「SNSの投稿を毎日何本も作って投稿しているのに、何がウケて何が滑ったのかが分からない」。
「振り返りが『なんとなくこれが良かった気がする』という主観的な感想で終わり、勝ちパターンが定着しない」。
個人開発や複業、1人法人でSNS発信を回す際、投稿制作と同じくらい時間と頭のリソースを奪われるのが「反響分析と改善」です。
前回の第2回（Claude CodeでSNS投稿を量産する：型と設定を分けたエージェント指示書の作り方）では、制作エージェント（post-generate）を立ち上げ、XとThreadsで毎日合計10本の投稿をすきま時間で回す量産体制を作りました。
しかし、投稿数を出すだけでは不十分です。継続的にエンゲージメントを高め、読者の役に立つ発信を続けるには、「どの型が伸び、どの表現が避けられるべきか」を客観的なデータから抽出し、制作エージェントへフィードバックする仕組みが不可欠です。
そこで今回、反響分析を担当するAIエージェント（post-analyze）を構築し、社内体制に組み込みました。
先に結論から言うと、客観的な数値集計と共通点の抽出、過去の失敗パターンの除外はAIに任せられるようになりました。ただし、抽出された複数の型から「次週どの施策を採るか」という最終判断と責任は人間に残りました。
長期連載「1人法人1000馬力化計画」の第3回として、分析エージェントの設計思想と、AIに任せた仕事・人に残った判断のリアルな境界を記録します。
この記事の結論（先に3点）
- 分析観点と計算式を固定して「感覚論」を排除: エンゲージメント率の算出式、上位・下位の分類基準、分析する観点の優先順位を設定ファイルに固定し、毎回ブレない機械的抽出を実現。
- 「棄却パターン」を記憶させて同じ失敗の再発を防止: 過去に試して効果がなかった表現・構成をエージェントに記憶させ、反省の形骸化や「数週間後に同じ失敗を繰り返すループ」を遮断。
- 分析と集計はAI、施策選定は人間: データ不足の判定や型の抽出はAIが担当するが、「どの型を次週の注力施策にするか」「例外的なバズを普遍的な型として採用するか」の意思決定は社長（人間）の仕事として固定。
適合する読者と限定事項
-
この記事が役に立つ人:
- SNSやブログの発信をAIで効率化・自動化したいエンジニアや個人事業主
- 日々の投稿振り返りが感覚論になりがちで、勝ちパターンを体系化できていない人
- Claude CodeなどのLLMエージェントを自社の実務フローに組み込みたい人
-
限定事項:
- フォロワー増加を保証するマーケティング理論ではなく、自社の実務で「分析の手間を削減し、改善の再現性を高めるためのエージェント設計記録」です。
課題：感覚で振り返ると、勝ち型が消え、失敗を繰り返す
私の会社（Nogawa L.prince合同会社）では、X（エンジニアリング・複業・FIRE・法人の4柱）とThreads（育児軸特化）の2つの媒体で、毎日合計10本の投稿を運用しています。
制作エージェントの導入によって投稿文の作成時間は劇的に減りましたが、運用を続ける中で「振り返り（分析）」において次の3つの深刻な課題に直面しました。
1. 「なんとなくウケた」で終わり、勝ちパターンが言語化されない
表示回数やいいね数が多い投稿が出ると、人間はどうしても「このネタはウケたな」と満足して終わってしまいます。
しかし、「なぜ伸びたのか」を要素分解（冒頭1行目のフックか、具体的な金額・時間の数字か、Before/Afterの落差か、投稿時間帯か）しなければ、次の投稿で再現することはできません。
2. 分析の切り口が毎回変わり、定点観測が崩れる
人間が手動で振り返ると、ある週は「文字数の多さ」に注目し、別の週は「感情の吐露」に注目するなど、その場の気分で分析軸が変わってしまいます。軸が定まらないため、長期的な推移や改善の因果関係が追えなくなっていました。
3. 過去に失敗したパターンを忘れ、数週間後に再提案してしまう
「結論を冒頭に出さず前置きが長い投稿」や「本文単体で価値が完結せず外部リンクへ丸投げした投稿」は、過去の検証で明確にエンゲージメントが落ちることが分かっていました。
しかし、人間の記憶は曖昧なため、数週間経つと「このテーマならこういう書き方もいいかも」と、過去に失敗したはずの構成を再び採用してしまう事故が頻発しました。
これらを解決するために、分析手順を型化し、自律的に動く分析エージェントを設計しました。
解決策：型・設定・自社実績の3層構造（agents/post-analyze）
制作エージェント（post-generate）と同様に、分析エージェントも「判断の手順（型）」と「媒体ごとの制約（設定）」を明確に切り離す3層構造で設計しました。
agents/post-analyze/
AGENT.md 型。何をするエージェントか、判断の手順。媒体に依存しない普遍的な分析プロセス
config.schema.md 設定項目。計算式、閾値、固定観点、棄却パターンなど
examples/
sukima-keiei.md 自社での設定例＝実績の証拠（X版・Threads版の実際の設定値）
社内での担当社員（エージェント）は以下の2名です。
- 012「ヨミ」: X事業部・反響分析担当
- 003「ノビ」: Threads事業部・反響分析担当
2名とも全く同じ手順（AGENT.md）を実行しますが、読み込む設定（config）が異なるため、媒体ごとの特性に応じた分析結果をブレずに出力できます。
分析エージェントが実行する5つの手順
-
データ有効性の事前チェック:
- 最小サンプル数（自社では直近5件以上）と最小経過日数（公開後72時間以上）を満たしているか確認。
- 満たしていない場合は、ノイズによる誤認を防ぐため「データ不足」として分析を即座に見送る。
-
評価指標の算出とセグメンテーション:
- 設定された計算式に従い、各投稿のエンゲージメント率を算出。
- 上位33%（高反応群）と下位33%（低反応群）に機械的に分類。
-
固定観点による共通点の抽出:
- 勝手に切り口を変えず、設定された固定順序（低反応の共通点 → 高反応の文章構造 → 高反応の構成パターン → 時間帯・柱の偏り）で共通項を抽出。
-
棄却済みパターンとの照合:
- 抽出された改善案が、過去に失敗認定された「棄却パターン」と一致しないか照合。一致した場合は再提案から除外。
-
施策反映の閾値確認と出力:
- 1件だけの突発的なバズを普遍的な型として扱わないよう、「3件以上の投稿に共通しているか」を確認して出力。
【構造化比較】人間の感覚による振り返り vs AIエージェントの固定観点分析
人間の感覚で行っていた従来の振り返りと、AIエージェントによる固定観点分析の違いを一覧表にまとめました。
| 比較項目 | 人間の感覚による振り返り | AIエージェント（post-analyze） |
|---|---|---|
| 分析の着眼点 | その週に目についた投稿、印象に残った反応 | 設定された固定観点（下位共通点 → 上位構造 → 構成型 → 時間帯） |
| 評価基準 | 「いいねが多い」「反応が良い気がする」 | エンゲージメント算出式（自己返信除外）と客観的パーセンタイル |
| データ信頼性 | 投稿直後（数時間）の初速で一喜一憂 | 公開後72時間以上経過＋5件以上の最小サンプル数を厳守 |
| 過去の失敗 | 数週間で忘れ、同じ失敗を再発させる |
rejected_patterns（棄却済み台帳）と毎回自動照合しブロック |
| 出力成果物 | 「来週はもっと有益なことを書こう」という曖昧な感想 | 制作エージェント（post-generate）にそのまま渡せる「型の定義」 |
| 社長の作業時間 | スプレッドシートを眺めて悩む30分 | 出力されたレポートを確認して施策を選ぶ5分 |
自社運用のリアル：機械判定を狂わせないための3つの厳格ルール
実際にエージェントを動かす中で、机上の設計通りにはいかず、チューニングが必要になった3つの泥臭い実務ルールがあります。
1. 自己返信（リプライ）の除外計算
Xでは、メイン投稿（280文字以内）で結論を書き、リプライ欄に詳細な内訳や補足URLをぶら下げる「スレッド運用」を行っています。
このとき、XのAPIやスプレッドシート上の「返信数（replies）」には、自分自身がぶら下げた補足ポスト（1件）が含まれてしまいます。
これをそのまま計算式 (likes + replies + reposts) / views に入れてしまうと、返信ゼロの投稿でもリプライ数が1とカウントされ、表示回数が少ない投稿ほどエンゲージメント率が異常に高く算出されてしまいます。
そのため、設定の計算式に以下のように補正ルールを組み込みました。
engagement_formula: |
基準式: (likes + replies + reposts) / views
参考率（自己返信除外）: (likes + max(0, replies - 1) + reposts) / views
こうしたプラットフォーム固有の仕様によるノイズを事前に取り除いておくことが、AIに正しい判断をさせるための前提条件です。
2. 「72時間・5件」の防壁——初速で判断しない
SNSの投稿は、アルゴリズムの推薦によって投稿翌日や2日後に突然伸びることがあります。投稿から24時間未満のデータで分析を回すと、まだ伸び切っていない投稿を「低反応」と誤認してしまいます。
自社では、**「公開後72時間以上経過した投稿のみを対象とする」「同一テーマで5件以上のデータが溜まるまでは分析を見送る」**というルールをエージェントに厳格に守らせています。データが足りない時は「分析できませんでした」と返ってくることこそが、正常な動作です。
3. 「棄却パターン」を記憶させて同じ失敗のループを断つ
分析エージェントの最も価値ある役割は、「過去の失敗を覚えていること」です。
例えば、自社では過去に以下のようなパターンを試して失敗し、棄却しています。
-
abstract_conclusion: 冒頭に「〜することが大切です」と抽象的な教訓を置く構成（具体性がなくスルーされる） -
external_link_primary: 本文単体で結論を言わず「詳細はブログで」とリンクを踏ませようとする構成（クリックされない） -
no_context_metrics: 背景や前提条件を書かずに「売上○○万円」と数字だけを自慢する構成（共感が得られない）
これらを rejected_patterns として設定ファイルに明記しておくと、エージェントは「今回伸びなかった投稿は abstract_conclusion に該当します。このパターンは既に棄却済みのため、今後の制作候補から除外します」と自動判定してくれます。反省をナレッジとして組織に定着させる仕組みです。
任せられたこと、人に残ったこと
分析エージェントを導入したことで、社長（私）の仕事はどう変わったのか。明確な境界線が引かれました。
AIに任せられたこと（手放した作業）
- スプレッドシートからの数値集計とエンゲージメント率の自動算出
- 72時間経過や最小サンプル数に基づくデータの有効性チェック
- 上位投稿と下位投稿の文章構造（文字数、具体数値、問いかけの有無）の機械的比較
- 次の制作に使える「勝ちパターン（型）」の骨子言語化
- 過去の棄却パターンとの照合による再発防止
人間に残ったこと（手放してはいけない判断）
-
次週の注力施策の意思決定:
- エージェントは「型A（落差型）と型B（手順解説型）が伸びています」と候補を出してくれますが、「来週は新機能の告知があるから型Bを多めに配分しよう」という全体戦略の決定は人間が行います。
-
突発的バズや外部要因の文脈見極め:
- インフルエンサーの気まぐれなリポストや、時事ニュースの波に乗って一時的に数字が跳ねた投稿を、エージェントが「普遍的な勝ち型」と誤認することがあります。この文脈を読み解き、「これは例外だから型としては採用しない」と棄却するのは人間の役割です。
-
ブランドの理念・守秘義務の最終防衛:
- いくらエンゲージメントが高くても、読者を過度に煽る表現や、クライアントの秘密・家族のプライバシーに踏み込む内容は許可できません。発信の品位を守るゲートキーパーは常に人間です。
まとめ
- 反響分析を感覚論からデータ駆動へ: 評価式と分析観点を設定に固定することで、属人的な好悪を排した再現性のある振り返りが可能になった。
- 失敗を資産化する「棄却パターン」: 過去に滑った型をエージェントに記憶させ、反省の形骸化や同じ失敗のループを機械的にブロックした。
- データ不足を許容する勇気: 72時間ルールと最小サンプル数の防壁を置き、ノイズによる誤判断を構造的に遮断した。
- 分析はAI、決定は人間: 集計や型の抽出という「作業」をAIに任せることで、社長は「次の1週間の戦略を決める」という本質的な意思決定だけに集中できるようになった。
次回は、制作エージェントと分析エージェントをつなぎ、公開前の品質検査を自動化する「採点・品質検査エージェント（quality-check）」の設計と実務記録を公開する予定です。