ペルソナはAIでの可視性向上にどう役立つか

Semly の調査から得られた主な発見

AI におけるブランドの認知度は、質問者のニーズとモデルとの会話の過程に関連して評価される必要があります。一般的なクエリに対する回答に表示されるブランドは、そのオファーが適している人にシステムがそのブランドを推奨するかどうかをまだ示していません。 Semly のメソッドでは、Leon はペルソナによって定義されたユーザーの役割を引き受け、ターゲットの購入に関する質問をする前に会話を通じてコン​​テキストを構築します。

Semly では、AI エージェント レオンを使用してこのアプローチを開発しています。 6 か月間、ChatGPT および Gemini のクエリに関する調査と実験を実施しました。このレポートに提供されるデータセットは、120 万件のクエリ、24 件の集計レコード、および 12 件の一致した比較をカバーしています。分析には、6 つのコホートと、ペルソナなしとペルソナありの 2 つのコンテンツ準備アプローチが含まれています。

同じ可視性目標を達成するまでの平均時間は、ペルソナを使用しない場合は 100 日、ペルソナを使用する場合は 70 日でした。これは 30% の削減、つまり平均 30 日の削減に相当します。コンテンツの関連性は 61.5% から 77.5% に 16 パーセントポイント増加しました。両方のシステムで同じ方向の違いが観察されます。

この調査結果は、コンテンツ計画と可視性分析におけるペルソナの使用を裏付けています。これらは、資料が誰に向けてのものなのか、どの選択基準を説明する必要があるのか​​、どの反対意見に対処すべきなのかなど、より具体的な概要の基礎を提供します。回答の再現性とコンバージョンへの影響には別の指標が必要です。このデータセットは、どちらに対しても数値的な効果を提供しません。

質問だけでは顧客のニーズを説明できない理由

「快適なランニング シューズはどこで買えますか?」という質問表面、経験、予算、または使用目的を指定するものではありません。したがって、推奨事項は幅広い製品カテゴリに対応する可能性がありますが、ブランドはそれがレクリエーション用の森林ランナー、舗装されたルートの初心者、競技ランナーのいずれに届くのかを知る必要があります。

「私は主に森林の小道でレクリエーションとして走っており、短いトレーニングセッション用の靴が必要です」という記述は、状況を狭めます。 Semly のアプローチでは、Leon は会話の開始時にこのコンテキストを導入し、応答を解釈した後に目的の質問に進むことができます。主な購入ニーズは変わりませんが、測定条件にはペルソナ、意図、会話内の以前のメッセージが含まれます。これは、通訳の可視性が増加または減少する場合に重要です。

ペルソナはユーザーの役割とシナリオを定義し、Leon がモデルと会話するときに使用します。エージェントはその会話の中で独自のコンテキストを構築し、研究を人がチャットをどのように使用するかに近づけます。特定の実際のユーザーの履歴を再構築するものではありません。製品関連のニーズと制約から始める価値があります。年齢、性別、その他の人口統計上の特徴は、研究対象のシナリオによって正当化される必要があります。

公式の OpenAI および Google ガイダンスは、関連するコンテキストがタスクとその制約の定義に役立つことを示しています [1][2]。これはクエリを設計するための基礎となります。

AI エージェント レオンがブランド知識とユーザー コンテキストを結びつける方法

Leon は、ブランド、その製品、サービス、既存のコンテンツに関する知識に基づいてペルソナを作成します。次に、彼は選択したプロファイルに一致するユーザーとして研究で行動します。彼は会話を開始し、モデルに自己紹介し、その返答を解釈します。それに基づいて、彼はターゲットのプロンプトにコンテキストと意図を含めていつ質問できるかを認識します。この結果は、AI が提供するニーズと一致する人との会話にブランドを含めるという実際的な疑問に答えています。

Leon の役割は、モニタリングとコンテンツ計画を結び付けることです。回答により、推奨を正当化するためにモデルが使用する選択基準、反対意見、情報が明らかになります。特定のシナリオの情報がブランドの Web サイトに欠落している場合、分析によってコンテンツのギャップが簡単に特定される可能性があります。

レオンがユーザーとして会話を行います

レオンが行った研究は会話の後に続きます。エージェントは最初に、選択されたペルソナに従って、研究対象のユーザーとしてモデルに自己紹介します。これにより、ユーザーの状況とニーズが確立されます。応答を受け取った後、彼はそれを読み、会話の目的に関連して解釈します。

応答の解釈はエージェントの操作の一部です。レオンは目的の質問に進むことができるかどうかを評価します。そのタイミングは、会話の経過と受け取った応答によって決まります。ターゲット プロンプトにはユーザーのコンテキストと意図が含まれており、モデルがユーザーに関する以前の情報をすでに持っている会話に表示されます。

このクエリ方法は、人がチャットを使用する方法に近いです。ユーザーは自分の状況を説明し、返信を読み、それに基づいて次の質問を作成します。レオンは研究においてこの役割を担っており、展開される会話の中でブランドの推奨事項を分析できるようにしています。

インテントは、ユーザーが行いたい決定を定義します。ランニングの例では、コンテキストは森林小道でのレクリエーションランニングと、適切な靴の選択と購入の目的である可能性があります。レオンは、以前の応答を解釈し、目的の質問をすることができると判断したら、推薦を求めます。

結果を解釈する際には、会話の全履歴が関係します。前のメッセージで異なるニーズが導入されている場合、最後の質問の文言が同じでも、異なる応答が生成される可能性があります。したがって、調査では、ターゲットのプロンプトと、それが尋ねられた会話の両方を特定する必要があります。

プロセスの説明では、Leon の役割と、調査がチャットの対話に似ている理由が説明されています。ただし、提供された集計は、自己紹介、返信の解釈、または質問するタイミングの選択の影響を分離しません。 30% および 16 パーセント ポイントの結果がこれらの段階のいずれかに個別に起因するものではありません。

時間の 30% 削減が意味するもの

データセットは、共有の初期可視性レベルを 20%、共有目標を 40% と想定しています。可視性は、ブランドを推奨する回答数をクエリ数で割ったものとして定義されます。これは 20 パーセントポイントの増加を表します。アプローチでは、コンテンツがどのように準備されるかを説明します。結果は、データセットの仮定に基づいて、同じターゲットと質問パネルに対して評価されます。

ターゲティングまでの平均時間は、ペルソナを使用しない場合は 100 日、ペルソナを使用する場合は 70 日です。削減量は (100 - 70) / 100 × 100%、つまり 30% として計算されます。その差は30日です。正確に説明すると、「同じ目標に到達するまでの時間が 30% 短縮される」です。

可視性を構築するチームにとって、これは潜在的に、ニーズの特定から意図した結果の達成までのサイクルが短縮されることを意味します。運用上の解釈は重要です。より対象を絞ったコンテンツは、継続的な改訂の必要性を減らす可能性があります。ただし、このデータセットは編集作業時間や差異の個々の原因を分離していないため、全体の影響を Leon の自動化のみに帰するわけではありません。

提供されるデータには、ベースラインの可視性、最終的な可視性、目標までの時間が含まれており、毎日の可視性の時系列は含まれていません。したがって、グラフには結果が共有されるまでの時間が示されます。これらのデータを使用して、効果が一定の割合で蓄積されることを示唆する曲線を描くことはありません。

グラフ 1. 可視性 40% という共有目標までの平均時間: 100 日と 70 日。根拠: Semly のデータ内の 12 件の一致した比較。違い: 30 日、30% の削減。

コンテンツの関連性と回答の正確性は異なる尺度です

このデータセットでは、コンテンツの関連性は、ペルソナのニーズに沿っているとみなされる評価されたマテリアルの割合です。各レコードには 100 件の評価が含まれています。ペルソナを使用しない場合、1,200 件の評価のうち、関連する資料は合計 738 件になります。これらは 61.5% と 77.5% に相当します。

その差は16パーセントポイントです。ベースラインの 61.5% を超える相対的な増加は約 26.0% です。これらは同じデータセットを記述する 2 つの方法ですが、同じユニットを記述するものではありません。本文とグラフで使用される主な尺度は、パーセンテージ ポイントの差です。

コンテンツの関連性は、モデルの応答の真実性と同等ではありません。回答にはユーザーのニーズを満たす一方で、誤った製品仕様が含まれる場合があります。したがって、回答の正確性は個別に評価する必要があります。モデルは要件を考慮しているか、推奨事項は適切か、記載された事実は情報源によって裏付けられていますか?

77.5%という結果は、ペルソナアプローチにおいてユーザーのニーズを満たすマテリアルの割合が高いことを示しています。このデータセット内でより関連性の高いコンテンツ選択の記述をサポートします。個別の評価や詳細な採点ルーブリックはなく、集計データのみが提供されているため、このレポートは統計的有意性を主張したり、コンテンツの関連性をすべての AI 応答の事実の正確さと同一視したりするものではありません。

グラフ 2. コンテンツの関連性: 61.5% と 77.5%、16 パーセントの差。基礎: Semly のデータ内のアプローチごとに 1,200 件の評価。この指標は、ペルソナのニーズとの整合性を表します。換算率ではありません。

ChatGPT および Gemini の結果

ChatGPT の場合、ターゲティングまでの平均時間は、ペルソナなしで 95 日、ペルソナありで 66.5 日です。 Gemini の場合、数値は 105 日と 73.5 日です。どちらのシステムも 30% の削減を示しています。この比較は、分析されたグループ間の差異の方向が同じであることを示しています。

ChatGPT レコードのコンテンツ関連性は、ペルソナなしで 60.5%、ペルソナありで 76.5% です。 Gemini の場合、62.5% と 78.5% です。各システムの差は 16 パーセント ポイントです。システムとアプローチの各組み合わせには、600 件のコンテンツ評価が含まれます。

結果をシステムごとに分離すると、集計平均によってさまざまな結果が隠蔽されているかどうかがチェックされます。このデータセットでは、アプローチ間の違いは ChatGPT と Gemini 全体で一貫しています。これはモデル自体の品質ランキングではありません。時間と関連性は、分析されたアクティビティとコンテンツを表します。

実際には、システムごとに個別の可視性プロファイルを維持すると便利です。同じコンテンツとユーザーのニーズが異なる方法で提示される場合があります。レオンの推奨事項は、ブランド全体の存在感を 1 つの数字に減らすことなく、特定のシステムやシナリオに照らして評価できます。

グラフ 3. ChatGPT および Gemini の共有ターゲットまでの平均時間。基準: システムごとに 6 つの一致比較、Semly データ。結果は、モデルの品質のランキングではなく、分析されたアプローチを説明します。

6つのコホートにわたる結果

データセットはコホート M1 ～ M6 をカバーしています。各コホート内の両方のシステムについて計算されたターゲットまでの平均時間は、ペルソナなしで 75、85、95、105、115、125 日です。ペルソナの場合は、52.5、59.5、66.5、73.5、80.5、87.5 日です。

アプローチ間の違いは、ターゲットまでの時間が短い場合と長い場合の両方で明らかです。 M1では22.5日、M6では37.5日です。提供されたデータセット内のすべてのペアにおいて、ペルソナが存在する時間は、ペルソナが存在しない時間の 70% です。この固定された関係を明示的に示します。モデル応答の再現性の尺度としては扱いません。

M1 ～ M6 は、1 つのブランドの 6 つの連続する可視性測定値ではなく、コホートを表します。回数が増えたからといって、効果が月ごとに低下すると解釈すべきではありません。季節性と時間の経過に伴う変化を分析するには、カレンダーの日付と毎日または毎週の測定値が必要です。

目標までの時間を完全に評価すると、観察が終了する前にしきい値に達しなかったケースも報告されるはずです。提供されたデータセットは、そのようなケースを個別に識別しません。今後の比較を設計する際には、これを考慮する必要があります。

グラフ 4. 2 つのシステムで平均した 6 つのコホートにわたる目標までの時間、Semly データ。コホート M1 ～ M6 は、1 つのブランドの月間可視性時系列ではありません。

複数のペルソナにわたる同じ質問

Semly の作業の一環として、私たちは複数のペルソナにわたって同じ基本的な質問を調査しました。レオンはそれぞれのプロフィールに合わせたユーザーとなり、対象の質問をする前に会話を行います。これは、ニーズ、意図、以前のコンテキストが推奨事項や購入決定に役立つ情報にどのような影響を与えるかを特定するのに役立ちます。ランニング シューズに関する質問の場合、シナリオには、舗装ルートの初心者、レクリエーションの森林ランナー、およびより長いトレイル トレーニング セッションを受ける人が含まれる可能性があります。以下のマトリックスは、このメソッドの使用法を示しています。研究の回答を記録したものではありません。

回答ごとに、推奨されるブランド、選択の議論、技術的要件、反対意見、引用された URL を記録すると便利です。比較により、どの情報がシナリオ全体で繰り返され、どの情報が特定のニーズに固有であるかがわかります。ブリーフには、共通のコアと相違点を説明する追加セクションを含めることができます。

Semly は、複数のペルソナの作業から得た観察を、より関連性の高いコンテンツの推奨の基礎として使用します。ただし、提供されたデータセットには、ペルソナ識別子、完全なプロンプト、モデル応答は含まれていません。したがって、このレポートは数値的な効果を特定の人物に帰したり、推奨するブランドをランク​​付けしたりするものではありません。

複数のペルソナからの回答がコンテンツ概要になる仕組み

最終的な推奨事項の前であっても、会話によって簡単な情報が提供されることがあります。以前の応答では説明が必要な基準が明らかになる可能性がありますが、Leon の的を絞った質問はそれらをユーザーの意図に結び付けます。会話全体を分析すると、意思決定の次の段階で役立つコンテンツを特定するのに役立ちます。

まず、選択基準をブランド名から切り離す必要があります。推奨企業のリストだけでは、その企業がなぜ表示されるのかを説明できません。特定のユーザーがアプリケーションの比較、互換性の説明、または明確な返品条件を必要としているという情報は、編集チームにとってより有益です。

次に、それらのニーズをブランドの素材と比較する必要があります。重要な質問に対する回答が不足している場合は、既存のページを更新する必要がある場合があります。ユーザーグループ間の違いにより、別のセクションまたは比較が正当化される場合があります。この決定は、ペルソナごとに機械的にページを増やすのではなく、人々にとっての有用性を反映する必要があります。

概要の例には、ユーザーのシナリオ、下す決定、主要な基準、検証可能な製品データ、反論および情報源が含まれる場合があります。分析が林道に関するものである場合、資料では製品の使用法と制限事項を説明する必要があります。

この方法で準備されたコンテンツは、AI 応答から到着したユーザーにとってより関連性が高い可能性があります。これは、コンバージョンが向上するという仮説を裏付けています。確認には、導入後のユーザーの行動と販売結果を比較する必要があります。

再現性には繰り返し測定が必要です

固定されたペルソナの説明と一貫した会話ルールにより、測定値の比較が容易になります。レオンは対象の質問をする前に返答を解釈するため、会話履歴や決定ルールも管理する必要があります。プロセスの再現性と最終応答間の一致は個別に測定する必要があります。

提案されたテストでは、同じモデル バージョン、検索モード、言語、場所、およびセッション開始ルールを保持する必要があります。同じペルソナと目標から始まった完全な会話と、同じように再構成されたコンテキストを持つ応答の両方を比較すると便利です。最初の比較では、プロセス全体の変動を評価します。 2 つ目は、最終応答の変動を評価するのに役立ちます。ベースライン パネルとペルソナ パネルは並行して実行する必要があります。

考えられる指標には、ブランドの存在感の安定性、推奨ブランドのセット間の一致、引用元間の一致などが含まれます。 2 つのブランド セット A と B の場合、単純な一致測定は、両方の回答からのすべてのブランドのセット内の共通ブランドのシェアです。両方のセットが空の場合は、別のレポート ルールが必要です。

1 つのペルソナ内の再現性とペルソナ間の違いにより、さまざまな質問が解決されます。 1 つのプロファイルに対する安定した推奨事項は、プロファイル間の明確な違いと共存できます。 Leon の構造化されたペルソナの説明は、より一貫したクエリ条件を維持するのに役立ちます。ただし、提供されたデータセットには連続する応答間の一致の尺度がないため、再現性の向上を定量化することはできません。

コンバージョンへの影響を確認する方法

ビジネス測定では、回答、Web サイトの引用、ユーザーのサイト訪問、アクションの完了におけるブランドの存在を区別する必要があります。各ステージには独自のメトリックが必要です。推奨数は訪問数ではなく、訪問数は購入数ではありません。

コンテンツを実装した後、特定可能な AI ソースからのセッション、エンゲージメント、問い合わせ、トランザクション、収益を追跡すると便利です。一部のトラフィックには明確な送信元ラベルがない場合があるため、識別されたセッションの範囲を説明する必要があります。コンバージョン率は、適格なセッションなど、明確に定義された分母を使用する必要があります。

一貫した変換定義と観察ウィンドウを使用して類似のページまたはコンテンツ グループを比較すると、より信頼性の高い評価がサポートされます。プロモーション、価格、製品の在庫状況、キャンペーンなどのその他の変更を記録する必要があります。そうしないと、売上の伸びがコンテンツ戦略の変更によるものであると誤って認識される可能性があります。

したがって、このレポートは、実際のユーザーのニーズに関連したコンテンツが人々の意思決定に役立つ可能性があるという特定の仮説を提案しています。その売上への影響の大きさはまだ測定されていません。スプレッドシートにはセッション、リード、トランザクションが含まれていません。

方法論の変更が可視性の結果に何を意味するか

ペルソナとレオンの会話の導入により、モデルのクエリ方法が変わります。ターゲット プロンプトの応答には、以前のメッセージも含まれます。ブランドが規定されたニーズによりよく適合する場合には結果が上昇する可能性があり、システムが別のオファーを選択すると結果は下降する場合があります。したがって、比較では、質問の文言と会話の文脈が準備された方法の両方を考慮する必要があります。

最も明確なアプローチは、ベースライン パネルとペルソナ パネルの結果を並べて表示することです。結合した平均が必要な場合、ペルソナの共有は視聴者に関する明示的な仮定に従う必要があります。均等な重み付けは単純な分析オプションですが、各グループが実際の需要の等しい割合を占めていることを証明するものではありません。

ペルソナを選択する際には、ニーズとの整合性も重要です。オファーの観点のみから作成されたプロファイルでは、購入の障壁や製品が不適切な状況が省略される場合があります。ブランドを推奨しやすいユーザーのみを中心にパネルを設計するのではなく、要求の厳しいシナリオを含めると便利です。

報告書の概要

Semly の調査によると、ペルソナを含めることでコンテンツをユーザーのニーズに合わせ、AI での可視性を構築するのに必要な時間を短縮できることがわかりました。分析されたデータセットでは、共有可視性ターゲットまでの平均時間は、ペルソナなしの場合は 100 日、ペルソナありの場合は 70 日で、30% 短縮されました。コンテンツの関連性は 61.5% から 77.5% (16 パーセント ポイント) に増加しました。 ChatGPT と Gemini でも同じ方向の違いが観察されました。

Leon はこのアプローチを会話形式にしています。エージェントはユーザーとして機能します。エージェントは、ペルソナに従って自己紹介し、モデルの応答を解釈し、コンテキストと意図に基づいてターゲットの質問をいつ行うべきかを認識します。これにより、Semly は人々のチャットの使用方法に近い条件で推奨事項を分析できるようになります。

複数のペルソナにわたって同じ基本的な質問をクエリすると、さまざまな選択基準、反対意見、情報ニーズが特定されます。これらの観察は、ユーザーの決定に役立つ、より具体的な概要、比較、資料を提供します。コンテンツの関連性が高いと、このアプローチがサポートされます。コンバージョンへの影響を評価するには、ユーザーの行動とビジネスの成果を個別に測定する必要があります。

一貫したペルソナと会話ルールにより、比較可能なモニタリングの基盤が提供されます。ただし、応答の再現性は、会話履歴とクエリ条件を考慮したさらなる測定を通じて評価する必要があります。提示された結果は、再現性の向上や変換率の増加を定量化するものではありません。

ブランドにとって実際的な意味は明らかです。AI が誰に、どのような状況でオファーを推奨するかを研究し、その情報をコンテンツ開発に使用します。これにより、Semly は、可視性監視ツールをコンテキスト、意図、モデルの推奨事項の調査と結び付けます。

情報源

Semly 資料: 「100 万件を超えるクエリ、6 か月の調査。Semly が AI 可視性監視にペルソナを導入している理由」。レオンの会話に関する Semly の説明によって補足されています。エージェントと研究の説明の情報源です。

[1] OpenAI、迅速なエンジニアリング。クエリ内で関連するコンテキストを提供するためのガイダンス。 https://developers.openai.com/api/docs/guides/prompt-engineering

[2] Google 開発者向け AI、迅速な設計戦略。コンテキストとタスクの制約に関するガイダンス。 https://ai.google.dev/gemini-api/docs/prompting-strategies

[3] Franziska Weeber、Vera Neplenbroek、Jan Batzner、Sebastian Padó、1 つのペルソナ、多くの手がかり、異なる結果: 社会人口統計上の手がかりが LLM パーソナライゼーションにどのように影響するか、ACL 2026。 https://aclanthology.org/2026.acl-long.2079/

共有:

リンクをコピー