メディアリストを作り、ピッチを練り上げるのに何時間も費やしたのに、それが虚空に消えてしまう。いわゆる「やみくもに配信して運を天に任せる」モデルは終わりました。今日のボティック（専門特化）型の代理店の成功は、大規模なハイパーパーソナライズにかかっています。AIは、これを可能にする“倍力装置”です。メディアリストのパーソナライズと、ピッチの成功予測という2つの重要タスクを自動化します。
コア原則：戦略的なインプットがAIのアウトプットを決める
ポイントは、AIを使って“もっと書く”ことだけではありません。AIを使って戦略的に考えることです。ガベージ・イン、ガベージ・アウト。AIは、ジャーナリストとクライアントに関するリッチで具体的な入力を与えたときにこそ真価を発揮します。これにより、一般的なアプローチが“相手にとって意味のある会話のきっかけ”へと変わります。この考え方を体現するのがChatGPTで、ライターとして使うのではなく、パーソナライゼーションのエンジンとして使います。
ミニ・シナリオ：「あなたはテックを取材しているのを見ました」ではなく、AIのプロンプトに「ジャーナリストのマリアはサステナブルなフィンテックを専門にしており、当社のクライアントはブロックチェーンを使って炭素排出量を40%削減したばかりです」を含めます。出力は、ありきたりなものから“その人専用の内容”へと変わります。
実装フレームワーク：フック・フォーミュラ・エンジン
次の3ステップのフレームワークに従うことで、パーソナライズを自動化し、開封率のより高い予測につなげます。
ステップ1：戦略的なインプットを集める（「フック・プロンプト」）
各ジャーナリストごとに、ドシエ（情報の束）を作成します。直近の3つの記事テーマ、その人に共通する切り口、そして交差する“特定のクライアント情報ポイント”を1つ。こうした構造化されたデータが、AIプロンプトの土台になります。
ステップ2：実証済みのコピーライティング手法を適用する
検証済みの構造でAIを導きます。たとえば：「[ジャーナリストのテーマ]に関するあなたの記事を踏まえると、[あなたのクライアント]からの新しいデータにより[驚くべき反論／結果]が明らかになりました。」 この手法は、関連性と新規性を強制的に生み出します。
ステップ3：生成し、選び、そして人の手で調整する
フックの候補を複数生成します。その後、シンプルなフィルターで各候補を批判的に評価してください：「本当に相手の原稿を読んだ人の言い回しに聞こえるか？」 そうでなければ、簡潔にします。「約束された洞察は本当に新しいのか？」 曖昧なら、より強いデータポイントに置き換えます。品質管理と成功予測のために、この“人が介在する”ステップは譲れません。あなた自身を引きつけないフックは、相手も引きつけないからです。
このフレームワークにより、パーソナライズされたフックの組み立てを自動化すると、関連性を体系的に高められます。これは、予測される開封率の高さと直接相関します。つまり、アウトリーチが“当てずっぽうゲーム”から“データに基づく戦略”へと変わります。結果として、手作業の調査にかける時間が減り、コンバージョンにつながる関係構築により多くの時間を割けます。
