AI×マーケティング2026年9月21日読了約6分

AIデザイナー、利用実績から技能を自己更新

保存

重みの更新や人手のラベルを使わず、実利用の依頼履歴から設計手順を蓄積するデザインAIの枠組みが登場した。ベンチマークの実行成功率は72.7%から99.3%に向上し、制作現場への応用が視野に入る。

研究の概要

Hongyang Du氏らの研究チームは、プロ向けデザインソフトを操作するAIエージェントが、実際の利用者の依頼を通じて自らの作業手順書を育てる枠組み「Designer-RSI」を提案した。この枠組みは、デザインプロセスにおける作業手順の蓄積を目的としており、実利用の依頼履歴から得られる情報を基にしている。

グラフィックデザインは、多数の相互依存する操作の積み重ねから編集可能な成果物が生まれる長期的な作業である。さらに、出来栄えを機械的に判定する確実な基準が存在しないため、エージェントを継続的に改善する際の障害となる。研究チームは、高性能な既存の言語モデルには手を加えず、230以上のツールを通じてデザインソフトを操作させた。

改善の担い手は、モデルの外部に置いた自然言語の「技能」の集合、すなわち手続き記憶である。更新は二方向で行われ、拡張は繰り返し現れるが既存の技能で対応できない作業に新たな手順を獲得する仕組みである。一方、深化は、既存の手順を自らの成功例と失敗例に照らして改訂する仕組みである。加えて「照合再実行の関門」を設け、失敗を直しつつ過去の成功を損なわない変更だけを採用する。

検証には、実在の利用者による依頼1,406件と、自動採点された1,869件の実行履歴を用い、5回の更新を重ねた。重みの更新も人手のラベル付けも行っていない。技能は文書由来の76件から139件に増え、Claude-Sonnet-4によるGenEval2の実行成功率は72.7%から99.3%に上昇し、生成品質は11.99ポイント向上した。4種の専門的なデザイン評価では、技能を持たない同型のエージェントに対する勝率が、Claude-Sonnet-4とClaude-Opus-4.6の両モデルで61.8%および67.6%であった。

実利用の依頼から抽出した200件の評価では、拡張のみ、深化のみの勝率は49.4%と48.6%で、技能なしとほぼ互角にとどまった。しかし、両者を組み合わせると58.5%に達し、有意差(p=0.025)が確認された。この結果は、手順を増やすだけでも、磨くだけでも効果は限定的であり、両輪がそろって初めて成果が出ることを示している。

しくみをやさしく

「Designer-RSI」は、実際の利用者からの依頼を通じてAIエージェントが作業手順を学習する仕組みである。具体的には、AIは過去の成功と失敗を分析し、新しい手順を獲得することで、デザインプロセスを改善していく。これにより、従来の手法では捉えきれなかった新しい課題にも対応できるようになる。

このプロセスは、既存の技能を深化させるだけでなく、新たな技能を拡張することで、AIエージェントがより適応的に進化することを可能にする。AIは人手のラベル付けを必要とせず、利用者の実際の依頼から直接学習するため、より実践的な改善が期待できる。

ビジネスへの示唆

この技術は、特に広告代理店や事業会社のマーケティング部門、EC事業者のクリエイティブ制作部門において、直接的な影響を及ぼすと考えられる。バナー、チラシ、SNS用画像、商品ページなど、反復的でありながら案件ごとに要件が異なる制作物は、手順の蓄積が効きやすい領域である。自部署で該当する業務は何か、いま誰がどれだけ手をかけているかを考えることが重要である。

導入効果の測定には、次の指標が候補となる。

初稿完成までの制作リードタイム
修正指示による手戻り率
1点あたりの制作単価
編集可能な形式での納品比率

第一に、モデルの再学習が不要である点は、導入の障壁を下げる。技能は自然言語で外部に保存されるため、担当者が内容を読み、ブランド規定に反する手順を修正、削除することも可能とみられる。ブランド管理部門や法務部門にとって、重みに知識を埋め込む方式より統制しやすい。

第二に、人手のラベルを要しない点である。品質評価に人員を割けない現場でも、日々の依頼と自動採点から改善を回せる余地がある。

第三に、複数のモデルで効果が確認された点である。手順がモデルの外にある資産として蓄積されるなら、基盤モデルの更新のたびに調整をやり直す負担を抑えられる可能性がある。

現場での導入イメージ

仮に導入支援に入るなら、以下の4つのステップで進めることが考えられる。

棚卸し
現在の制作プロセスや使用しているツールの棚卸しを行う。このステップでは、どの業務が反復的で、どの部分に改善の余地があるかを明確にすることを目指す。
差し込み先の設計
既存ツールや業務の中で、AIエージェントがどのように機能するかを設計する。この段階では、新ツールを増やさない現実的な解決策を見つけることを目指す。
小さく試す（PoC）
小規模なプロジェクトでAIエージェントを試験的に導入し、実際の効果を測定する。このステップでは、初期のフィードバックを得て、改善点を洗い出すことを目指す。
運用と横展開
成功した試験結果を基に、AIエージェントの運用を本格化し、他のプロジェクトへの横展開を図る。この段階では、全体の制作プロセスが効率化されることを目指す。

このようなステップを踏むことで、最終的には制作プロセスの効率化と品質向上を実現することが目指される。

今後の展望

留意すべき点も多い。今回の数値は論文が用いたベンチマークと自動採点に基づいており、自社のブランド、制作物、品質基準のもとで同様の改善が得られるかは、個別の検証を要する。自動採点が実務上の「良いデザイン」と一致するかも、導入前に確かめる必要がある。

また、利用者の依頼を学習源とする以上、依頼文に含まれる機密情報や個人情報、素材の権利関係の扱いが、情報管理部門と法務部門の論点となる。誤った手順が固定化されることを防ぐため、蓄積された技能を定期的に人が点検する運用も欠かせない。

現実的な進め方は、制作量が多く判断基準が比較的明確な領域に限定して試行し、リードタイムと手戻り率の変化を測ることである。論文は、ノイズが多く検証が困難なフィードバックの下でも、手続き記憶がエージェントの継続的な適応に実用的な道を開くと結論づけている。デザインに限らず、正解を機械的に判定できない業務全般への波及が注目される。