今日もAI。明日もAI。そこに愛はあるんか。― AIを万能視しないための役割論 ―

はじめに～混在するAIへの期待と不安

AIが、広告/マーケティングの業務、業界全体を変革しつつあると言っても過言ではない。AIはLLMの登場によって、人間の自然言語をインターフェースとして扱えるソフトウェアへと進化した。
我々がこれまで活動してきた業務基盤（データ、ツール/テクノロジー）の上の「人間のコミュニケーション」とも言える業務フローを自動化し、マーケティングに新しい“価値“が拡がる未来を照らしている。
フランスのSF作家 ジュール・ヴェルヌ（Jules Verne）は、「人間が想像できることは、人間が必ず実現できる。」と言ったそうだが、幼い頃にどこか憧れのあった世界が現に到達しつつあることにワクワクする。

一方で、私たちは、AIが作った企画書にもどかしさを感じたり、まだ正確性や再現性に不安もある。ましてや会社の業績を直結/左右する意思決定をAIに頼りすぎるのはまだ現実味がない。なんでもかんでもAIで解決するということは信用できない自分がいる。

また、人が石器を得たことで筋力を失ったように、どこかでAIに頼りすぎて、脳力を失ってしまいやしないか不安にもなる。友人の某大学准教授がこんなことを言っていた。学生に対して、「LLMの回答を自分のアウトプットにしている奴の論文は見ない。LLMをインプットにして自分の思考をアウトプットしている学生の論文だけ見る。」人はLLMのもたらす業務効率化という名の思考停止の誘惑に弱い。

このように私たちはAIへの期待と不安の両方を抱えている。業務変革への期待がある一方で、重要な意思決定を任せるには不安も残る。私は実務を通じて、AIに担う役割の観点から、その課題とそれを解くカギを3つ考察したい。

メディアプランニング×AI。統計との組み合わせ

メディアプランニングやメジャメントはその結果如何によって投資コストやマーケティング成果に直接的に影響する。例えば、メディアの予算配分を変えると、広告の基本指標とも言えるトータルリーチが＋/－10%変化することはメディアプランニングではよくある。この10%の差はROIにも直結するからこそ、その結果に対しては、ロジックの妥当性、透明性、正確性、再現性が求められる。そこで実務で検証されてきたメディアプランニングは、長らくこの社会を支えてきた統計学に基づいていることが多い。統計は基本的には、“フォーミュラ“があり、数学よろしくアウトカムは係数と誤差項によって基本的には定まる。では、汎用LLMはどうか？実験をしてみた。

仮にアプローチしたいオーディエンスが男性20-49歳で、5,000万円予算で、KPIは１回以上リーチ、TVと大手動画媒体の2媒体の予算配分はどうすればいいかをいったんざっくりと聞いてみた。

皆様はこの結果をどう思われるだろうか？
これを、先ほど触れた実測のリーチカーブ等を搭載したメディアプランニングツールで解くと、ほぼ逆の結果になっていた。

LLMに数字の違いを聞いてみると、実測に基づく最適化ツールの集計の方が正しいと認めた上で、「リーチを線形な単調増加で捉えていました」、「TVと大手動画媒体Aの重複関係を考えていませんでした」、「cTVの単価を考慮していませんでした。」等、LLM自身が間違えた理由を様々に推論してくれた。

そこで、LLMに対して、リーチカーブ、CPM、重複の考え方等の基本的なデータや情報をプロンプト/コンテキストとして入力し、再考してもらうことにした。そうすると、

・・・かなり近い結果になった。なるほど！

念のため翌日、時間をおいてみようと思い翌日もう一度、同じことを聞いてみたが、・・・。
今度は、最適化ツールの結果とも、昨日のLLMが出した結果とも微妙に違う回答が得られた。

昨日となぜ違うか？の理由は、今回は実務上の特徴を考慮したというやや曖昧な回答が返ってきた。
なかなか、AIの機嫌（温度パラメーター等）は調整しても、回答が揺れうるようだ。いずれにしてもAIの説明は非常に説得力があるため、ぼーっとしているとそのまま信じてしまう。AI自身がハルシネーションを起こしていても、それに気づきにくい。
（本実験は汎用LLMを用いた概念検証であり、特定モデルの性能評価を目的としたものではない）

上記の実験から私は「メディアプランニングではAIは使えない」ということを言いたいわけではない。
この場合は、プロンプト設計やRAG（入力設計次第で相当に改善はされているものの）のみでは、実務ではまだ複雑な数理ロジックや業務ルールの再現性を十分担保できないケースもあるということだ。そこで、dentsu Japanでは、メディアプランニングAI Agentが出力する演算結果の再現性と信頼性を担保するため、AI から特定のコードやツールを呼び出すTool Callingという手法を使っている。AI Agentにはあくまでツールを呼び出して、成形加工し、そしてツールを横断して全体を評価させることを担ってもらう仕組みとしている。

意外に複数の専門性を掛け合わせてツールを活用できる人もそこまで多くないことからして、様々なツールをAI Agentが呼び出すという構造は統合メディアプランニングの観点ではこれだけでも十分に意味がある。

こうした妥当性・透明性・正確性・再現性を備えた統計学を定量的な意思決定の根底に置き、LLMと統計がちょうどよいバランスで組み合わさったAI Agentを作ることが、実務においては肝要だ。

ちなみに、タスクによって変動するが、全ての工程をLLMで実行した際と、演算処理をpythonコードに委ねて、それ以外をLLMで実行した際(Tool Calling型)の運用コストが約1.5(-2)倍程度違う（すべてをLLMのコンテキスト内で無理に推論・計算させようとするとトークン消費量が膨大になる、あるいは推論の試行回数が増えるため、演算処理をPythonに逃がすTool Calling型の方が結果的にトークンコストを低く抑えられる）という点にも言及をしておきたい。

メディアプランニングにおいて重要なのはAIの賢さだけでなく、統計モデル・数理モデルとの役割分担である。

データ×AI。大きなAI Agentと小さなAI Agent

①で言及したプランニング領域の信頼性を担保するための基盤となるデータ×AIの領域について考察をする。AIは、実務で使えるグループ企業間や組織の連携・統合の救世主となるだろうか？

意思決定に資するグループ企業間や提携企業とのデータ統合・連携の重要性が増している。しかし、組織のミッションや文化の違い、データ環境の違い、同意許諾等の不明瞭さで、データを統合できず、経済的価値を生みだせないケースも少なくない。この課題の突破口として、AI に期待が集まっている。AI Agent同士を繋いで、意思決定を行うAI Agentにデータや情報をインプットするという構造だ。これまでのデータ基盤のレイヤーで一元化できなくても、その上の「コミュニケーション」という業務フローのレイヤーで統合し、AI Agent同士がデータや業務コンテキストを相互連携しながら意思決定を遂行する。

ここで留意しておきたいのは、AI Agentを有用なものとするための業務知見・データそのものやその評価、管理、ガバナンスは、特定の部署・部門単位で執り行われているケースも多く、データの統合ありきだと、部署・組織間の連携ハードルが高く、進まないことも多い。
そこで、私が考える現実的な進め方は、無理にデータの統合を図ることに固執せず、全体の設計図（＝大聖堂＝全体を取りまとめるオーケストレーターAgent）を描きつつ、まずは足元のレンガ（＝部署ごとに最適化された専門AI Agent）から積み上げていくことだ。

結局は部署・部門の分掌（分断とはあえて言わない）は、組織の役務＆責任やガバナンスの運用観点でよい面があるからこそ突破しづらいのであって、突破そのものが目的ではない。このことからしても、まずは実務が執り行われているご近所さん同士の部署間でAI Agentを“分律型（分立し、かつ自律）”で構築し、そしてそれを並行して全体最適を担う部署で統合化を図るためのオーケストラ層を構築していくという方法が現実的なアーキテクチャーのように考える。

よくよく考えてみれば、“デジタルツイン”という言葉の意味は、ある意味で人間社会の鏡写しだとするならば、その組織構造もツインとして構築するのが早いということなのかもしれない。
もっとも、全体が先か、個別が先か。その両方を同時か。鶏卵の問題を解くのはなかなか至難の業ではある。

データ統合において重要なのは、全てを一元化しようとすることではない。統合できる単位で専門Agentを育てながら、全体をつなぐオーケストレーターAgentを並行して構築することである。

AI×AI。共進化を促すMarketing Agent Protocol

②では、自社グループ企業や自社内のAI Agentのアーキテクチャーについて考察をしたが、Agentは社外のAgentとも連携することになるだろうか？私は、当然、グループ社内はもちろん、異なる企業間でもAgentが連携する時代になると思う。とすると、Agent間連携の世界的な相互運用の動き（A2A等）と整合させつつ、日本固有のデータ環境やマーケット特性を踏まえた、広告/マーケティングに固有の共通ルールも必要になると考えている。
広告/マーケティング業務は、1社だけで完結する仕事ではない。エコシステムとして複数の会社が協業しながら1つの顧客体験を作っている。今後、AI Agentが駆動する未来に向かうためには、アドバタイザー、エージェンシー、メディア、プロダクション、リサーチ、データ・プラットフォーム等、様々な企業のより複雑な連携業務をAI Agentが履行しなければ成立しない。このような企業を跨ぐAgent間の安全、正確、信頼できる連携を効率的にスケールさせるためには、必要なルール/仕様/連携方法の検討が必要と考える。今後はアドバタイザーにとっても複数のパートナー企業のAgentをどう統制するかが重要なテーマになるのではないか。

dentsu Japanはその一例としてMarketing Agent Protocolの検討を進めているが、アドバタイザーが最終的に意思決定に繋げるためには以下のことに対応が必要だろう。

-a) 根拠/論拠
どのようなデータや情報に基づき、その結果が出力されているか

-b) データ連携
同意許諾・利用条件を踏まえ、どのようにAI Agent同士がデータを共有しあうか

-c) トレーサビリティと評価運用
結果に対して、後でどのAgentが何をしたかが確認できるか/改善できるか

-d) ブランドセーフティと責任所在
誤った判断をAgentが下したとき誰が説明責任を負うか

とりわけ(b)のデータ連携については、データを一元化・移動させずに、同意・許諾の範囲で突合・活用するデータクリーンルームのような仕組みが、企業を跨ぐAgent連携の現実的な土台になると考えている。この取り組みはまだ実証実験段階であるが、日本のマーケティングの進化について各社が協調的な視点で協働していくことが必要である。dentsu Japanでも、安全、正確、信頼できるAgentic Workflow（AI Agentが自律的に連携・実行する業務フロー）の実践知を広告/マーケティングのエコシステムの実行に係る各社の皆様と蓄積して参りたい。

最後に～今日もAI、明日もAI。そこに愛はあるんか。

「今は過渡期だから」ということを社会人になってから20年ぐらいずっと言い続けてきている気もする（ちなみに古代文明の時代から”おじさん”は過渡期だと言っていたらしい）。だが確かに今回のAIがもたらしうる変化は私の社会人生でも最大級に感じる。その進化や人とAIの関わり方、その価値の評価や真価のところはまだ始まったばかりということは間違いない。だからこそ、AIの力を最大限引き出し、ワクワクする未来へつなげていくために、過度な完璧を期待せず、保守的にもならず、自分自身の実務での活用の手触りを実感し、AIの個性と能力をしっかり観察すべしではないかと考えている。

リーダーがチームメンバーに対し、その個性や能力を見誤り、できない仕事や簡単な仕事ばかりやらせるのはよろしくない状況だ。逆に言えば、上手なAI（人）の使い手は、“今“の実務に価値のある形（＝AI（人）にとっての成功体験）を積み上げることを通じて、AI（人）の個性を愛して、伴走・協働する。AI（人）への不安への目をそらさずに言語化し、冷静に事実に基づいてフィードバックをし、改善を促す。AI Agentの可能性と限界を、自らが日々アップデートし、あるいは誰かによってアップデートされていくこと自体を楽しんでいく。

AI Agentの能力を過信することも、過小評価することも、本質ではない。重要なのは、その可能性と限界を理解し、適切な役割を与え続けることである。人材マネジメントがそうであるように、AIとの協働もまたマネジメントの問題なのだと思う。

本稿で述べた統計との役割分担、組織との役割分担、企業間との役割分担は、すべてAIを万能視しないための設計思想である。

今日もAI。明日もAI。そこに愛はあるんか。
その問いに向き合うこと自体が、AI Native時代のリーダーに求められる姿勢なのかもしれない。
AI is not a genius. It's a teammate.