リードの精度18%→97%。CoxがAIエージェントの前に整えたもの

「マーケティングを自動化したい」という話は、たいてい道具から始まります。どのツールを入れるか、どのモデルを使うか。米国のCox Communicationsについて公表されている事例は、そこを出発点にしていません。AI部門を率いるEric Paceさんは、経営から受け続けていた要望をこう説明しています。工程の一部を自動で動かすのではなく、人が今やっていることを楽にするSaaSを増やすのでもなく、本当のマーケティングの自動化が欲しい、というものでした。

先に要点を書きます。公表されたなかでいちばん具体的に変わったのは、キャンペーンの作り方ではなく、営業リードの名簿の精度でした。精度は18%から97%へ上がり、検証と補強にかかるコストは86%減ったと書かれています。市場に出すまでが55%速くなった、キャンペーンの効率が40%高い、といったマーケティング側の値よりも、土台にあるデータの話が先に来ます。

出典はAnthropicが公開している2本の導入事例ページです。読む前に性質を押さえてください。AIを提供している側が自社の採用例を紹介するページなので、載っている値は導入した側の申告であり、第三者が検証したものではありません。この記事では、何を作ったのか、公表された値が何を指しているのか、そして公表されていない項目を分けて整理します。確認日は2026年11月4日です。

まず、どんな会社の話か

Cox Communicationsは、米国で最大の非上場のブロードバンド事業者として紹介されています。15,000人の従業員が6 millionの顧客を担当し、光ファイバーの網はおよそ12 millionの住宅と事業所に届くと書かれています。事例の舞台は、この会社の法人向け部門です。規模を問わず企業へブロードバンド、ワイヤレス、接続のサービスを売る部門だと説明されています。

変えたかったのは、この法人向けの集客でした。マーケティング責任者のSarah Kimさんの言葉として、一対多のマーケティングでは必要な成長がもう得られなくなっていた、という説明が載っています。営業の側も手作業でした。担当者がSalesforceを見ながら見込み先を調べ、商談前の資料を自分で組み立てていたと書かれています。

そして名簿そのものが当たっていませんでした。リストの精度はおよそ13%で、作るのに費用がかかっていたとされています。精度の低い名簿は、営業の時間を見込みのない相手へ割り振ります。マーケティング側がいくら本数を増やしても、入口の名簿が外れていれば成果にはなりません。

公表されている値を、先に分けて読む

数字は6つ出ています。並べると、どれが結果でどれが途中の報告なのかが分かれます。

いちばん大きく見えるのは、初年度のAI投資に対して7xというリターンです。ただし何を投資に含め、何を効果として数えたのかは書かれていません。社内で承認を取るための値であって、他社が自分の試算に当てはめられる値ではありません。

コンバージョンの2ポイントの上昇も、扱いが違います。原文は早期の兆候という言い方をしています。確定した結果として書かれていないものを、確定した結果として引用しないでください。一方で、リードの精度とコストの2つは、測った対象がはっきりしています。名簿を検証して情報を足す工程の話で、1件あたりの処理は1分未満と書かれています。

何を作ったのか：CAMI と SAMI

作られたのはエージェントの一族です。名前は「ami」で揃えられています。フランス語の友人にあたる語だと説明されています。

マーケティング側がCAMI（Content and Audience Mapping Intelligent assistant）です。キャンペーンのブリーフを作り、作業の段取りを組み、業種と顧客区分ごとに内容を変えたコンテンツを作ります。対象の細かさが具体的に書かれていて、120の細かい業種と、8つの顧客区分です。作るときに見ているのは、その顧客がすでに何本の商品を持っているか、どう使っているか、その地域の競合の状況はどうか、といった材料だとされています。出てくる量は1キャンペーンあたり約32点で、マーケティングのコンテンツと営業の配布資料の両方を含みます。年間のキャンペーン数は50〜100件で、Salesforceの中に組み込まれています。

営業側がSAMIです。これまで担当者が自分で集めていたものを自動で組み立てます。取引の履歴、商品の利用状況、過去のコールセンターでの感情、購買の確度、そして業種別の推奨される会話の台本です。商談前の準備は、数時間から数分になったと書かれています。受注後の手続きの支援にも広がっているとされています。

日本の実務に引き写すときに効くのは、本数ではなく粒度の設計です。120業種かけ8区分という枠を先に決めたから、1キャンペーンで約32点という量が意味を持ちます。枠がないまま生成の量だけを増やすと、似た文章が増えるだけで、どれを誰に当てるのかが決まりません。

エージェントの前に、6層のデータを作っている

この事例でいちばん移植しやすいのは、エージェントそのものではありません。その下に敷いたものです。

Coxが作ったのは、AIで整えたデータの構造で、社内ではThe Cubeと呼ばれています。6層のモデルだと書かれています。公表されているのは上下の役割だけです。下の層は、すでに持っていた従来型の機械学習を参照し、そこへ新しいシグナルと特徴量の保管を足したもの。上の層が、Claudeのモデルを裏側で差し込んで、それまで得られなかった洞察を作る場所だとされています。

どれだけの手間がかかるのかも、数字で出ています。Accenture側でこの案件を率いるKatherine Mohrigさんの言葉として、実際の開発に使っている時間は25%ほどで、残りの大半はデータの拡充、検証、クレンジングだという説明が載っています。エージェントを作る話として聞くと開発の比率が高そうに思えますが、公表されている内訳は逆です。

通り道とモデルの選び方は、既存の環境に寄せている

ClaudeへはAmazon Bedrock経由で接続しています。インフラ部門を担当するMatthew Shortsさんの言葉として、すでにある自社の構成をそのまま広げられたから選んだ、という説明が載っています。あわせて、実行時のセキュリティの要件が厳しく、出入りの呼び出しをすべて見られる状態が必要だったとされています。

モデルは作業に合わせて割り当てています。検索と要約にはHaiku、いちばん重い推論にはOpus、その中間にSonnetです。費用を抑えるための割り当てだと書かれています。全部をいちばん大きなモデルで動かす前提にしていない、ということです。

使っている人の広がりも出ています。Claude Codeの利用者は約2,500人で、半分以上は開発以外の職種だとされています。エンジニアでない担当者が自分でエージェントを組んでいる、という書き方です。ただし、その人数と上の成果をつなぐ説明はありません。利用者が増えたことと成果が出たことは、公表された範囲では別の話として読むべきです。

人は運用しない。検証し、監督し、監査する

いちばん野心的な仕組みは、まだ試験中だと明記されています。見込み先を見つけるところから契約の締結までを通す構想で、広告を作って出し、相手に合わせたページを用意し、商談を前へ進めるところまで含みます。対象は小規模な事業者で、4〜6週間で1,000社ほどの新規顧客を狙うと書かれています。

ここに人の位置づけが1行で書かれています。人はファネルを動かさない。検証し、監督し、監査するという説明です。自動で動かす範囲を広げるほど、人の仕事は作業から確認へ移ります。確認の置き場所を先に決めておかないと、誰も見ていない工程が静かに増えます。審査と承認の道筋を先に敷いた例はマーケ資料の翻訳が12か月から24時間へ。State Farmが先に敷いた道筋でも扱いました。

公表されている範囲と、されていない範囲

2本のページから読み取れる範囲を整理します。空欄は、推測で埋めずに記載がないと書きます。

項目	公表されている内容
投資対効果	初年度のAI投資に対して7x。算定の対象と期間は記載がありません
リードの精度	18%から97%へ。1件あたりの処理は1分未満
名簿の元の精度	本文中ではおよそ13%。値の違いの理由は記載がありません
コンバージョン	2ポイントの上昇。早期の兆候という書き方
キャンペーンの量	1キャンペーンで約32点、年間50〜100件
対象の粒度	120の業種と8つの顧客区分
利用者	Claude Codeが約2,500人、半分以上が開発以外
試験中の仕組み	小規模事業者向けに4〜6週間で1,000社ほどを狙う。結果は記載がありません
費用	記載がありません
構築にかかった期間	記載がありません

表の3行目は、読むときに引っかかる箇所です。名簿の精度の出発点が、本文ではおよそ13%、成果の一覧では18%と書かれています。どちらが何を母数にした値なのかは説明されていません。片方だけを取り出して引用すると、変化の幅が実際より大きくも小さくも書けてしまいます。この記事では両方を並べて示します。

日本の実務者が持ち帰れること

同じ規模の仕組みを作る話ではありません。順序の話として読むと、手元でも使えます。

1. 名簿の精度から手を付ける。配信の本数や生成の速さより先に、入口の名簿が当たっているかを測ります。この事例で測り方が説明されている値も、ここだけでした
2. 宛先の粒度を先に決める。業種と顧客区分の枠を決めてから量を増やします。枠がないまま生成を増やすと、似た文章が積み上がります
3. データの手間を見積もりに入れる。開発に25%、残りはデータの整備という内訳が公表されています。期間の見積もりを開発の工数だけで作ると足りません
4. 人の役割を工程表に書く。検証、監督、監査のどれを誰がやるのかを、自動化の範囲と同じ粒度で決めます
5. 公表値をそのまま社内の目標にしない。測り方が書かれていない値は、他社の条件で出た数字です。自社では自分の測り方を先に決めます

どの業務から置くかの選び方はAIを置く仕事はどう選ぶか。Impelが候補を6つの原因へ束ねた手順で扱っています。並べて読むと、候補の選定と土台の整備が別の作業であることが分かります。

この記事で確認できなかったこと

• The Cubeの中間の層の内訳。6層という記載だけで、層ごとの役割は出ていません
• 7xというリターンの算定方法と対象期間
• 名簿の精度の出発点が13%と18%で違う理由
• 試験中の仕組みが、目標とされている期間と社数に届いたかどうか
• CAMIが作った約32点のうち、人が直した割合
• 投入した費用、体制の人数、構築にかかった期間

成果について約束できることは、公表された範囲からは何もありません。同じ構成を作れば同じ値が出るという関係は示されていません。結果は、扱う商材、名簿の元の状態、確認の体制によって変わります。

掲載内容は2026年11月4日に確認したものです。引用した値はいずれも導入した側の申告で、見直しは半年ごとの周期に設定しています。数字を社内で使う前に、同じURLで現在の記載を確かめてください。