限に引き出すためには、いかに豊かで正確なコンテキストを設計し、提供するかに注力することが重要となる。