概要
現在、デジタルマーケターの間には、AI、特に大規模言語モデル（LLM）を意思決定に活用しなければ時代遅れになるという懸念が広がっています。
しかし、筆者はこの考えに異を唱え、LLMには二つの大きな問題があると指摘します。一つは、戦略的作業には不向きなほど「愚か」な点。もう一つは、さらに危険な「強力」な側面で、戦略を静かに平均的なものへと引きずり込んでしまう点です。
LLMは意味のある方法で「思考」するのではなく、与えられたシーケンスに基づいて次に続く最も可能性の高いトークンを統計的に予測する機械です。これは、訓練データに対するパターンマッチングであり、真の推論ではありません。
アップルの研究チームは「思考の錯覚」と題した論文で、LLMの推論能力はパズルの複雑さが増すと精度が完全に崩壊することを発表しました。これは、既知のパターンにない、わずかにでも新しい問題に対しては、LLMが驚くほど失敗する可能性を示唆しています。
その典型的な例が、LLMに「洗車をしたい。一番近い洗車場は100メートル先。歩くべきか、車で行くべきか？」と尋ねる「洗車問題」です。ChatGPT、Claude、Grokは皆「歩くべき」と答えましたが、これは「短い距離なら歩くべきか車か」という訓練データパターンに過剰に反応した結果です。車自体を洗車場に運ぶという本質を見落としていました。
GoogleのGeminiが最初に正しい答えを出したのも、このプロンプトが拡散し、インターネット上で「正解」が議論され、訓練データに取り込まれたためです。つまり、モデルは「思考」を学んだのではなく、「答え」を学んだのです。
この問題のより危険な側面は、LLMがタスクに「優れている」場合です。LLMがうまく機能するというのは、そのタスクの解決方法に関する訓練データが大量にあることを意味します。
そして、LLMが同じようなインターネットのスクレイプから学習すると、生成される出力は、ほぼ必然的に、他の誰もがやっていることの「平均」に非常に近いものになります。マーケティングにおいて、目立つことが仕事である以上、これは最も犯してはならない過ちです。
研究では、LLMにアイデンティティを定義する選択を任せると、人々の選択がより人気のあるオプションへとシフトし、行動や好みの独自性が減少することが示されています。これは「基本的なB*効果**」と呼ばれ、集合的なコンテンツの多様性が失われる原因となります。
現実世界での収束の例として、英国下院の議員の演説が挙げられます。ChatGPTの登場後、「I rise to speak」のような特定のフレーズの使用頻度が劇的に上昇し、多くの議員が同じような話し方をするようになりました。これは、LLMが生成する内容が、カテゴリページのH1sやメタディスクリプション、ブログの導入文、キャンペーンコンセプトなど、あらゆるマーケティング資産にも同様の影響を与えていることを示唆しています。
筆者は、自身のLinkedInでの実験として、意図的に下手なMS Paintのイラストを添えたSEOのヒントを投稿しました。これは、AIが生成した均一な画像があふれる中で、人間が作った痕跡があるコンテンツが人々に暖かさを感じさせ、エンゲージメントを高めることを示しました。人々は、コンテンツの中に「実際の人間が意図的に作成した」証拠を積極的に探しているのです。
解説
本記事は、AI、特にLLMのマーケティングへの活用において、その利点だけでなく潜む危険性、特に「収束（Convergence）」の問題に警鐘を鳴らしています。
LLMは高速で流暢なテキスト生成が可能ですが、その本質は「思考」ではなく「統計的予測」に基づいています。これは、ルーティンワークや定型的な業務、例えばaltテキストの修正、会議の要約、丁寧な返信の作成などにおいては非常に強力なツールとなり得ます。これらのタスクでは、出力が「平均的」であっても、そのコストはゼロに等しく、作業効率を大幅に向上させることができます。
しかし、ブランドポジショニング、ヘッドライン、キャンペーンコンセプト、トーン・オブ・ボイスといった、競合他社との差別化が求められる領域では、LLMに全面的に依存することは致命的です。LLMの出力は、訓練データに存在する既存のコンテンツの「平均値」に過ぎず、独自性や記憶に残るようなインパクトを生み出すことは期待できません。もしこれらの領域でLLMの決定に任せるなら、それは意図的に「平均」を選ぶことに他なりません。
著者は、LLMの出力を「意図的にそこから逸脱するためのベースライン」として活用することを提案しています。モデルが提示する最初の答えをコンセンサスとして認識し、そこから「逆のアイデアは何か？」「自社のブランドならではの視点や表現は何か？」と問いかけることで、独自性を追求する出発点とすることができます。
LLMが持ち得ない「独自のインプットデータ」への投資も重要です。顧客インタビュー、社内実験、未公開の意見など、公開データからは抽出できない情報こそが、競争上の堀（moats）を築き、真の洞察を生み出します。誰もがアクセスできる情報は、もはや「洞察」ではなく、単なる「壁紙」に過ぎません。
さらに、コンテンツには「目に見える人間の痕跡」を残すことが極めて重要です。手描きのイラスト、具体的な個人的なエピソード、独特の言い回し、あえて物議を醸すような意見など、完璧ではないが人間味あふれる要素が、AIが生成した均質なコンテンツの中で際立ち、読者の共感を呼びます。
結論として、LLMの「流暢さ」を「知能」と混同してはなりません。洗車問題が示すように、LLMは現実世界のモデル化を伴う新規性のある問題や、一般的な答えが正解ではない状況では、その限界を露呈します。マーケターは、LLMを賢く使いこなし、平均化の力に抗い、常に独自性と人間性を追求する戦略が不可欠です。
- 掲載元: Search engine journal
- 公開日: 2026-06-09T11:04:48+00:00
