構築と購入：実際に機能するエンタープライズエージェントAI戦略

TL;DR： エンタープライズAIにおける構築か購入かという議論は、実際にはどちらか一方を選ぶものではありません。成功している企業は、構築に10年かかるようなインフラストラクチャ（検証済みのブランドデータ、競合インテリジェンス、出版社からの直接配信）を購入し、その上に差別化されたエージェントワークフローを構築しています。そして、Yext MCPを通じて任意のLLMを接続しています。

---

AI時代において、ほとんどのマーケティングリーダーには2つの大きな疑問があります。

1つ目は、「 自社ブランドは AI検索でどのように表示されているのか」です。これは、CEOや取締役会から問われる疑問だからです。次に生じる疑問は、「 それに対して 何ができる のか 」です。

多くのチームが行き詰まるのはまさにここです。その理由の1つは、次に何をするかを、自分たちでテクノロジーソリューションを構築する か 、それともプラットフォームを購入するかという二者択一で捉えてしまうためです。

しかし、「構築か購入か」という考え方は、制御性と能力のどちらかを選ばなければならないという誤ったトレードオフを生み出します。その結果、マーケティング部門とIT部門は、共に何かを構築するのではなく、同じ予算を巡って対立することになります。そして、AIによってマーケティングの世界とソフトウェアの状況の両方が変化した今、解決策はもはやどちらか一方を選ぶことではありません。代わりに重要なのは、 どのレイヤーを購入し 、 その上に何を構築するか を選ぶことです。

注目すべき点は、「何を構築するか」という考え方でさえ、以前とは異なっていることです。ごく最近まで、モデルコンテキストプロトコル（MCP）がなければ実現できなかった方法で、ツールセットを組み合わせられるようになりました。

構築だけのアプローチがデータレイヤーで行き詰まる理由

まずは全体像から見ていきましょう。

現在、多くのマーケターが利用しているツールは、人間がワークフローのあらゆる段階を管理する世界を前提として構築されています。つまり、問題を特定し、戦略を選択し、結果を測定し、それを繰り返すという流れです。

しかし、その同じモデルに基づいて構築された社内AIプロジェクトも、多くの場合、データレイヤーで同じ問題に直面します。

組織が適切なデータ基盤なしにAIエージェントを導入しようとすると、ブランドの信頼性は容易に損なわれます。AIエージェントは、ばらばらの情報源や検証されていないWebデータを基に推論し、行動するため、誤りを犯してしまいます。しかし、それを 適切に 実現するために必要なインフラストラクチャ、つまり検証済みのブランドデータを大規模に統合し、AIモデル全体に競合インテリジェンスを提供し、出版社との直接的な関係を構築するには、10年を要します。1回の予算サイクルで実現できるものではありません。

つまり、適切なインフラストラクチャを独自に構築するには、ほとんどのブランドにとって時間もコストもかかりすぎます。だからといって、手を抜くという選択肢もありません。AIが顧客とやり取りし、リスクのある検証されていないデータに基づいて行動することを許容するのでなければ、なおさらです。

購入だけのアプローチではAIへの投資が活かされない理由

とはいえ、ブランドにとって「購入だけ」という落とし穴も、同じように現実の問題です。

Gartnerの調査では、その重要な問題の1つとして、エージェントウォッシングが挙げられています。Gartnerは、市場に存在する数千ものエージェントAIベンダーのうち、「本物」と言えるのは約130社にすぎず、残りは従来から存在する同じダッシュボードや自動化ツールに「AI」というラベルを貼っているだけだと推定しています。このように、基盤となるアーキテクチャを変えずに既存の自動化をエージェントとして再分類する動きは、購入に対する懐疑的な見方をもっともなものにしています。

しかし、 正当な エージェントマーケティングプラットフォームであっても、見えにくいコストが発生することがあります。結局のところ、チームは別のツールにログインし、そこからデータを取得して、利用している他のすべてのシステムへ手作業で持ち込まなければならなくなります。1つの疑問に答えるためにダッシュボードを開くと、それでは答えられない疑問がさらに3つ出てきます。一方で、ClaudeやChatGPTなど、社内ですでに導入しているLLMは、そのデータを 見る ことができません。そのデータは、導入したプラットフォームの中に閉じ込められているのです。

これこそが、構築か購入かという議論の根底にある本当の問いです。ダッシュボードが分析を提供し、LLMが推奨事項を示してチームと対話するのであれば、そのソフトウェアと、それを支えるデータはどのようなものであるべきなのでしょうか。

重要なのは、別のダッシュボードを購入することではありません。 重要なのは、エージェントとLLMの両方が実際にやり取りできる適切なデータレイヤーを構築することです。

構築と購入：LLMをYextのデータレイヤーに接続するアーキテクチャ

「構築か購入か」という議論に対する答えは、その両方です。構築に10年を要したインフラストラクチャは 購入 し、その上に独自のワークフローを 構築 します。

インフラストラクチャを購入します。例えば、ScoutはYextのデータ基盤です。100億件の競合シグナル、追跡対象となる1,200万の場所、ChatGPT、Gemini、Perplexity、Claude全体で監視される150項目の可視性指標、さらに検証済みのKnowledge Graphと、仲介事業者を介さずに200社を超える出版社へ直接配信する仕組みを備えています。

その後、MCPを介してワークフローを構築します。MCP（Model Context Protocol）は、LLMがさまざまなデータソースに直接接続できるようにするオープンスタンダードです。これにより、コピーや貼り付け、ツール間の切り替えを繰り返すことなく、統合されたデータからリアルタイムでインサイトを得られます。また、社内で導入したClaudeなど、自社専用のLLMインスタンスを、社内外のさまざまなデータセットに容易に接続できるようになります。その組み合わせにより、発見や対応に何年もかかっていたかもしれない機会を見つけ出し、行動に移せるようになります。

そのため私たちはYext MCPをリリースしました：Claude、ChatGPT、Geminiなど任意のLLMを、CRM、デモグラフィックデータ、POSシグナル、地域に特化した競合インテリジェンス、その他あらゆるデータソースに直接接続し、それらすべてに対して1つのモデルライクなクエリでアクセスできるようにします。

MCPがなければ、このような質問に答えるには、データを手作業で収集するか、各データソースごとにカスタムインテグレーションを構築するためにエンジニアリングチームを待たなければなりません。Yext MCPを使えば、マーケット担当者は自分が使っているClaudeやChatGPTを開き、「AI検索において、[この場所]で[競合他社]に負けている点はどこか。また、最初に何を改善すべきか」と質問できます。すると、追加のパイプラインを構築することなく、モデルが自動的に回答します。リアルタイムでScoutの競合データと最新の引用状況を照会します。その後、推奨されるアクションをアクションセンターに直接渡し、各地域のチームが実行できるようにします。違いは、より優れたプロンプトを備えたチャットボットではないということです。検証済みのデータに常時接続されたLLMであることです。

これこそが、Yextを真のエンタープライズエージェントマーケティングプラットフォームたらしめているものです：お客様のモデル、私たちのデータ、お客様のワークフローを組み合わせます。これにより、独自のワークフローを「構築」することと、適切な基盤を「購入」すること、それぞれの長所を組み合わせ、必要な成果へより迅速に到達できます。

取締役会が実際に期待している変革への投資

ソフトウェアは、作業を行う場所から、作業がすでに完了しているバックグラウンドレイヤーへと進化しています。つまり、経営陣が本当に問うべきなのは、「構築か購入か」ではありません。持続可能なものを構築しているかどうかです。

構築 と 購入、その両方がその答えになります。構築に10年かかるようなインフラストラクチャを購入し、その上に、自社のデータ、自社のモデル、自社のガバナンスを備えた独自のワークフローを構築します。それこそが、取締役会に報告する価値のある変革への投資です。

Yext MCPをご利用いただくか、エージェントAIビジョンセッションのオンデマンド配信をご覧ください。