グロースチームの本当の仕事は、キャンペーンそのものではない。キャンペーンを取り巻くループだ——誰が反応するかという仮説、それを証明または否定するテスト、どのチャネルがコンバージョンを獲得したかをめぐる議論、そして月曜の朝に動かされる予算。そのループの大半は今もスプレッドシート、ダッシュボード、会議の中で——ゆっくりと、手作業で——行われている。
Cohentaは、そのループを閉じるためにThynが構築しているエンジンだ。AIマーケティング自動化へのアプローチであり、成長はレポートを更新する人間ではなく、ポリシーのもとで動くエージェントによって運用される継続的な実験として機能する。Cohentaはまだ初期段階——活発に開発中であり、まだリリースされていない——そのため、これは構築しようとしているものの説明だ。
ダッシュボードはシステムではない
ダッシュボードは何が起きたかを教えてくれる。次に何をすべきかは決めないし、行動もしない。だからダッシュボードは、人間が数字をアクションに変換しに行く場所になる——観察と意思決定の間に置かれた手動の中継地点だ。
ほとんどのマーケティングツールは、そのギャップの観察側に位置している。レポートし、セグメントし、可視化して、判断を人間に返す。遅かったのはチャートを作ることではなく、チャネルを照合して予算を再決定する、中間にいる人間だった。
Cohentaの前提は、ループそのものをプロダクトにすることだ。感知、判断、行動は一つのシステムの中に属し、人間は各ステップを実行するのではなく境界を設定する。それが、レポートレイヤーと実際に動くAIによるマーケティング自動化の違いだ。
マーケティングは終わらない実験だ。仕事はチャートを読むことではなく、ループを回すことにある。
Cohentaのループ
Cohentaは、継続的に繰り返される単一のサイクルを中心に設計されている。各ターンは同じ4つのステップを踏み、各ステップはチームが手作業で行う仕事をエージェントが担う場所だ。
- 仮説を立てる。 テスト可能な主張を定義する——セグメント、オファー、メッセージ、チャネルミックス——それを確認または否定する指標とともに。
- 実験する。 テストをコントロールされた実験として開始する。ホールドアウトと露出ルールは後から再構成するのではなく、最初から定義する。
- アトリビューションを行う。 どのタッチポイントが実際にシグナルを生んだかを読み取り、コンバージョンを獲得したチャネルと、ただそこにいただけのチャネルを分離する。
- 最適化する。 効果があったものに予算とクリエイティブをシフトし、効果がなかったものを廃止し、結果を次の仮説として返す。
第4ステップは次のターンの第1ステップだ。この閉じた構造こそが要点だ——システムは推奨で止まらず、推奨に基づいて行動し、その結果を測定し、次の手を提案する。自律的成長とは、人間があるタブから別のタブに数字をコピーするのを待たずにこのループが回り続けるときに生まれるものだ。
AIマーケティング自動化、ポリシーのもとでエージェントが運用する
ループを動かすのはAIマーケティングエージェントだ——ステップを語るのではなく、ステップを担うコンポーネントだ。一つのエージェントが過去の結果から仮説を提案する。別のエージェントが実験を設定してローンチする。別のエージェントがアトリビューションを解決する。別のエージェントが定められた上限の中で予算を再配分する。
それが無謀にならないのはポリシーがあるからだ。ポリシーとは、エージェントが動く明示的な境界だ——1日の最大支出、絶対に使ってはならないブランドや表現、対象外のオーディエンス、ライブ予算を変更する前に必要な最低限のエビデンス。ポリシーを書くのは人間であり、エージェントはその中で行動する。
これがCohentaの構造的な逆転だ。人間がすべてのアクションを決定し、ツールがキーストロークを実行するのではなく、エージェントが決定して実行し、人間がルールを決める。人間は一段上に移動する——オペレーターから立法者へ——そこでこそ、人間の判断は真に積み重なる。
支出の前にシミュレーション
ライブ実験には実際のコストと注意が必要であり、市場でテストする価値のない仮説もある。Cohentaは予算をコミットする前にシミュレーションを行うよう構築されている——提案された実験の結果の予測範囲を推定し、紙の上で失敗するものを除外する。
シミュレーションは二つのことをする。ライブテストの対象を実施する価値のあるものに絞り込み、不確実性が本物の場所に支出を集中させる。そして最適化ステップに事前情報を与える——実際の結果と比較するための期待行動モデルを持つことで、驚くべき結果を驚くべきものとして認識できる。
これが、規律ある自動化と単に予算を速く燃やすシステムを分けるものだ。期待コストのモデルなき速度は、ただ高くつく間違いだ。シミュレーションレイヤーは、素早く行動する権利を得るための正確性チェックだ。
コンテンツをバックログではなくシステムとして
実験には素材が必要だ——メッセージ、バリアント、ランディングページ、テストされるクリエイティブ。それぞれを個別のタスクとして扱うことが、コンテンツをループ全体を止めるボトルネックにする。
Cohentaはコンテンツをシステムとして扱うよう設計されている。バリアントは仮説に対して生成され、支出を制限するのと同じポリシーに従い、実験ループが消費するペースで生産される。ここでのコンテンツインテリジェンスとは、ループが継続的に供給され、生産されるものがアトリビューションステップがすでに学んだ効果的なものによって形成されることを意味する。
目的はコンテンツを増やすことではない。より速く閉じるコンテンツだ——特定の主張をテストするために生成され、正直に測定され、より優れたバリアントが証明された瞬間に置き換えられる。
この先へ
Cohentaはまだ構築中であり、その順序は意図的だ——ループ、ポリシー、シミュレーション、アトリビューションは、ライブ予算に触れる前に信頼できるものでなければならない。最初のマイルストーンは各ステップを単独で誠実に機能させることであり、その後、厳格なポリシーのもとでループをエンドツーエンドで動かす。時間をかけて、同じ仕組みがより多くのチャネル、より豊かな実験、より短いサイクルをサポートするようになる——ループは一定のまま、そのターンが速くなる。
賭けはシンプルだ。次世代のAIマーケティング自動化ツールの中で重要なものは、より優れたダッシュボードではない。あなたが設定したルールのもとで実験を代わりに実行し、その過程を示すシステムだ。CohentaはThynがそれを構築しようとする試みだ。