ABM 2.0とは？AIで購買関与者を個人単位で特定しB2Bアプローチを最適化する戦略

ABM 2.0とは、AIを活用して購買に関わる関与者を個人単位で特定し、一人ひとりに最適化したアプローチでB2Bの商談獲得率を高めるマーケティング戦略である。

従来のABM（アカウントベースドマーケティング）は、狙う企業＝アカウントを単位にターゲティングしてきた。だが実際の購買は、役職も関心も異なる複数の担当者による合議で決まる。ABM 2.0は、AIで「誰が意思決定に関わるか」を個人レベルまで解像度を上げ、それぞれに響くメッセージを届ける点が新しい。本記事は、意思決定に関わる複数の担当者へ的確にアプローチしたいマーケターや営業担当者に向けて、準備から実践3ステップ、よくある失敗までを順を追って解説する。

まず、ABM 2.0が従来のABMと何が違うのかを押さえる。言葉だけが新しいのではなく、ターゲティングの単位と、AIが担う役割が根本から変わっている。3つの観点から整理する。

従来のABMは、狙うべき企業を選び、その企業に向けて広告やコンテンツを当てる「アカウント単位」のアプローチだった。だが、企業に向けてメッセージを送っても、実際にそれを読むのは中の個人だ。経営層と現場担当者では、同じ製品でも気にする点がまったく異なる。

コンタクトレベルターゲティングは、この「中の個人」まで解像度を下げる。同じ企業の中でも、予算を握る役員には投資対効果を、導入を主導する部門長には業務の変化を、実際に使う担当者には操作の手間を、と訴求を変える。

この違いは、メッセージの当たり方に直結する。アカウント単位では「誰に向けたのか曖昧な平均的なメッセージ」になりがちだが、個人単位では受け手の関心に合わせられる。AIは、この個人ごとの出し分けを、人手では追いきれない規模で支えるために使われる。

B2Bの購買、とりわけ金額の大きい意思決定は、一人で完結しない。導入を提案する人、予算を承認する人、現場で使う人、情報システムやセキュリティを審査する人——購買に関わる複数の立場が合議で決める。英語ではこの集まりをバイイングコミッティと呼ぶ。

ここで起きがちな失敗は、最初に接点を持った一人だけを追ってしまうことだ。その担当者がどれだけ乗り気でも、社内で承認を得られなければ商談は前に進まない。逆に、決裁者だけに当てても、現場の納得がなければ導入後に使われない。

ABM 2.0が「個人を特定する」と言うとき、狙いはこの購買関与者の全体像を捉えることにある。誰が関わり、それぞれが何を懸念しているかを把握できれば、一人の熱意に依存せず、関与者全体として合意に至るための材料を、各人に届けられるようになる。

購買関与者を一人ひとり把握し、それぞれに合わせて働きかける——理屈は以前からあったが、人手では現実的でなかった。一社あたり数名、対象が数百社に及べば、追うべき個人は容易に数千人になる。

ここを変えたのが生成AIをはじめとするAI技術だ。誰が購買に関わりそうかをデータから推定し、各人の関心を分析し、一人ひとりに向けた文面の下書きまで、これまで手作業だった工程を支援できるようになった。

ただし、AIが意思決定そのものを代行するわけではない。AIが担うのは、膨大な個人を相手にしたときの「規模の問題」を解くことだ。最終的に、どのメッセージを届けるか、どこで人が介在するかの判断は、引き続きマーケターと営業の側にある。AIを「自動化の魔法」ではなく「人手では届かない解像度を可能にする道具」と捉えることが、過剰な期待を避ける出発点になる。

ABM 2.0は、ツールを導入すればすぐ動くものではない。AIの精度も、社内の連携も、土台となる準備の質に左右される。実践のステップに入る前に、整えておくべき3つの前提を確認する。

ABM 2.0の精度は、入力となるデータの質と量で決まる。まず自社が持つ顧客データ——商談履歴、問い合わせ、Webサイトでの行動、過去の取引——が、CRMやMAツールに整理されて蓄積されているかを確認する。

ありがちなのは、データが部署ごとのスプレッドシートや個人の頭の中に散在している状態だ。これではAIに渡せる形になっておらず、分析の出発点に立てない。まずは顧客に関する情報を一元化し、重複や表記ゆれを整理することが、地味だが欠かせない準備になる。

自社データ（ファーストパーティデータ）に加えて、購買意欲の兆候を捉えるインテントデータなど外部データの活用も検討する。ただし、外部データを増やす前に、自社データの整備を優先したい。土台が崩れたままツールだけ増やしても、AIは精度の低い分析を量産するだけになる。導入するツールは、これらのデータを統合・連携できることを基準に選ぶ。

次に、誰を理想の顧客とするかの定義を見直す。理想顧客プロファイル（ICP）は、自社の製品が最も価値を発揮する企業の条件——業種、規模、抱える課題など——を言語化したものだ。これが曖昧だと、AIに「誰を探すか」を指示できない。

ABM 2.0では、企業単位のICPに加えて、購買に関わる関与者一人ひとりのペルソナを具体化する必要がある。決裁者、推進者、実務担当者、審査担当者が、それぞれどんな立場で、何を達成したく、何を懸念するのか。役割ごとにペルソナを描くことで、後のメッセージ設計の軸ができる。

注意したいのは、ペルソナを思い込みで作らないことだ。既存の優良顧客の実際の購買プロセスを振り返り、誰が関わり、どこで話が進み、どこで止まったかを観察する。実データに基づくペルソナほど、AIによる人物特定や関心分析の精度を引き上げる。

ABM 2.0は、マーケティング部門だけで完結しない。AIが特定した購買関与者一人ひとりに、最終的にアプローチするのは営業であることが多い。両者の連携が取れていなければ、せっかくの分析が現場で使われずに終わる。

よくあるのは、マーケティングが「見込み客を渡した」と考え、営業が「質の低いリストだ」と感じる、両者のすれ違いだ。ABM 2.0では扱う情報が個人レベルまで細かくなるぶん、何を「アプローチすべき相手」とみなすかの基準を、両部門で事前にすり合わせておく必要がある。

具体的には、どの状態になったら営業が動くのか、アプローチの結果をどう記録してマーケティングに戻すのか、という往復の流れを決めておく。AIの分析結果を共通の土台として両部門が同じ相手を見ている状態を作ることが、ツール導入より先に取り組むべき準備になる。

準備が整ったら、実践の第一歩は「誰にアプローチするか」を見極めることだ。購買に関わる関与者をデータから特定する工程を、3つの手法に分けて見ていく。

購買関与者を特定する出発点は、二種類のデータを掛け合わせることだ。一つは自社が持つファーストパーティデータ——自社サイトの閲覧、資料ダウンロード、過去の問い合わせなど、すでに接点のある個人の行動。もう一つはインテントデータ——その企業がどんなテーマに関心を示しているかを外部から捉えた兆候だ。

ファーストパーティデータだけでは、まだ接点のない関係者を取りこぼす。インテントデータだけでは、企業の関心は分かっても「中の誰か」までは絞れない。両者を組み合わせることで、「この企業は導入を検討していそうで、かつ社内のこの個人が動いている」という解像度に近づける。

AIはこの掛け合わせを支援する。行動の断片から、同じ企業内の関連する個人を結びつけ、購買関与者の輪郭を推定する。ただし推定は確実ではないため、出てきた候補は人が確認し、明らかに外れた相手を除く工程を挟むのが安全だ。

特定の手がかりが集まったら、それを実際にアプローチできる「コンタクトリスト」へ落とし込む。ここで生成AIは、断片的な情報から候補者を整理し、役割や所属を補完してリスト化する作業を効率化する。

従来この工程は、担当者が一件ずつ調べて手入力する負担の大きい作業だった。AIを使えば、対象企業ごとに関係しそうな個人を洗い出し、初期のリスト案を短時間で用意できる。人手は、その案を精査し、優先順位をつける判断に集中できる。

精度を上げる鍵は、フィードバックの循環だ。生成されたリストのうち、実際に商談につながった相手とそうでない相手の結果を記録し、次の生成の手がかりとして戻す。「AIが出したリストをそのまま使う」のではなく、結果を学びとして反映し続けることで、リストの質は運用とともに高まっていく。実在しない連絡先が混じる場合もあるため、配信前の検証は欠かせない。

自社データだけでは、購買関与者の全体像は見えにくい。役職や担当領域、組織の構造といった情報を補うために、ビジネス向けSNSや第三者のデータプロバイダーから得られる情報を組み合わせる。

統合のポイントは、複数のソースにまたがる同一人物を正しく結びつけることだ。氏名や会社名の表記ゆれ、転職による所属の変化などで、同じ人が別人として登録されたり、別人が同一視されたりする。ここを雑にすると、誤った相手に的外れなメッセージを送ることになりかねない。

外部データを使う際は、取得や利用が各サービスの規約や各国の個人情報保護の枠組みに沿っているかも、あわせて確認する。データを増やすほど分析は豊かになるが、出どころと使い方の正当性を担保しておかなければ、後で大きなリスクになる。量より先に、結合の正確さと取り扱いの適法性を優先したい。

アプローチすべき相手が見えたら、次は一人ひとりを理解する番だ。購買関与者それぞれが購買のなかでどんな役割を担い、何に関心があるかを、AIで分析する手法を3つ取り上げる。

購買関与者は、同じ重みで扱うべきではない。最終的に決裁する人、導入を後押しする影響者、実際に使う実務担当者、技術やセキュリティを審査する人——役割によって、響く論点も、押さえるべきタイミングも違う。

AIは、肩書きや過去の行動、社内での関わり方の手がかりから、各人がどの役割に近いかを推定する手助けをする。たとえば、投資対効果に関する資料をよく見る個人は決裁に近く、操作手順を確認する個人は実務側、といった具合に、行動の傾向からロールの当たりをつける。

ただし、肩書きと実際の影響力は一致しないことが多い。役職は高くても判断を現場に任せる人もいれば、肩書きは控えめでも実質的な推進役という人もいる。AIの分類はあくまで初期の仮説とし、実際のやり取りを通じて誰が本当のキーパーソンかを見直していく姿勢が欠かせない。

役割が見えてきたら、次は各メンバーが「今、何に関心を持っているか」を捉える。どのページを読み、どの資料をダウンロードし、どのテーマのメールに反応したか——こうした行動の積み重ねは、その人の関心を映す手がかりになる。

AIは、こうした行動の履歴からパターンを読み取り、関心の高いテーマを推定する。コスト削減に関する内容ばかり見ている人と、導入事例を追っている人とでは、次に届けるべき情報は異なる。関心に沿った内容を出せれば、反応率は上がりやすい。

注意したいのは、一度の行動で決めつけないことだ。たまたま開いた一通や、業務と関係のない閲覧も混じる。複数の行動が同じ方向を指して初めて、関心として信頼できる。短期の点ではなく、一定期間の傾向として関心を捉えることが、的外れな出し分けを避けるコツになる。

関心の分析をさらに進めるとき、文字どおりのキーワード一致だけでは限界がある。「コスト削減」と「経費圧縮」は別の言葉だが、関心としてはほぼ同じだ。こうした言い換えを捉えるために、セマンティック検索や埋め込みという技術が使われる。

埋め込みは、文章や関心テーマを数値のベクトルに変換し、意味の近さを距離として扱えるようにする仕組みだ。これにより、表現が違っても意味が近い関心同士を結びつけられる。あるメンバーが読んだ複数のコンテンツを意味のレベルで束ね、その人の関心の中心がどこにあるかを浮かび上がらせる。

実務では、この技術を「似た関心を持つメンバーをまとめる」「あるメンバーに次に薦めるべき内容を探す」といった用途に使う。仕組みの細部を理解する必要はないが、キーワード一致より一段深く関心を捉えられる手段がある、と知っておくと、ツール選定の際の判断材料になる。

相手と関心が分かったら、いよいよ一人ひとりに届けるメッセージを作る段階だ。コンタクトレベルでパーソナライズしたコンテンツを、品質を保ちながら量産するための手法を見ていく。

パーソナライズの中心になるのが、LLMを使ったコンテンツの個別最適化だ。相手の役割、関心テーマ、これまでの接点を入力として与えれば、その人に向けたメールの文面、広告の訴求、提案書の章立ての下書きを、相手ごとに作り分けられる。

人手では、数百人に一人ずつ文面を書き分けることは現実的でなかった。テンプレートに名前を差し込む程度の表面的なパーソナライズが限界で、受け手にもそれは見透かされていた。LLMは、相手の文脈を踏まえた文面を相手の数だけ用意することを、現実的な工数で可能にする。

ただし、生成された文面をそのまま送るのは避けたい。事実関係の誤りや、トーンのずれ、相手の状況に合わない記述が混じることがある。AIに下書きを任せ、人が事実と語り口を確認して仕上げる——この役割分担が、量と質を両立させる現実的な進め方になる。

LLMに任せる文面の質は、指示の出し方で大きく変わる。狙った品質と一貫性を引き出すための工夫をプロンプトエンジニアリングと呼ぶ。同じモデルでも、指示が曖昧なら出力もぶれ、的確なら安定する。

一貫性を保つ鍵は、ブランドの語り口や守るべきルールを、指示の中で明示することだ。使ってよい表現とNGワード、文章の長さ、必ず含める要素、避けるべき断定——こうした枠を毎回の指示に組み込んでおけば、誰が生成しても近い品質に揃う。良い文面が出たときの指示を雛形として共有すると、チーム全体の出力が安定する。

あわせて、相手ごとに変わる情報（役割や関心）と、常に守る枠（ブランドの方針）を、指示の中で分けて扱うと管理しやすい。変わる部分だけを差し替える設計にしておくことで、個別最適化の自由度を保ちながら、一貫性が崩れるのを防げる。

相手に届けるチャネルは一つではない。メール、Web広告、自社サイト、営業からの直接の連絡——複数の経路で同じ相手に接することになる。ここで各チャネルがばらばらのメッセージを送ると、受け手は一貫性のなさに違和感を覚える。

統一の鍵は、相手ごとに「今、何を伝える段階か」を一元的に管理することだ。あるメンバーが検討の初期にいるのか、比較の段階にいるのかによって、どのチャネルでも届けるべき内容の軸は揃える。チャネルごとに表現は変えても、伝えたい中心は一つに保つ。

注意したいのは、頻度の管理だ。チャネルが増えるほど、同じ相手に過剰に接触してしまうリスクが高まる。複数の経路を横断して、一人あたりの接触量を把握し、しつこさで嫌われない範囲に収める。チャネルを増やす目的は接触回数を稼ぐことではなく、相手の状況に合った経路で適切に届けることにある。

最後に、ABM 2.0でつまずきやすい点を二つ取り上げる。技術そのものより、土台のデータと、行きすぎたパーソナライズの扱いに落とし穴がある。

ABM 2.0で最も多いつまずきは、AIの手法に飛びつく一方で、入力となるデータの質を軽視することだ。古い連絡先、重複した登録、表記のゆれ、欠けた項目——こうした汚れたデータを与えれば、AIはそのまま精度の低い分析を返す。

象徴的なのは、退職済みの担当者に向けてメッセージを作り続けたり、同一人物を別人として二重に追ったりするケースだ。AIは与えられたデータを疑わないため、入力の誤りはそのまま出力の誤りになる。「AIの精度が低い」と感じる原因の多くは、モデルではなくデータ側にある。

対策は地味だが確実だ。定期的に古いデータを棚卸しし、重複を統合し、表記を揃える運用を、ABM 2.0の一部として組み込む。一度きれいにして終わりではなく、データの鮮度を保ち続ける担当と頻度を決めておく。AIに何を学ばせるかより前に、何を入力しているかを管理することが精度の土台になる。

パーソナライズは行きすぎると逆効果になる。相手の行動を細かく言い当てたメッセージは、便利さよりも「なぜそこまで知っているのか」という不気味さを与え、信頼を損なう。個人を深く知ることと、それを露骨に見せることは別だと心得たい。

法令面の配慮も欠かせない。タイで事業を行う場合はPDPA（個人データ保護法）が、個人データの収集・利用・第三者提供に同意や適正な根拠を求める。どのデータを、何の目的で、どこまで使ってよいのかを整理せずにパーソナライズを進めると、コンプライアンス上のリスクを抱えることになる。対象とする国・地域それぞれの枠組みを確認する必要がある。

実務上の指針はシンプルだ。集めてよいデータの範囲と利用目的を最初に定め、その枠の中でパーソナライズする。相手にとって価値のある情報提供にとどめ、監視されていると感じさせない。法令の遵守と、相手が心地よく受け取れる距離感の両方を守ることが、長期的に信頼される関係につながる。