投稿者 global-ai-media 
ChatGPTやPerplexityなど、大規模言語モデル（LLM）を経由したWebサイトへの流入が増加しています。インテント（検索意図）が不透明になりがちなAI経由のトラフィックに対し、流入後のユーザー体験を最適化する新たなアプローチとその課題について解説します。
生成AI時代の新たなマーケティング課題：LLM経由トラフィックの増加
近年、ユーザーの情報収集プロセスに大きな変化が起きています。従来の検索エンジンにキーワードを入力する手法から、ChatGPTやPerplexity、GoogleのAI OverviewといったAIアシスタントに自然言語で質問し、そこから引用元のWebサイトへアクセスする行動が定着しつつあります。
この「LLM（大規模言語モデル）経由のトラフィック」は、企業にとって無視できない流入チャネルとなりつつあります。しかし、実務上は大きな壁が存在します。それは、従来の検索流入のように「ユーザーがどのようなキーワードで検索したか」という明確なインテント（意図）データやリファラ（参照元）情報が、Webサイト側に十分に引き継がれないという問題です。
欠落する「ユーザーの意図」と推測に基づくアプローチ
従来のデジタルマーケティングでは、検索キーワードや過去の行動履歴に基づき、ランディングページ（LP）のコンテンツを動的に出し分けるパーソナライゼーションが一般的でした。しかし、AIアシスタントからの流入ではこの「シグナル」が欠落しやすいため、ユーザーが何を知りたくて訪問したのかを把握することが困難になります。
この課題に対し、米国のテクノロジー企業であるFibr AIは、「LLM-to-Web Personalization」という新機能を発表しました。これは、LLMからのトラフィックに対して、ユーザーがどのようなプロンプト（指示文）を経てそのページに到達したかの経路をモデル化し、推測に基づいてWebサイトの表示内容をパーソナライズする仕組みです。
意図データが直接渡されない環境下でも、AIを活用して文脈を補完し、ユーザーにとって関連性の高い情報を提供するというアプローチは、Cookieレス時代における新たなUX（ユーザー体験）改善の手法として注目に値します。
日本の法規制と商習慣におけるメリットとリスク
日本国内においても、改正個人情報保護法の施行や主要ブラウザにおけるサードパーティCookieの段階的廃止により、ユーザー個人のトラッキングに基づくマーケティングは年々難しくなっています。その点、個人を特定するデータに依存せず、流入時のコンテキスト（文脈）や推測モデルを活用したパーソナライゼーションは、プライバシー保護と顧客体験の向上を両立し得る有効な選択肢となり得ます。
一方で、こうしたAIによる「推測」にはリスクも伴います。モデルがユーザーの意図を誤って解釈した場合、的外れなコンテンツを表示してしまい、かえって企業ブランドや信頼を損ねる恐れがあります。日本の消費者はサービスの品質や正確性に対してシビアな傾向があるため、「推測が外れた場合のフォールバック（標準的で無難なページを表示する仕組み）」をあらかじめ設計しておくなど、フェイルセーフの考え方が不可欠です。
日本企業のAI活用への示唆
LLMからのトラフィック増加と、それに伴うパーソナライゼーション技術の進化は、日本企業のデジタル戦略に以下の実務的な示唆を与えます。
第1に、「検索エンジン最適化（SEO）」だけでなく、「AIエンジン最適化（GEO：Generative Engine Optimization）」を視野に入れた戦略のアップデートです。自社の情報がLLMに正確に引用されるよう構造化データなどを整備するとともに、意図が曖昧な状態で訪れたAI経由のユーザーを、いかにスムーズに目的達成へ導くかという動線設計が求められます。
第2に、プライバシー対応とAIパーソナライゼーションの両立です。個人データへの過度な依存を減らすため、コンテキストベースの推測技術を導入検証することは有意義です。ただし、法務・コンプライアンス部門と連携し、ユーザーに「過度な監視」という不信感を与えない、透明性と配慮のあるUI/UX設計を心がける必要があります。
第3に、マーケティング部門とデータ・AI部門のサイロ化の解消です。LLM経由の意図をモデル化しプロダクトやLPに反映させるには、マーケターのドメイン知識とエンジニアのAI実装力の融合が不可欠です。AIを単なる業務効率化ツールとして捉えるだけでなく、顧客接点を再構築するための基盤として部門横断で活用を推進することが、今後の競争力に直結するでしょう。