マーケティング担当者は、結論がどこから来たのかが分からず、自信のある間違いに基づいて行動するのはコストがかかるため、AI の洞察に不信感を抱いています。 9 月に発表された英国、米国、シンガポールの 450 人以上のマーケティング担当者を対象とした GWI 調査 2026 では、72% が、組織が AI によって生成された洞察に基づいて重大な決定を下し、後にそれが間違っていたことが判明したと回答しましたが、ほとんどの場合、AI 洞察を検証しているのは 37% のみです。この修正は、AI のすべての結論をサンプル、証拠、推論まで追跡できるようにすることで、誰かが行動を起こす前にそれをチェックできるようにすることです。
主なポイント
- 不信感の一部は得られたものです。GWI の調査に参加したほとんどのマーケティング チームは、間違っていることが判明した AI の洞察に基づいてすでに行動しており、チェックは依然として例外です。
- 過剰信頼も一般的です。KPMG とメルボルン大学の 47 国調査では、従業員の 66% が AI の成果物を評価せずに仕事に依存しています。
- 自動化の信頼性に関する研究では、調整された信頼性が指摘されており、人々は不完全なアルゴリズムを検査して調整できる場合にはそれを受け入れます。
- AI の洞察は、サンプルを記述し、各主張をその背後にある証拠にリンクし、そのメカニズムに名前を付け、モデルが推論した内容にラベルを付けるときに検証可能になります。
- 以下では、SOMIN 独自の AI 洞察の 1 つを監査します。小切手は証拠にノイズが含まれていることや、準備書面を誤解させる可能性のある聴衆の変化を捉えていた。
なぜマーケティング担当者は AI の洞察を信頼しないのでしょうか?
3 つの理由が何度も出てきます。洞察がブラック ボックスとして届くこと、そのエラーが事実と同じ自信を持って提供されること、そして誤った判断の代償はツールではなくマーケターに課せられることです。
コストはもはや仮説ではありません。 GWI の調査では、マーケターの 37% が間違った AI 洞察が経済的損失につながり、35% が顧客からの苦情、32% が風評被害につながり、44% が不正確な出力のために作業をやり直したと回答しました。 GWI は AI ツールで使用する調査データを販売しているため、答えに関与していますが、パターンはより広範な調査と一致しています。
KPMG とメルボルン大学 は、AI に対する信頼に関する 2025 の世界的な研究のために、47 諸国の 48,000 人を対象に調査を実施しました。半数強 (54%) は AI を信頼することに慎重だと回答し、従業員の 56% は AI が原因で仕事でミスを犯したことがあると回答しました。
心理学がひねりを加えます。 バークレー・ディートヴォルスト氏、ジョセフ・シモンズ氏、ケイド・マッセイ氏は、5つの研究を通じて、アルゴリズムが全体的により正確であったとしても、両方が同じ間違いを犯すのを見た後、人は人間よりも早くアルゴリズムに対する信頼を失うことを発見しました。彼らはそれをアルゴリズム嫌悪と呼びました。 AI の洞察における 1 つの目に見えるエラーが、チームの目にツール全体を沈める可能性があります。
この不信感は問題なのでしょうか、それとも賢明な反応なのでしょうか？
どちらも、それが何をもたらすかに応じて。目標は信頼を増やすことではなく、適切な量を確保することです。 ジョン・リーとカトリーナ・シーの「ヒューマンファクター」誌の2004レビューは、問題を適切な依存として枠組み化しました。人々が自動化に適切に依存できず、自動化の機能が正当である以上に多かれ少なかれ信頼してしまうと、問題が発生します。
マーケティングでは両方の失敗が同時に示されます。 KPMG の調査では、66% の従業員が AI の成果物を評価または検証せずに仕事に依存していることが判明しましたが、GWI のデータは、ほとんどのマーケターが AI の洞察を定期的に検証していないことを示しています。チームは、チャートを額面通りに受け取るか、一度の悪い判断の後にツールをビンに入れるかの間で揺れ動いています。
同じ研究者はまた、解決策を発見しました。で2018経営科学のフォローアップ、わずかでも出力を変更でき、予測が改善される場合、人々は不完全な予測アルゴリズムをより積極的に使用するようになりました。コントロールすることで信頼が高まりました。洞察を得るには、証拠を見て結論を編集できるようにすることからコントロールが始まります。
SOMIN 自身のデータは自動化に対する不信感について何を示していますか?
SOMIN のインサイト エンジンは、視聴者調査カテゴリから同じテーマを明らかにしました。 8 4 月から 6 7 月 2026 までの、GWI、ニールセン、ミリュー、ユーロモニターによる 229 の有料アイテムに関する 7 月の 2026 調査では、51 を「デジタル主導の市場における消費者インサイトの複雑性をナビゲートする」というタイトルの緊張状態にグループ化しました。企業は、圧倒的なデータから実用的な洞察を引き出すのに苦労し、幅広い世代のラベルに頼り、不安を抱えています。 AI の不正確さは市場への理解を損なうということです。その緊張感から、次のような連鎖が生まれました。
- ペルソナ: 洞察力に富んだストラテジスト。知識とデータ主導の意思決定を優先する市場分析およびビジネス戦略の専門家。同じ調査の 63 項目、そのうち 46 個の GWI 広告から構築されています。
- 角度: オートメーションに対する不信。SOMIN のモデルは信頼理論に基づいて提出されています。信頼は一貫性と透明性を通じて構築され、明確なコミュニケーションなしに AI が使用されると信頼が損なわれます。研究文献では、これは Lee と See がレビューした自動化における信頼の分野です。
- 洞察: 「信頼はアルゴリズムのデータではなく、会話の土壌で育まれます。」
このカテゴリー独自のマーケティングは、同じ不安に対して売り込みを行っています。 GWI の Agent Spark の広告は、GWI の調査データを AI アシスタントに取り込み、Web からスクレイピングされたコンテンツではなく、実際の消費者からの検証済みの洞察を約束します。 GWI のオーガニック チャンネルでは、18 10 月 2025 から 17 10 月 2026 までの間、AI トピックでタグ付けされた 23 の投稿の平均エンゲージメント数は 83 で、GWI 全体の平均である 29 のほぼ 3 倍でした。視聴者調査会社がデータをどのようにマーケティングしているかに関する私たちの調査は、より広い視野を持っています。
SOMIN が洞察を自社製品と組み合わせたとき、提案は機能ではなくプロパティに基づいていました。AI のすべての結論はその背後にある投稿と照合でき、コンセプト タグはそれを証明する特定の投稿まで追跡できます。これが、SOMIN を含め、この記事の残りの部分で適用される標準です。
AI の洞察を検証可能にするものは何ですか?
AI の洞察は、懐疑的な同僚が結論から証拠まで数分以内に追跡できる場合に検証可能です。 NIST AI リスク管理フレームワーク は、各部分に役立つ言葉を与えています。つまり、透明性は何が起こったのか、説明可能性はどのように結果に達したか、解釈可能性は理由を答えます。 NIST は、信頼できる AI の特徴として、説明責任と透明性、説明可能性と解釈可能性を挙げています。
マーケティングに関する洞察の場合、これは 4 つの目に見える層を意味します。
- サンプル: ソース、ブランド、プラットフォーム、日付範囲、サイズ。
- 証拠: は、各主張の背後にある実際の投稿、広告、または行にカウントとともにリンクしています。
- 推論:理論のソースを含む名前付きメカニズム。
- ステータス: 観測された内容とモデルが推測した内容を区別する単純なラベル。
SOMIN 戦略 では、それぞれのペルソナと緊張感が、その背後にある投稿や広告にフィルターされたコンテンツ ライブラリに開かれます。そのリンクにより、以下の監査が可能になりました。
実際に AI の洞察をどのように監査しますか?
私たちは 10 月に、これらの層を通じて「信頼は会話の土壌で育まれる」という洞察を実行しました 2026。
| チェック | 私たちが見つけたこと | 判定 |
|---|---|---|
| サンプル記載 | GWI、Nielsen、Milieu、Euromonitor の広告ライブラリからの 229 有料アイテム、8 4 月から 6 7 月 2026 | 合格 |
| リンクされた証拠 | テンションはコンテンツ ライブラリの背後にある 51 アイテムに向かって開きます | 合格 |
| 主題に関する証拠 | 一部の項目は、コンピューターとモバイルパネルのメンバーを募集するニールセンの広告でしたが、洞察力への信頼については何も書かれていませんでした。 | 若干のノイズ: ブリーフィングの前に本題から外れた項目を削除する |
| 集中 | 51 アイテムのうち 31 は GWI からのものです | 1 つの広告主のメッセージが優勢 |
| 角度は証拠と一致します | この角度は、消費者が AI を使用するブランドに不信感を抱いていることを表しています。証拠は調査会社がマーケティング担当者に販売していることだ | オーディエンスシフト: ビジネスバイヤー向けに視点を書き直す |
| 理論の検証 | 「信頼理論」という言葉は広い意味を持ちます。確立された研究は自動化への信頼とアルゴリズム回避に関するものです | 一次研究を再引用する |
評決: この洞察は、主に 1 つの企業の広告と、測定された態度ではなく購入者に関する仮説に基づいて構築された、オーディエンス リサーチ カテゴリの販売方法を公正に読み取ったものです。マーケティング担当者向けに角度を書き直し、主題から外れた項目を削除すると、使用できるようになります。監査がなければ、消費者に関する調査結果として簡単に準備書面に記載されていた可能性があります。張力と角度がどのように組み合わされるかについては、消費者張力とはを参照してください。
AI インサイトのチェックリストには何を含めるべきですか?
10 個のチェックでほとんどがカバーされます。すべての分析情報に対して最初の 5 回を実行し、予算を動かす決定の前に 10 回すべてを実行します。
- サンプルを 1 行で記述します: ソース、ブランド、プラットフォーム、日付、アイテム数。
- すべての数字をその証拠にリンクし、、分母を示します。229 の 51 は「主要なテーマ」以上のことを語っています。
- 証拠のランダムなサンプルを開き、 10 ～ 20 個の項目を開き、主題から外れた項目を数えます。
- 集中力を確認してください。 1 つのブランドまたはアカウントがほとんどの証拠を提供している場合は、そう言います。
- モデルによって生成されたものにラベルを付けます。 AI によって生成されたペルソナ、緊張、洞察は、確認されるまでは仮説です。
- 理論を一次情報源と照合してください。 研究文献で見つからない名前を削除してください。
- 聴衆を確認してください。 その証拠は、結論で語られているのと同じ人物から来ていますか?
- 投稿は削除され、広告の掲載が停止されるため、分析の実行時に 証拠を保存: 投稿 ID、リンク、スクリーンショットを保存します。
- 調査、販売データ、小規模なテストなどの独立した情報源と照合して、大規模な問い合わせをクロスチェックします。
- 所有者に結論を編集させ、、誰がそれを変更したか、誰がいつ署名したかを記録します。
これらは、マーケティングにおける AI 幻覚 に関するガイドのコピー チェックの洞察レベルの双子です。マーケティングのための説明可能な AI は、私たちにとっても研究課題です。Aleks Farseev 教授と SOMIN チームは、ACM Multimedia および The Web Conference でこの AI について発表しており、論文は SOMIN 研究 ページにリストされています。
FAQ
なぜマーケティング担当者は AI が生成した洞察を信頼しないのでしょうか?
その主な理由は、結論の背後にある証拠が見えず、自信に満ちた間違いによって火傷を負ったためです。 GWI の 2026 調査では、マーケティング担当者の 72% が、組織が AI の洞察に基づいて重大な決定を下したが、それが後で間違っていたことが判明したと回答しました。
アルゴリズム回避とは何ですか?
これは、2015 でディートヴォルスト、シモンズ、マッセイが説明した、アルゴリズムが間違いを犯すのを見た後、人間よりも早くアルゴリズムへの信頼を失う傾向です。彼らのその後の研究では、アルゴリズムの出力を人間に調整させると効果が減少することが判明した。
AI の洞察が正確かどうかを確認するにはどうすればよいですか?
サンプルを要求し、その背後にある投稿または行をランダムに選択して開き、主題から外れた投稿を数えて、証拠が洞察で説明されている視聴者からのものであるかどうかを確認します。次に、独立した情報源に照らして重要な決定を確認します。
説明可能な AI と検証可能な AI の違いは何ですか?
Explainable AI は、結果にどのように到達したかを示します。検証可能な洞察はさらに進んで、自分で証拠を調べて自分の見解に達することができるため、説明だけに頼ることはありません。
マーケティング担当者はオーディエンスに関する洞察のために AI を使用するのをやめるべきでしょうか?
いいえ、AI は大量のコンテンツをクラスタリングし、緊張感を迅速に提案するのが得意です。その出力を紙の証跡のある仮説として扱い、それをチェックして署名する責任を負う担当者を置きます。
出典
- GWI: マーケティング担当者は、AI の誤った洞察がすでに組織に損害を与えていると述べています (9 月 2026)
- KPMG とメルボルン大学: 人工知能の信頼、態度、使用に関する世界的な研究 2025 (要旨)
- ディートヴォルスト、シモンズ、マッセイ (2015)、アルゴリズム嫌悪: アルゴリズムの間違いを見て人々は誤ってアルゴリズムを回避する、実験心理学ジャーナル: 一般 144(1)
- ディートヴォルスト、シモンズ、マッセイ (2018)、アルゴリズム嫌悪感の克服、管理科学 64(3)
- Lee と See (2004)、自動化への信頼: 適切な依存のための設計、ヒューマン ファクター 46(1)
- NIST AI リソース センター: AI のリスクと信頼性
