自動化できないのは、コンセプト設計と演者マネジメントの2工程だけ。残る5工程は、いまの技術で自動化しうる。
査読論文と公式ドキュメントを中心に、技術的可能性と実務的制約の2側面から調べた記録です。
要約結論 人に残る2工程と、自動化しうる5工程
状況 — 国内の動画広告市場は2025年に8,855億円、前年比122%で伸びている（サイバーエージェント/デジタルインファクト調べ、2026年3月発表）。その裏側でYouTube運用支援の相場も固まっていて、スポットコンサルが1時間1〜5万円、月額コンサルが5〜30万円、フル運用代行が月30〜100万円という水準にある。人手を厚く積んだ労働集約のサービスであり、AIで置き換える動機は十分にある。
複雑化 — ところがこの仕事は、AIが得意な形をしていない。クライアントごとに演者の資質・ジャンル・コンセプト・舞台設定まで条件が違い、考慮すべき次元が多い。しかも同じ手法が半年後に効くとは限らない。「次元数に対してサンプルが足りない」という見立ては、この領域で最初に出てくる直感である。
調べたのは2つ。YouTubeコンサルのどこまでが自動化できるのか。そして「サンプルが足りない」は、どの工程についての話なのか。
答え — 業務を7工程に分けて調べたところ、境界線は思ったよりきれいに引けた。自動化できないのは①コンセプト設計と⑦演者マネジメントの2工程で、残る5工程（企画・タイトル/サムネイル・構成/台本・撮影/編集・分析改善）は、いまの技術で自動化しうる。そして「次元数に対してサンプルが足りない」という仮説は、残った①コンセプト設計についての仮説であり、正しい。しかも想定より厳しい。サンプルを数える単位が動画1本ではなく、「この演者を、このコンセプトで立ち上げた」という1件だからである。
根拠になる3つの数字を先に置く。
結論の4点
- 人に残るのは、7工程のうち①コンセプト設計と⑦演者マネジメントの2つだけ。 残る5工程は技術的にも費用的にも自動化しうる。ただし工程数で7割を自動化しても、価値の7割は自動化されない。自動化しやすい工程と、成否を決めている工程が一致していないからである。国内の運用支援でよく挙がる失敗は「チャンネルは伸びたが問い合わせは増えなかった」であり、原因は①の設計ミスにある。
- 「次元数に対してサンプルが足りない」は、その①についての仮説であり、正しい。 ただし数える単位が違う。コンセプト設計のサンプルは動画1本ではなく、「この演者を、このコンセプトで立ち上げた」という1件である。成果判明まで3〜6か月かかり、失敗した設計は外から観測できず、演者力を測る物差しもない。本数が足りないだけでなく、負けのサンプルが負けとして使えない。
- 自動化できる5工程でも、「予測を当てる」設計にすると行き詰まる。 視聴維持率は公開前の情報だけで決定係数0.77まで説明できるが、再生数とCTRは当たらない。再生数は動画の関数ではなく推薦アルゴリズムの出力だからである。当てにいく代わりに、候補を大量に出して実験で潰す形に置き換えると境界線は前に動く。
- 実務の律速は費用ではなく、データに手が届かないこと。 動画1本の解析費用は平均長で約2.4円、100万本でも約240万円で済む。ところがYouTube APIは動画本体を配信せず、利用規約もダウンロードを禁じる。新規動画の発見はデフォルト割り当てで1日5,000本まで。他人のチャンネルのCTR・維持率にいたっては、そもそも開示されない。
01業務の7工程分解 自動化しやすさと、成否を決める工程のずれ
国内の運用支援サービスの提供範囲を並べると、業務はおおむね次の7工程に分解できる。料金体系がスポット（1時間1〜5万円）・月額コンサル（5〜30万円）・フル運用代行（月30〜100万円）と3層に分かれているのは、この工程のどこまでを引き受けるかの違いである。
| 工程とやっていること | 難しさの正体 | AIとの相性 |
|---|---|---|
| ① コンセプト設計 — 誰に何を届けるか。どの演者を前に出すか | 正解が事後にしか分からず、やり直しに数か月かかる | 悪い（少数事例からの判断） |
| ② 企画・ネタ出し — 本数分の企画案を出し、優先順位をつける | 案を出すこと自体は難しくない。選ぶのが難しい | 良い（候補生成は自動化済み） |
| ③ タイトル・サムネイル — クリックされる入口を作る | 正解が時期とジャンルで動く | 中（生成は自動、選別は実験依存） |
| ④ 構成・台本 — 冒頭で離脱させない。途中で飽きさせない | 維持率という測れる指標がある | 良い（予測可能性が最も高い） |
| ⑤ 撮影・編集 — 演出、カット、テロップ、音 | 手数がかかる。判断より作業 | 良い（生成AIで加速中） |
| ⑥ 分析・改善 — 数値を読み、次の一手を決める | データにアクセスできるかで決まる | 中（権限を預かれるかが前提） |
| ⑦ 演者マネジメント — 撮り続けさせる。心が折れないようにする | 相手が人間で、成果まで3〜6か月かかる | 悪い（自動化の対象外） |
（出所）国内YouTube運用代行・コンサル各社の公開サービス内容および料金表（2026年時点の複数社の公開情報を集約）。工程分解と難易度評価は本調査による整理。
ここで先に押さえておきたいのは、失敗の原因がどこに集まっているかである。国内の運用代行事業者が挙げる典型的な失敗は「チャンネルは伸びたが問い合わせも採用も売上も増えなかった」というものだ。原因はターゲットと顧客層のミスマッチ、つまり①の設計ミスにある。②〜⑤をどれだけ高速化しても、①を外していれば成果はゼロのままになる。
自動化しやすいのは②〜⑥、成否を決めているのは①と⑦である。この2つが一致していない。「AIでYouTubeコンサルを置き換える」という発想が空振りしやすいのは、たぶんここが理由である。7工程のうち5工程、つまり7割を自動化しても、価値の7割は自動化されない。以降の章では、まず①がなぜ渡せないのかを確認し、そのうえで②〜⑥がどこまで行けるのかを見ていく。
02コンセプト設計が渡せない理由 サンプルの単位と、負けの観測不能
「クライアントごとに人柄・演者力・ジャンル・その中の細かいコンセプトまで条件が違うので、次元数に対してサンプル数が足りない」という見立ては、7工程のうち①コンセプト設計に対する仮説である。ここを工程②以降と混ぜると、答えを間違える。
実際、動画レベルで数えると事情はそこまで悪くない。日本語・直近1年・細分ジャンルまで絞っても数十〜数百本は残る（次章）。線形モデルや階層モデルなら推定できる規模である。ところがコンセプト設計の観測単位は動画ではない。「この演者を、このコンセプトで立ち上げたら、こうなった」という1件であり、チャンネル1本の立ち上げがまるごと1サンプルになる。この単位で数えると、状況は3つの理由で一段厳しくなる。
理由1 1サンプルあたり3〜6か月という取得コスト
国内の運用支援各社は、成果が出るまで最低3〜6か月かかると明示している。半年分以上の予算を先に確保しておくよう促す会社もある。つまり1件の観測に半年、判断を伴う次元は6つ以上。コンサルタント1人が10年で扱える件数は、多く見積もっても数百件にとどまる。高次元の関数を当てにいく数ではない。
理由2 失敗した設計の観測不能（生存者バイアス）
外から見えるのは「そのコンセプトでやった結果」だけである。検討して捨てた案、3本で止めたチャンネル、途中で方向転換する前の姿は、どこにもデータとして残らない。しかも次章で見るとおり、YouTube全体の86.93%は1,000再生未満で、そこには「設計を外したチャンネル」と「そもそも設計していないチャンネル」が区別なく混ざっている。
機械学習で高次元を扱うには、当たった事例と同じだけ外れた事例が要る。ところがコンセプト設計では、負けのサンプルが負けとして使えない。「このコンセプトは効かなかった」のか「実行が伴わなかった」のか「そもそも投稿が続かなかった」のかを、外部データで切り分ける手段がない。サンプル数を増やす努力をしても、増えるのは勝ち側だけである。
理由3 演者力を測る物差しの不在
次元の1つである演者の資質は、数値として与えられていない。この次元に最も近い研究領域は説得力の推定で、話者映像のマルチモーダル解析による正答率は68〜75%である。しかもこれは「この話者は説得力があると知覚されるか」の推定であって、「この人がこのジャンルで伸びるか」ではない。軸そのものが定義されていない状態で、その軸を含む学習はできない。
仮説は、コンセプト設計に限れば正しい。次元数に対してサンプルが足りず、加えて負けのサンプルが使えず、主要な次元に物差しがない。三重の意味でAIに渡せる状態にない。ただしこの結論は、工程①に閉じている。「サンプルが足りないからYouTubeコンサル全体が自動化できない」とまでは言えない。②〜⑦を1つずつ見ると、⑦演者マネジメントを除いて事情は変わる。以降の章はその確認である。
03動画レベルのサンプル量 細分ジャンルの数百本と、母集団87%の空白
マサチューセッツ大学アマースト校の研究チームは、YouTubeの動画IDをランダムに生成して当たりを引くという方法（約18兆回の試行）で、10,016本の無作為標本を作った。プラットフォーム側の推薦や検索を通さないサンプルは、公開されているものではこれくらいしか見当たらない。ここから見えるYouTubeの実像は、業界で語られるYouTube像とかなり違う。
（出所）Ryan McGrady, Kevin Zheng, Rebecca Curran, Jason Baumgartner, Ethan Zuckerman, "Dialing for Videos: A Random Sample of YouTube," Journal of Quantitative Description: Digital Media 3 (2023). 標本10,016本、収集は2022年後半。
母集団87%の正体 失敗ですらない動画群
再生ゼロの動画が4.88%、5回未満が18.38%、100回未満が65.44%、1,000回未満が86.93%を占める。この層は「うまくいかなかった動画」ですらない。そもそも配信されていないので、内容の良し悪しについて何も語っていない。教師データとして混ぜれば、学習するのは「YouTubeに投稿される動画の大半は誰にも見られない」という自明な事実だけになる。
したがって実質的な母集団は、上位3.67%にあたる約3.6億本である。ここからさらに条件を重ねていくと、「次元数に対してサンプルが足りない」という状態が、具体的な本数として姿を現す。
- 98.8億本 — 公開動画の推定総数（2022年末）
- 日本語 2.23% → 約2.2億本（音声の言語判定ベース、判定信頼度0.92）
- 1万再生以上 3.67% → 約810万本
- 直近12か月に限定（年間シェア約20%と仮定） → 約160万本
- カテゴリ「ハウツー/スタイル」1.47% → 約2.4万本
- 「特定コンセプトの店舗紹介」相当の細分 → 数十〜数百本
各条件が独立と仮定した粗い概算であり、実際には相関する（例: 1万再生以上の動画はカテゴリ構成も年次構成も全体と異なる）。ただし桁の感覚は変わらない。カテゴリ比率と言語比率は前掲McGrady et al. (2023) の標本値。
細分ジャンルで数十〜数百本というのは、機械学習にとって絶望的な数ではない。線形モデルや階層モデルなら十分に推定できる規模である。つまり前章で見たコンセプト設計の窮屈さは、動画レベルの工程には持ち込まれない。
ただし別の問題がある。1本あたりから取り出せる情報が薄いことだ。外部から観測できるのは再生数・いいね・コメントという外形指標だけで、しかもそれらは互いにあまり連動していない。同じ標本でのピアソン相関は、再生数と登録者数で0.11、いいねと登録者数で0.03にとどまる。この係数自体は割り引いて読む必要がある（分布が極端に右に歪んでいるため、ピアソン相関は単調な関連を過小評価する）。ただし著者らはこの弱さの理由も示している。YouTube自身が、サイト内トラフィックの70%以上はアルゴリズムによって駆動されていると認めている。登録者は残り30%側の要因にすぎない。
04予測精度の分かれ目 当たる視聴維持率と、当たらない再生数
| 研究（データ） | 予測対象 | 精度 | 条件 |
|---|---|---|---|
| Beyond Views（YouTube 530万本、2016年の2か月分）ICWSM 2018 | 相対エンゲージメント（動画の何%まで見られるか） | R²=0.77（コールドスタート） | 公開前の文脈・トピック・チャンネル情報のみ |
| SnapUGC（Snapchat Spotlight 9万本、2,000再生以上）arXiv 2410.00289 | 視聴完了率・エンゲージメント継続率 | 順位相関 0.696 / 0.675 | 動画コンテンツのみ。既存手法(DOVER)は0.635 |
| GloboPlay事例（ブラジルの動画配信サービス 9,989本）Sensors 2021 | 人気/不人気の2値分類（公開前） | 正答率 87% | プロが編成した有限カタログ。クラス比は非開示 |
| 説得力の推定（話者映像・マルチモーダル）POMデータセット系 | 話者の説得力・専門性 | 正答率 68〜75% | 「演者力」に最も近い研究領域。当てる水準には遠い |
予測可能な「見られ続けるか」と、不能な「見つけてもらえるか」
Beyond Viewsの著者らは、再生数を予測対象にすること自体を疑った。再生数は外部プロモーションや配信量に左右されて不安定だが、「動画の何%まで見られたか」は時間が経っても安定している。そこで動画の長さやジャンルによる違いを補正した相対エンゲージメントという指標を定義し、これなら公開前の情報だけで分散の77%を説明できることを示した。
著者らが「コールドスタート」と呼んでいるのは、その動画に再生履歴がない状態であって、そのチャンネルに履歴がない状態ではない。説明変数には「チャンネル情報」が含まれる。つまりこのR²=0.77は、過去に何本も投稿してきたチャンネルが次の1本を出すときの予測精度である。新規チャンネル・新しい演者の初回投稿では、この特徴量が丸ごと欠ける。「維持率は予測できる」というのは既存チャンネルについての話であり、ゼロから立ち上げる場面には適用できない。コンサルの依頼が多いのは後者なので、実務上はここが効いてくる。
SnapUGCの研究も同じ構図にある。コンテンツだけから視聴完了率を順位相関0.7近くまで当てているが、著者自身が「エンゲージメント指標は推薦システムに条件づけられた問題である」と明記している。つまりモデルが学んでいるのは動画の良し悪しではなく、そのプラットフォームの推薦アルゴリズムがその動画をどう扱うかである。アルゴリズムが変われば、学習した関係は崩れる。
「公開前予測は当たらない」という本調査の立場に対し、正答率87%を報告したGloboPlayの事例は不利なデータだ。ただし条件を見ると、対象はプロが編成した配信サービスのカタログ約1万本で、投稿の自由度も母集団の裾野もYouTubeとは別物になる。加えて2値分類の正答率はクラス比率に強く依存し、論文はその比率を明示していない。仮に人気動画が全体の2割なら、全部を「不人気」と答えるだけで80%に届く。比較可能な指標ではないため、この87%をYouTubeに持ち込むことはできない。
整理すると、こう分かれる。
- ×この動画が何回再生されるか
- ×このサムネイルのCTRが何%になるか
- ×この演者が伸びるかどうか
- ×このコンセプトが半年後も効くか
- ×他社チャンネルの内部指標の推定
- ✓冒頭で離脱するかどうか
- ✓動画の何%まで見られるか
- ✓構成が間延びしている箇所
- ✓「この企画はこのジャンルで既出か」
- ✓「この見せ方は今どれくらい使われているか」
05予測が頭打ちになる3つの壁 反実仮想・内生性・非定常性
壁1 別バージョンの結果が観測できないという、反実仮想の不在
ある動画が10万再生された。では同じ企画を別のサムネイルで出していたら何回だったのか。これは観測できない。1本の動画には1つの結果しか紐づかないため、「サムネイルAのほうがBより良かった」という比較が、そもそもデータの中に存在しない。次元を細かく切るほど、この問題は深刻になる。細分ジャンルごとに条件を揃えた比較対象を集めようとしても、比較対象になるはずの「別バージョンの自分」がどこにもない。
これは統計的な問題ではなく、データ生成過程の問題である。だから解析対象を1万本から1億本に増やしても解けない。解けるのは、同じ動画で複数の入口を同時に配信して結果を比べたときだけ、つまり実験を打ったときだけである。
壁2 再生数の正体は、推薦アルゴリズムの出力
再生数はコンテンツの関数ではない。推薦システムがそのコンテンツを何人に見せたかの関数である。この点は、YouTube自身の技術論文を読むとよく分かる。RecSys 2019で公開された同社のランキングシステムは、学習データが自前の推薦結果から生まれることを選択バイアスとして問題視した。そのうえで、打ち消すための専用の小規模ネットワーク（shallow tower）をモデルに組み込んでいる。何位に表示されたかという情報を別経路で推定し、本体の予測から差し引く仕組みである。
推薦システムの内部にいて、表示順位も配信量も自分で決められる立場ですら、選択バイアスの除去に専用の機構を必要としている。外部のコンサルタントはこの情報を一切持たない。何位に出たか、何人に表示されたか、どの面から流入したかが分からないまま、結果だけを見て原因を推定することになる。しかも前章で触れたとおり、サイト内トラフィックの70%以上はアルゴリズム由来である。観測しているものの大半が、観測できない仕組みの出力ということになる。
推薦システムの研究では、人気の動画がさらに人気になるフィードバックループが繰り返し報告されている。外から見た「成功パターン」の相当部分は、コンテンツの性質ではなく、この増幅の産物である可能性がある。1of10のようなツールが「チャンネル平均の10〜100倍」という外れ値を探すアプローチを取っているのは合理的だが、外れ値であること自体が増幅の結果でもあるため、再現できるとは限らない。
壁3 手法の賞味期限の短さと、期間とサンプル数のトレードオフ
「昔バズった方法が今バズらない」は、機械学習ではコンセプトドリフトと呼ばれる問題である。入力と出力の関係そのものが時間とともに変わるため、過去データで学習したモデルは放っておくと劣化する。直接の実測値ではないが、この速さを示す代理指標はいくつかある。Googleトレンドを用いた分析では、ミームの平均寿命は2008年の約2年から2023年には約4.0か月へ短縮した。YouTube投稿のエンゲージメント半減期は平均8.83日と報告されている。
対処の定石は決まっている。直近ウィンドウでの再学習、ドリフト検知による再学習トリガー、そして古いデータの重みを時間で減衰させることだ。ただしここで先ほどのサンプル問題が効いてくる。直近に絞るほどサンプルは減り、サンプルを確保しようと期間を伸ばすほど古い関係を学んでしまう。細分ジャンルではこのトレードオフが特に厳しくなる。
統計的には答えが出ている。階層ベイズモデルの部分プーリングである。ジャンルごとに完全に別のモデルを作る（プーリングなし）と、サンプルの少ないジャンルの推定が暴れる。全ジャンルを1つのモデルにまとめる（完全プーリング）と、ジャンル差が消える。階層モデルは両者の中間を、データが自動的に決める。サンプルが多いジャンルはそのジャンル固有の値に寄り、少ないジャンルは全体平均に引き戻される。「どこまで一般化できるか」という問いは、この引き戻しの強さとして数値で推定できる量になる。
つまり「一般化できるかどうか」は、事前に悩む問題ではなく、モデルを組めば測定できる量である。これは実務上そこそこ大きい。分野ごとに「この要素は共通、この要素は固有」を経験的に切り分けられるからだ。ただし壁1と壁2は、階層モデルでは解けない。
06実務の律速 2.4円の解析費用と、規約・取得という別の壁
解析コスト 動画1本2.4円、ジャンル網羅で24万円
マルチモーダルLLMは動画を直接読める。Gemini APIは動画を毎秒263トークンに変換し、最も安価なモデル（Gemini 2.5 Flash-Lite）の入力単価は100万トークンあたり0.10ドルである。前掲の無作為標本によれば、YouTube動画の長さは中央値126秒・平均615秒だった。ここから解析費用が直接計算できる。
| 対象 | 本数 | 入力トークン | 概算費用 |
|---|---|---|---|
| 動画1本（中央値126秒） | 1 | 33,138 | 約0.5円 |
| 動画1本（平均615秒） | 1 | 161,745 | 約2.4円 |
| 特定ジャンルの網羅解析 | 10万本 | 162億 | 約24万円 |
| 大規模な学習データ構築 | 100万本 | 1,617億 | 約243万円 |
| 日本語 × 1万再生以上（累計） | 約810万本 | 1.3兆 | 約1,970万円 |
| YouTube全動画 | 98.8億本 | 1,598兆 | 約240億円 |
1ドル150円換算。入力トークンのみで、出力トークン・リトライ・帯域・保存費用は含まない。単価は2026年8月時点のGemini Developer API公開価格。平均615秒で算出。
整理すると、こうなる。「YouTube全動画の解析」は240億円かかるので現実的でないが、そもそも必要ない。特定ジャンルを丸ごと読み切る規模なら24万円で、これは月額コンサル1件分の予算に収まる。推論費用という意味では、大量解析はすでに実行可能な範囲にある。
動画をLLMに読ませるには、まず動画ファイルが手元に要る。ところがYouTube Data APIは動画本体を配信しない。取れるのはメタデータだけである。そしてYouTubeの利用規約は、同社が明示的に許可した場合を除きコンテンツのダウンロードを禁じている。つまり大規模な動画本体の解析は、費用の問題として解ける以前に、規約の問題として塞がれている。
現実的に扱えるのは、公式APIで取得できるメタデータ、サムネイル画像、字幕（提供されている動画に限る）までである。前掲のSnapUGCの研究でも、有効な文字起こしが存在したのは対象の30%にとどまり、加えても精度は改善しなかったと報告されている。「動画の中身を全部読む」という前提そのものを、設計から外して考えるほうがいい。
取得コスト 新規発見1日5,000本という、100分の1の壁
YouTube Data API v3の割り当てを見ると、話が変わる。デフォルトの割り当ては1日10,000ユニットで、各メソッドの消費は次のようになっている。
- videos.list（IDを指定してメタデータ取得）は1日50万本。 1リクエスト1ユニットで最大50件のIDを指定できるので、10,000ユニットを全部使えば年1.8億本。
- search.list（条件を指定して動画を探す）は1日5,000本。 ユニット消費とは別に「1日100回」の上限が課されている。1回50件なので、年183万本まで。
（出所）YouTube Data API v3 公式ドキュメント "Determine quota cost"（2026年8月時点）。デフォルト割り当ては1日10,000ユニット、加えてsearch.listは100回/日、videos.insertは100回/日の個別上限。太平洋時間の午前0時にリセット。
この上限は固定ではない。Googleは「YouTube API Services - Audit and Quota Extension Form」による増枠申請を受け付けており、規約適合の監査を通れば割り当てを引き上げられる。ただし審査は数週間規模で、用途の説明を求められる。つまり超えられない壁ではなく、事業計画の一部として時間を見込むべき手続きである。いずれにせよ、初期段階で全数収集を前提にした設計は成り立たない。
IDさえ分かっていれば年1.8億本のメタデータが取れる。ところが、そのIDを探す手段は年183万本に制限されている。解析でも保存でもなく、発見が律速である。だから既存の分析ツールは例外なく、長期間かけてIDを貯め込むところに資産を置いている。国内最大級のkamui trackerが蓄積しているのは5,800万本。日本語動画の推定総数2.2億本に対して約4分の1にあたり、ゼロから追いつくには何十年もかかる規模である。新規参入者にとっては「自分で集める」より「既存DBを借りる」ほうが速い、という結論が先に立つ。
取れないデータ 所有者しか見られないCTR・維持率・流入経路
より重い制約がここにある。インプレッション数、クリック率、平均視聴時間、視聴維持率、流入経路。改善に直結する指標はすべてYouTube Analytics側にあり、チャンネルの所有者本人（またはコンテンツ所有者）にしか開示されない。外部からは取れない。
つまり競合分析でできることは、再生数・いいね・コメント・投稿頻度といった外形データの比較までである。前々章で見たとおり、これらの相関は母集団レベルでは弱い。「競合の勝ちパターンを解析する」というサービス設計は、最も効く変数を見ないまま行われることになる。
07既存プレイヤーの到達点 予測を売らない各社と、公式のコモディティ化
| プレイヤー | やっていること | 構造上の位置づけ |
|---|---|---|
| vidIQ / TubeBuddy | キーワード調査、タイトル最適化、サムネイルのテスト支援、AIコーチ | 外形データ + SEO的な最適化。判断は利用者に残る |
| 1of10 | チャンネル平均の10〜100倍で伸びた動画（外れ値）を大量に検出し、そのデータでタイトル・サムネイル・企画を生成 | 予測をあきらめ、「今、実際に伸びているもの」の検索に振り切った設計。非定常性への現実的な回答 |
| Spotter Studio | LLM + チャンネル分析 + 高実績動画から企画・サムネイル案を生成。2024年9月発表 | ベータで「公開後7日間の再生が平均49%増」と発表。ただし自社公表値で対照群の設計は非開示 |
| kamui tracker | 国内最大級のYouTubeデータベース（5,800万本）。タイアップ選定、競合調査 | 資産はモデルではなくデータ蓄積。前章の「発見が律速」への回答 |
| YouTube公式 | Test & Compare（サムネイル最大3案のA/Bテスト）、Inspiration Tab、Ask Studio、AI編集 | ここが一番の変数。コンサルが有料で提供していた機能を、配信権を持つ側が無料で出し始めている |
公式機能による、有料コンサル機能の無料化
YouTubeは2023年のVidConでサムネイルのA/Bテストを予告し、2024年に展開した。同年4月時点で5万人を超えるクリエイターが利用できる状態になり、2025年にはタイトルもテスト対象へ広がっている。さらに2025年9月の「Made on YouTube」では30を超えるAI機能が発表された。企画の着想（Inspiration Tab）、チャンネル分析の対話インターフェース（Ask Studio）、自動編集、自動吹き替えが並ぶ。
これは外部プレイヤーにとって重い。有料ツールが外形データから推定していたことを、配信権を持つ本人が実データで直接提供している。しかも無料である。同じ機能で正面から競っても、勝ち目は薄い。
配信権を持つ側だけが成功している、クリエイティブの自動最適化
クリエイティブの自動最適化が明確に成果を出している領域はある。NetflixはRecSys 2018で、作品ごとに複数のアートワークを用意し、文脈付きバンディットで利用者ごとに出し分ける仕組みを公表した。Metaの Advantage+ は、クリエイティブと配信面の組み合わせを自動で探索し、平均で広告費用対効果22%の改善を同社が報告している。
ただし両者に共通するのは、自分が配信を握っていることである。誰に何を何回見せるかを決められるから、反実仮想を自分で作れる。壁1と壁2が、立場によって最初から存在しない。同じ仕組みを外部のコンサルタントが再現することはできない。
Advantage+ については、ターゲティングの自動化は8割方うまくいくが、自動生成クリエイティブは「クライアント商材の99%で的を外す」という運用側の証言もある。配信の最適化と、作るものの決定は、自動化の成熟度が違う。この非対称は、YouTube運用支援にもそのまま当てはまる。
08工程別の採点 自動化の対象は、処方ではなく診断
採点した結果を先に書く。人に残るのは①コンセプト設計と⑦演者マネジメントの2工程だけである。①はサンプルの単位と質の問題、⑦は相手が人間で成果まで3〜6か月かかるという問題で、理由は別だが、どちらも技術で埋まる種類ではない。残る②〜⑥は、条件付きながらすべて自動化しうる。条件とは、Analytics権限を預かれるか、実験を回せる規模があるか、の2つに集約される。
| 工程 | 現在地 | 技術面と実務面 | 律速している条件 |
|---|---|---|---|
| ① コンセプト設計 | 人 | 技術: 部分的。説得力の推定は正答率68〜75% / 実務: 演者の実データが手元にないと検証できない | 候補となる演者を複数、同時に試せる環境 |
| ② 企画・ネタ出し | 自動 | 技術: 可能。LLMで無制限に生成できる / 実務: 既に商用化済み | —（ただし選別は別問題） |
| ③ タイトル・サムネイル | 半自動 | 技術: 生成は可能 / 実務: 選別は公式A/Bテストに依存 | 週1,000インプレッション |
| ④ 構成・台本 | 自動化しやすい | 技術: 維持率はR²=0.77で説明可能 / 実務: 自社チャンネルなら実測で回せる | Analytics権限 |
| ⑤ 撮影・編集 | 自動 | 技術: 自動編集は公式機能に統合済み / 実務: 可能 | — |
| ⑥ 分析・改善 | 条件付き | 技術: 可能 / 実務: 他人のチャンネルは内部指標が取れない | Analytics APIの権限委譲 |
| ⑦ 演者マネジメント | 人 | 技術: 対象外 / 実務: 成果まで3〜6か月、相手は人間 | — |
実験の入場料 週1,000インプレッションという下限
自動化の主戦場を実験に置くと、次に効いてくるのは統計的検出力である。運用実務で共有されている目安では、変量あたり1,000インプレッションが判定の最低ライン、2ポイントのCTR差を検出するには変量あたり約2,000インプレッションが必要とされる。週1,000インプレッションに届かないチャンネルでは、テストが14日走っても「判定不能」で終わる。
運用支援を最も必要としているのは伸びていないチャンネルである。ところが実験による自動最適化が機能するのは、既にインプレッションが出ているチャンネルだけだ。AIによる自動化が効く相手と、コンサルを必要としている相手が、逆を向いている。この非対称を無視した「AI搭載のYouTubeコンサル」は、最も助けを必要とする層に対して何も返せない。
視点の転換 汎化するのは勝ち筋ではなく、負け筋
「細かく分けたものをどこまで一般化できるか」という問いは、暗黙に「勝ちパターンを抽出する」ことを想定している。ここまでの材料は、その想定を支持しない。予測できているのは相対エンゲージメント、つまり見始めた人が離脱せずに見続けるかだった。これは加点の指標ではなく減点の指標である。
実際、外す理由は共通している。冒頭で何の話か分からない、タイトルと中身が食い違う、間延びする、誰に向けた動画か定まっていない。これらはジャンルを越えて同じ形で現れるので、少ないサンプルでも一般化できる。一方、当たる理由は個別性が高い。演者の資質、その時期のジャンルの空き、たまたま噛み合った文脈が絡む。
そう考えると、自動化して価値が出るのは処方ではなく診断のほうになる。「こうすれば伸びる」を自動生成するより、「この動画は何を外しているか」を毎本きちんと指摘するほうが、技術的な裏付けがあり、しかもコンサルタントが手作業でやるには本数が多すぎて回らない工程でもある。
この経路は、今回の調査では実証できていない。維持率と再生数の因果を示す公開データが見当たらなかった。言えるのは2つまでである。ひとつは、YouTubeのランキングシステムが満足度系の指標を明示的に予測対象に含んでいること。もうひとつは、国内の運用代行事業者が挙げる典型的な失敗が「チャンネルは伸びたのに問い合わせが増えない」であり、再生数と事業成果のあいだにも同じ断絶があることだ。維持率→再生数→売上という鎖は、どの継ぎ目も自明ではない。自動化の対象を決める前に、依頼者が本当に買っているのはどの指標なのかを確定させないと、精度の高い無意味な最適化になる。
09成立条件 反実仮想を自前で作れる事業者の5要件
ここまでの制約を裏返すと、成立条件が出てくる。以下は特定の事業者を想定した提案ではなく、調査から導かれる一般的な必要条件である。
A. 自社または専属で、同一ジャンルの複数チャンネルを同時に運用している
壁1（反実仮想の不在）を自力で解くには、これしか手が思いつかない。同じ企画を別の形で複数チャンネルに出せば、比較対象を自分で作れる。満たさないと、外部データの相関分析しかできず、既存ツールとの差が出ない。
B. Analytics APIの権限を預かる契約形態になっている
CTR・維持率・流入経路は所有者にしか開示されない。ここを見ずに改善は組めない。満たさないと、再生数といいねだけを見て助言することになる。
C. 演者の供給側を持っている（抱えている、または継続的に確保できる）
①コンセプト設計と⑦演者マネジメントが自動化できない以上、そこは自前の資産にするしかない。演者を複数試せることが条件Aの前提でもある。満たさないと、最も成否を分ける工程が毎回クライアント任せになる。
D. 課金対象が「予測」ではなく「回した実験の数」または「成果」になっている
予測精度は構造的に頭打ちなので、売り物にすると期待を裏切りやすい。実験の回数なら約束できる。満たさないと、当たらないモデルの精度を巡って揉める。
E. 対象ジャンルを絞っている
細分ジャンルのサンプル不足は階層モデルで緩和できるが、そのためには「隣接ジャンル」の事例を自前で持つ必要がある。満たさないと、全ジャンル対応をうたって、どのジャンルでも一般論しか出せなくなる。
演者を抱え、同一ジャンルで複数チャンネルを自社運用し、Analytics権限を持ったうえで、実験の回転数を売る事業者であれば、YouTube運用支援の自動化は事業として成立しうる。逆に、他社チャンネルを外から分析して助言を売るモデルは、扱えるデータが外形指標に限られ、公式の無料機能と正面からぶつかる。ここにAIを載せても、境界線は動かない。
5条件を満たした先にある、コンサルからの業態転換
条件A〜Eを全部満たす事業者は、もはやコンサルティング会社ではない。自社で演者を抱え、自社チャンネルを複数運用し、そこで得た実験結果を資産にしている。それは制作会社かメディア企業の形である。
これは結論の言い換えでもある。YouTubeコンサルの自動化を突き詰めると、コンサルという業態からはみ出す。助言を売るモデルは、扱えるデータが外形指標に限られるという一点で、自動化の天井が最初から決まっている。天井を上げる方法は技術ではなく、立場を変えることしかない。前章でNetflixとMetaを見たときと、同じ話が繰り返されている。自動化の限界は、モデルの性能ではなく、配信と供給をどれだけ自分で握っているかで決まる。
本数を増やす方向の自動化にかかる制約 2025年7月の収益化ポリシー改定
2025年7月15日、YouTubeは収益化ポリシーの「反復コンテンツ」を「本物でないコンテンツ（inauthentic content）」に改称し、大量生産・反復的で独自の洞察を欠く動画は収益化の対象外であることを明確化した。定型のナレーションを載せたスライド動画や、同じ型を繰り返すだけのチャンネルが名指しされている。自動化を突き詰めた出口が、そのまま収益化停止の要件と重なっている。自動化の目的を本数ではなく判断の質に置いておかないと、規約側で止められる。
10本調査の限界と、次に深掘りすべき論点
- 予測精度の数値は横並び比較できない。 並べた R²=0.77、順位相関0.696、正答率87%は、データセットも予測対象もタスク定義も異なる。「どの手法が優れているか」の比較には使えない。読み取れるのは「何を対象にすると当たり、何を対象にすると当たらないか」という傾向までである。
- 日本語ファネルの推計は独立性を仮定した概算である。 言語比率・再生数分布・カテゴリ比率・年次分布を掛け合わせているが、これらは実際には相関する。桁の感覚を示すための試算であり、実数として引用できるものではない。
- 母集団データは2022年後半時点である。 Dialing for Videos の標本収集はこの時期で、以降のShortsの拡大は反映されていない。動画の長さの分布は特に変化している可能性がある。
- コンサル会社の内部歩留まりは取得できていない。 成功率、継続率、どの工程に工数が偏っているかは公開されていない。工程分解は公開サービス内容からの再構成である。
- 非定常性の速さは代理指標で語っている。 ミームの平均寿命4.0か月、YouTube投稿の半減期8.83日は、いずれも「手法の陳腐化」そのものの測定ではない。この点はこの調査の弱いところで、実際にどの速さでモデルが劣化するかは、自前で計測しないと分からない。
- ベンダー公表値を一部含む。 Spotter Studio の「初週再生49%増」、Meta Advantage+ の「ROAS平均22%改善」は、いずれも提供元の発表であり、対照群の設計は公開されていない。
- 「維持率を上げれば再生数が増え、売上が増える」という鎖は検証していない。 この経路を示す公開データは見つけられなかった。「予測できる」としている指標が、求める成果に直結する保証はない。
- A/Bテストの必要インプレッション数は業界共有の目安であり、一次資料ではない。 変量あたり1,000〜2,000という数値は運用ツール各社の解説に基づく。実際に必要な標本数は、そのチャンネルのCTRの水準と検出したい差の大きさで変わる。
次に深掘りすべき論点
- 劣化速度の実測。 特定ジャンルで過去24か月分のデータを集め、6か月前のモデルが今どれだけ当たらなくなるかを測る。非定常性を「感覚」から「数字」に変えられれば、再学習の頻度も、知見の賞味期限も設計値として決められる。
- 診断の自動化の検証。 「外している理由」の指摘が、人間のコンサルタントの指摘とどれだけ一致するか。「一般化するのは負け筋」という仮説は、今回は理屈と間接証拠までしか詰められていない。
- 階層モデルでの引き戻し係数の推定。 「細分ジャンルの知見はどこまで一般化できるか」を、実データで数値として出す。ジャンル固有の要素と共通の要素を切り分けられれば、その分だけ必要サンプル数が下がる。
出典参照した情報源
本調査で数値を引いた情報源の一覧。査読論文と一次ドキュメントを優先し、ベンダー公表値はその旨を明記している。
学術論文
- Ryan McGrady, Kevin Zheng, Rebecca Curran, Jason Baumgartner, Ethan Zuckerman, "Dialing for Videos: A Random Sample of YouTube," Journal of Quantitative Description: Digital Media 3 (2023), 1–85. journalqd.org
- Siqi Wu, Marian-Andrei Rizoiu, Lexing Xie, "Beyond Views: Measuring and Predicting Engagement in Online Videos," ICWSM 2018. arXiv:1709.02541
- "Delving Deep into Engagement Prediction of Short Videos"（SnapUGCデータセット）, arXiv:2410.00289 (2024)
- Zhe Zhao et al., "Recommending What Video to Watch Next: A Multitask Ranking System," RecSys 2019. doi.org/10.1145/3298689.3346997
- "Predicting Popularity of Video Streaming Services with Representation Learning: A Survey and a Real-World Case Study," Sensors 21(21):7328 (2021)
- Netflix Technology Blog, "Artwork Personalization at Netflix"（RecSys 2018 併載）
- "Multimodal Analysis and Prediction of Persuasiveness in Online Social Multimedia," ACM TiiS (2016) ほか説得力推定の一連の研究
- "Bias and Debias in Recommender System: A Survey and Future Directions," arXiv:2010.03240 / "Feedback Loop and Bias Amplification in Recommender Systems," CIKM 2020
- "Modelling Concept Drift in Dynamic Data Streams for Recommender Systems," ACM Transactions on Recommender Systems (2025)
公式ドキュメント・プラットフォーム発表
- YouTube Data API v3, "Determine quota cost"（Google for Developers、2026年8月時点）
- YouTube Analytics and Reporting APIs, "Metrics" / "Content Owner Reports"（Google for Developers）
- Google, "Made on YouTube 2025: New YouTube tools for creators"（2025年9月）
- YouTube ヘルプ「チャンネル収益化ポリシー」（2025年7月15日改定、inauthentic content）
- YouTube 利用規約「Permissions and Restrictions」（コンテンツのダウンロード・自動アクセスの制限）
- YouTube Data API, "Quota and Compliance Audits"（増枠申請と監査の手続き）
- Gemini Developer API pricing（Google AI for Developers、2026年8月時点）
市場・業界データ
- サイバーエージェント / デジタルインファクト「2025年国内動画広告の市場調査」（2026年3月発表）
- エビリー「kamui tracker」公開情報（蓄積動画数、機能）
- Spotter Studio 発表（2024年9月、Businesswire / Forbes）
- 1of10、vidIQ、TubeBuddy の公開機能説明
- 国内YouTube運用代行・コンサル各社の公開料金表および失敗事例の解説記事（複数社、2026年時点）
- Scott M. Graffius, "Lifespan (Half-Life) of Social Media Posts: Update for 2026"（560万投稿の分析）
本調査は公開情報のみに基づいており、特定の事業者の内部データは使用していない。数値の時点と定義は各章に明記した。
どの工程をAIに任せ、どこを人が握るか。その切り分けを一緒にやります。 データローの本業は、データ活用のコンサルティングと、AIを組み込んだ業務設計・開発です。ご相談はお問い合わせから。