HubSpot の AI 戦略「Breeze」は、2025〜2026 年にかけて Marketing Hub 全体に深く統合された。コンテンツ生成・リード予測・カスタマーエージェント・Copilot アシスタントまで——AI を「便利なおまけ」として使うのではなく、マーケティング業務の設計に組み込むことで、チームの生産性は劇的に変わる。Breeze の全体像と各機能の使いこなし方を体系的に解説する。
HubSpot は 2024年の INBOUND カンファレンスで Breeze を発表し、それまで分散していた AI 機能を「Breeze」ブランドに統一した。2026年1月には基盤モデルが GPT-5 に移行し、コンテンツ生成精度・文脈理解能力・多言語対応が大幅に向上している。
Breeze のアーキテクチャは3層で構成される。最上位層の「Agents（エージェント）」が特定業務を自律実行し、中間層の「Copilot（コパイロット）」が日常的な操作アシスタントとして機能し、基盤層の「Intelligence（インテリジェンス）」がデータ強化・予測分析を担う。
2026年1月の GPT-5 移行により、Breeze 全体で以下の改善が確認されている。①日本語コンテンツ生成の精度向上（自然な日本語表現・敬語レベルの適切な調整）、②長文コンテキストの保持能力向上（長いブログ記事やホワイトペーパーの一貫した生成が可能に）、③推論能力の向上（「この Segment に対してどの施策が最適か」といった複雑な判断の精度向上）。ただし生成コストが増加しているため、利用量に応じた従量課金への移行が一部機能で始まっている点に注意が必要だ。
Breeze Agents は「人間がやっていた定型〜半定型の業務を、AI が自律的に実行する」機能群だ。ただし完全自動ではなく、エージェントが作業を実行して人間が承認・修正する「Human-in-the-Loop」設計が基本となっている（10-6 で詳述）。
Content Agent の真価は「1記事生成」ではなく「コンテンツピラーに基づく複数記事の一括生成」にある。例えば「HubSpot MA 入門」というピラーページに対して、関連するクラスター記事10本のアウトライン生成 → 各記事の本文生成 → メタデータ付与 → SNS 投稿生成というパイプラインを一度設定すれば、コンテンツ量産が劇的に効率化される。2章で解説した SEO トピッククラスター戦略と組み合わせることで最大の効果を発揮する。
Breeze Copilot は HubSpot のすべての画面右側に常駐する AI アシスタントだ。「〇〇して」「〇〇を調べて」「〇〇のレポートを作って」と自然言語で話しかけるだけで、HubSpot 内の操作を代わりに実行してくれる。使い込むほど「HubSpot の使い方を知らなくていい」環境に近づく——これが Copilot の本質だ。
①ターゲット・目的・条件を具体的に伝える——「メールを書いて」より「製造業の購買担当者向けに、MA 導入コストへの懸念を払拭する件名と本文を書いて」の方が良い結果が出る。②「なぜ」を伝える——背景情報を加えるだけで生成物の質が上がる。③繰り返しで磨く——最初の生成物に「もっと短く」「もっとカジュアルに」「事例を加えて」と追加指示してブラッシュアップする。
Breeze Intelligence は Breeze の「データ基盤層」だ。外部データベース（旧 Clearbit のデータソース）と AI 予測モデルを組み合わせ、CRM データの自動補完・購買意向の検知・成約確率の予測という3つの価値を提供する。上位層のエージェントや Copilot の「判断の精度」はすべてこのデータ品質に依存している。
| ルールベーススコアリング | Predictive Lead Scoring | |
|---|---|---|
| 仕組み | 人間が決めたルール（「料金ページ訪問 = +15点」等）に従ってスコアを加減算 | 過去の成約・失注データから AI がパターンを自動学習してスコアを算出 |
| 設定コスト | 営業・マーケが合意してルールを設計・調整する必要がある | 設定ほぼ不要。データが蓄積されれば自動で精度が上がる |
| 透明性 | ◎ なぜそのスコアになったか説明できる | △ ブラックボックス的。なぜそのスコアかは説明しにくい |
| 精度 | △ 設計者の仮説に依存。見落としがある | ◎ データが豊富なほど人間の仮説を超える精度を発揮 |
| 推奨する使い方 | 新規導入時・データが少ない時期・営業との合意形成ツールとして | 成約データが蓄積されてきた後（50〜100件以上の成約実績）から併用 |
Breeze の機能をすべて一度に導入しようとすると失敗する。AI 活用には成熟度のステージがある。自社が今どのフェーズにいるかを正確に把握し、次のステージへの移行を段階的に進めることが重要だ。
「AI に全部やってもらいたい」という期待から、データ基盤も整っていないうちに Journey Automation や Customer Agent を本番導入してしまうケースが増えている。AI の精度はデータ品質と学習量に比例する。ステージ1→2でデータを整え、ステージ3で AI の精度を検証してから、ステージ4に進むことが結果的に最速の道だ。
| ステージ | 重点 KPI | 「次のステージへ進む」目安 |
|---|---|---|
| 1：アシスト | コンテンツ制作工数の削減率・生成コンテンツの品質スコア | 主要ワークフロー（MQL 昇格・ナーチャリング）が稼働し、3ヶ月のデータが蓄積された |
| 2：自動化 | ワークフロー稼働数・自動配信メールの開封率・MQL 昇格リードタイム短縮 | 成約データが 50 件以上蓄積され、チャネル別アトリビューションが安定して計測できる |
| 3：最適化 | Predictive Score 上位リードの受注率・AI メールの CTOR 改善率 | AI の予測精度が人間のルールベーススコアリングを上回り始めた |
| 4：自律化 | マーケター一人当たりの管理 MQL 数・AI 起因の受注収益比率 | AI による施策提案の採用率が 60% 以上になった |
Breeze の各機能は「AI が自律実行 → 人間が承認・修正」という Human-in-the-Loop（HITL） の設計思想を基本としている。「AI に任せる」と「人間がコントロールする」のバランスを正しく設計することが、AI 活用で成果を出す最後の鍵だ。
定型・反復作業（データ補完・スコア計算・投稿スケジューリング）、大量データの処理・パターン発見、下書き生成・初稿作成、最適時刻・配分の計算。スピードと量が必要な作業。
ブランドの価値観・倫理的判断、戦略の方向性決定、顧客との感情的な関係構築、法的リスクのある表現の最終確認、「なぜその施策を行うか」というビジョンの設定。
AI 生成コンテンツは「即公開」より「下書き保存 → 人間レビュー → 承認後公開」フローを設ける。特に法律・医療・財務関連のコンテンツ、経営層向けレポート、危機対応コミュニケーションには必須。
Predictive Scoring の予測精度・AI メールの CTOR・Customer Agent の回答正確率を月次でモニタリングする。精度が下がっていたら学習データの見直し・ルールの再設定を行う。AI は「設定して終わり」ではない。
Agents（自律実行）→ Copilot（対話アシスタント）→ Intelligence（データ基盤）。3層が連動して機能する。基盤層のデータ品質が上位層の精度を決める。
1記事の生成より、SEO トピッククラスターに基づく複数記事の一括生成パイプラインの構築に使うことで最大の生産性向上が得られる。
ターゲット・目的・条件・背景を詳細に伝える。最初の生成物に追加指示を重ねてブラッシュアップするのが最も効率的な使い方。
AI 予測スコアリングは学習データが必要。それ以前はルールベーススコアリングで運用し、データが蓄積されたら Predictive Scoring を並行導入する。
アシスト→自動化→最適化→自律化の4段階を順番に上がる。データ基盤を整えずにステージ4へ急ぐと精度が出ず失敗する。
AI 生成はすべて「下書き → 人間レビュー → 承認」フローを経る。AI に任せる作業と人間が担う判断を明確に分けることが長期的な品質維持の鍵。