HubSpotの年次カンファレンス「UNBOUND 2026」のセッション「From AI Experiments to Automation That Converts」の様子をレポートします。 記事の前半ではセッションの内容を整理し、後半では株式会社100の解説として、日本でHubSpotを活用する企業がどのように実践へ落とし込むべきかをまとめます。

この記事のポイント

• 100回超の実験から得た結論：人の確認を介さない「AIメールの自動送信」で成果を出すには、感覚に頼らない事前の構造づくりと検証が不可欠です。
• 成果を生む「4つの柱」：「基準づくり（Taste）」「データ選択（Research）」「プロンプト指導（Coach）」「対照実験（Experiment）」の4段階で設計します。
• HubSpotでの実践：過去の成果メールから評価基準を作り、CRMの役職表記やチャット履歴を整えたうえで、20件のテスト出力とABテストから始めます。

出典：株式会社100作成のセッションまとめ資料

セッション情報

※本記事のセッション内容は、株式会社100がまとめたものです。「株式会社100の解説」は当社の独自見解となります。

セッションの内容は、以下のまとめ資料（PDF）でもご覧いただけます。 まとめ資料を開く（PDF）

なぜAIメールに「実験」が要るのか？

「なんとなく良さそう」という主観や話題性ではなく、客観的なデータと証拠に基づいて成果が出る仕組みを作るためです。

一斉配信メールの反応率が低下する中、HubSpotのAri Echt-Wilson氏のチームは、AIによる個別化（パーソナライズ）によって転換率を改善し、メール施策の大半を「1to1配信」へと移行しました。昨年の登壇でAIの登場を「写真の発明」にたとえた同氏は今回、100回以上の実験から得た実践的な手順を共有しました。 AIで数千通のメールを量産できても、データ検証を伴わない「この文面が良い」というセンス（Taste）は、ただの「個人の思い込み」に過ぎません。 観察と実験結果を通じて、仮説（「〜だと思う」）を確信（「〜だとわかる」）に変えることがゴールです。

ここで定義される「AIメール」は、単なる下書き支援ではありません。ワークフローのリストから1件ずつ顧客の文脈を集め、AIが件名・本文・訴求点を執筆し、人の確認を介さずに自動送信する仕組みを指します。

そのためには事前の構造づくりが不可欠であり、以下の「4つのステップ」で進めることが提唱されました。

1. Taste（基準づくり）：自社の「良さ」を定義する
2. Research（データ選択）：参照するデータ源を選ぶ
3. Coach（プロンプト指導）：AIに書き方を教える
4. Experiment（対照実験）：固定メール（対照群）との比較で効果を証明する

出典：株式会社100作成のセッションまとめ資料

ステップ1：よいメールの基準（Taste）をどう決めるのか？

個人の振り返りとチームの議論を通じて、自社にとっての「良いメール」を評価基準として言語化します。

Echt-Wilson氏は「もし明日、メール施策をすべてAIに引き継ぐとしたら何を指示しますか？」と会場に問いかけました。AIは数千通のメールを瞬時に書けますが、その土台となる「良さ」の定義は人間にしかできません。

基準づくりは以下の3段階で進めます。

• ステップ1：個人の内省
  最近自分が受け取ったメール（または送ったメール）を1通思い浮かべ、なぜそれが良かったのか（または悪かったのか）を、件名、冒頭文、長さ、CTA（行動喚起）、トーン、具体性などの要素に分解します。

• ステップ2：チームの討論
  メンバー各自が「過去1年で最も心を動かされた1通（自社・他社問わず）」を持ち寄り、どれを手本にすべきかを議論して、暗黙の好みを言語化します。

• ステップ3：ルーブリック（評価基準表）化
  議論の結果を評価基準表にまとめ、人間とAIが同じ目線で評価される状態を作ります。これがプロンプトにおける「ルール一覧」の初期値となります。

Echt-Wilson氏は、「会社に戻ったら、まずはメールを1通選び、その良さを定義することから始めてほしい」と呼びかけました。

出典：株式会社100作成のセッションまとめ資料

ステップ2：どのデータ（Research）が成果を動かしたのか？

「コンタクト」「会社」「関わり方のコンテキスト」という3種類のデータ源から入力項目を選び、個別に効果を検証します。

アウトリーチの質は、AIに渡すデータの質で決まります。Echt-Wilson氏はデータ源を以下の3類型に分類し、一度にすべてを詰め込むのではなく、個別に試すことを推奨しました。

• Contact（誰に話すか）：役職、個人の目標や課題
• Company（どこで働くか）：会社の目標や課題、CRMやWeb上の企業情報、各種スコア
• Context（どう関わっているか）：行動履歴、担当営業の話し方、Webチャットの記録

セッションでは、実際に大きな成果が出た4つの実験例が紹介されました。

出典：株式会社100作成のセッションまとめ資料

1. 【Contact】役職データの活用（商談化率 +52%）
   トライアル後のフォローでは長らく固定テンプレートのメールが勝っていましたが、役職データを投入して逆転に成功しました。部長級以上には「投資対効果（ROI）」を、それ以外には「個人の課題解決と生産性」を訴求することで、商談化率が52%向上しました。
2. 【Company】企業スコアの活用（商談化率 +85%）
   基本の企業情報に加え、「AEOスコア」を入力したAIメール同士の比較実験です。低スコア企業には「改善の緊急性」を、高スコア企業には「優位性の維持」を訴求した結果、商談化率が85%向上しました。
3. 【Context】営業担当の口調の模倣（商談化率 +50%）
   ドイツ語やフランス語の営業代行メールにおいて、担当営業の普段の丁寧さや口調をAIで検出・模倣させました。結果として商談化率が50%上がっただけでなく、営業部門との信頼関係も改善しました。
4. 【Context】Webチャット履歴の参照（商談化率 +200%）
   Webチャットでの会話記録を参照させたフォローメールでは、文脈に深く寄り添うことができ、商談化率が200%向上しました。

ステップ3：AIに書き方をどう教える（Coach）のか？

5要素のフレームワーク「CRAFT」に加え、お手本メールと「ルール一覧」を渡して指示を構造化します。

AIに指示を出す工程では、すべてのプロンプトで「CRAFT」という基本形を使用します。

• Context（文脈）：連絡先や企業、行動履歴の調査結果
• Role（役割）：営業担当者など、誰の立場で書くか
• Action（行動）：フォローメールを書くなど、目的とゴール
• Format（形式）：件名や段落数、文字数、CTAの配置
• Tone（トーン）：ブランドの声、丁寧さ、避けるべき表現

出典：株式会社100作成のセッションまとめ資料

この5要素に加え、「手本となるメールの例」と、プロンプト末尾に「ルール一覧」を渡します。ルール一覧は先ほどの評価基準表（ルーブリック）を起点とし、本番前のテスト出力で見つかった違和感や逸脱を追記して磨き上げていきます。

ステップ4：対照実験（Experiment）はどう回すのか？

本番前に20件以上のテスト出力でプロンプトを修正し、従来の固定メールを残したABテストで効果を検証します。

実験は「AIは初回では人間に負ける」という前提に立ち、以下の5段階で進めます。

1. 仮説設定：転換率や商談化率などの評価指標（KPI）を決めて仮説を立てる。
2. テスト出力：テストモードで20件以上の連絡先を流し、送信せずに生成結果を確認する。
3. プロンプト修正：生成された文面を直接手直しするのではなく、データ源やプロンプト（ルール一覧）を修正して再出力を繰り返す。
4. 本番比較テスト：従来の固定メールを対照群（コントロールグループ）として残し、ABテスト形式で本番投入する。
5. 振り返りと展開：AIが負けたら出力とデータ源の見直しに戻り、勝ったら他施策へ横展開してROIを証明する。

HubSpotでの実装手段としては、当日発表された「Nurture Agent」と、ワークフロー内で情報収集から送信までを組める「Breezeのワークフローアクション」の2つが紹介されました（同チームの約6か月にわたる実験の多くは後者で行われました）。 最後にEcht-Wilson氏は、AIメールをジャズの即興演奏になぞらえ、「強固な構造（ルールと枠組み）を作って走らせた人が勝つ」と締めくくりました。

株式会社100の解説：日本のHubSpotユーザーはどう実践すべきか？

ここからは、本セッションの内容を日本企業が実践するためのポイントを、株式会社100の見解として解説します。

1. 過去の成果メールから「基準表」を作り、日本の商習慣もルール化する

日本企業では、メール作成のノウハウが優秀な担当者の「暗黙知」になっているケースが少なくありません。 まずはHubSpotのマーケティングEメールや営業メールの履歴から、反応の良かった文面をピックアップし、件名・長さ・トーン・NG表現などを基準表にまとめることから始めましょう。特に日本のBtoB取引においては、敬語のレベル感や「いつもお世話になっております」といった定型挨拶の扱いなど、商習慣に合わせたルールを明文化しておくことで、CRAFTやルール一覧の精度が格段に上がります。

2. CRMの役職表記やチャット履歴を整え、データ源の土台を作る

日本企業のCRMでは、「部長」「マネージャー」「リーダー」など役職名の表記ゆれがあったり、Webチャットの履歴が別ツールで管理されていたりすることがよくあります。 3つのデータ類型（Contact / Company / Context）を活用するには、まずHubSpotのプロパティで役職区分を正規化し、チャット履歴をコンタクトレコードに紐付けておくことが大前提となります。データが整ったうえで、まずは「役職のみ」「チャット履歴のみ」など、1つの入力データに絞って検証を始めるのが現実的です。

3. 「20件のテスト出力」で徹底的にプロンプトを直し、小さく検証する

人の目を介さない自動送信には、事前の品質確認が欠かせません。 まずは自社の契約プランや日本語環境で「Nurture Agent」や「Breezeのワークフローアクション」がどのように動作するかを確認しましょう。そのうえで、最低20件のサンプル出力を行い、不自然な日本語やプロンプトの抜け漏れを修正します。いきなり全面移行するのではなく、従来の固定メールを対照群として残し、商談化率などを冷静に比較しながら段階的に広げていくアプローチを推奨します。

よくある質問（FAQ）

Q1. このセッションにおける「AIメール」は、AIによる下書き支援とどう違いますか？

人が下書きを編集して送るのではなく、ワークフロー内で1件ずつの情報収集から執筆、送信までを人の確認なしに自動で行う「1to1配信」を指します。送信前に人間が手直ししないからこそ、事前の基準づくりとプロンプト設計が極めて重要になります。

Q2. プロンプトの「CRAFT」とはどのような枠組みですか？

Context（文脈）、Role（役割）、Action（行動）、Format（形式）、Tone（トーン）の5要素で指示を構造化するフレームワークです。実践においては、この5要素に加えて「過去のお手本メール」と「禁止事項のルール一覧」をセットで渡す運用が効果的です。

Q3. テストモードでの確認はどのように進めればよいですか？

本番送信の前に、実在する20件以上の連絡先データをテストモードで流し、生成された文面を確認します。もし意図しない表現があれば、文面を直接直すのではなく「プロンプト側」を修正して再テストします。日本語特有の敬称のズレや業界用語の誤用も、この段階で洗い出してルール一覧に追記しておくと安全です。

Q4. HubSpotでAIメールを実装するにはどの機能を使えばよいですか？

これから始める組織向けの「Nurture Agent」と、本格的に規模を広げたい組織向けの「Breezeのワークフローアクション」の2つが紹介されました。自社の契約プランや利用環境で使えるかを確認したうえで、まずは固定メールとの比較テスト（ABテスト）ができる設計でスタートすることをおすすめします。

まとめ

本セッションでは、HubSpot社内で実施された100回以上の実験から導き出されたAIによる個別化メール自動送信の手順として、「基準づくり（Taste）」「データ選択（Research）」「プロンプト指導（Coach）」「対照実験（Experiment）」という4つの柱が示されました。感覚や話題性でAIを使うのではなく、過去の成果メールから商習慣も踏まえた評価基準を作り、CRMデータを整え、最低20件のテスト出力と対照実験を繰り返す地道な構造づくりこそが、AIの自動化を確かな成果へとつなげる土台となります。まずはHubSpotの履歴から反応の良かったメールをピックアップして基準表にまとめ、1つの入力データに絞った小さな検証から始めてみてはいかがでしょうか。

株式会社100では、本セッションで語られたアプローチを日本企業が実践できるよう、過去の成果メールをもとにした評価基準の明文化や、HubSpotのプロパティにおける役職表記の正規化・チャット履歴の紐付けといったCRMデータの整備、BreezeのワークフローアクションやNurture Agentを活用したテスト検証から対照実験の設計まで一貫してご支援しております。「優秀な担当者のメール作成ノウハウが暗黙知になっていて基準を作れない」「CRMの表記ゆれが多く、AIに読み込ませるデータの土台が整っていない」といったお悩みをお持ちの方は、ぜひお気軽にご相談ください。