No. 001
- 状態A
- 脱毛クリニックに通う
- 行動B
- 1院に通い続けず、いろいろなクリニックの初回を回る
- 得られるもの
- 初回だけ安い価格で通える
- 出典
- 各院の初回割。公開情報
- 意外さ
- 「1院に通い続ける」という前提を外す発想が要る。クリニック側は発信しない
材料はすべて公開されている。それでも前提を外す発想が要るので、今の AI は自分からは言わない。
CATALOG FOR AI
カタログ
for AI
ユーザーが求めていないが、
知ったら喜ぶ行動。
それを大量に載せたカタログ。
読むのは人ではなく、AI。
- 状態A
- 東京の大学に入学が決まった
- 行動B
-
- 国民年金の学生納付特例
- 学割定期
- 住民票を移すかの判断
1件は「状態A → 行動B」の組
知らない人は、聞けない
pull 型
今の AI、レコメンド
聞かれたことには強い。
しかし、知らない人はそもそも聞けない。
push 型
ニュース
聞くことすら思いつかないことを、先に知らせる。
AI の時代に足りないのは、push の側。
AI が自分からは言わないこと
No. 002
- 状態A
- 東京の大学に入学が決まった
- 行動B
- 国民年金の学生納付特例、学割定期、住民票を移すかの判断
- 状態の手がかり
- 合格通知のメール、住所変更
状態Aは、本人が宣言しなくても推定できる。手がかりは、合格通知のメールや住所変更などの痕跡。
1件の項目
- 01状態A
- 02適用条件
- 03行動B
- 04得られるもの
- 05手間
- 06出典
- 07確認日
- 08有効期限
- 09意外さ
AI が知らせるまで
-
1
状態を推定する
合格通知のメールや住所変更などの痕跡から、ユーザーの状態を推定する。本人の宣言は要らない。
-
2
候補を拾う
ユーザーの状態とカタログの状態Aを、ベクトル類似度で照らす。
-
3
条件を照合する
年齢、地域、期限などの条件は類似度では判定できない。最後は LLM が照合する。
-
4
知っているものを除く
すでに知っているもの、やったものは除く。
-
5
AI が知らせる
行動Bがその人に合いそうなら、AI が知らせる。
A → B の集め先
1
公的な手続きガイド
正確だが、意外さは低い。
2
X、知恵袋、Reddit、note の投稿本命
もっと早く知りたかった
知らなくて損した
言い回しそのものが、A と B の形をしている。
3
企業の割引や制度の条件
量は出るが、鮮度の管理が要る。条件を見張り続ける部分が、ニュースの役割にあたる。
4
自分たちのユーザーの行動ログ
後になって役に立つ。
LLM の使いどころ
使わない LLM に一から B を生成させる。過去の平均になる。
使う 集めたものを整形し、構造化する。
カタログの役割
変化の検知工夫すれば push にできる。
新しい攻略法最初に見つけるのは人。
この2つを大勢に配り、
見張るコストを割り勘にする。
それがカタログの役割で、ニュースの役割でもある。