DeNAのエンジニアリングブログが、ゲーム開発の意思決定で使う「AIペルソナ」の構築手法を公開した。リサーチで得た顧客の価値観や一般常識とのズレをプロンプトに注入し、生成AIに顧客像を演じさせて開発の相談相手にする取り組みである。
DeNAのエンジニアリングブログが2026年6月3日、ゲーム開発の意思決定で使う「AIペルソナ」の構築手法を公開した。アンケートやインタビューで得た顧客の価値観を言語化し、生成AIに人物像を演じさせて開発現場の相談相手にする取り組みである。
要点は、リサーチで得た顧客特有の価値観や一般常識とのズレをプロンプトに注入することにある。北米向けデザイン検証では、素のGemini・ChatGPT・Claudeがいずれも同じ案を選んだが、現地アンケートの1位は別の案だった。リサーチデータを反映したAIペルソナは現地1位の案を選び、理由も言語化した。AIの判断精度はベースとなるデータ品質に依存することが実例で示された形である。
ヘビー利用者・ライト利用者など複数の顧客像を作り分け、それぞれに相談しながら開発を進める。人物らしい口調の再現性ではGeminiが使いやすいとしつつ、特定モデルに依存しないプロンプト設計にしている。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
マーケティングのペルソナとは、対象となる顧客層を一人の人物像として具体的に描いたものである。従来は数表やスライドにまとめた静的な資料だったため、日々の意思決定の場で意識し続けるのが難しいという課題があった。特にゲームでは何十万人もの利用者がいても接点が乏しく、SNSの書き込みは熱量の高い一部利用者に偏りがちで、それに合わせると軽めの利用者が離れる懸念があった。そこで複数の顧客像を作り、それぞれに相談しながら開発を進める手法が取られてきた。
生成AIにそのまま「北米の33歳女性として振る舞って」と指示すると、回答が平均的な一般論に寄ってしまうという落とし穴を、実例で示している点が重要である。DeNAは実際のリサーチデータから「一般常識とのズレ」を抽出して注入することで、現地の調査結果と一致する判断をAIが再現できたと報告しており、AI活用の精度はベースとなるデータ品質に依存することを明確にしている。
DeNAの北米向けデザイン検証で、素のGemini・ChatGPT・Claudeはいずれも同じ案を選んだ。ところが現地アンケートの1位は別の案だった。生成AIにそのまま「北米の33歳女性として振る舞って」と指示すると、回答が平均的な一般論に寄ってしまう落とし穴を、DeNAは実例で示した。
ターゲットユーザーの“意識のズレ”をどうAIに組み込むか？——「AIペルソナ」が開発メンバーの相談相手になる日を目指して
ここで言う「AIペルソナ」とは、アンケートやインタビューで得た顧客の価値観を言語化し、生成AIにその人物像を演じさせて開発現場の相談相手にする手法を指す。リサーチデータを反映したAIペルソナは、現地で実際に1位だった案を選び、その理由も言語化した。AIの判断精度は素のモデル性能でなく、注入するデータの品質で決まる——この実証が記事の核心である。
DeNAの手法の要点は、リサーチで得た顧客特有の価値観や、一般常識とのズレをプロンプトに注入することにある。素のLLMは平均的な一般論を出すため、その「ズレ」を補わないと現地の判断を再現できない。
運用面では、複数の顧客像を作り分ける。ヘビー利用者・ライト利用者など、それぞれにAIを演じさせて開発を進める。ゲームでは何十万人の利用者がいても接点が乏しく、SNSの書き込みは熱量の高い一部利用者に偏りがちで、それに合わせるとライト利用者が離れる懸念があった。複数の顧客像に相談しながら開発を進める手法は、この偏りを補う狙いを持つ。
モデル選定では、人物らしい口調の再現性でGeminiが使いやすいとしつつ、特定のモデルに依存しないプロンプト設計にしている。口調はGeminiが扱いやすいが、判断の核はあくまで注入するリサーチデータの側にある。
得をするのは、アンケートやインタビューで一次データを蓄えてきた事業者である。そのデータを顧客像の言語化素材に変えれば、素のLLMでは出ない現地・顧客固有の判断を開発の意思決定に直接持ち込める。
国内のプロダクト開発・UX担当にも実利がある。静的なペルソナ資料は日々の意思決定の場で意識し続けにくかったが、AIに顧客像を演じさせれば随時相談できる相手になる。
一方、素のLLMにそのまま顧客像を演じさせる手軽な運用は不利になる。「北米の33歳女性として振る舞って」と指示するだけでは回答が平均的一般論に寄り、現地1位を外したのが実例だ。さらに、リサーチデータを言語化・整備していない組織は、AIペルソナを導入しても素のモデルと同じ回答しか得られない。AI活用の精度がデータ品質に依存する以上、データ整備の後回しは判断のズレに直結する。
立場別、明日から動ける一手。
自社が持つアンケート・インタビューの一次データが、顧客特有の価値観や一般常識とのズレとして言語化できる粒度かを確認する。
素のLLMに顧客像を演じさせた回答と、リサーチデータを注入した回答の判断のズレを自社の定性課題で比較する。
既存のリサーチ結果を1件プロンプトに注入し、素のモデルとの回答差をデザイン案など定性的な選定タスクで試す。
DeNAが生成AIに顧客像を演じさせ開発の相談相手とする「AIペルソナ」の取り組みが話題に。素のLLM（Gemini・ChatGPT・Claude）に「北米の33歳女性として振る舞って」と指示すると回答が平均的一般論に寄る落とし穴を、実例で指摘。北米向けデザイン検証では素のLLMはいずれも同じ案を選んだが現地アンケート1位は別の案で、リサーチデータから抽出した『一般常識とのズレ』を注入したAIペルソナのみが現地1位の案を理由付きで選んだという。一方X上では「意識のズレ」という言葉自体が、DXのFit to Standard、営業と顧客、組織内、世代間など幅広い文脈で語られている。
DeNAの事例が示す「ターゲットユーザーの検索やニーズを掴むにはリサーチが不可欠」という指摘に共感が集まる。素のLLMでは平均的な一般論に寄るため、現地調査データから抽出した『一般常識とのズレ』を注入してこそAIが現地の判断を再現できる、というデータ品質依存の論点が注目されている。マーケティングやデザイン領域での実用性を評価する声が中心。
DXで必須とされる「標準」（Fit to Standard）が誰のためのものか、という現場と推進側の意識のズレが停滞を招くという指摘が共有されている。AIペルソナの議論と同じく「現場の実態と上流の前提がずれると機能しない」という構造的な共通点があり、組織変革における前提共有の難しさが論じられている。
営業側は『また次の案件』だが客側は『代えのきかない人生の決断』という、提供側と受け手の温度差を指摘する投稿に共感が集まる。AIペルソナが解こうとする「作り手の常識と顧客の価値観のズレ」を、リアルなビジネス現場の言葉で言い換えており、リサーチや顧客理解の重要性を裏付ける声として広がっている。
「ターゲットユーザーの行動分析・情報の優先順位設計・導線設計を提案したデザイナーは一人もいない」という現場の声が共有され、顧客理解を起点にした設計の重要性が議論されている。AIペルソナが目指す「データに基づく顧客像の言語化」が、こうした上流設計の弱点を補完しうるという文脈で関心を集めている。
※トレンド検出時刻付近の人気投稿を表示
