生成AIで広告月次レポートの示唆コメントを自動化する実務設計｜数値→解釈→提案文のプロンプト構成とレビューフロー

この記事のポイント

• 広告月次レポートの示唆コメントを生成AIで自動化するには、数値文脈化→因果解釈→提案文の3段プロンプト構造が品質の前提になる。
• 1段プロンプトで数値をそのまま渡すと、ハルシネーションと汎用コメント化が起きる。コンテキスト注入と段階分割が必須の設計要件である。
• AIが生成したコメントは「事実確認・推論チェック・トーン確認」の3点レビューを通過させてからでなければクライアントや経営者に提出してはならない。
• Google広告とMeta広告はKPI体系が異なるため、プロンプト設計も媒体ごとに切り替える必要がある。
• この記事を読み終えた時点で、翌月のレポート作業からすぐ試せるプロンプト構成とレビューフローの骨格を持ち帰ることができる。

広告月次レポートの示唆コメント作成はなぜ時間がかかるのか

数値を読む作業と示唆を書く作業の断絶

月次レポートの作業を分解すると、大きく二つのフェーズに分かれる。数値を集めて表やグラフに整える「集計・整形フェーズ」と、その数値が何を意味するかを言語化する「意味付けフェーズ」だ。

前者は仕組みさえ作れば自動化の難易度はそれほど高くない。後者はまったく別の話で、ここに時間がかかる本質的な理由がある。

「数値を読む」と「示唆を書く」は全く別の認知作業である

「CPAが先月比で12%上昇した」という事実を把握するのと、「なぜ上昇したのか」「これは問題なのかそうでないのか」「次月に何をすべきか」を判断して文章にするのは、要求される認知作業がまったく異なる。

数値を読む作業は、訓練されていなくても「見れば分かる」ことが多い。一方、示唆を書く作業には、媒体の仕組みへの理解、クライアントのビジネスコンテキスト、季節性・市場環境の把握、さらに「この文脈でどう書けば納得感があるか」という表現の判断まで重なってくる。

こうした複合的な判断を毎月繰り返す作業は、熟練した担当者でも1案件あたり1〜2時間を要するのが一般的とされており、複数クライアントを担当している場合は示唆コメント作成だけで月間3〜8時間以上の工数が消費されるケースが多いと言われる。

自動化できる部分とできない部分の切り分け方

生成AIが担える部分と人間の判断が必要な部分を先に整理しておくことが、失敗しない自動化設計の出発点になる。

生成AIが比較的得意なこと

• 数値の変化を言語化する（「前月比+15%の上昇」を文章として表現する）
• 原因の仮説を複数列挙する
• 定型的な提案文の骨格を生成する
• 毎月同じ文体・分量で出力するよう制約をかけて統一する

人間が判断すべきこと

• AIが列挙した複数の原因候補のうち、実際に今月何が起きたかを選ぶ
• クライアントのビジネス文脈（セール・イベント・競合動向など）への紐付け
• 提案の優先順位と実行可否（予算・体制・クライアントの意向を踏まえたフィルタリング）
• 最終的な文章に責任を持つという態度の維持

この切り分けが曖昧なまま自動化を進めると、AIに全部任せた結果として品質が下がるか、逆に手直しが多すぎて自動化した意味がなくなるかのどちらかになりやすい。

AIにそのまま投げると何が起きるか：典型的な失敗パターン3つ

数値データをそのままChatGPTやClaudeに貼り付けてコメントを書かせた場合、実務でよく報告される失敗パターンがある。

パターン1：汎用コメント化 「CPAが改善しました。引き続き最適化を進めていきましょう」のような、どのクライアントにも使い回せる空虚なコメントが出力される。コンテキスト注入が不十分で、AIが「安全側」に寄ってしまう結果だ。

パターン2：数値の誤読・ハルシネーション 「前月比20%改善」と入力したのに、出力では「今月は大きく悪化しました」という矛盾した記述が出てくるケース。特に数値が多い表形式のデータを一度に渡したときに発生しやすく、確認コストが逆に増える。

パターン3：推論の飛躍 「CPCが上昇した→競合が増えた→業界全体のトレンドがこうなっている」のように、与えられた情報から逸脱した推論を展開する。コンテキスト情報が薄いほど、AIは一般論で埋めようとするため、媒体固有の構造（例：Google広告のスマート入札の学習フェーズ、Meta広告の学習リセット）を無視した説明になりやすい。

3段プロンプト設計：数値→解釈→提案文の分解構造

図1: 数値から提案文へ：3段プロンプトの処理フロー

生成AIを使った広告レポートのコメント自動化で最も重要な設計判断は、1段のプロンプトで「数値を渡して全部書いて」とさせないことだ。

なぜ3段に分けるのか。理由はシンプルで、認知作業が異なるフェーズを一つのプロンプトに押し込むと、AIがどのフェーズも中途半端に処理するからだ。数値の整理・原因の推論・提案文の作成を同時にやらせると、いずれも質が落ちる。分解することで、各ステップのアウトプット品質を個別に検証でき、問題があればそのステップだけやり直せる。

Step1 数値文脈化プロンプト：前月比・目標比・季節性を言語化する

最初のステップは「数値に文脈をつける」作業だ。ここで言う文脈とは、前月比・目標対比・季節性・今月の特記事項の4要素を指す。

このステップのプロンプト構造はおおよそ以下のようになる。

【ロール】あなたは広告運用レポートの数値整理を担当するアナリストです。
【タスク】以下の数値データを受け取り、変化の事実を文脈つきで整理してください。
【入力データ】
- 媒体: Google広告
- 期間: 2026年5月（前月: 2026年4月）
- 目標CPA: ○○円
- 実績CPA: ○○円
- 前月実績CPA: ○○円
- 今月の特記事項: ゴールデンウィーク期間を含む（5/3〜5/6）
【出力形式】
各KPIについて「前月比」「目標比」「季節性の考慮が必要かどうか」の3点を1〜2文で整理。
推論は含めず事実の整理のみ。

このStep1のポイントは「推論を含めない」という制約だ。ここでAIに原因まで考えさせようとすると、事実の整理と推論が混ざった出力になる。Step1では「何が起きたか」だけを出力させ、「なぜ起きたか」は次のステップに渡す。

Step2 因果解釈プロンプト：なぜ良い／悪いかをAIに推論させる制約設計

Step2はStep1の出力を受け取り、「なぜその変化が起きたか」の仮説を生成するステップだ。3段構造の核心で、最もプロンプト設計に注意が要る。

AIに自由に推論させると前述の「推論の飛躍」が起きる。そのため、推論の範囲を制約する文言をプロンプトに組み込む必要がある。

【ロール】あなたはGoogle広告の仕組みに精通した運用アナリストです。
【タスク】以下の数値変化について、媒体の仕組みとして考えられる原因仮説を提示してください。
【制約】
- 入札システム・学習フェーズ・オークション動態等、媒体仕様の範囲内で推論する
- 業界全体の動向や外部環境は「確認が必要」として仮説と分けて記載する
- 仮説は確信度（高・中・低）つきで最大3つまで列挙する
- 根拠が不明確な事実は「不明確」と明記し断言しない
【Step1の整理結果】
{{Step1の出力を貼り付け}}
【出力形式】
仮説1（確信度：高）: ○○
仮説2（確信度：中）: ○○
仮説3（確信度：低）: ○○

Step2でも、AIの出力をそのまま採用しない。担当者が3つの仮説候補を吟味し、実態と合致するものを選択または補正してからStep3に進む。ここが人間介入の最重要ポイントになる。

Step3 提案文プロンプト：次月アクションへの接続と文体制約の設定

Step3はStep1・Step2の出力と、担当者が選んだ仮説を受け取り、最終的な提案コメント文を生成するステップだ。「文章を書く」作業なので、文体・分量・読み手の制約を明確にする。

【ロール】あなたは広告レポートの執筆担当者です。
【タスク】以下の情報をもとに、クライアント向けの月次レポートコメントを生成してください。
【数値サマリー】{{Step1の出力}}
【採用する因果仮説】{{Step2から担当者が選択した仮説}}
【文体制約】
- 丁寧体（です/ます調）
- 1コメントあたり150〜200字
- 「〜と思われます」は使わず「〜が考えられます」「〜の影響と推測されます」を使う
- 課題がある場合はそれを明記する。過度なポジティブトーンは避ける
【次月アクション（担当者が入力）】
- {{次月に実施したい施策を1〜2点箇条書きで担当者が記入}}
【出力形式】
◆今月のサマリー（50〜80字）
◆原因と考察（80〜120字）
◆次月の方針（50〜80字）

文体制約と出力フォーマットをこのレベルで指定することで、毎月のコメント文のトーンが統一される。次月アクションを担当者に入力させる構造にしているのは、提案の責任を人間側に残すための設計上の工夫だ。

媒体別プロンプト設計：Google広告・Meta広告・複数媒体統合

媒体ごとに異なるKPI体系と解釈軸

広告レポートのコメント自動化で見落としやすいのが、媒体ごとのKPI体系の差だ。Google広告の「良し悪し」とMeta広告の「良し悪し」は判断軸が異なるため、同じプロンプトを両媒体に適用すると解釈がずれる。

Google広告向け：CPA・ROAS・インプレッションシェアを軸にした解釈プロンプト

Google広告の特性として、スマート入札の挙動・インプレッションシェアの変動・品質スコアの影響など、「オークションの中の動態」が重要になる。

Step2のコンテキストに必ず含めるべき情報：

• 入札戦略の種別（目標CPA・目標ROAS・拡張クリック単価など）
• キャンペーンが学習フェーズにあるかどうか
• インプレッションシェア（絶対上位・上位・全体）の変化
• 除外キーワードや除外リストの変更有無

「CPA悪化」の解釈一つとっても、学習フェーズ中なのか、競合入札が上昇したのか、CR（クリエイティブ）が疲弊したのか、除外設定の漏れなのかで次月の対応がまったく変わる。プロンプトに「この状況をふまえてどのシナリオが最も可能性が高いか」を聞く設計にすることで、機械的な原因列挙ではなく優先度つきの解釈が出やすくなる。

なお、Google広告のレポート数値集計を自動化する段階については、Google広告スクリプト×スプレッドシートによるルーティン自動化設計も参照してほしい。コメント生成の前段のデータ整備フェーズと組み合わせることで、一気通貫の自動化が実現しやすくなる。

Meta広告向け：フリークエンシー・CPM・学習フェーズを軸にした解釈プロンプト

Meta広告の解釈で特に重要なのが「フリークエンシー」と「学習フェーズ」だ。フリークエンシーが高まると広告疲弊（オーディエンスの反応鈍化）が起きやすく、CPMやCTRに直接影響する。一方、学習フェーズ（Meta広告の最適化学習が安定していない期間）中は数値のばらつきが大きく、この期間の変動を「施策の効果」として解釈すると誤判断につながる。

Meta広告向けのStep2プロンプトには以下のコンテキストを追加する。

【Meta固有コンテキスト】
- 主要オーディエンスのフリークエンシー: ○○（前月: ○○）
- 学習フェーズ中の広告セット数: ○セット（全○セット中）
- クリエイティブ（CR）更新の有無: あり/なし
【制約】
学習フェーズ中の数値変動を施策評価に使わないこと。
フリークエンシーが3.5を超えている場合は「オーディエンス疲弊の可能性」を仮説に必ず含めること。

こうした媒体固有の判断基準を制約として埋め込むことで、Google広告の解釈ロジックをMeta広告に適用してしまうような設計ミスを防げる。

複数媒体統合コメント：媒体間役割分担の言語化と統合示唆の設計

Google広告とMeta広告を合わせて月次報告する場合、統合コメントが別途必要になる。統合コメントの設計で最も難しいのは「媒体間の役割分担が正しく言語化されているか」という点だ。

「Google広告は検索需要への対応、Meta広告は認知・リターゲティング」という役割設計がある場合、各媒体の数値を独立に解釈するのではなく、役割に照らして解釈する必要がある。統合プロンプトには「両媒体の役割定義」と「統合示唆に含める視点（全体CPA・インクリメンタルなリーチ・アトリビューション上の分担）」を明示的に渡すことが肝になる。

月次レポートのKPI管理体制や報告構造の設計については、インハウス広告の月次KPIレポート構造設計が参考になる。コメントを自動化する前提として、何をどの順で示すかという報告設計が整っている必要がある。

品質を守るレビューフロー設計

図2: AI生成コメントの3段レビューと差し戻し基準

3段プロンプト設計でハルシネーション発生リスクを下げながら、さらにレビューフローで最終品質を担保するのが現実的な設計だ。AIが生成したコメントをそのままレポートに流すのは、クライアント向けや経営報告では特にリスクが高い。

チェックポイント1：事実確認（数値と記述が一致しているか）

最もシンプルかつ最重要のチェックだ。AIが生成したコメント内の数値記述が元データと一致しているかを1件ずつ確認する。

特に「改善」「悪化」「上昇」「低下」といった方向性を示す言葉と数値の符号が合っているかは必ずチェックする。単純なミスのようで、文脈が長くなるほどAIが混乱して逆方向の記述を出すケースがある。

確認を機械化するにはGoogle スプレッドシートの数式を使い、コメント内の数値を自動抽出して元データと比較する列を作るのが有効だ。目視照合は件数が増えると確認漏れが出やすい。

チェックポイント2：推論チェック（因果関係が媒体の仕組みとして妥当か）

AIが提示した「原因・考察」の論理が媒体の仕組みとして成立しているかを確認する。文章として整って見えるが、技術的に正確でない記述がここで引っかかりやすい。

典型的なNG例：

• 「インプレッションが増えたのでCTRが上がった」（インプレッション増加とCTR上昇は必ずしも連動しない）
• 「学習フェーズが終了したためCPAが安定した」（他の要因の可能性も考慮が必要）
• 「競合が減少したため単価が下がった」（根拠のない外部環境への言及）

推論チェックは担当者の媒体知識に依存するため、自動化が難しい。AIによる生成と人間によるレビューの分担が最も明確に出るのがこのポイントだ。

チェックポイント3：トーン・文脈確認（クライアントまたは経営者に出せる文体か）

技術的に正確でも、提出先の相手によって適切なトーンは変わる。以下の観点で確認する。

• 過度に悲観的または楽観的なトーンになっていないか
• 謝罪や過度な責任表明がAIにより書き込まれていないか
• 説明なしで専門用語が使われていないか（GA4・インプレッションシェア等）
• 文章の分量がレポートのフォーマットに合っているか

トーンが合わない場合は、Step3の文体制約プロンプトを改善する。1回の修正で直るのではなく、制約に追記してテンプレートを更新する形でフィードバックループを回す。

差し戻し基準：NG出力パターン一覧とやり直しトリガーの定義

以下のいずれかに該当する場合はAI出力を差し戻し、該当ステップからやり直す。

NGパターン	該当ステップ	対処
数値の方向性（増減）が逆になっている	Step1	数値文脈化からやり直し
確認が必要な推論を断言している	Step2	制約プロンプトを強化してStep2をやり直し
コメント全体が汎用すぎて固有コンテキストがない	Step1〜2	コンテキスト注入量を増やしてStep1からやり直し
提案内容が実行可能範囲を超えている	Step3	次月アクションの制約を追加してStep3をやり直し
文体が不適切（フランクすぎる・謝罪口調）	Step3	文体制約を追加してStep3をやり直し

差し戻しが繰り返されるパターンはプロンプトテンプレート自体の改善シグナルとして記録しておく。この記録が継続改善の材料になる。

ワークフロー実装：Spreadsheet×AIで半自動化する構成

設計が整ったら、実際の月次業務の中でどう動かすかを考える。フルオートメーション（AIが全て自動処理）は品質リスクと設計コストが高い。現実的には「AIが草案を出し、担当者がレビューして確定する」半自動化の構成が安定しやすい。

データ供給設計：Looker Studio・スプレッドシートからのデータ整形手順

AIへのデータ供給元として最も使いやすいのはGoogle スプレッドシートだ。Looker StudioのデータをGA4・Google広告・Meta広告それぞれから接続し、月次集計表をスプレッドシートに出力する構成を作ることで、プロンプトへのデータ貼り付けが定型化できる。

具体的な手順の流れ：

1. Looker Studioで媒体別・KPI別の月次集計表を設計する（Looker Studio 広告統合ダッシュボード設計参照）
2. IMPORTRANGE関数またはコネクタ経由でLooker StudioのデータをSheetに取り込む
3. 前月比・目標比の計算列を数式で自動生成しておく
4. プロンプトに貼り付ける「テキスト整形セル」を作成する

テキスト整形セルの例（数式）：

="CPA "&TEXT(C2,"#,##0")&"円（前月比 "&TEXT((C2-B2)/B2*100,"0.0")&"%）"

このようなセルをKPIごとに作っておけば、毎月コピー＆ペーストするだけでStep1プロンプトの入力部分が完成する。数値を手打ちするとタイプミスのリスクがあるため、テキスト整形セルの自動生成は工程の質を上げる重要な工夫だ。

プロンプトテンプレート管理：スプレッドシートでの運用設計とバージョン管理

プロンプトテンプレートはスプレッドシートで管理するのが実務上の定番になりつつある。専用のシートを作り、以下の列を持たせると管理しやすい。

列	内容
プロンプトID	P01_step1_google、P02_step2_meta のような識別子
対象媒体	Google広告 / Meta広告 / 統合
ステップ	Step1 / Step2 / Step3
プロンプト本文	完全なプロンプトテキスト（変数部分は {{placeholder}} で記述）
最終更新日	バージョン管理の目安
更新理由	なぜ変更したかの記録

ChatGPTやClaudeに渡す際は、プロンプト本文の {{placeholder}} 部分をスプレッドシートのデータでSUBSTITUTE関数を使って自動置換し、コピーする。

更新理由の列に改善履歴を残しておくことがプロンプトエンジニアリングの精度向上につながる。「この制約を追加したらどう品質が変わったか」が2〜3ヶ月分積み上がると、設計判断の根拠が溜まる。

人間介入ポイントの組み込み方：AIと担当者のタスク分担表

半自動化において最も重要なのが、担当者がどこで判断するかを明示的に設計することだ。

フェーズ	担当	作業内容	目安工数
データ整形	スプレッドシート（自動）	KPI集計・前月比計算・テキスト整形	0分
Step1実行	AI（ChatGPT/Claude）	数値文脈化コメント生成	1〜2分
Step1確認	担当者	数値の方向性・事実関係の確認	5分
Step2実行	AI	因果仮説生成	1〜2分
Step2判断	担当者	仮説の取捨選択・実態に合った原因の選択	10〜15分
Step3実行	AI	最終提案コメント生成	1〜2分
Step3レビュー	担当者	3チェックポイント確認・修正・承認	10〜15分
完成	担当者	レポートへの組み込みと送付	5分

合計で担当者の作業時間は1案件あたり約30〜40分が目安だ。従来の1〜2時間と比較すると、プロンプト設計が成熟してきた段階での目安工数として大幅な圧縮になる。

AI活用の範囲の設計論については、広告運用で機械に任せる範囲を設計する実務フレームも参考になる。レポートコメントに限らず、広告運用全般でどこまでAIに委ねてどこから人間が判断するかの設計は、実務の品質を長期的に担保する上での根幹的な考え方だ。

よくある失敗パターンと対処法

3段プロンプト設計を導入した後で直面しやすい問題を整理しておく。設計が正しくても、オペレーション上の習慣的な落とし穴が品質を下げることがある。

コンテキスト不足で汎用コメントしか出ない問題と対処

導入初期にまず直面しやすいのが「それっぽいが薄い」コメントの問題だ。文法的には整っているが、どのクライアント・どの業種にも当てはまるような汎用表現になってしまう。

原因はほぼコンテキスト不足だ。Step1プロンプトへの入力情報が少ないと、AIは持っている一般知識で埋めようとする。「業種・広告目的・今月の特記事項」の3点が薄いときにこの問題が起きやすい。

対処は入力情報の拡充一択だ。以下の情報を必ず含めるよう構成を変える：

• 業種・ビジネスモデルの1行説明
• 今月のキャンペーン目的（新規獲得・リターゲティング・ブランド認知など）
• 今月の特記事項（セール・繁忙期・施策変更・予算変更など）

この3点を加えるだけでコメントの具体性が格段に上がる場合が多い。

「それっぽいが間違い」コメントをレビューで見逃すケース

3段設計を導入しても、Step3のレビューが形骸化するとこのケースが起きる。文体が整っているとそのまま承認してしまいがちだが、数値の解釈が実態と合っていないことがある。

よくあるのが、学習フェーズ中の数値変動を正式な施策効果として解釈したコメントが通ってしまうケースだ。プロンプトに制約を入れていても、出力がその制約を完全に守れていないことがある。

対処は、レビュー作業を「読む」から「照合する」に変えることだ。元データとコメントの数値照合を機械的に実施する習慣をつけることで、見逃しが大幅に減る。

AIコメントへの過信：人間の判断を残すべき箇所の定義

AI活用を進める中で陥りやすいのが、AIが安定してよいコメントを出し続けてくれるという過信だ。品質が安定してくると、レビューの精度が落ちてくる傾向がある。

人間の判断を必ず残すべき箇所は3点だ。

1. 因果仮説の選択：AIが出した複数の仮説候補のうち、どれを採用するかは必ず人間が判断する
2. 次月アクションの可否：予算・体制・クライアント意向を踏まえた施策提案の可否は人間が決定する
3. 最終送付の承認：レポートを提出する前に、担当者が必ず最終確認する

この3点が省略の対象になった時点で、品質保証の仕組みとして機能しなくなる。「自動化」は人間の作業量を減らすことが目的であり、責任を排除することが目的ではない。この原則を組織内で共有しておくことが、長期的な運用品質を守る前提になる。

よくある質問

Q：ChatGPTに広告レポートのコメントを書かせると何が問題になりますか？

数値をそのまま貼り付けてコメントを求めると、大きく3つの問題が起きやすいです。第一に、文脈のない数値からでは「良かったです、引き続き最適化します」程度の汎用コメントしか出ません。第二に、ハルシネーションとして数値の方向性（増減）が逆になる、または存在しない要因を原因として断言する出力が生じます。第三に、媒体の仕組みと無関係な推論（例：学習フェーズ中の数値変動を施策の成果として断言する）が発生します。コンテキスト注入と3段プロンプト設計でこれらを防ぐことが実務での基本設計になります。

Q：生成AIで作った広告レポートのコメントをそのままクライアントに送っていいですか？

3段プロンプト設計の出力であっても、そのまま送付するのは推奨できません。少なくとも「事実確認（数値と記述の照合）」「推論チェック（因果関係の妥当性確認）」「トーン・文脈確認（送付先に適した文体か）」の3段レビューを通過させることが前提です。AIコメントのレビューをスキップすることで発生する品質リスクは、作成工数の削減メリットを上回るケースがあります。

Q：広告レポートのAI自動化プロンプトにはどんな情報を入力すればいいですか？

最低限必要な情報は、媒体名・対象期間・KPI目標値・実績値・前月実績値・業種・今月の特記事項の7点です。これに加えて、入札戦略の種別・学習フェーズの有無・CR（クリエイティブ）更新の有無があると、より精度の高い解釈コメントが得られます。情報が少ないほどAIは一般論で補完しようとするため、汎用コメント化が起きやすくなります。

Q：生成AIで広告レポートのコメントを自動化するとどのくらい時間が削減できますか？

コメント作成に月次4〜8時間かかっているケースでは、3段プロンプト設計とレビューフローを整備した場合に1〜2時間程度に圧縮できる可能性があると一般に言われています。ただし削減効果はプロンプトの成熟度に依存します。導入直後は設計・テスト・修正のコストがかかるため、削減効果が出てくるのは3〜4ヶ月の運用を経てからというケースが多いとされます。また、レビューフローを省略すると工数は減っても品質リスクが増すため、設計段階からレビュー工数込みで試算するのが現実的です。

---

真策堂では、広告運用における生成AI活用の設計相談を受け付けています。月次レポートの示唆コメント自動化に限らず、プロンプト設計の骨格づくり・レビューフローの構築・ツール連携の整備といった段階からご相談いただけます。お問い合わせはサイト内のお問い合わせフォームよりどうぞ。