そのレビュー、AIに無視されていませんか？ レビューを「資産」に変える条件

Digidayが3月12日に公開した記事によると、ショッピング検索でAIを使うユーザーが増えるなか、商品マーケティングの重心は、従来の「検索結果で上位表示を狙うSEO」から「AIに引用され、推奨されるための評判のデータ化」へと移り始めています。

顧客レビューが再評価される理由

顧客レビューは、もはや昔ながらの補助的な要素ではなく、新たな発見導線を左右する材料として再評価され始めています。しかし、レビューの重要性が高まったことで、新たなマーケティングの難所も浮かび上がってきました。

まず、レビューの蓄積には時間がかかります。新興ブランドや高価格帯商材、B2B寄りの商材のようにレビューを集めにくい領域では不利になりやすく、逆に既存プレーヤーには有利に働きます。

次に、質の問題があります。星評価だけ、あるいは具体性に乏しい短い感想だけというレビューも少なくありません。そうしたレビューからは、AIがターゲット層や製品の強みを適切に読み取れない可能性があります。

そして信頼性の問題です。米連邦取引委員会(FTC)は2024年、「市場を汚染している」として偽レビューや対価を伴うレビュー操作、レビューの不当な抑制などを禁じる最終ルールを公表し、同年10月21日に施行しました。

もっとも、ルールが整備されたからといって、レビューの信頼性が十分に確保されたわけではなく、2025年末に改めて消費者向けに偽レビューへの注意喚起が行われました。

では、企業はどのようにして価値ある消費者の声を取り込み、活用していけばよいのでしょうか。

AI合成ペルソナで仮説検証を高速化

その一つの手法として採用が進み始めているのが、AIによる「合成ペルソナ(synthetic personas)」の活用です。

たとえば、ある商品の主なターゲットが「サンフランシスコ在住、年収10万ドル、プライバシー意識の高い30代のエンジニア」だとします。その条件をもとにAIペルソナを大量に生成し、新しい広告コピーや製品コンセプトをぶつけて反応を比較することで、初期の仮説検証を短時間で回すことができます。

市場調査会社Tolunaは、100万体超の合成ペルソナを活用したテスト基盤を打ち出しています。NielsenIQ(NIQ)も、合成回答者を新製品コンセプトの初期評価に活用できると紹介しています。さらに2月には、市場調査会社Legerが広告・マーケティングネットワークのPlus Companyと提携し、「Smart Persona」を研究実務に取り込むと発表しました。

• 

  Legerの「Smart Persona」のデモ。食へのこだわり持つ人を想定した合成ペルソナを作成、さらに食品価格の高騰などリアルタイムの文脈も加味し、複数のソースから購入したい優先順位をアンケート

フォーカスグループや大規模アンケートといった従来手法には、時間もコストもかかります。そこで、合成ペルソナを使って「明らかに刺さらない案」を素早くふるい落とし、有望なアイデアだけを人間による調査で深掘りする。そうしたハイブリッド型の調査は、リサーチの初期工程を大幅に効率化する可能性があります。

ただし、「早くて安い」と興味を持つ経営陣とは対照的に、現場のリサーチ担当者の見方は必ずしも楽観的ではありません。Rival Groupなどが最近出した「2026年の市場調査トレンド」に関するレポートでは、リサーチ業務担当者の4割以上が「合成ペルソナの利用には期待していない(あるいは否定的)」と回答しました。

デザインコンサルタントのIDEOも、人間の複雑な感情や生活文脈、会話の脱線から生まれる予想外の発見や深いインサイトを再現できないと警鐘を鳴らしています。AIは「もっともらしい平均的な回答」を生成しがちで、そこから外れる違和感や矛盾、ノイズの価値を取りこぼしやすいというわけです。

効率化を突き詰めるほど、逆説的に「人間にしか出せないノイズや矛盾の価値」が浮き彫りになっています。

人間の本気度を映す仕組みとしての予測市場

こうした流れのなかで、もう一つ興味深いのが、予測市場に代表される別のアプローチです。

3月16日に第98回アカデミー賞の授賞式が開催されましたが、受賞予想が盛り上がっていた時期に、予測市場プラットフォームのKalshiと映画コミュニティサイトRotten Tomatoes が提携し、Rotten Tomatoesの関連記事やソーシャルメディアにKalshiのリアルタイムの予測市場データが活用されました。

Rotten Tomatoesは各作品ごとに、批評家による「Tomatometer」と一般観客による「Popcornmeter」という、高評価を数値化した評価スコアを提供しています。どちらも有益ですが、これらは鑑賞した人による「過去の評価」であり、そして「感動した」「観ておくべきだ」というような漠然としたレビューが少なくありません。

• 

  Rotten Tomatoesの「Tomatometer」と「Popcornmeter」。批評家によるポジティブ判定の割合と、一般観客の★3.5以上の割合を示しています

一方、予測市場は「これから何が起きるか」に参加者が資金を投じて確率を形成する仕組みです。作品の感想や好みとは切り離して、「実際に誰が受賞しそうか」という冷静な見立てを持ち寄る場になります。

この違いは大きいです。レビューは感想や共感を集めるのに向いていますが、「どの作品が勝ちそうか」「どの候補が市場で過小評価されているか」といった動的な期待値を捉えるのは得意ではありません。

一方、予測市場には、参加者が自らの判断にコストやリスクを負う分、空気や話題性に流されない分析予測が集まります。人気投票とは異なり、低ノイズで高い情報密度を持ち得ます。実際、Kalshiは今年のアカデミー賞で高い的中率を示したと公表しており、Barron'sも予測市場が多くの受賞結果を事前に的中させたと報じています。

• 

  今年のアカデミー賞で最大の逆転劇となった主演男優賞レースのKalshiデータの推移。予測市場は賭け・ベッティング市場に近い性質を持つため混同されがちですが、主眼は集合知から高精度の予測データを得ることにあります。こうして得られた予測は、企業の意思決定や政策分析の参考情報としても活用されています

ここで重要なのは、予測市場がレビューの代替になるということではありません。レビューは体験の質や満足度を伝える手段であり、予測市場は期待や確信の強さを可視化する手段です。両者は、集めている「声」の性質がそもそも異なります。

次の競争軸は「声の設計力」になる

AI時代のマーケティングリサーチは、合成ペルソナによる「速さ」と、コストや責任を伴った人間の判断が持つ「深さ」を組み合わせる二層構造へ向かう可能性があります。AIがいくらでも“もっともらしい意見"を生成できる時代だからこそ、リスクを引き受けた人間の言葉や行動には、むしろ希少な価値が生まれます。

そこで問われるのは、声をどう集め、どう設計するかという力です。

AIが参照するのは、単なる星の数だけではありません。レビュー本文に「誰が」「どのような文脈で」「何を評価したのか」が含まれていれば、AIは商品の強みをより正確に抽出し、適した相手に推薦しやすくなります。購入後のフォローアップメールで利用シーンを具体的に尋ねる、レビュー投稿フォームに補助質問を設ける、といった小さな設計の差が、AI時代のレビュー資産の質を左右します。

予測市場のスキン・イン・ザ・ゲームの要素も、広い意味では応用可能です。たとえば新製品の先行予約に「ポイントを賭ける」投票機能を設けたり、コミュニティ内に新機能の利用率を予測させる機能を設けるなど、実際の金銭を賭けなくても、予想に責任や重みを持たせる設計を加えることで、通常のアンケートでは見えにくい優先順位や確信の強さを浮かび上がらせることができます。

重要なのは、消費者の声を「受け取るもの」ではなく、「設計するもの」として捉え直すことです。

AI時代のマーケティングで問われるのは、どれだけ多くの声を集めるかではありません。AIと人間の双方が解釈しやすい、質の高い声をどう生み出すかです。その設計力こそが、次の競争優位の源泉になっていくのではないでしょうか。