マーケティング用AIエージェントの作り方
要約
AIエージェントは固定ルールではなくコンテキストを解釈し実行します。言語モデル、メモリ、ツール、プランニング層、フィードバックループの5コンポーネントが必須。ノーコードプラットフォーム型とカスタムスタック型の選択肢があり、Crawl-Walk-Runプロトコルで段階的に導入。ガードレール定義とエージェント判断の品質測定が成功の鍵です。
マーケティング用AIエージェントの作り方を理解するには、従来の自動化との決定的な違いから始める必要があります。メールキャンペーンを配信して48時間が経った。開封率は17％で停滞したままだ。従来の自動化ツールなら、そこで止まり、来週のレビュー会議まで待つことになる。だが、きちんと構築されたAIエージェントならば、すでに予算を有料ソーシャルメディアへ振り替え、セグメント別に配信タイミングを調整し、開封しなかったユーザーへの再エンゲージメントシーケンスをキューイングしているはずだ。
従来の自動化とAIエージェントで何が異なるのか
従来のマーケティング自動化は、ルールベースだ。こう設定する：「開封率が20％を下回ったら、3日後にリマインダーを送信する」。ツールはそのルールを正確に実行し、それ以上のことはしない。
AIエージェントはコンテキストを解釈する。モバイルで開封率が低く、デスクトップでは好調であることを観察し、小画面でサブジェクトラインが表示されにくいことを推論し、その推論に基づいてデバイス別に配信を分割する。誰もそのシナリオに対するルールを書いていない。エージェントが自分で推論して判断したのだ。
この区別は何を構築するかの判断時に重要になる。タスクに固定的で予測可能なロジックパスがあれば、標準的な自動化シーケンスの方が安価で確実だ。複数の変数にわたる判断が必要で、その変数が週ごとに変わるタスクなら、エージェントが必要だ。
実用的なテストがある。意思決定ロジックを平文で書き出してみよう。付箋1枚に収まるなら、ルールベースで構築しろ。1ページの条件分岐で埋まるなら、それはエージェントの領分だ。
マーケティング用エージェントが必要とする5つのコンポーネント
本番級のAIエージェントは、どのプラットフォームで組み立てるかに関わらず、5つの構成要素を共有する。
1. 言語モデルのコア。 推論エンジン。2026年、ほとんどのマーケティングチームは信頼できる指示実行のためにClaudeまたはGPT-4oを選択する。狭い領域で、コストが柔軟性より重要な高頻度タスクなら、より小さなオープンモデルでも動作する。モデルのシステムプロンプトはエージェントの目標、制約、返すべき形式を正確に定義する。
2. メモリ。 短期的なコンテキスト（このキャンペーン内で何が起きたか）と長期的な想起（Q3で何が機能したか、このオーディエンスセグメントは何に反応するか）。構造化されたメモリがなければ、エージェントはセッションごとにアプローチを再発明する。現在のベンチマークは、適切なメモリアーキテクチャを持つエージェントと、コンテキストウィンドウだけに依存するエージェント間で、最大15ポイントの精度差を示している。
3. ツール。 エージェントが呼び出すことができる関数だ。CRMのAPI、メールプラットフォーム、ウェブ検索エンドポイント、広告マネージャーのレポーティングAPI。各ツールは1つの機能だ。エージェントが何を呼び出せて何を呼び出せないかを明確に定義するほど、本番環境での動作がより予測可能になる。
4. プランニング層。 高度な目標を順序付けられた副タスクに分解する方法。再エンゲージメントキャンペーンの場合、これは次のようなことを意味する：セグメント別に開封率をチェック、最も弱いドリップステップを特定、3つの代替サブジェクトラインを生成、上位2つをA/Bテスト。このレイヤーは、シンプルな思考の連鎖プロンプトか、各ステップを順次処理する複数のスペシャリスト・サブエージェントから成るマルチエージェントセットアップかもしれない。
5. フィードバックループ。 エージェントの最後のアクションが機能したかどうかを告げるメカニズム。これなしにエージェントは行動するが調整されない。フィードバックループが、一回限りのAI呼び出しと本当に自律的なシステムの差を埋める。
プラットフォーム選択：ノーコードビルダー vs. カスタムスタック
正しい答えは1つの質問に左右される：マーケティングチームはスタックへのAPIアクセスを持っているか？
はいなら、n8n、Make.com、LangChainのようなフレームワークを使って、2～4週末でカスタムエージェントを構築できる。ツールを接続し、システムプロンプトを書き、シンプルなベクトルストアまたはマネージドメモリレイヤーでメモリを処理する。可能性の上限は高いが、メンテナンスコストも高い。
いいえなら、プラットフォームファーストのエージェントが素早いパスだ。Lindyのようなツールを使えば、プレーンな英語でワークフローを説明し、既存ツール（HubSpot、Slack、Google Ads）にOAuthで接続し、1日以内に動作するエージェントを完成させられる。トレードオフはプランニング層でのカスタマイズの制限だ。
言及する価値のある3つ目のパスがある：既存スタックに組み込まれたネイティブAIエージェント。例えば、HubSpotのBreezeエージェントはCRMデータ内で動作し、統合作業を必要とせずに再エンゲージメント、見込み客化、またはコンテンツ作成タスクを実行する。HubSpotがすでにシステムレコードなら、そこから始めることでセットアップの摩擦を完全に回避できる。
最初のエージェントタスクをスコープする方法
AIエージェント・プロジェクトの最も一般的な失敗モードは、スコープが広すぎることだ。「マーケティングを改善するエージェント」は、タスクではない。それは願いだ。
スコープが適切な最初のエージェントは、単一で測定可能な開始イベントと単一で測定可能な出力を持つ。例：リードが14日間、どのメールも開封しなくなったら、3つの再エンゲージメント用サブジェクトラインを生成し、配信用のドラフトを作成して承認待ちにする。それだけだ。1つのトリガー、1つの出力、1つの承認ゲート。
承認ゲートは最初のエージェントで重要だ。ほとんどのチームは2～4週間、エージェントの提案されたアクションをレビューしてから実行する監視モードで運用する。その期間、エージェントの判断への信頼が高まり、スコープ時に想定していなかった限界事例が浮かび上がる。
最初のエージェントを4週間監視モードで実行して大きな誤りなく完了したら、承認ゲートを削除する。エージェントは設定したガードレール内で自律的に動作する。
エージェントの実行：Crawl-Walk-Runプロトコル
適切な時間内に動作するマーケティング・エージェントを提供するほとんどのチームは、3段階のサイクルに従う。
Crawl（観察段階）。 エージェントが観察してレポートする。キャンペーンデータを読み、パターンを特定し、推奨事項を浮かび上がらせる。その推奨事項に基づいて手動でアクションを実行する。この段階は1～2週間かかり、主にエージェントがデータを正しく読めることを確認することだ。
Walk（準備段階）。 エージェントが人間の承認を待つアクションをドラフト作成してキューに入れる。再エンゲージメント・メールを作成する。有料ソーシャルメディアのリターゲティング用のオーディエンスセグメントを準備する。レビューして承認する。この段階は通常2～3週間実行される。
Run（自律段階）。 エージェントは事前に承認されたルールセット内でレビューを待たずにアクションを実行する。ガードレール（1日あたりの支出変化の最大値、除外されたオーディエンスリスト、ライブA/Bテスト中のサブジェクトライン変更なし）を定義すれば、エージェントはその範囲内で動作する。毎日のサマリーをレビューし、すべてのアクションではない。
ほとんどのチームは、キックオフから4～8週間で最初のエージェントをRunに到達させる。
エージェントを自律化させる前にガードレールを定義する
ガードレール会議は、ほとんどのチームがスキップするステップだ。システムプロンプトとツール接続に時間を費やすが、エージェントの自律的アクションがビジネスポリシー内にとどまるかどうかを決めるステップをスキップする。
Run段階に移行する前に、4つのガードレールカテゴリを定義しておこう。
支出制限。 エージェントは、人間を巻き込まずに1日の広告支出を15％以上引き上げることはできない。これはシステムプロンプトの提案としてではなく、ツール定義でハード制約として設定しろ。
オーディエンス除外。 解約したアカウント、法的ホールド、カスタム関係条件を持つVIPアカウント。エージェントは、どんな推論パスでも無視できない除外リストが必要だ。
チャネルルール。 組織によっては、コンプライアンス駆動のメール配信頻度制限がある。これらをハード制約として符号化しろ。開封率が低いからという理由で24時間以内に3つのメールを送信するエージェントは最適化していない。それはリスクだ。
エスカレーショントリガー。 エージェントが単独では判断できないものを定義しろ。3つの最適化サイクル後、キャンペーンのパフォーマンスが40％低下しているのは、自律的アクションのためのタスクではない。キャンペーン・ブリーフを再構成できる人間にエスカレートするシグナルだ。
エージェントが何を正しく（また間違って）実行したかを測定する
スコアボードは1つではなく、2つ必要だ。
最初のスコアボードはキャンペーンパフォーマンスを測定する：開封率、クリック率、獲得あたりのコスト、帰属収益。これはビジネスが関心を持つことだ。
2番目のスコアボードはエージェント判断の質を測定する：エージェントの提案されたアクションがシニアマーケッターが行ったであろうことと一致した頻度はどれくらいか？これはエージェントが正しく推論しているか、市場が簡単な局面にあるために有利な結果を得ているか。
2番目のスコアボードはエージェントの提案されたアクションのサンプルを、自律操作に移行した後でも監視レビューキューに保つことが必要だ。週に1度、マーケッターが無作為にサンプリングされた10の意思決定をレビューし、自分たちが行ったであろうことに対して評価する。その評価が継続的なキャリブレーション・データだ。
2つのスコアボードが異なる場合（キャンペーンパフォーマンスは上がったが、エージェント判断は週次レビューで疑わしい）は気をつけろ。市場の好調なサイクルに乗っているだけで、適切にキャリブレートされたエージェントではないかもしれない。
判定：狭くスタート、その後航行させる
マーケティング用AIエージェントは、一度設定すれば完了する製品ではない。構築し、監視し、キャリブレートし、徐々に拡張するシステムだ。第1四半期にそこから最大の成果を得るチームは、例外なく、最も狭いスコープでスタートしたチームだ：1つのトリガー、1つのアクション、1つの承認ゲート。
広いマンデートで始まり、監視段階をスキップし、今、エージェントが間違ったセグメントにメールをキューイングしている理由をデバッグしているチームは苦労している。
1つの再エンゲージメントタスクからスタートしろ。それを正しくやってのけろ。その後、エージェントに2番目のルートをナビゲートさせる。