プロアクティブAI——ユーザーからの問いかけを待つのではなく、AI自らが先に話しかける新しいパラダイムが、Metaa、OpenAI、Uberの三社からほぼ同時期に打ち出されている。それぞれのプロダクトは異なる領域をカバーするが、共通する核心は一つだ。「いつ話しかけるか」という判断に、AIの価値がかかっている。
Meta、OpenAI、Uberが示す「AIによる先回り」の具体像
2024年9月から10月にかけて、三社は相次いでプロアクティブAIエージェントを発表した。Metaは9月8日、パーソナルエージェント「Muse」を公開。予定の調整やメールの送信をアプリを閉じた状態でも実行し、過去のやり取りを記憶して自発的に提案を行う。WhatsAppとの連携も想定されている。
OpenAIは9月29日、常時稼働型エージェント「Dots」をローンチ。ユーザーのアプリを読み取り専用で監視し、未払いの請求書やSlack上のバグを検出すると、ChatGPTやSlack、Teamsに通知を送る。テキストに加えて音声対応も予定されている。
Uberはドライバー向けアシスタント機能を強化。市場のリアルタイムデータを分析し、33分間アイドル状態のドライバーに対し需要の高いエリアを提案するといった具体的なアドバイスを能動的に行う。9月24日にはハンズフリー音声版を発表しており「常にドライバーの味方」という設計原則を掲げる。
プル型からプッシュ型へ——逆転したインタラクションの設計
従来のチャットボットはプル型のインターフェースだった。ユーザーがタイミングを選び、チャネルを選び、質問を入力する。プロアクティブAIはこれを完全に逆転させる。システム側が割り込むタイミングを決め、チャネルを選び、メッセージを送る。この逆転がもたらす課題は技術的なものというより、判断基準の設計に関するものだ。
割り込みの頻度が高すぎればユーザーはミュートする。遅すぎれば需要のピークを逃すか、請求書の支払期限が過ぎてしまう。間違ったチャネルを選べば、価値のある情報もノイズとして扱われる。LLMはメッセージの内容を生成する能力に優れるが、送信するか否かを判断する道具としては適していない。この認識が業界で急速に共有されつつある。
「価値がコストを上回る」という鉄則
すべてのプロアクティブメッセージは一種の賭けである。送信すべき条件は明確だ。期待されるユーザー価値が、割り込みのコストを上回るときだけ送信する。この価値を構成する要素は四つある。どれだけの重要事項がかかっているか、ユーザーが行動を起こす確率はどの程度か、機会の有効期限はどの程度か、そしてその価値がユーザー側にあるのかプラットフォーム側にあるのか。
この価値の大きさが二つの判断を決定づける。価値が高く期限が迫る情報は即時送信され、中程度のものはダイジェスト形式でまとめられ、それ以外は送信されない。またメッセージの価値が高いほど、より割り込み度の高いチャネルを使う資格を得る。アプリ内カード、チャット、SMS、音声通話の順に割り込みコストが高くなる。
通知と成長の現場で培われた三つの予測手法
「いつ送るか」と「どのチャネルで送るか」は、それぞれ予測問題として定式化できる。通知配信やグロースハックの分野では、すでに次の三つの手法が確立されている。
Upliftモデルは、ある介入が実際にユーザーの行動を引き起こすかどうかを推定する。単なる相関ではなく因果効果を測る点が特徴だ。文脈的バンディット（Contextual bandits）は、ユーザーごとに最適なタイミングとチャネルを学習する。強化学習の一種で、探索と活用のバランスを自動調整する。受容性モデル（Receptivity models）は、ユーザーが今まさにエンゲージメント可能な状態にあるかどうかを予測する。運転中か停車中か、会議中か自由時間かといったコンテキストを判断する。
Uberがドライバーのその後の行動を計測しているように、アウトカムのトラッキングがこれらのモデルに必要な教師ラベルを供給する。このフィードバックループの有無が理論と実装の分かれ目となる。
意思決定専用モデルという新たな選択肢
この種の判断タスクに特化した新しいモデル群が登場している。TypeSafeの「Jev」やSupersonic Labsのオープンウェイトモデル「Julia 1」は、テキストを生成せず、短い選択肢からの選択、スコア、Yes/Noといった型付きの判断だけを返す。Julia 1はCPU上で動作し、1判断あたり約33ミリ秒で完了する。
常時稼働型エージェントは、送信するトリガーよりもはるかに多くの候補を評価する。そのため各候補に対して、LLMを呼び出す前に安価で構造化された判断を下せる。割り込みに値するか、価値と緊急性はどの程度か、今すぐ送るか待つかバッチにするか破棄するか、カードかチャットかSMSか音声か。これらの判断を事前にフィルタリングすることで、LLMの呼び出し回数を抑え、システム全体の効率を高められる。
ただし、これらのモデルには限界もある。与えられたコンテキストのみを判断するため、特定のユーザーが朝の通知を無視する傾向があるといった長期的な行動パターンを自ら学習することはない。この部分は従来のMLモデルとの併用が必要になる。
信頼の通貨を守るために——収益化とユーザー価値のバランス
先に話しかけるAIは、強力なディストリビューションチャネルでもある。MetaはMuseでのコマースを検討しており、すでに「Muse for Small Business」をローンチ済みだ。OpenAIはDotsの発表と同時に月額500ドルの新プランを発表、Uberは配達その他のサービスをプロモーションする立場にある。
しかし、オファーもまた一つのメッセージにすぎない。ユーザーにとっての価値という同じ基準をクリアしなければならない。ユーザーがAIは支援ではなく販売のためにあると疑い始めた瞬間、すべてのメッセージは信用を失う。このバランスを誤れば、プロアクティブAIの根幹である信頼が崩壊する。
判断力が競争力を分ける——注目を集める技術から、注目を選別する技術へ
三社はいずれも強力な基盤モデルを持つ。しかしこの領域の勝敗を分けるのは、注意（アテンション）に関する判断力だ。いかにまれに、適切なタイミングで、適切な場所で、ユーザーの側に立って話しかけるか。これこそがプロアクティブAIの本質的な課題であり、競争の焦点となる。
通知データを長年にわたって蓄積してきた企業は、この点で優位に立つ可能性がある。Metaはソーシャルプラットフォームでの通知最適化で、Uberは配車・配達のリアルタイムマッチングで、それぞれ膨大なデータと知見を持つ。OpenAIにはそれが欠けており、今後の課題となるだろう。プロアクティブAIの真の競争はモデルの性能ではなく、いつ話しかけるかという判断の精度で決まる。
