本記事は50社以上の成長支援を手がけるKPIコンサル・岩田圭弘が解説します。
生成AIによって、マーケティングの「制作」は劇的に速くなった。記事は1日で書け、広告文は数十パターン出せ、クリエイティブも即座に差し替えられる。それなのに、リードは増えても商談は増えない——この状態に陥っているマーケティング組織は非常に多い。
原因は明快だ。AIは制作量を増やすが、成果につながる導線はつくらない。本記事では、マーケティングのAI活用を「作って終わり」にしないために、AIの出力をどのKPI層に組み込み、何を計測して定着させるかを解説する。
AIを入れたマーケが「作って終わり」になる3つの原因
1. ツール導入と量産が目的化する
「生成AIで月20本記事を出す」「広告文を50パターン作る」——量が目標になった瞬間、施策の評価軸は本数に固定される。本数は達成される。だが商談数は動かない。何を変えるためにAIを使うのかが設計されていないからだ。
2. マーケと営業でKPIが分断されている
マーケがリード数・PV・CPLで評価され、営業が受注で評価される構造のままAIを入れると、AIは「マーケ側の指標だけ」を効率よく伸ばす方向に働く。質の低いリードが量産され、営業の工数を奪い、全体のROIはむしろ悪化する。マーケティングのKPIは営業のKPIと一本化して初めて機能する。この原則はAIを入れても変わらない。むしろ量が増える分、分断の害は拡大する。一本化の全体像はBtoBマーケティングKPI完全ガイドで扱っている。
3. 情報過多で現場が消化しきれない
最も見落とされる原因がこれだ。生成AI・MA・分析ツールは、記事案もセグメント別の示唆もスコアも、いくらでも出力できる。だが誰も見返さないダッシュボードとレポートが積み上がり、現場は「何を見て、次に何をすればいいのか」がわからなくなる。出力が増えることと、施策が良くなることは別物だ。AI導入後に施策の質が落ちる組織の多くは、能力不足ではなく情報の消化不良で止まっている。
この3つに共通するのは、AIで何を変え、その結果を何で測るかが決まっていないことだ。
3層フレームで設計する：AIはどの層を担うか
マーケティングのAI活用は、KPIを3層に分けて「AIがどの層の作業を代替・支援するか」を決めるところから始める。3層設計の基本形はKPI設計完全ガイドを参照してほしい。
| 層 | マーケの指標例 | 性質 | AIが支援する作業 |
|---|---|---|---|
| KGI（最終） | 受注金額・ROI・LTV/CAC | 結果。直接は動かせない | 着地見込みのシミュレーション |
| 中間KPI（遅行） | 商談化率・MQL→SQL転換率・チャネル別受注転換率 | 数週間〜数か月遅れて動く | チャネル別・セグメント別の集計、詰まり箇所の可視化 |
| 先行KPI（行動） | 公開本数・改善実施数・シナリオ配信数・訴求テスト数 | 今週の行動で動かせる | 下書き生成・リサーチ・データ整形・パターン出し |
AIが最も価値を出すのは先行KPI層の作業代替だ。記事の下書き、広告文のパターン出し、競合リサーチ、データ整形——これらをAIが巻き取ることで、マーケ担当者は「どの訴求をどのセグメントに当てるか」の設計に時間を再配分できる。この再配分を設計せずにAIを入れると、浮いた時間は本数ノルマに吸収されて消える。
中間KPI層では、AIは「どのチャネルで詰まっているか」の可視化まではできる。だがなぜ詰まっているのか、どう打ち手を変えるかの判断は人間の仕事だ。そしてマーケの3層は、営業の3層と地続きでなければならない。マーケの中間KPIの終点（商談化）は、営業の先行KPI（商談数）の起点である。ここを別々に設計している限り、AIを入れても一本化されたファネルにはならない。
主要KPIとAI活用ポイント
| KPI | 種別 | AIでどう変わるか |
|---|---|---|
| コンテンツ公開本数 | 先行 | 下書き生成で本数は容易に増える。本数自体を成果指標にしない |
| 訴求テスト実施数 | 先行 | 広告文・LP見出しのパターン出しを自動化し、検証回数を増やす |
| 既存コンテンツ改善実施数 | 先行 | 検索順位・離脱データから改善候補を抽出（優先順位の判断は人間） |
| ナーチャリング配信数・反応数 | 先行 | セグメント別シナリオの文面生成、配信タイミングの候補提示 |
| リード数・CPL | 遅行（手前） | 獲得効率は改善しやすいが、ここで評価を止めると質が落ちる |
| MQL→SQL転換率 | 遅行 | スコアリングの材料提供。基準の合意形成は人間が行う |
| 商談化率（マーケ経由） | 遅行 | チャネル・コンテンツ別の商談化を集計し、貢献を可視化 |
| チャネル別受注転換率 | 遅行 | 受注データとの突合を自動化し、配分見直しの材料を用意 |
| 指名検索数 | 遅行 | クエリの分類・集計を効率化し、認知施策の効果を可視化 |
| ROI・LTV/CAC | KGI | 試算の高速化。投資判断そのものは人間が担う |
どの指標でも、AIの役割は材料を大量に用意することだ。その材料から何を読み取り、どの施策をやめてどこに寄せるかを決めるのは人間である。
KSFは「比較」から見つける
成果を左右する要因（KSF）は、目標から逆算して机上で決めるものではない。成果が出ているチャネル・コンテンツ・担当者と、平均との差分から発見するものだ。AI時代には、この工程の役割分担を厳密に分ける必要がある。
- AIは比較材料・データを大量に用意する。 商談化したリードとしなかったリードの流入経路、閲覧コンテンツ、フォーム項目、業種・規模を並べて出力する。ここまではAIの仕事だ。
- 人間が本質的な違い（KSF候補）を抽出し、型として言語化する。 「商談化したリードは、料金ページと導入事例を両方見てから問い合わせている」といった一段抽象化した差を見抜き、1つの型に落とす。AIは大量の要約を出せるが、何が本質的な差かを判断することはできない。この抽象化はマーケティング責任者やコンサルタントなど、人間にしかできない仕事である。
- 人間が、その型が全員に実行可能かを判断する。 抽出した型が、チーム全員・全チャネルで再現できるものなのか、それとも特定の担当者の経験や人間関係、センスに依存していて再現できないものなのかを見極める。この実行可能性の判断も、AIには任せられない。
AIに差分を見つけさせる、AIにKSFを決めさせる——この使い方は必ず失敗する。AIの出力を鵜呑みにせず、抽出・言語化・実行可能性判断の3工程は人間が担う。
AI導入後の先行指標の作り方（5ステップ）
KSFが定まったら、日々測れる先行指標に落とす。実行可能性の判断を含めた5ステップで設計する。
- KGIを確認する。 マーケ単独の指標ではなく、受注金額・ROIまでを最終成果として置く。
- 中間KPIに分解する。 商談化率、MQL→SQL転換率、チャネル別受注転換率に分解し、どこが詰まっているかを特定する。
- KSFを比較から抽出する。 前章の3工程で、成果チャネルと平均の差分を型として言語化する（AIに任せきりにしない）。
- その型が全員に実行可能かを判断する。 特定の担当者のセンスや属人的な関係に依存していないか、誰でも再現できる行動に翻訳できるかを人間が判断する。実行不可能な型を指標にしても、現場は動けず形骸化する。
- 実行可能な型を先行指標に落とす。 「導入事例への内部リンク設置率」「料金ページ導線を含む記事の割合」のように、週次でカウントできる行動指標に変換し、AIで実行状況を可視化する。
この5ステップを踏むと、AIの出力が「眺めるだけのデータ」から「行動を変える指標」に変わる。