理論的基礎と文献 · IDAEO：AI時代のマーケティング
理論的基礎と文献
IDAEO の設計の一つひとつに学理上の出典があります。上半分は図 8-2 に挙げた 17 の学理の完全な書誌（19 件の出典）です。下半分は 78 件の関連文献で、マーケティング学の基礎、生成エンジンとAI検索の研究、AI顧客とAIエージェント（AI Agent）、情報検索と信頼性、成果計測、スタートと蓄積、AIプラットフォームの公式文書とエージェントプロトコル、七大法則とジャーニーの学理の八つに分類しています。
| 理論 | 出典 | IDAEOでの使い方 |
|---|---|---|
| 本書の図 8-2 に挙げた 17 の学理（19 件の出典） | ||
| 検索拡張生成 | Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., ほか（2020）。Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks。Advances in Neural Information Processing Systems 33（NeurIPS 2020）。arXiv:2005.11401。 | AIは回答の前にまず検索 → リアルタイム取得 |
| エージェンシー理論 | Jensen, M. C., & Meckling, W. H.（1976）。Theory of the firm: Managerial behavior, agency costs and ownership structure。Journal of Financial Economics, 3(4), 305–360。 | AIエージェントは顧客の代理人 |
| AI可読標準（robots プロトコル） | Koster, M., Illyes, G., Zeller, H., & Sassman, L.（2022）。Robots Exclusion Protocol。RFC 9309、IETF（Proposed Standard）、2022 年 9 月。 | AIがサイトを読むにはルールがある → AI許可 |
| AI可読標準（構造化データ語彙） | Schema.org。About Schema.org。Schema.org コミュニティ（創設企業：Google、Microsoft、Yahoo、Yandex）。 | AIがサイトを読むにはルールがある → AI許可 |
| カスタマージャーニー（消費者意思決定ジャーニー） | Court, D., Elzinga, D., Mulder, S., & Vetvik, O. J.（2009）。The consumer decision journey。McKinsey Quarterly、2009 年 6 月。 | 消費の意思決定は再訪を含む循環 → 十のステップ |
| カスタマージャーニー（ゼロ・モーメント・オブ・トゥルース ZMOT） | Lecinski, J.（2011）。Winning the Zero Moment of Truth。Google（無料電子書籍）。 | 顧客は購入前にまずネットで調べ、経路は前進も後戻りもできる → 十のステップ |
| 注意力の希少性 | Simon, H. A.（1971）。Designing Organizations for an Information-Rich World。M. Greenberger（編）、Computers, Communications, and the Public Interest（pp. 37–72）に収録。Baltimore: The Johns Hopkins Press。 | 情報が増えるほど注意力は希少になる → S6 AIは一度に数社しか言及しない |
| 情報の非対称性 | Akerlof, G. A.（1970）。The Market for "Lemons": Quality Uncertainty and the Market Mechanism。The Quarterly Journal of Economics, 84(3), 488–500。 | 品質に関する情報の非対称性が取引の判断に影響する → 検証で信頼できる根拠を補う |
| 情報源の信頼性 | Hovland, C. I., & Weiss, W.（1951）。The Influence of Source Credibility on Communication Effectiveness。Public Opinion Quarterly, 15(4), 635–650。 | 誰が言ったかで、人が信じるかどうかが変わる → 主張の追跡可能性の法則：すべての主張に出典を付ける |
| 信頼の三要素 | Mayer, R. C., Davis, J. H., & Schoorman, F. D.（1995）。An Integrative Model of Organizational Trust。The Academy of Management Review, 20(3), 709–734。 | 信頼は能力、善意、誠実性で判断され、行動に応じて更新される → 信頼は有効期限に応じて更新 |
| エンティティ解決 | Fellegi, I. P., & Sunter, A. B.（1969）。A Theory for Record Linkage。Journal of the American Statistical Association, 64(328), 1183–1210。 | 同一の店舗と判定するには複数の項目の一致が必要 → アイデンティティ連続性の法則 |
| データ来歴 | Moreau, L., & Missier, P.（編）（2013）。PROV-DM: The PROV Data Model。W3C Recommendation、2013 年 4 月 30 日。 | 各データがどこから来たか、いつか → 主張の追跡可能性の法則 |
| 第三者認証の仲介者 | Lizzeri, A.（1999）。Information Revelation and Certification Intermediaries。The RAND Journal of Economics, 30(2), 214–231。 | 認証の仲介者がどれだけの情報を開示するかを決める → 独立検証の法則 |
| シグナリング理論 | Spence, M.（1973）。Job Market Signaling。The Quarterly Journal of Economics, 87(3), 355–374。 | シグナルのコストはタイプによって異なり、高品質な側のほうが負担しやすい → サービス階層の信頼できるシグナル |
| 能力成熟度モデル | Paulk, M. C., Curtis, B., Chrissis, M. B., & Weber, C. V.（1993）。Capability maturity model, version 1.1。IEEE Software, 10(4), 18–27。 | 能力を段階に分け、一段ずつ上がる → サービス階層 |
| バージョン別価格設定 | Shapiro, C., & Varian, H. R.（1998）。Versioning: The Smart Way to Sell Information。Harvard Business Review, 76(6), 106–114。 | 同じ製品をバージョン別に提供 → サービス階層ごとに内容が異なる |
| 効果階層 | Lavidge, R. J., & Steiner, G. A.（1961）。A Model for Predictive Measurements of Advertising Effectiveness。Journal of Marketing, 25(6), 59–62。 | 認知、好意、行動には順序がある → 露出、口コミ、ブランドPR |
| シェア・オブ・ボイス | Jones, J. P.（1990）。Ad Spending: Maintaining Market Share。Harvard Business Review, 68(1), 38–42。 | 広告のシェア・オブ・ボイスは市場シェアと合わせて見る → この概念を借りてAI言及率を測る |
| グッドハートの法則 | Goodhart, C. A. E.（1976）。Problems of Monetary Management: The U.K. Experience。Papers in Monetary Economics, Vol. I に収録。Sydney: Reserve Bank of Australia。（1975 年 7 月にシドニーでの会議で発表、通例 Goodhart 1975 として引用される） | 指標が目標になると測定の効力が弱まる → クリックとAIの各ステップでのコンテンツ利用を同時に見る |
| 関連文献：マーケティング学の基礎 | ||
| マーケティングの公式定義 | American Marketing Association。Definition of Marketing。AMA 公式サイト（2026/10/11 閲覧）。 | マーケティングは顧客と社会のために価値を創造し、交換する活動 → 対象をAIにまで広げる |
| AIDA（注意、関心、欲求、行動） | Strong, E. K., Jr.（1925）。Theories of selling。Journal of Applied Psychology, 9(1), 75–86。 | Strong が注意、関心、欲求、行動という販売段階の考え方を整理 → カスタマージャーニーを段階に分ける初期の参照先 |
| カスタマージャーニーと顧客体験 | Lemon, K. N., & Verhoef, P. C.（2016）。Understanding Customer Experience Throughout the Customer Journey。Journal of Marketing, 80(6), 69–96。 | ジャーニーは消費の意思決定の前、中、後と複数のタッチポイントに分かれる → 十のステップにAIのタッチポイントを加える |
| 顧客ベースのブランド・エクイティ | Keller, K. L.（1993）。Conceptualizing, Measuring, and Managing Customer-Based Brand Equity。Journal of Marketing, 57(1), 1–22。 | ブランド資産は顧客の頭の中にあるブランド知識から生まれる → AIの頭の中の知識にまで広げる |
| サービス・ドミナント・ロジック | Vargo, S. L., & Lusch, R. F.（2004）。Evolving to a New Dominant Logic for Marketing。Journal of Marketing, 68(1), 1–17。 | 価値は使用の中で顧客と共創される → AIによる代行も共創の一部 |
| 口コミが新製品の普及に与える影響 | Arndt, J.（1967）。Role of Product-Related Conversations in the Diffusion of a New Product。Journal of Marketing Research, 4(3), 291–295。 | 好意的な口コミは消費者の新製品採用を促す → 口コミは「AEO+ 口コミ」の中核 |
| 二段階の流れとオピニオンリーダー | Katz, E., & Lazarsfeld, P. F.（1955）。Personal Influence: The Part Played by People in the Flow of Mass Communications。Glencoe, IL: Free Press。 | オピニオンリーダーが大衆に代わってメッセージを読み解き、伝え直す → AIが同じ仲介の役割を担う |
| 従来型とソーシャルのアーンドメディアの販売効果 | Stephen, A. T., & Galak, J.（2012）。The Effects of Traditional and Social Earned Media on Sales: A Study of a Microlending Marketplace。Journal of Marketing Research, 49(5), 624–639。 | アーンドメディアは販売を押し上げる → 第三者情報源による証拠は自己申告より説得力がある |
| サービス・ブループリント | Shostack, G. L.（1984）。Designing Services That Deliver。Harvard Business Review, 62(1), 133–139。 | サービス・ブループリントはプロセスの潜在的な失敗点を示す → 十のステップで改善の要点を一つずつ確認 |
| コミットメントと信頼（リレーションシップ・マーケティング） | Morgan, R. M., & Hunt, S. D.（1994）。The Commitment-Trust Theory of Relationship Marketing。Journal of Marketing, 58(3), 20–38。 | 信頼とコミットメントはリレーションシップ・マーケティング成功の鍵 → 信頼と検証を S10 再訪につなぐ |
| 顧客価値 | Gupta, S., Lehmann, D. R., & Stuart, J. A.（2004）。Valuing Customers。Journal of Marketing Research, 41(1), 7–18。 | 顧客の長期的な価値から企業価値を推計できる → 成果を再訪まで一貫して見る |
| 関連文献：生成エンジンとAI検索の研究 | ||
| 生成エンジン最適化（GEO） | Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A.（2024）。GEO: Generative Engine Optimization。Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining（KDD '24）、pp. 5–16。 | GEO 最適化の枠組みを初めて提示し可視性を測定 → 本書はその中心となる方向、生成AIの回答での可視性を高めることを踏襲。 |
| 生成型検索エンジンの検証可能性 | Liu, N. F., Zhang, T., & Liang, P.（2023）。Evaluating Verifiability in Generative Search Engines。Findings of the Association for Computational Linguistics: EMNLP 2023、pp. 7001–7025。 | 生成型検索では引用による裏付けの程度に差がある → 正確率は別途計測が必要 |
| 対話型検索エンジンのランキング操作 | Pfrommer, S., Bai, Y., Gautam, T., & Sojoudi, S.（2024）。Ranking Manipulation for Conversational Search Engines。Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing（EMNLP 2024）、pp. 9523–9552。arXiv:2406.03589。 | ウェブページの文言でAIの推薦順位を操作できる → だから三者による検証が必要 |
| 言語モデルの操作による製品可視性の向上 | Kumar, A., & Lakkaraju, H.（2024）。Manipulating Large Language Models to Increase Product Visibility。arXiv プレプリント arXiv:2404.07981。 | 商品ページに一文を加えるだけで推薦の首位に入り込める → 言及率は操作されうる |
| 言語モデルに対する敵対的 SEO | Nestaas, F., Debenedetti, E., & Tramèr, F.（2025）。Adversarial Search Engine Optimization for Large Language Models。ICLR 2025。arXiv:2406.18382。 | AIを競って操作すれば、全員の成果が一緒に悪化する → IDAEO は検証可能な事実で長期的に運営することを主張 |
| AI検索のアーンドメディア選好 | Chen, M., Wang, X., Chen, K., & Koudas, N.（2025）。Generative Engine Optimization: How to Dominate AI Search。arXiv プレプリント arXiv:2509.08919。 | AI検索はブランド自身の情報源より第三者情報源を多く引用する → 第三者情報源の証拠が最も重要 |
| 対話型 SEO が有効かどうかのベンチマーク | Puerto, H., Gubri, M., Green, T., Oh, S. J., & Yun, S.（2025）。C-SEO Bench: Does Conversational SEO Work?。Advances in Neural Information Processing Systems 38（NeurIPS 2025 Datasets & Benchmarks）、pp. 31145–31169。arXiv:2506.11097。 | 多くの書き換え手法は効果が限定的 → 最適化の成果は実測の成果で判断 |
| AI検索における「引用があれば信頼できる」のギャップ | Narayanan Venkit, P., Laban, P., Zhou, Y., Mao, Y., & Wu, C.-S.（2025）。Search Engines in the AI Era: A Qualitative Understanding to the False Promise of Factual and Verifiable Source-Cited Responses in LLM-based Search。Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency（FAccT '25）、pp. 1325–1340。arXiv:2410.22349。 | 出典付きのAI回答でもなお誤りが多い → 事実を一つずつ検証する必要がある |
| AIによる概要がクリックを減らす | Chapekis, A., & Lieb, A.（2025）。Google users are less likely to click on links when an AI summary appears in the results。Pew Research Center、2025年7月22日。 | AIによる概要が表示されるとユーザーはリンクをクリックしにくくなる → クリックとAIによるコンテンツ利用を同時に測る |
| 関連文献：AI顧客とAIエージェント | ||
| アルゴリズム消費者 | Gal, M. S., & Elkin-Koren, N.（2017）。Algorithmic Consumers。Harvard Journal of Law & Technology, 30(2), 309–353。 | アルゴリズムが人に代わって選び、注文する → マーケティングの対象はAI顧客にまで広がる |
| 自動購買システムの採用障壁 | de Bellis, E., & Johar, G. V.（2020）。Autonomous Shopping Systems: Identifying and Overcoming Barriers to Consumer Adoption。Journal of Retailing, 96(1), 74–87。 | 消費者がシステムに消費の意思決定を委ねる際には心理的な障壁に直面する → S8 には信頼の基盤が必要 |
| AIショッピングエージェントはどう商品を選ぶか | Allouah, A., Besbes, O., Figueroa, J. D., Kanoria, Y., & Kumar, A.（2025）。What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce。arXiv:2508.02630、Proceedings of the ACM Web Conference 2026 にも収録、pp. 8697–8700。 | AIエージェントの商品選択には位置とモデルの偏りがある → 事業者はエージェント向けに最適化する必要がある |
| エージェント対エージェントの市場実験環境 | Bansal, G., Hua, W., Huang, Z., Fourney, A., Swearngin, A., Epperson, W., Payne, T., Hofman, J. M., ほか（2025）。Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets。arXiv プレプリント arXiv:2510.25779。 | 模擬市場で売買双方のエージェントの相互作用を研究 → S8 の実験的根拠 |
| 関連文献：情報検索と信頼性 | ||
| PageRank と大規模検索エンジンのアーキテクチャ | Brin, S., & Page, L.（1998）。The anatomy of a large-scale hypertextual Web search engine。Computer Networks and ISDN Systems, 30(1–7), 107–117。 | クロール、インデックス、リンクによる権威の算出 → S2 と S4 の技術的原型 |
| 権威ソースとハブ（HITS） | Kleinberg, J. M.（1999）。Authoritative sources in a hyperlinked environment。Journal of the ACM, 46(5), 604–632。 | 権威は他者から指し示されることで認められる → 第三者情報源による引用が権威の源 |
| 事実の正確性による情報源の信頼性評価（KBT） | Dong, X. L., Gabrilovich, E., Murphy, K., Dang, V., Horn, W., Lugaresi, C., Sun, S., & Zhang, W.（2015）。Knowledge-based trust: Estimating the trustworthiness of web sources。Proceedings of the VLDB Endowment, 8(9), 938–949。 | ウェブページの事実が正しいかどうかで信頼性を評価 → 事実を一つずつ検証する根拠 |
| ナレッジグラフ（文字列ではなくエンティティ） | Singhal, A.（2012）。Introducing the Knowledge Graph: things, not strings。Google 公式ブログ、2012年5月16日。 | 検索は文字列の照合からエンティティの認識へ変わった → 店舗は識別可能なエンティティになる必要がある |
| ナレッジグラフの総説 | Hogan, A., Blomqvist, E., Cochez, M., d'Amato, C., de Melo, G., Gutierrez, C., Kirrane, S., Labra Gayo, J. E., ほか（2021）。Knowledge Graphs。ACM Computing Surveys, 54(4), 1–37。 | ナレッジグラフをどう構築、検証、更新するか → S4 の学術的な全体像 |
| E-E-A-T（経験、専門性、権威性、信頼性） | Google Search Central（2022）。Our latest update to the quality rater guidelines: E-A-T gets an extra E for Experience。Google Search Central Blog、2022年12月15日。併せて参照：Google Search Central。Creating helpful, reliable, people-first content（2026/10/11 閲覧）。 | Google の品質評価ガイドラインは四つの側面を見て、信頼が最も重要 → 検証の対照 |
| ファクトチェック用データセット FEVER | Thorne, J., Vlachos, A., Christodoulopoulos, C., & Mittal, A.（2018）。FEVER: a Large-scale Dataset for Fact Extraction and VERification。NAACL-HLT 2018（Long Papers）、pp. 809–819。 | 各主張を証拠に照らして支持、反証、不足のいずれかと判定 → 検証の三状態の原型 |
| 原子的事実の正確率 FActScore | Min, S., Krishna, K., Lyu, X., Lewis, M., Yih, W., Koh, P. W., Iyyer, M., Zettlemoyer, L., ほか（2023）。FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation。EMNLP 2023、pp. 12076–12100。 | 回答を単一の事実に分解し、一件ずつ正解の割合を算出する → 正確率の算出法 |
| 言語生成におけるハルシネーションのサーベイ | Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., ほか（2023）。Survey of Hallucination in Natural Language Generation。ACM Computing Surveys, 55(12), 1–38。 | 言語モデルは根拠のない内容を生成する → 正確率を測る理由 |
| 関連文献：成果計測 | ||
| ネット・プロモーター・スコア（NPS） | Reichheld, F. F.（2003）。The One Number You Need to Grow。Harvard Business Review, 81(12), 46–54。 | 推奨意向は企業の成長と相関する → 口コミ計測の参考。併せて再訪数も追跡 |
| マルチチャネルのコンバージョン・アトリビューション | Li, H., & Kannan, P. K.（2014）。Attributing Conversions in a Multichannel Online Marketing Environment: An Empirical Model and a Field Experiment。Journal of Marketing Research, 51(1), 40–56。 | コンバージョンは接触した各チャネルに配分する → AIチャネルもアトリビューションに含める |
| データドリブンのマルチタッチ・アトリビューション | Shao, X., & Li, L.（2011）。Data-driven multi-touch attribution models。Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD '11）、pp. 258–264。 | データで各接触点の貢献を推定する → クロール数から流入数までをつなぐ |
| キャンベルの法則（指標は意思決定に使われると歪む） | Campbell, D. T.（1979）。Assessing the impact of planned social change。Evaluation and Program Planning, 2(1), 67–90。 | 定量指標は意思決定に使われるほど歪む → 九つの成果指標は互いに牽制し合う必要がある |
| 広告効果における実験と観察の比較 | Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D.（2019）。A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook。Marketing Science, 38(2), 193–225。 | 観察データから算出した効果は、実験結果としばしば食い違う → 効果の比較は必ず同一基準で行う |
| 関連文献：スタートと蓄積 | ||
| 先行者優位 | Lieberman, M. B., & Montgomery, D. B.（1988）。First-mover advantages。Strategic Management Journal, 9(S1), 41–58。 | 先に参入すれば優位があるが、代償も伴う → 先行者利益は継続的な投入で守る |
| 収穫逓増と経路依存性 | Arthur, W. B.（1989）。Competing Technologies, Increasing Returns, and Lock-In by Historical Events。The Economic Journal, 99(394), 116–131。 | 収穫逓増のもとでは、早期のリードが市場をロックインしうる → 複利的リードの学理的参照 |
| コールドスタート問題 | Schein, A. I., Popescul, A., Ungar, L. H., & Pennock, D. M.（2002）。Methods and metrics for cold-start recommendations。Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR '02）、pp. 253–260。 | 新しいアイテムにまだデータが蓄積されていないうちは、推薦システムは推薦しにくい → コールドスタートの学理的参照 |
| 関連文献：AIプラットフォームの公式文書とエージェントプロトコル | ||
| OpenAIクローラーの説明 | OpenAI。Overview of OpenAI Crawlers。OpenAI 開発者ドキュメント（2026/10/11 閲覧）。 | GPTBot、OAI-SearchBot、ChatGPT-User はそれぞれ用途が異なる → 学習、インデックス、リアルタイム取得の三種の読み取り |
| Anthropicクローラーの説明 | Anthropic。Does Anthropic crawl data from the web, and how can site owners block the crawler?。Claude Help Center（2026/10/11 閲覧）。 | ClaudeBot、Claude-SearchBot、Claude-User はそれぞれ用途が異なる → 同じプラットフォームでも読み取りは三種に分かれる |
| Perplexityクローラーの説明 | Perplexity。Perplexity Crawlers。Perplexity 公式ドキュメント（2026/10/11 閲覧）。 | PerplexityBot は検索結果を構築し、Perplexity-User はユーザーの質問に応じて読みに来る → インデックスとリアルタイム取得 |
| Amazonクローラーの説明 | Amazon。About Amazonbot。Amazon Developer（2026/10/11 閲覧）。 | Amazonbot は製品とサービスの改善に用いられ、学習に使われる可能性もある。Amzn-User はユーザーの要求に応じて読みに来る → 学習とリアルタイム取得 |
| Googleクローラーの概要 | Google。Google's common crawlers。Google Crawling Infrastructure ドキュメント（2026/10/11 閲覧）。 | Googlebot は検索インデックスを構築し、Google-Extended はAI用途を管理する → 検索エンジンクローラーとAI用途は分けて見る |
| AIクロールと流入の外部計測 | Tomé, J.（2025）。The crawl-to-click gap: Cloudflare data on AI bots, training, and referrals。Cloudflare Blog、2025年8月29日。 | 外部計測はAIクロールと流入を分けて集計する → AIインプレッション数とAIによる集客は分けて測る |
| モデル・コンテキスト・プロトコル（MCP） | Model Context Protocol。Specification（2025-06-18 版）。modelcontextprotocol.io。 | AIエージェント（AI Agent）は標準インターフェースを通じてデータとツールを利用する → S8 代行 |
| エージェント間プロトコル（A2A） | Google（2025）。Announcing the Agent2Agent Protocol (A2A)。Google Developers Blog、2025年4月9日。 | 異なるAIエージェントが共通規格でタスクを受け渡す → AIエージェントは新しいマーケティング・オーディエンス |
| エージェント決済プロトコル（AP2） | Google Cloud（2025）。Announcing Agent Payments Protocol (AP2)。Google Cloud Blog、2025年9月。 | エージェントによる取引にはユーザーの承認と追跡可能な証憑が必要 → S8 から S9 への信頼と検証 |
| llms.txt 提案 | Howard, J.（2024）。The /llms.txt file（現行は v2）。llmstxt.org、2024年9月3日初公開。 | モデル向けにコンテンツの案内を用意する → S1 準備で店舗が整えるAI可読レイヤー |
| 関連文献：七大法則とジャーニーの学理 | ||
| オーディエンス適応の法則｜セマンティック・ウェブ | Berners-Lee, T., Hendler, J., & Lassila, O.（2001）。The Semantic Web。Scientific American, 284(5), 34–43。 | ウェブページに機械が読める構造を加えてはじめて、ソフトウェアエージェントは人の用事を代行できる → 人にもAIにも、相手が読める表現を使う |
| オーディエンス適応の法則｜メディア・リッチネス | Daft, R. L., & Lengel, R. H.（1986）。Organizational Information Requirements, Media Richness and Structural Design。Management Science, 32(5), 554–571。 | 情報ニーズが異なれば適した表現方法も異なる → オーディエンスに応じてコンテンツの形式を決める |
| アイデンティティ連続性の法則｜シグナルとしてのブランド | Erdem, T., & Swait, J.（1998）。Brand Equity as a Signaling Phenomenon。Journal of Consumer Psychology, 7(2), 131–157。 | 一貫した信頼できるブランドシグナルは顧客の不確実性を下げる → アイデンティティが長期にわたり一貫してはじめて、信頼は積み上がる |
| アイデンティティ連続性の法則｜エンティティ・リンキング | Shen, W., Wang, J., & Han, J.（2015）。Entity Linking with a Knowledge Base: Issues, Techniques, and Solutions。IEEE Transactions on Knowledge and Data Engineering, 27(2), 443–460。 | システムは名称と文脈によってテキストを同一のエンティティに結び付ける → 名称が一致してはじめて、AIは同じ店舗に結び付けられる |
| 独立検証の法則｜監査の独立性 | DeAngelo, L. E.（1981）。Auditor size and audit quality。Journal of Accounting and Economics, 3(3), 183–199。 | 検証の品質は、問題を発見できるか、ありのままに報告できるかで決まる → 検証の結論は委託関係によって変わらない |
| 独立検証の法則｜品質開示と認証 | Dranove, D., & Jin, G. Z.（2010）。Quality Disclosure and Certification: Theory and Practice。Journal of Economic Literature, 48(4), 935–963。 | 第三者情報源による認証の効果は、認証者のインセンティブと方法に左右される → IDA 検証全体の学理的参照 |
| 事実優先の法則｜データ品質 | Wang, R. Y., & Strong, D. M.（1996）。Beyond Accuracy: What Data Quality Means to Data Consumers。Journal of Management Information Systems, 12(4), 5–33。 | データ品質には正確さだけでなく、完全性、適時性、理解しやすさも含まれる → 店舗の事実を一つずつ検証し、有効期限を明示する |
| 主張の追跡可能性の法則｜生成コンテンツの帰属 | Rashkin, H., Nikolaev, V., Lamm, M., Aroyo, L., Collins, M., Das, D., Petrov, S., Tomar, G. S., ほか（2023）。Measuring Attribution in Natural Language Generation Models。Computational Linguistics, 49(4), 777–840。 | AI生成コンテンツの中で事実を述べる文は、特定された情報源にたどれなければならない → 各主張に追跡可能な根拠を添える |
| 主張の追跡可能性の法則｜データ来歴 | Buneman, P., Khanna, S., & Tan, W.-C.（2001）。Why and Where: A Characterization of Data Provenance。Database Theory — ICDT 2001、Lecture Notes in Computer Science 1973、pp. 316–330。 | データは「なぜ生まれたか、どこから来たか」に答えられなければならない → 各主張を具体的な証拠に結びつける |
| 外部裏付けの法則｜伝達者バイアス | Eagly, A. H., Wood, W., & Chaiken, S.（1978）。Causal inferences about communicators and their effect on opinion change。Journal of Personality and Social Psychology, 36(4), 424–435。 | 聞き手は話し手がなぜそう言うのかを推論する → 当事者情報源の主張は独立した裏付けと組み合わせるとより強い |
| 外部裏付けの法則｜三角検証（トライアンギュレーション） | Jick, T. D.（1979）。Mixing Qualitative and Quantitative Methods: Triangulation in Action。Administrative Science Quarterly, 24(4), 602–611。 | 異なる情報源の証拠は互いに照合できる → 公的情報源、当事者情報源、第三者情報源を合わせて見る |
| ジャーニー全体の成果の法則｜クリックしなくても満たされるニーズ | Li, J., Huffman, S., & Tokuda, A.（2009）。Good abandonment in mobile and PC internet search。Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR '09）、pp. 43–50。 | ユーザーがクリックせずに離脱するケースの一部は、ニーズが結果ページで既に満たされたためである → 回答段階での利用そのものが成果である |
| ジャーニー全体の成果の法則｜顧客エクイティとマーケティングの収益 | Rust, R. T., Lemon, K. N., & Zeithaml, V. A.（2004）。Return on Marketing: Using Customer Equity to Focus Marketing Strategy。Journal of Marketing, 68(1), 109–127。 | マーケティング投資は顧客の長期的価値につなげなければならない → 九つの指標で前段階から再訪まで一貫して見る |
| S6 言及｜考慮集合 | Hauser, J. R., & Wernerfelt, B.（1990）。An Evaluation Cost Model of Consideration Sets。Journal of Consumer Research, 16(4), 393–408。 | 評価にはコストがかかるため、顧客は一部のブランドしか考慮集合に入れない → AI言及率は候補リストに入る機会そのものである |
| S6 言及｜想起されれば選ばれる | Nedungadi, P.（1990）。Recall and Consumer Consideration Sets: Influencing Choice without Altering Brand Evaluations。Journal of Consumer Research, 17(3), 263–276。 | ブランドが想起され、考慮集合に入れば、選択を変えられる → AIに言及されること自体が成果である |
| S8 代行｜自動化のレベル | Parasuraman, R., Sheridan, T. B., & Wickens, C. D.（2000）。A model for types and levels of human interaction with automation。IEEE Transactions on Systems, Man, and Cybernetics – Part A, 30(3), 286–297。 | 自動化は情報取得、分析、意思決定、実行の四種類に分かれる → AIエージェント（AI Agent）が情報を調べるだけなのか、顧客に代わって用件を完了させるのかを区別する |
| S10 再訪｜期待確認 | Bhattacherjee, A.（2001）。Understanding Information Systems Continuance: An Expectation-Confirmation Model。MIS Quarterly, 25(3), 351–370。 | 使った後に期待どおりであれば、使い続ける意向が高まる → 再訪数は、顧客がもう一度尋ね、再び来る意思があるかを見る |
| AIインプレッション数｜読まれた回数とモデルの記憶量 | Kandpal, N., Deng, H., Roberts, A., Wallace, E., & Raffel, C.（2023）。Large Language Models Struggle to Learn Long-Tail Knowledge。Proceedings of the 40th International Conference on Machine Learning（ICML 2023）、PMLR 202、pp. 15696–15707。arXiv:2211.08411。 | モデルがある事柄に正しく答えられる確率は、学習データ中の関連文書の数に関係する → 学習に取り込まれた回数は測る価値がある |
| AIインプレッション数｜重複出現とモデルの記憶 | Carlini, N., Ippolito, D., Jagielski, M., Lee, K., Tramèr, F., & Zhang, C.（2023）。Quantifying Memorization Across Neural Language Models。ICLR 2023。arXiv:2202.07646。 | コンテンツが学習データ中で繰り返される回数が多いほど、モデルはそのまま記憶しやすい → S3 学習の価値 |
| AI可視性｜ブランド・セイリエンス | Romaniuk, J., & Sharp, B.（2004）。Conceptualizing and measuring brand salience。Marketing Theory, 4(4), 327–342。 | ブランド・セイリエンスとは、購買状況で注意を引き、想起されやすい度合いである → AI言及率が測るのは、AIの回答の中でブランドが想起される機会である |
| 成果指標｜構成概念妥当性 | Cronbach, L. J., & Meehl, P. E.（1955）。Construct validity in psychological tests。Psychological Bulletin, 52(4), 281–302。 | 指標は、その名が示す概念を本当に測っていることを証明しなければならない → 各成果指標に何を測っているかを明記する |
| IDA 第三者検証｜信頼財 | Darby, M. R., & Karni, E.（1973）。Free Competition and the Optimal Amount of Fraud。The Journal of Law and Economics, 16(1), 67–88。 | 品質の中には、顧客が使った後でも判断しにくいものがある → 免許や専門性といった事実は第三者検証に委ねる |
| ウォームスタート｜クローラーの再訪スケジューリング | Cho, J., & Garcia-Molina, H.（2003）。Effective page refresh policies for Web crawlers。ACM Transactions on Database Systems, 28(4), 390–426。 | クローラーの資源は限られており、再訪頻度はページの変化を勘案して配分しなければならない → ウォームスタートの仕組みの参照 |
| 複利的リード｜優先的選択 | Barabási, A.-L., & Albert, R.（1999）。Emergence of Scaling in Random Networks。Science, 286(5439), 509–512。 | ネットワークが成長するとき、新しいリンクは既に多くのリンクを持つノードに偏る → 複利的リードのネットワーク科学における参照 |
| 複利的リード｜累積的優位 | Merton, R. K.（1968）。The Matthew Effect in Science。Science, 159(3810), 56–63。 | 既に名声のある人はより多くの承認と注目を得る → 早く利用されたコンテンツほど再び利用される機会が大きい |
| 生きている理論｜研究プログラム | Lakatos, I.（1970）。Falsification and the Methodology of Scientific Research Programmes。I. Lakatos & A. Musgrave（編）、Criticism and the Growth of Knowledge（pp. 91–196）に収録。Cambridge: Cambridge University Press。 | 研究プログラムには核となる主張があり、新しい事実を予測し続けることで進歩する → 七大法則が核であり、毎月の新しいデータで検証し続ける |
| 生きている理論｜デザインサイエンス | Hevner, A. R., March, S. T., Park, J., & Ram, S.（2004）。Design Science in Information Systems Research。MIS Quarterly, 28(1), 75–106。 | 設計した手法は、実際の状況で構築、評価、修正を繰り返さなければならない → 毎月の実測を診断と指標の改訂に用いる |
すべての書誌は 2026/10/11 に、出版データと公式ページに一件ずつ照らして著者、年、題名、出典を照合済みです。「プレプリント」と表示したものは、まだ査読を経ていません。グッドハートの法則の論文は 1975 年に発表され、1976 年に論文集に収録されて出版されました。公式文書は継続的に更新されるため、閲覧日の内容を基準とします。表の「→」の前は文献の本来の主張、「→」の後は IDAEO での用法です。IDAEO が実測から得た結論の根拠は各章の実測データであり、文献はその学理的な参照先です。
無料ダウンロード、毎月更新
この本に参加する：訂正・反例・実測・協力 →更新履歴
本書の引用
IDAEO：AI時代のマーケティング · 林毅祥（TK Lin） · 第1版 第9次改訂 · · https://km.idaeo.ai/idaeo/textbook?lang=ja · CC BY 4.0