パーソナライゼーションの新次元 ── 1to1 から 1to-Self へ同じ顧客の中の「今日の自分」「今この瞬間の自分」に合わせる時代。リアルタイム文脈推論の構造と、製薬での実装作法。

01パーソナライゼーションの 3 段階史

マーケティングのパーソナライゼーションには、明確な発達段階があります。最初の段階は マスマーケティング。1950〜80 年代のテレビ広告、新聞広告、ラジオ CM の世界で、全員に同じメッセージを届けるのが前提でした。次の段階は セグメンテーション。男性 / 女性、20 代 / 30 代、首都圏 / 地方といった粒度で人をグループに分け、グループごとに少しずつ違うメッセージを届ける。1990 年代の DM、2000 年代の email marketing は基本的にこの段階でした。

第 3 段階が One-to-One Marketing。1993 年に Don Peppers と Martha Rogers が同名書籍で提示し、CRM の理論的基盤を作りました。彼らの主張は「セグメントの単位を 1 人にまで分解する」というもので、Amazon のレコメンデーション、Netflix の視聴提案、Spotify の Discover Weekly が、この第 3 段階のピークです。データベースに 1 人ひとりの履歴を持ち、その人専用の体験を返す。2020 年代前半までのデジタルマーケティングは、この 1to1 をどう精緻化するかの競争でした。

そして 2024〜2026 年に入り、第 4 段階の輪郭が見えてきました。本シリーズではこれを 1to-Self と呼びます。1 人の顧客の中に複数の「自分」が時間・体調・場面・気分によって入れ替わっている事実を前提とし、その瞬間の「自分」 に最適化するという思想です。

表の最終列が、各段階が次の段階に飲み込まれる理由を示しています。マスは個別の好みを取りこぼし、セグメントは同じ属性内のばらつきを取りこぼし、1to1 は同じ人の時間別の変化を取りこぼす。それぞれが、より細かい粒度の差異が経済的に効くと判明した時点で、次の段階に押し上げられました。

02なぜ 1to1 では不十分か

1to1 の構造的な弱点は、同じ顧客 ID に紐づく履歴を、平均化された「あなた」として扱う ことにあります。Amazon は私の購買履歴から「あなたへのおすすめ」を出しますが、それは過去 5 年の購買の重ね合わせから抽出された平均的な私であり、今日の朝 7 時の私ではありません。

同一人物の中に複数の「自分」がいるという観察は、消費者行動論では古くから知られていました。1985 年に Mark Snyder が提示した self-monitoring 理論、1991 年に Hazel Markus と Paula Nurius が論じた possible selves の概念。さらに 2010 年代の neuromarketing 研究で、同じ被験者の購買意思決定が、空腹時 / 満腹時、朝 / 夜、覚醒 / 疲労によって統計的に有意に変わることが繰り返し実証されました。問題は、これを 実装 する技術が長く存在しなかったことです。

1to1 時代の技術スタックでは、顧客 1 人につき 1 つのプロファイルを保持し、これを徐々に更新するのが標準でした。プロファイルの粒度は「カテゴリ嗜好」「価格帯」「ブランド傾向」程度。時間帯別の差異、体調による反応の違い、文脈による好みの揺らぎは、ノイズとして平均化されて消えます。「平均的な私」に向けたメッセージは、「今この瞬間の私」には届かない。

製薬の文脈でこれを翻訳します。慢性疾患患者向けの服薬支援アプリが、毎朝同じ時間に同じトーンの通知を送る。患者が朝 7 時に元気な日も、深夜まで仕事をして疲れている日も、メッセージは変わらない。1to1 はこの粒度でしかパーソナライズできません。一方、患者の Apple Watch から読める心拍変動、睡眠スコア、活動量を文脈として使えれば、「疲れている今日の患者」 に対しては励まし型のメッセージを、「元気な今日の患者」 には新しい運動目標の提示をという、瞬間ごとのトーン切替が可能になります。

031to-Self の概念

1to-Self を厳密に定義します。1 人の顧客の中に時間・場面・体調・気分によって入れ替わる複数の「自己状態 (self-states)」が存在することを前提とし、その瞬間の自己状態に対して最適化されたコミュニケーションを実装する設計思想。1to1 が「顧客 ID」を単位とするのに対し、1to-Self は「(顧客 ID, 瞬間)」の組み合わせを単位とします。

具体的に何が違うか、3 つの観点で整理します。第一に、プロファイルの粒度。1to1 では 1 顧客 1 プロファイルでしたが、1to-Self では 1 顧客が複数の自己状態 (朝の自分、夜の自分、運動後の自分、ストレス時の自分など) を持ち、それぞれにサブプロファイルがあります。第二に、更新頻度。1to1 のプロファイルは週単位・月単位で更新されますが、1to-Self の自己状態は秒単位・分単位で切り替わります。第三に、判断のレイヤー。1to1 は静的なルール (このカテゴリが好き → このカテゴリを薦める) で動きますが、1to-Self は動的な文脈推論 (今この瞬間にこの人がどの自己状態にあるか) を介します。

「私は朝、ニュースアプリで世界情勢の長文を読む。昼、SNS で短い投稿だけを流し見る。夜、書店アプリでフィクションを買う。同じ私だが、同じ私ではない。マーケティングは長らく、私を平均化された一人として扱ってきた。今、ようやく、瞬間の私に向き合おうとしている」── Sherry Turkle (MIT, The Empathy Diaries, 2024)

1to-Self の核心は、顧客を「もの」ではなく「動的な過程」として扱う ことです。固定された属性の束ではなく、絶え間なく変化する自己状態の連続として理解する。これは消費者行動論の理論的進展というより、実装技術の成熟が概念の更新を強いたという順序であることに注意してください。理論は 30 年前からありました。実装が 2026 年にようやく追いついたのです。

04リアルタイム文脈推論の構造

1to-Self を実装するには、「今、この人はどの自己状態にいるか」 を瞬時に推論する仕組みが必要です。本節では、この文脈推論の構造を 3 つのレイヤーに分けて解剖します。

レイヤー 1 ── シグナル収集。最下層で、複数のセンサーから生のシグナルを集めます。スマホのジャイロセンサーから移動状態、Apple Watch / Garmin から心拍変動と SpO2、カレンダー API から直前の会議の有無、位置情報から自宅か職場か外出先か。生成 AI 時代の利点は、これらの非構造化シグナルを LLM が解釈可能な形に正規化できることです。

レイヤー 2 ── 自己状態の推論。シグナルから現在の自己状態を確率的に推論します。心拍変動が高くカレンダーが空いていれば「リラックスしている自分」、移動中で心拍が速ければ「急いでいる自分」、深夜で画面が長文を表示していれば「集中している自分」。この推論は LLM ベースの軽量モデル (Claude Haiku、GPT-4o-mini、Gemini Flash 等) がエッジで実行できる粒度に降りてきました。これが 2024〜2026 年の技術的転換点です。

レイヤー 3 ── コンテンツ適応。推論された自己状態に応じて、コンテンツを動的に変化させます。同じ「服薬リマインダー」でも、「リラックスしている自分」向けには丁寧な説明文を、「急いでいる自分」向けには 1 行の通知を、「集中している自分」向けにはサイレント通知のみを送る。生成 AI が同じ情報を異なるトーンで瞬時にリライトする能力が、この層を実用化しました。

この 3 層は相互に独立しており、レイヤー 1 のシグナルが豊かでもレイヤー 2 の推論が粗ければ意味がなく、レイヤー 2 が精緻でもレイヤー 3 のコンテンツが固定されていれば届きません。3 層をシームレスに動かす設計が、1to-Self 実装の中心課題になります。

05AI による文脈推論の 4 手法

レイヤー 2 の自己状態推論には、現実には 4 つの代表的アプローチが並走しています。それぞれ依拠するシグナル源が異なり、得意な自己状態の検出が異なります。

実運用では、4 手法を組み合わせる設計が主流になりつつあります。たとえば手法 3 (環境) で時間と場所のおおまかな文脈を取り、手法 1 (行動) で関心の対象を絞り、必要に応じて手法 2 (生体) で体調を確認し、手法 4 (対話) で最終的な意図を読む。それぞれの精度は単独では不完全でも、組み合わせの推論力は単体の和を大きく超えます。

06パーソナライゼーションの失敗パターン

1to-Self の実装には、過剰な最適化が逆効果になる典型的な失敗パターンがいくつかあります。本節では現場で観察される 3 つを挙げます。

第一に 「先回りしすぎる」失敗。文脈推論の精度が上がると、ユーザが意識する前に行動を予測して提示してしまう誘惑が強くなります。Amazon が朝 8 時に「あなたは普段この時間にコーヒー豆を注文しています」と通知してくる事例。便利に見えて、ユーザは「監視されている」感覚を持ち、長期的にはアプリ離れを引き起こします。先回りの精度と、ユーザの自律性の感覚は、トレードオフの関係にあります。

第二に 「文脈の取り違え」失敗。心拍変動が高い → リラックス → 長文コンテンツを提示、という推論が、実は患者が深い悲しみで沈んでいる状態と区別できない場合があります。生体シグナルは状態の表面でしかなく、その意味は文脈に依存します。精度の高い推論ほど、文脈の取り違えが深刻な誤配信を生む。製薬の Patient Support Program では、推論が不確実な状況では中立的なメッセージにフォールバックする設計が安全です。

第三に 「均質化」失敗。1to-Self の最適化を全ユーザに適用すると、最終的に「全員が同じパターンで最適化された体験を受ける」という逆説が生まれます。たとえば朝の集中時間帯に全社が「朝の自分向けメッセージ」を一斉に送れば、ユーザの朝はメッセージで埋め尽くされる。個別最適の重ね合わせが集団的な過負荷を作る現象は、SNS の通知爆発で広く観察されました。1to-Self も同じリスクを内包します。

07製薬への含意 ── 患者の "今日の自分" に届ける

製薬マーケティングで 1to-Self がもっとも効くのは、慢性疾患の Patient Support Program です。糖尿病、高血圧、心不全、関節リウマチ ── これらの疾患は患者の生活と密接に絡み、毎日の服薬遵守と生活管理が長期予後を決めます。同じ患者が、今日は元気で運動も食事も管理できる日もあれば、仕事と家族のストレスで何もできない日もある。「今日のこの患者」 に届くメッセージは、長期遵守率を有意に変えます。

具体的なシナリオを 3 つ描きます。

シナリオ A ── 糖尿病患者向けアプリ。Apple Watch から HRV と睡眠スコアを取得。睡眠が短くストレス指標が高い朝には、運動の提案を控え、「無理せず一日を始めましょう。今日は基本だけで大丈夫」と短いメッセージ。逆に休日で睡眠が十分な朝には、新しいレシピや 10 分間の運動目標を提示。同じアプリが、患者の「今日の状態」によって違う顔を見せます。

第二は 抗うつ薬の服薬支援。文脈推論で患者の精神的疲労度を推論し、疲労度が高い時間帯には認知負荷の低い短い通知に留め、回復期には自己観察日記を促す。重要なのは、推論が不確実な時には「何もしない」ことを選ぶ設計。沈黙が最適なケースが多いという発見が、現場の Patient Support Program 設計者から共有されています。

シナリオ C ── 医療従事者向けコンテンツ。MR が医師に届ける情報も 1to-Self の対象になります。学会前の集中時期の医師には深い臨床データを、外来で疲弊している木曜の午後の医師には簡潔な要点だけを、週末の振り返り時間には症例 review コンテンツを。医師の「今日の自分」に合わせた配信タイミングが、コンテンツの開封率を 2-3 倍にしたという報告が、2025 年の Pharma Marketing 業界誌に複数登場しています。

08プライバシーとの境界

1to-Self が持つもっとも本質的な緊張は、プライバシーとの関係にあります。高解像度の文脈推論には、より多くの生体・行動・環境データの連続的な観察が必要です。観察される側からすれば、これは 監視の高密度化 でもあります。製薬企業がこの線をどう引くかは、向こう 5 年の信頼形成を決定的に左右します。

本節では、製薬企業が 1to-Self を実装する際に意識すべき 5 つの問いを提示します。第一に、どのシグナルを取るか。心拍は取るが連続位置情報は取らない、対話ログは保持するが生体センサーの生データは即時破棄する。シグナルの選別は同時にプライバシー設計です。第二に、どこに保管するか。クラウド集中型ではなくユーザ端末上で推論するエッジ AI 設計は、データの外部流出リスクを下げます。Apple は 2024 年以降、医療データの on-device 処理を強く推進しており、製薬企業もこの設計を採用する余地があります。

第三に、同意の粒度。「医療データの取得に同意します」という大括りの同意ではなく、「服薬管理のため心拍を 2 週間取得することに同意」のように、目的・データ種別・期間を分離した粒度の細かい同意設計が、患者の自己決定権を尊重します。GDPR 第 7 条、改正個人情報保護法のオプトイン要件は、この方向性を法的にも後押しします。第四に、推論の透明性。患者が「なぜこのタイミングでこのメッセージが来たか」を理解できる説明可能性。AI が推論した自己状態 (「あなたは今、疲労度が高いと判断しました」) を患者にも見えるようにする設計が、信頼を支えます。

第五に、撤退の容易さ。同意を取り消し、データを削除し、サービスから離脱する手続きが簡単でなければなりません。GDPR 第 17 条の「忘れられる権利」は、1to-Self 時代に再び重みを増します。1to-Self は、患者を観察する設計であると同時に、患者が観察から降りる権利を確保する設計でもなければならない。

091to-Self を実装する 4 ステップ

来週から着手できる粒度で、製薬企業が 1to-Self の実装を始める 4 ステップを提示します。重要なのは、最初から全てを動かそうとせず、最小の単位で実証してから広げる原則です。

4 ステップの優先順位は STEP 4 → 1 → 2 → 3 です。技術導入よりプライバシーガバナンスを先行させること。これは順序が逆だと、後で根本から作り直しになる領域です。Patient Support Program で 1to-Self を実装した先行企業 (Sanofi の Onduo 後継、Eli Lilly のデジタル支援アプリ) は、いずれもガバナンス設計に最初の 3-6 ヶ月を投じています。

10次回 ── AI 生成コンテンツ戦略への接続

本回は 同じ顧客の中の「今日の自分」 という個別の文脈に最適化する設計を扱いました。次回 (第 5 回) は、視点を反転させて、ブランドが 大量のコンテンツを生成・配信する 側の設計に踏み込みます。AI 生成コンテンツ戦略 ── ブランドの声を量産する作法。

1to-Self が「1 人の瞬間に最適化されたメッセージ」を必要とするということは、メッセージの総量が爆発的に増えるということでもあります。同じ情報を 3 トーン × 自己状態 4-6 種 × 製品 10-20 = 数百〜数千のバリエーションが必要になる。これを人手で書くのは不可能で、生成 AI による大量生産が前提になります。次回は、ブランドの「声」を保ちながら、AI でコンテンツを量産する設計、品質管理、規制対応の作法を、製薬の文脈で深く解剖します。Vibe Marketing (第 3 回) で扱った感性の設計、本回の 1to-Self、次回の AI 生成コンテンツ戦略の 3 つが、AI Marketing の中核を構成します。

本回で扱った 1to-Self は、技術の進歩が概念を更新した好例です。同じ人の中に複数の自分がいるという観察は 30 年前からあり、One-to-One Marketing の限界も理論的には知られていました。それでも 2020 年代前半までの実装は 1to1 で止まっていた。理由は単純で、瞬間ごとに変わる自己状態を捉える技術がなかったからです。ウェアラブルからの生体データ、エッジ AI による即時推論、LLM によるコンテンツの動的書き分け ── これらが 2024〜2026 年に揃ったことで、初めて 1to-Self が机上の概念から実装可能な設計思想に変質しました。

製薬企業にとって、1to-Self は同時に大きな機会と大きな責任を意味します。Patient Support Program の長期遵守率を 2-3 割改善できる可能性があり、医療従事者向けコンテンツの開封率を 2-3 倍にできる可能性がある。一方で、生体データの連続観察、文脈推論の透明性、患者の自己決定権の保証は、技術が走り出す前に整えるべき領域です。技術が先、ガバナンスが後の順序を選んだ企業は、後で大きな後戻りを強いられる。次回 (第 5 回) は、本回の 1to-Self が前提とする「コンテンツ量の爆発」を、ブランドの声を保ちながら AI で量産する作法に踏み込みます。