予算に限りがあるAI施策を「反応予測→利益試算→配信選定」で決める手順
参照したAIgram
目次
- 概要：限られた予算でAIを使うなら、配り先を決める手順から組み立てる
- 予算に限りがあるという前提から出発すると、問いは「何ができるか」から「どこに配るか」へ変わる
- 第1段階の反応予測は、実績の薄い相手を扱えるかどうかで質が変わる
- 予測の入力をそろえる段階では、データに加えて人が現場で得た情報も同じ形にまとめる
- 第2段階の利益試算は、組み合わせごとに増減を計算して初めて選定の材料になる
- 第3段階の配信選定は自動化で完結せず、AIの一次判定を人が二次で絞り込む形が取られている
- 選んだ施策を回し続けるには、実施結果を測って次の判断材料に戻す経路が要る
- 手順を使う人が動けないと施策は実行されないため、使い始めの障害を下げる働きかけが伴う
- 結論：3段階の手順と、人の判断・結果の記録・使い手への支援をひと続きにする
概要：限られた予算でAIを使うなら、配り先を決める手順から組み立てる
AIを使った施策で悩ましいのは、やれることが多い一方で、使えるお金と時間には限りがあるという点です。ここで参考になるのが、東芝テックのリテールプロモーション最適化AIソリューション 東芝テックの生成AI販促最適化 です。このソリューションは、次の4つの機能で構成されています。
- 消費者一人一人の購買に至りやすい商品を、消費者と商品すべての組み合わせで予測する
- 消費者一人一人の、プロモーション別・商品別の反応度を予測する
- 各消費者に各々のプロモーションを発信した際の売上・利益の変化をシミュレーションする
- プロモーション投資額に限りがある中で、どの消費者にどのプロモーションを発信すると経済効率性が高く、利益総額が最大化されるのかをシミュレーションして配信する
つまり「反応を予測する → 利益の増減を試算する → 配信先を選ぶ」という順番が、あらかじめ機能として組まれています
。
一方で、生成AIに取り組む企業のうち本格的な活用にたどり着けたのは1割ほどにすぎず、多くは「とりあえず入れてみた」まま立ち止まっている、という指摘もあります 生成AIを導入しても成果が出ない構造。そこでは、「ちゃんと動くか」を確かめただけで終わり、誰のどの業務にどんな価値を生むかが定まっていないことが問題として挙げられています。
この記事では、東芝テックの手順を軸に、予測の入力をどう用意するか、選定に人がどう関わるか、実施後の結果をどう次に戻すかを、他の事例と合わせて見ていきます。予測の材料をそろえる部分では、現場のIoTデータに人が感じたことや実施した作業のメモを加えてAIが読み取りやすいファイルとして出力し、実証結果を再び蓄積する「envedded」 fireflakeのenveddedが農業現場改善を支援 の形が参考になります。
予算に限りがあるとき、AI施策は「何ができるか」を広げる話ではなく、限られた原資をどこに配るかを順番に決める話になります。
予算に限りがあるという前提から出発すると、問いは「何ができるか」から「どこに配るか」へ変わる
東芝テックのソリューションで目を引くのは、「プロモーション投資額に限りがある中で」という条件が、あとから足された制約ではなく、機能そのものの前提として書かれている点です 。膨大な組み合わせの中から、経済効率性が高く利益総額が最大化される配信先をシミュレーションして選ぶ。つまり最初から、全員に配れないことを織り込んだ設計になっています。
これは、成果が出ないAI活用の話と裏返しの関係にあります。うまくいかない取り組みの多くは「AIで何かできないか」という問いから始まっている、という指摘です 。そこで示されている順番は逆で、まず顧客にとっての価値を定め、それを実現する手段として技術を選ぶ、というものです。
予算の制約を先に置くと、この順番は自然と守られやすくなります。配れる数が決まっていれば、「誰に配ると何がどれだけ増えるのか」を答えないと選べないからです。
予算の上限を最初に置くと、「AIで何ができるか」ではなく「誰に配るとどれだけ得られるか」を答えざるを得なくなります。
第1段階の反応予測は、実績の薄い相手を扱えるかどうかで質が変わる
最初の段階は、誰がどれに反応しそうかを予測することです。ここで課題になるのが、過去のデータが少ない相手です。
東芝テックの説明では、従来手法では過去に購買が少ない消費者へのプロモーション最適化が困難で、多くの場合はベストセラー、購買済み商品やその類似品、またはあえて新規性のある商品を提案するレベルにとどまっていた、とされています 。よく買われているものを勧める、前と似たものを勧める、という範囲から出にくかったわけです。
これに対して東芝テックは、「トランスフォーマー」モジュールをレコメンデーション・モデルそのものに組み込みました。それにより、消費者ごとの購買履歴に加えて、顧客属性・商品属性・店舗属性といった情報を統合し、消費者の好む商品を推論できるようになったと説明されています。
予算が限られるほど、実績の厚い相手だけを対象にすると、施策の伸びしろは頭打ちになります。第1段階の質は、履歴以外の手がかりをどれだけ使えるかで決まる、と言い換えられます。
予測の入力をそろえる段階では、データに加えて人が現場で得た情報も同じ形にまとめる
予測は入力があって初めて成り立ちます。東芝テックの予測は、POSデータと顧客・商品・店舗の属性を入力としています 。小売であれば、こうしたデータは日々の業務の中ですでに貯まっているものです。
ただ、データがあること自体は出発点にすぎません。農業の現場では、データの取得は可能になったものの、改善や判断に十分生かしきれていない、という課題が挙げられています 。
fireflakeの「envedded」は、この間をつなぐ形を取っています。
- まず現場のデータをクラウドに収集する
- データだけでは表せない「人間が感じたこと」や「実施した作業・対策」のメモを加える
- 統合した情報を、AIが読み取りやすいファイルとして出力する
- 作業者がそのファイルをAIに渡して相談し、具体的な改善策や仮説を導き出す
数値として自動で取れるものと、人が現場で気づいたことを、同じひとまとまりの形にそろえてから渡す。この段取りは、販促に限らず、手元のデータで判断材料を作るときの参考になります
。
第2段階の利益試算は、組み合わせごとに増減を計算して初めて選定の材料になる
反応しそうな相手が分かっても、それだけでは配り先は決まりません。反応する人に配れば必ず得になるとは限らないからです。
東芝テックは、お客様×商品別の膨大な組み合わせで、クーポンを送った場合にどれだけ利益が増加／減少するのかを計算し、利益総額が最大化される組み合わせを推定できるようになった、と説明しています 。ここで「増加／減少」と両方が書かれている点が大事です。値引きや原資を伴う施策では、送ったほうが利益が減る組み合わせもあり得ます。
そしてこのソリューションでは、売上・利益の変化をシミュレーションする機能が、反応度の予測と配信の選定のあいだに置かれています。反応の予測から直接配信先を決めるのではなく、金額に換算する工程を一段はさむ構成です。
反応しそうかどうかと、送って得になるかどうかは別の問いです。金額に置き換える工程をはさんで初めて、限られた予算の配り先を比べられます。
第3段階の配信選定は自動化で完結せず、AIの一次判定を人が二次で絞り込む形が取られている
試算まで済んでも、最後の選定をすべて機械任せにしている例ばかりではありません。対象は違いますが、ナイル株式会社の「AIブランドプロテクト」 ナイルAIブランドプロテクトの誤情報検知と改善支援 の分析体制が分かりやすい参考になります。
このサービスでは、自社開発のモニタリングツールがChatGPTやGemini、Googleの「AIによる概要（AI Overviews）」、AIモードの回答データを自動で取得します。そのうえでAIによる1次分析が事実関係の正誤判定などを行い、その結果をコンサルタントが2次分析して、誤検知の排除や改善優先度の判断を担います。
つまり、機械が広く拾い、人が絞り込んで優先順位をつけるという分担です。さらにナイルは、市場に存在するモニタリングツールの多くが「検知」にとどまるのに対し、改善施策の立案から実行支援、効果検証まで担う点を最大の特長としています。見つけるところで終わらせず、実行まで持っていく設計です。
限られた予算を配る場面でも、この分担はそのまま当てはまります。候補の洗い出しと数値の試算は機械が得意ですが、どれから手をつけるかの優先度づけには、事情を知る人の判断が入ります。
選んだ施策を回し続けるには、実施結果を測って次の判断材料に戻す経路が要る
一度配って終わりであれば、次の予測は前回と同じ材料のままです。事例では、結果を戻す経路がそれぞれ用意されています。
- ナイルは初期診断で現状を把握し、その後は月次で変化を追いながら改善施策を進め、施策後の回答変化まで確認します
- enveddedは「現場を把握し、仮説を立て、小さく試し、その結果を次の改善につなげる」という試行錯誤のサイクルを、現場で働く人自身が回すことにフォーカスしています
- マイナビはDifyでAIアプリを公開する際に、利用前後の業務時間などを報告させ、費用対効果の定量把握を目指しています マイナビがCopilot浸透で利用率93％へ
対象も業種もばらばらですが、共通しているのは、実施したあとの変化を記録して次の判断に使う、という点です。予算が限られている以上、次にどこへ配るかを決めるには、前回どうだったかの記録が要ります。
手順を使う人が動けないと施策は実行されないため、使い始めの障害を下げる働きかけが伴う
手順が整っていても、現場でAIが使われなければ施策は動きません。マイナビの経過は、その難しさと打ち手をはっきり示しています 。
同社ではCopilotの導入当初、従業員のメイン層である営業職が多忙で、AIツールについて学ぶ時間などを定時内で捻出しにくい状況でした。加えて、利用ガイドラインの制約が厳しかったことも要因となり、利用が広がりませんでした。そこで進めたのが次の取り組みです。
- 主要な全国20拠点を訪問し、対面でAIに関する勉強・相談会を実施する（基本的に2日間で、約1時間の集団勉強会と、30分から1時間の個別相談枠）
- 社内のナレッジ共有サイトを整備する
- 利用ガイドラインの制約を段階的に緩和する
こうした取り組みにより、社内のCopilot利用率は2024年の44.5％から、2025年前半には93.0％に達しました。移動時間をかけてでも全国を巡ったのは、顔を合わせて会話すると心理的なハードルが下がり、「これは聞くほどでもないか」という質問も引き出せるようになるからだと説明されています。
同じ課題意識は、社外のサービスにも見られます。ABCash Technologiesとx3dが提供する「AIZUS」 AIZUSで13種AIを業務へ定着する研修 は、使い方は理解していても業務で活用できない、情報が多く何から始めればよいかわからない、といった課題を背景に、2ヶ月・全8回のワークショップでプロンプト設計から業務への実装までを扱う少人数伴走型のサービスです。
手順を設計する人と、実際に手を動かす人は同じとは限りません。使い始めの障害を下げる働きかけが、手順そのものと同じくらい成否を分けます。
結論：3段階の手順と、人の判断・結果の記録・使い手への支援をひと続きにする
東芝テックのソリューションは、購買予測 → プロモーション別・商品別の反応度予測 → 売上・利益変化のシミュレーション → 投資額の制約下での配信選定、という順序で構成されています 。予算に限りがある中で配信先を決める手順が、実際に組み立てられている例です。
その手順を実際に回すために、他の事例が補ってくれる点をまとめます。
- 選定を機械任せにしない。ナイルはAIの1次分析を人が2次分析し、誤検知の排除と改善優先度の判断を行ったうえで、施策後の変化まで確認しています
- 判断材料を作る。enveddedは現場データと人のメモを統合してAIから仮説を得て、実証結果を再びデータとして蓄積する形を示しています
- 使い手が動ける状態にする。マイナビは対面の勉強・相談会とナレッジ共有サイトの整備、ガイドラインの段階的な緩和を経て、Copilot利用率93.0％に至りました
一方で、生成AIに取り組む企業のうち本格活用に至ったのは1割ほどにすぎず、「ちゃんと動くか」を確かめただけで終わり、誰のどの業務にどんな価値を生むかが定まっていない取り組みが多いと指摘されています 。
予算に限りがあることは、施策を狭める制約であると同時に、この問いに答えるきっかけにもなります。反応を予測し、利益の増減を試算し、そのうえで配り先を選ぶ。三つの段階に分けて考えるだけでも、「とりあえず入れてみた」から先へ進む足がかりになります。