コンテキストエンジニアリングはマーケティングで役立つのか？

プロンプトエンジニアリングとバイブコーディング。オンラインでよく使われる2つの用語です。1つは、AIモデルから完璧な応答を得るための質問の表現方法です。もう1つは、主に開発者以外の人々が、1行のコードも書かずに機能を作成できるようにするものです。

そして今、3つ目の用語が加わりました - コンテキストエンジニアリングです。

コンテキストエンジニアリングは、プロンプトエンジニアリングの上位集合です。大規模言語モデル（LLMs）のためのシステムを構築し、AIエージェントに適切な情報とツールを適切なフォーマットで提供し、タスクを完了させる方法論です。

どんなに複雑なタスクであっても。

コンテキストエンジニアリングは、データ、メモリー、ツール、ユーザーの意図を同期させることで機能するため、本当に重要な結果を得ることができ、コンテキストの品質が高ければ高いほど、パフォーマンスも向上します。現在、製品開発とカスタマーサービスを加速するAIコーディングアシスタントとサービスチャットボットの作成に使用されています。

しかし、マーケティングにおけるコンテキストエンジニアリングはどのように機能するのでしょうか？この記事では、この質問への答えと、マーケターが作業負荷を軽減し、スケールでパーソナライゼーションを実現するためにどのように活用できるかを学ぶことができます。

コンテキストエンジニアリングとは何か？

比較的新しい分野ですが、コンテキストエンジニアリングはAIシステムの情報フロー管理の原則に根ざしています。これは、AIモデルが毎回確実に仕事をこなせるように、データ、ツール、指示など、必要なものすべてを供給する実践に他なりません。

OpenAIの創設メンバーの元メンバーであるアンドレイ・カーパシーのツイートで、コンテキストエンジニアリングの本質について述べています：

「人々はプロンプトを、日常的にLLMに与える短いタスクの説明と関連付けています。しかし、すべての実用的なLLMアプリケーションにおいて、コンテキストエンジニアリングは、次のステップのために適切な情報をコンテキストウィンドウに詰め込む繊細な技術と科学なのです。」

これは、コマンドを入力するプロンプトエンジニアリングとは全く異なります。結局のところ、単一のプロンプトでできることには限界があります。AIが過去の会話を思い出し、ユーザーデータを取得し、過去の議論を要約し、そしてユーザーにパーソナライズされたメールを書く必要がある場合はどうでしょうか？

部分的にではなく、一つのワークフローとして？

これこそがコンテキストエンジニアリングの目的です。プロンプト中心の設計から、構造化されたコンテキスト、会話ログ、ドキュメントストア、API、リアルタイムデータを備えた「外部の脳」をLLMモデルに提供する包括的なシステムへと、その narrative をシフトさせます。

コンテキストエンジニアリングはどのように機能するのか？

まず、コンテキストエンジニアリングにおける「コンテキスト」の意味から始めましょう。コンテキストとは、AIモデルが出力を生成する前に参照するすべてのものです。これはユーザーのクエリだけでなく、エージェントがどのように振る舞うべきかについてのシステムプロンプト、ユーザーとのインタラクション記録、オンデマンドで取得されるデータ、モデルが使用できるツールも含まれます。

適切なコンテキストがあれば、ステートレスなLLMは「記憶」し、「理解」し、指示に「行動」するエージェントに変換されます。

そのうえで、コンテキストエンジニアリングにおける「コンテキスト」の必須コンポーネントは以下の通りです：

• システムプロンプト：エージェントの役割、ルール、声色を定義します（「あなたはマーケティングアシスタントです...」）。
• ユーザープロンプト：ユーザーからの直接的な要求やタスク。
• 短期記憶：現在の会話の要約または履歴。
• 長期記憶：外部知識ベースに保存されているユーザー設定、プロジェクトアーカイブ、過去の会話履歴。
• 検索拡張生成（RAG）：最新の事実を提供するための外部文書、データベース、APIのダイナミックな取得。
• 利用可能なツールと定義：呼び出し可能な関数（API、コードランナー、ドキュメントパーサー）の名前と説明を含むカタログ。
• 構造化された出力：モデルのレスポンス形式を導くための事前定義フォーマット（JSON、テーブル、またはマークダウンテンプレート）
• メタデータ：タイムスタンプ、ユーザーの位置情報、デバイスタイプなどのコンテキスト情報

これらの要素がどのように組み合わさるかを説明します。まず、システムプロンプトがAIアシスタントの振る舞い方を指示します。次に、ユーザーが質問をします。これにより、関連情報を取得するデータ検索プロセスが開始され、メモリは現在の会話の要約と過去のユーザー設定の両方を提供します。

また、ツールカタログも待機しています。例えば、メールを送信するためのAPI、顧客記録を照会するデータベース、PDFコンテンツを抽出するパーサーなどです。

これらのコンポーネントはすべて「コンテキストバンドル」として統合され、モデルが一度に処理します。LLMは会話履歴、外部データ、ツールの指示をすべて統一的に処理します。そして、マーケティングメールの下書きや製品概要表など、定義されたスキーマに完全に一致する出力を生成します。

では、なぜコンテキストエンジニアリングが今日重要なのでしょうか？

私たちが知るLLMは、一つのやり取りから次のやり取りへと何も引き継ぎません。ほぼ常に、過去の出来事の記憶なしに新しい会話を始めます。

関連するコンテキストを提供する明確なフレームワークがなければ、エージェントAIはユーザーが誰なのか、またはタスクが何を要求しているのかを把握できません。代わりに、話題から逸れたり、エラーを繰り返したり、単に推測したりします。コンテキストエンジニアリングは、モデルが必要とするすべてを単一の適切な構造のユニットにまとめることで、これらのギャップを埋めます。

コンテキストバンドルにより、LLMに関連する4つの主要な問題を解消できます：ハルシネーション、ステートレス性、一般的な応答、古い回答。

• ハルシネーションは実データに基づいた出力により解消
• ステートレス性は短期・長期メモリシステムの構築により解消
• 一般的な応答はユーザー設定と過去のインタラクションデータにより解消
• 古い回答は最新のドキュメントやAPIフィードにより解消

通常、AIエージェントが失敗するのは、仕事をするための適切なデータやツールがないからではなく、それを実行するLLMが混乱するからです。これは主に、LLMが適切な応答を生成するための正しいコンテキストを得られていないことが原因です。

コンテキストが欠けているか、形式が不適切なのです。

そして、コンテキストの質が低ければ、最高のモデルでも役に立ちません。そのため、AIワークフローが複雑化するにつれて、明確なスキーマの定義やデータソースのタグ付けなどのベストプラクティスに従うことで、エージェントが常に正しい形式で適切な情報を持つことを確保できます。

コンテキストをエンジニアリングし、エージェントが「見る」内容、見る方法、その順序を正確に決定することで、単一プロンプトのテキストジェネレーターを信頼性の高いマルチステップのアシスタントに変えることができます。最高なところは？あなたのルールに従い、過去の間違いから学習することです。

コンテキストエンジニアリング vs. プロンプトエンジニアリング

「コンテキストエンジニアリングは、単に高度なプロンプトエンジニアリングではないのか？」と思われるかもしれません。しかし、そうではありません。プロンプトエンジニアリングは、LLMから最適な応答を得るために、適切なフレーズ、キーワード、文章構造を選択することです。

しかし、この方法だけでは真空状態で動作します：モデルに追加データを提供せず、指示を組み込んだり、外部ツールに接続したりすることもありません。複雑な課題を解決するためにモデルが必要とするインテリジェンスを与えることなく、単一のコマンドを微調整するだけです。

一方、コンテキストエンジニアリングは、ルール、文書、動的データセット、ツールを一つのフレームワークに組み込みます。マーケティングでは、トーンやフォーマットに関する明確な指示とともに、製品カタログ、ブランドガイドライン、ユーザー行動データをLLMに供給することが含まれます。

デックス・ホーシーによるインフォグラフィック、X/Twitterに投稿。

これは、コンテキストエンジニアリングシステム内でプロンプトが重要でないという意味ではありません。

具体的な質問を作成することで、AIアプリケーションは広範な知識ベースを適切にナビゲートできます。しかし、プロンプトは大きな全体像の一部に過ぎません。以前の会話を思い出したり、外部データを取得したり、CRMと統合したりできるAIエージェントを構築する時、それがコンテキストエンジニアリングの実践です。

プロンプトはモデルのアクションを導きますが、コンテキストはモデルの「メモリー」、データ、ルールを提供します。

コンテキストエンジニアリングの4つの主要な応用

Tobi Lutke（Shopifyのシーオー）によると、「[コンテキストエンジニアリング]は...（プロンプトエンジニアリングの）中核的なスキルをより適切に表現しています：LLMによって課題を解決可能にするためのすべてのコンテキストを提供する技術です。」

この手法により、外部データにアクセスできるだけでなく、会話中に外部ツールを使用できる動的なシステムを構築することができます。文書を検索し、APIを使用して関連情報を見つけ、それを質問やタスクとともにコンテキストウィンドウに含めることができます。そして、使用すればするほど、より良く機能するようになります。

そのため、コンテキストエンジニアリングが様々な目的に使用できることは驚くべきことではありません。以下にいくつかを紹介します。

AIコーディングアシスタント

コンテキストエンジニアリングは現代のコーディングアシスタントの中心です。WindsurfとCursorはその最適な例で、RAGとエージェントのような動作を組み合わせて、高度に構造化された相互接続されたコードベースと対話します。

関数のリファクタリングのようなリクエストを考えてみましょう。数行を書き直すだけのように見えるかもしれません。しかし、AIアシスタントにはより多くのコンテキストが必要です。その関数がコードベース全体でどのように使用されているか、扱うデータ型、外部依存関係との相互作用、そしてロジックが少しでも変更された場合に何が壊れる可能性があるかを知る必要があります。

優れたコーディングエージェントはこの複雑さに対処できるように作られています。コーディングスタイルに適応し、プロジェクト構造とファイルの関係を認識し、最近のコミットを追跡してシステムの作業メモリを開発します。

ナレッジマネジメント

エージェントシステムを社内で採用している企業にとって、コンテキストエンジニアリングは、CRMレコード、Jiraチケット、社内ウィキなどの断片化したデータサイロを統合し、人間のカウンターパートに負担をかけることなく最新の回答を提供します。

これらのシステムは、セッション履歴を自動的に要約し、その場で関連文書を取得し、パーソナライズされたルールを適用して、各レスポンスが社内ガイドラインに沿うようにします。同時に、部門間でメモリとタスク切り替えを調整するため、AIは階層化された複数のステップのクエリを処理し、単一の回答で応答することができます。

カスタマーサービスチャットボット

カスタマーサービスでは、コンテキストエンジニアリングを使用して、すべての顧客とのやり取りをガイドする直感的なチャットボットと会話型AIシステムを構築できます。

基本的なチャットボットは、時には古いデータで一般的な応答を提供することを知っておいてください。

しかし、コンテキストエンジニアリングは、これらの基本的なボットを親近感を与えるシステムに変換します。

彼らはサポート記録、請求に関する問い合わせ、ユーザーアカウントのステータス、設定、製品文書など、さまざまなデータにアクセスできるため、ユーザーに合わせてカスタマイズされた情報を一貫して提供することができます。

つまり最終的には、サポート担当者があなたの名前で呼びかけ、以前の問い合わせ内容を思い出し、解決策を提案する前にアカウントのステータスを確認することができるのです。

AIエージェント

自律型AIエージェントは、コンテキストエンジニアリングの次のステップです。基本的なRAGシステムを超えて、推論、計画、行動ができる動的な目標指向のエンティティとなります。

これらのエージェントは、プロンプトに応答するだけでなく、問題を解決します。

コンテキストエンジニアリングは、長期的または複雑なセッション中でも、メモリの管理、目標の設定、適切なツールの使用を可能にします。例えば、広告インサイトを取得するためにマーケティングAPIを呼び出したり、完全なキャンペーンワークフローを完了するために複数のツールを接続したりすることができます。彼らはリアルタイムでタスクに応じて使用するツールを決定します。

これらのエージェントは、一回限りの回答を提供するのではなく、状況の変化に適応し、実世界の環境で複数のステップのタスクを実行します。彼らはデジタルな同僚のように、最小限の人間の監督で問題を特定し、結果を提供します。

ここまでで、異なるセクターにおけるコンテキストエンジニアリングの4つのユースケースを見てきました。

では、コンテキストエンジニアリングはマーケティングに適用できるのでしょうか？もちろんです。次のセクションでは、一般的なアウトリーチを、実際にエンゲージメントを促進するパーソナライズされた体験に変換する方法を見ていきましょう。

コンテキスト、AIエージェント、およびマーケティングワークフロー

先日、ハーバード大学のマーケティング講師であるクリスティーナ・J・インゲ氏が、LinkedInのマーケティングAI＆アナリティクスニュースダイジェストでDelve AIを紹介しました。

まず、ウェブサイトのデータを使用してペルソナを作成する方法について話しました。興味深いのは、後に彼女が言及したユースケースです：生成されたペルソナをChatGPTに入力し、コンテンツカレンダーの作成、メッセージング戦略のテスト、フォーカスグループの反応のシミュレーションを促すことです。

これは単なる自動化の実験例ではありません。これはコンテキストエンジニアリングの演習です。

ペルソナと生成AIの融合、つまり一つのツールがデータ豊富なテキストを別のツールに供給してマーケティング戦略を作成するという、ここで見られるような融合は、マーケティングにおけるコンテキストエンジニアリングの本質です。

このアプローチが、ツールを使用し最小限の人間の関与で意思決定を行うことができるエージェント — 自律型AIエンティティと組み合わされると、人間主導のチームから期待される戦略的深さを失うことなく、マーケティングワークフローの大部分を自動化することが可能になります。

これは、エンドツーエンドのメールキャンペーンを実行することを意味するかもしれません。

メールエージェントは単にメールを書くだけではありません。オーディエンスをセグメント化し、カレンダーをチェックし、CRMを活用し、プロモーションに適応し、エンゲージメントを測定します。マーケティング目標を達成するために利用可能なすべてのツールとデータポイントを使用します。

しかし人間とは異なり、何千人もの顧客を管理する際に圧倒されることはありません。詳細を忘れたり、コンテキストを失ったりすることもありません。

コンテキストエンジニアリングがマーケターにとって意味すること...

これは、関連するコンテキストで実行されるマーケティングエージェント、またはコパイロットを作成することを意味します：オーディエンスプロファイル、キャンペーンパフォーマンスデータ、ブランドアセット、競合分析、ビジネス目標、市場シグナルなどです。

そのため、それは単なる汎用のテキストジェネレーターではなく、動的でコンテキストを認識するアシスタントとなります。

プロンプトエンジニアリングは過去の話です。マーケターはChatGPTやClaudeなどのツールの表面的な使用を超え、コンテキストエンジニアリングでエンゲージメントとコンバージョンを向上させる必要があります。

データ、機能、ツールを独立したコンポーネントとして見るのではなく、顧客が誰であるか、ジャーニーのどこにいるか、ブランドが何を表しているか、過去のキャンペーンがどのようなパフォーマンスを示したかを理解し、タスクを完了して意思決定を行う相互接続された包括的なシステムを構築する必要があります。

コンテキストの構築、資産の統一、ツール、市場データ、ルール、ビジネスKPIの設定が完了すると、あなたのAIエージェントは以下のことが可能になります：

• ブランドの声とメッセージングに沿ったマーケティング資料の作成。
• 閲覧履歴や購買行動に基づくパーソナライズされたコンテンツと商品レコメンデーション。
• 位置情報や天候などのリアルタイムデータを活用した割引やクーポンの提供。
• リード獲得、フォローアップ、育成フローなどの反復的なマーケティングタスクの自動化。
• ユーザーのニーズを予測し、要求される前に最適な商品やコンテンツを推奨。

これらのAIエージェントにより、すべてを大規模にパーソナライズし、リアルタイムの市場データに基づいてマーケティング計画を自動的に最適化することが可能になり、継続的に改善されるレスポンシブなフィードバックループを実現します。

コンテキストエンジニアリングの問題点

コンテキストエンジニアリングは大きな利点を提供しますが、うまく機能させるためにスマートな解決策が必要な課題も伴います。

1. コンテキストの汚染

AIが幻覚を見たり学習データを誤解釈したりすると、その誤った応答がコンテキストに忍び込む可能性があります。その時点から、システムは誤った詳細を引用したり、それに基づいて構築し続けたりする可能性があります。時間とともにこれらのエラーが積み重なり、それらを取り除くことが厄介になります。

解決策：厳密な検証チェックとバージョン管理されたコンテキストストアを構築します。問題のある部分を発見した場合、すべてを消去することなく、その断片のみをロールバックまたは置換できます。

2. コンテキストの気散じ

モデルにより多くのデータを供給し始めると、蓄積された履歴に焦点を当て始める状況が発生する可能性があります。学習を活かす代わりに、古い返答を繰り返してしまいます。

解決策：コンテキストの要約と抽象化を使用します。長い履歴を定期的に簡潔な要約に圧縮します。これによりAIは新鮮で関連性の高い情報に集中できます。

3. コンテキストの混乱

余分な情報でコンテキストを過負荷にすると、混乱した回答につながる可能性があります。サポートメールを作成している時のマーケティングガイドラインなど、無関係なデータによってAIが方向を見失う可能性があります。結果として、2つ以上のタスクが混ざった応答になってしまいます。

解決策：コンテキストフィルターを適用します。各呼び出しの前に、関係のないドキュメントやツールの説明をフィルタリングし、モデルがそのタスクに必要なものだけを「見る」ようにします。

4. コンテキストの衝突

時として、コンテキスト内の2つのソースが矛盾することがあります。例えば、製品仕様の2つのバージョンや、古い価格と現在の価格などです。AIはどちらを信頼すべきか推測しなければならず、それが曖昧な返答につながります。

解決策：コンテキストの刈り込みを使用します。定期的に古くなったエントリーや矛盾するエントリーをスキャンして削除します。これにより「メモリー」の一貫性と信頼性が保たれます。

これらの課題に取り組むことが、効率的で正確なマーケティングワークフローを構築するための鍵となります。

前進への道

コンテキストエンジニアリングは、AI時代において最も重要なスキルの一つです。明らかに従来のプロンプトエンジニアリングを超え、そのユーザーに競合他社に対する大きな優位性をもたらしています。

広告コピーを書くために完璧なプロンプトは必要ありません。キャンペーン全体を管理・実行するスマートなシステムが必要なのです。

コンテキストエンジニアリングとAIエージェントを使用することで、大規模なコンテンツのパーソナライゼーション、進化する顧客ニーズへの適応、そしてブランド価値を構築するドメイン固有の回答を、手動入力なしで提供することができます。

これは遠い未来の話ではありません。コンテキストエンジニアリングにより、AIエージェントがマーケティングアシスタントのように機能するワークフローを構築できます。彼らはあなたの顧客を知り、あなたのブランド言語を話し、データに基づいた意思決定を行います。

もちろん、エージェントを導き、キャンペーン結果を改善する中心には依然として人がいます。しかし、反復的でコンテキストの多いタスクは、AIを搭載した同僚が処理できるようになりました。

そして、細かなニュアンスを失うことなく迅速に行動したいマーケターにとって、これは大きな勝利です。