AIはフィードバックを使ってストーリーをどのようにパーソナライズするか

AIストーリーテリングシステムは、ユーザーの行動に基づいてリアルタイムで調整されるストーリーを生み出します。明示的フィードバック（ユーザーの選択など）と暗黙的フィードバック（読書時間やスキップされたセクションなど）を分析することで、これらのシステムは個々の好みに合わせた物語を作り上げます。このプロセスはフィードバックループ、すなわちユーザー入力の観察・解釈・行動・再観察に依存し、ストーリーを動的に洗練させていきます。

主なポイント：

• 明示的フィードバック：評価やシーンの選択など、ユーザーの直接的な行動。
• 暗黙的フィードバック：滞留時間やスキップされたコンテンツなど、行動パターン。
• 感情的フィードバック：トーンや雰囲気を調整するための感情分析。
• APIMart のようなツールは、複数のAIモデル（例：GPT-5、Claude）を統合し、テキスト・ビジュアル・音声を横断したシームレスなストーリーテリングを実現します。

たとえば、2026年2月のプロトタイプ Echoes of the Fallen は、フィードバックを使ってキャラクターの関係性やプロットラインを動的に変化させ、非常に魅力的な体験を生み出しました。エンゲージメントスコアや離脱率といった指標は成功を測定するのに役立ち、一方で倫理的なセーフガードが公平性とデータプライバシーを確保します。

AIストーリーテリングは開発時間を短縮し、ユーザーエンゲージメントを向上させ、オーディエンスを受動的な視聴者から自らの物語を形作る能動的な参加者へと変えていきます。

AIストーリーテリングにおけるフィードバックループの仕組み

AIフィードバックループとは？

AIストーリーテリングは、観察・解釈・行動・再観察という4ステップのフィードバックループに依存しています。その仕組みはこうです。システムはユーザーのインタラクションを追跡し、それを分析し、その結果に基づいて物語を調整し、その変化がストーリーにどのような影響を与えるかを観察します。この継続的なプロセスにより、セッションが進行するにつれてストーリーテリング体験が洗練されていきます。

これらのループには主に2種類のフィードバックがあります。リアルタイムフィードバックは、セッション中に即座の変化をもたらします。たとえば、敵対的な選択をすると、ノンプレイヤーキャラクター（NPC）が瞬時により防御的なトーンへと変化するかもしれません。一方、オフラインフィードバックは複数のセッションにわたってデータを収集します。これはその場でストーリーを変えるのではなく、時間をかけてAIモデルを改善し、将来のインタラクションでより良いストーリーテリングを実現します。

次に、これらのフィードバックループが依存するユーザー入力の種類を詳しく見ていきましょう。

ストーリーテリングで使われるフィードバックの種類

AIストーリーテリングシステムは、主に明示的と暗黙的という2つのカテゴリのフィードバックを扱います。

• 明示的フィードバックは、ユーザーからの直接的な入力を伴います。これには、ストーリーの分岐を選択すること、シーンを段階的に評価すること、コメントを残すこと、あるいはプロンプトを使って物語を導くことなどが含まれます。わかりやすく、システムにとって解釈しやすいものです。
• 暗黙的フィードバックはより微妙です。システムは、あるシーンにどれだけ留まるか（滞留時間）、対話をスキップするかどうか、重要な瞬間をどれくらいの頻度で見直すかといった行動的な手がかりを読み取ります。たとえば、戦闘シーンを一貫してスキップするなら、システムはあなたの好みに合わせてペーシングを調整するかもしれません。一部の高度なシステムは、テキストの感情や声のトーンを分析する感情的フィードバックを使って、あなたのエンゲージメントや感情状態を測ることさえあります。これにより、ストーリーはそのムードや雰囲気をそれに応じて適応させることができます。

フィードバックがパーソナライゼーションを推進する仕組み

フィードバックループは、単に出来事を微調整するだけではなく、ストーリーテリング体験全体を形作ります。たとえば、あなたがテンポの速いシーンを好むことにシステムが気づけば、それに合わせて物語のリズムを調整できます。同様に、あなたの対話が攻撃的なトーンを反映していれば、NPCは疑念や敵意をもって反応するかもしれません。キャラクターの表情や背景といったビジュアル要素でさえ、ストーリーの感情的なトーンを反映して変化させることができます。

その好例が、Vesper Labsの2026年2月のプロトタイプ Echoes of the Fallen です。このシステムでは、プレイヤーがゲームの序盤でキャラクターLioraを裏切ると、AIは即座に彼女の信頼パラメータを更新しました。この変化は彼女のその後の行動に影響を与え、彼女の不信感を反映したまったく異なるクエストラインを解放しました ^[5]。その結果は？厳格にあらかじめスクリプト化されているのではなく、流動的で反応的に感じられる物語でした。

「本当の魔法は、単にテキストを生成することではなく、ディテールを覚えていることにある。3シーン前に共有したジョークを思い出すキャラクターは、あなたの名前を忘れるキャラクターよりも、はるかにリアルに感じられる。」 - Dunia Team ^[8]

過去のインタラクションを記憶し取り込むこの能力こそが、AIストーリーテリングを従来の「自分で冒険を選ぶ」スタイルを超えた、深く没入感のあるパーソナライズされた体験へと引き上げるものです。

パーソナライズされたストーリーのためのフィードバックフレームワークの設計方法

パーソナライゼーションの目標を設定する

まず、ストーリーのどの部分をパーソナライズしたいかを決めることから始めましょう。これには、文体、ペーシング、特定のキャラクターへの焦点といった要素が含まれます。**キャラクターの一貫性（Character Consistency）やエンゲージメントスコア（Engagement Score）**といった測定可能なKPIを設定して、成功を追跡しましょう ^[1]。また、ユーザーの選択とシステムが生成する推論のバランスをどう取るかも考え、ストーリーが動的に調整されつつ自然に感じられるようにしましょう。実験のために、新しいストーリーパスをテストするためにインプレッションの5%〜15%を割り当てるとよいでしょう ^[6]。

目標が明確になったら、これらの適応を推進する具体的なフィードバックイベントを特定しましょう。

フィードバックイベントとデータ構造を定義する

重要なユーザー行動はすべてデータイベントをトリガーすべきです。このイベントは、選択ID（choice ID）、タイムスタンプ、ユーザー評価または感情、そして任意のコメントといった重要な情報を捕捉すべきです。さらに、スクロール深度、ページ滞在時間、スキップパターンといった行動シグナルは、ユーザーの意図に関する貴重な洞察を提供します。

連続性を維持するために、ストーリーには物語の状態を保存する中央リポジトリが必要です。JSONオブジェクトはこれに最適なツールであり、ストーリーの現在の段階、進行中のプロット上の対立、キャラクターの関係性、ユーザー履歴といった詳細を保存できます ^[7]。これは「信頼できる唯一の情報源（source of truth）」として機能し、各AIインタラクションでストーリーが進化しても一貫性を確保します。

これらの構造化されたデータポイントは、複数の種類のフィードバックをシステムに統合するための基盤を形成します。

マルチモーダルストーリーのためのフィードバックモダリティを選ぶ

テキスト、画像、音声と複数のフォーマットにまたがるストーリーでは、異なる種類のフィードバックを組み合わせることが極めて重要です。これには、明示的フィードバック（評価や選択など）、暗黙的シグナル（スキップ率やリプレイなど）、そして感情的フィードバック（感情分析や声のトーンなど）が含まれます。これらの入力を組み合わせることで、システムはストーリーをリアルタイムで適応させることができます ^[1][6]。

これを異なるAIモデルにわたって機能させるには、これらの入力を統合できるツールが必要です。たとえば、APIMartは、GPT-5、Claude、Kling V3 といった人気のモデルを含む500以上のAIモデルへのアクセスを、単一の統合ポイントを通じて提供します。これにより、複数のAPIを管理することなく、テキストの感情のようなフィードバックを、ビジュアルや音声の更新へと流し込むことができます。

「パーソナライズされたストーリーテリングは物語のエンゲージメントを再構築し、AI駆動のインタラクションを通じて感情的なつながりを深めるユニークな体験を育む。」 - Justin Willis 著者 ^[3]

最も重要な点は、スキップされたシーンであれ、コメントの感情であれ、直接的な評価であれ、すべての種類のフィードバックが同じ統合された物語の状態に流れ込むようにすることです。これらのシグナルが整合すると、ストーリーがどのように進化すべきかについて明確な方向性が得られます。

リアルタイムでフィードバックを収集・処理する方法

ユーザーインタラクションを追跡する

ユーザーがコンテンツとどのように関わるかを理解するには、まず彼らのインタラクションをリアルタイムで追跡することから始めましょう。これには、クリック、ホバー、スキップ、分岐の選択といったクリックストリームデータの収集に加え、エンゲージメントレベルを評価するために特定のシーンでの滞留時間を測定することが含まれます ^[14][15]。サムズアップ／ダウンのボタンや1〜5つ星の評価のようなシンプルなプロンプトは、シーンの直後に使用することで、感情的な反応がまだ新鮮なうちに捕捉できます ^[13]。より高度なセットアップでは、アイトラッキングのようなツールが、注意がどこで途切れるかを正確に明らかにできます ^[14]。

「インタラクティブビデオは、コミュニケーションを、視聴者が見るものに影響を与える双方向のプロセスへと変える。」 - ReelNReel ^[15]

問題のある箇所を特定するには、ヒートマップや Mixpanel や Looker のような分析ツールを使って離脱ポイントを監視しましょう。ユーザーが一貫して同じシーンで離脱する場合、それは個々の好みではなく、ペーシングや明瞭さといった構造的な問題を指していることが多いです ^[13][14]。これらのリアルタイムのシグナルは、迅速に適応できるフィードバックシステムを構築するために不可欠です。

フィードバック処理パイプラインを構築する

フィードバックが収集されたら、それを実行可能な洞察へと整理する必要があります。ここでフィードバック処理パイプラインの出番です。このようなパイプラインはいくつかの段階で構成されています。入力の収集、中央のワールドステートの更新、物語の決定の管理、会話履歴の要約、そして出力のフィルタリングです。

このプロセスの中核にあるのが、**ワールドステートエンジン（World State Engine）**です。これはしばしばJSONオブジェクトとして実装されるか、ベクトルデータベースに保存されます。このエンジンは、プロットフラグ、キャラクターの関係性、ユーザー履歴、ペーシングの好みといった重要な要素を追跡します ^[9]。すべてのフィードバックがこのエンジンを更新し、AIシステムが次のシーンを生成する前に常に最新のコンテキストを持つようにします。この絶え間ない更新こそが、物語をユーザーの旅にシームレスに適応させることを可能にするものです。

会話履歴を定期的に要約することで、コンテキストを維持しながらトークンコストを削減でき、一貫性を94%まで向上させます ^[7]。フィードバックが処理されると、システムはこれらの洞察を使ってストーリーをリアルタイムで微調整し、より魅力的で反応的な体験を生み出します。

APIMart を使ってマルチモーダルモデルを接続する

さらに一歩進めると、テキスト、ビデオ、音声といったマルチモーダルな入力を、APIMartの統合APIを通じて連携させることができます。これにより、異なるソースからのフィードバックが一つにまとまり、まとまりのある物語の更新を実現します。たとえば、ユーザーのテキストの感情が変化すると、システムはビデオモデルでビジュアルの変化をトリガーし、より没入感のある体験を生み出すことができます。ビジュアル、音声、テキストのシグナルを組み合わせることで、ストーリーテリングはよりカスタマイズされ、魅力的なものになります。

APIの関数呼び出しを使うことで、即座の更新も可能になります。たとえば、ユーザーが特定のストーリー要素とインタラクションすると、システムは即座に関係性スコアを調整したり、新しいプロットの分岐を解放したりできます。モデルの応答サイクル全体を待つ必要はありません ^[9]。これにより、反応的に感じられるフィードバックループが生まれ、物語をダイナミックに保ちます。

リアルタイムのフィードバックに基づいてストーリーを適応させる方法

ストーリーの流れと分岐を調整する

リアルタイムのフィードバックは、ストーリーの展開方法を一変させ、プロンプトチェイニングや状態管理といった技術を通じて物語を動的に更新できるようにします。本質的に、ユーザーが行うすべての選択は物語の状態に影響を与え、一貫性を維持しながらストーリーの方向性を形作ります ^[1]。

このプロセスの中心にあるのが、**ディレクターエージェント（Director Agent）**です。このツールはワールドステートを監視し、エンゲージメントシグナルを使ってストーリーの進行を調整します。たとえば、ユーザーがシーンをスキップし始めると、ディレクターエージェントは彼らの注意を取り戻すために、驚きのプロットツイストや対立を導入するかもしれません ^[9]。

「インタラクティブなストーリー生成は、単にテキストを書くことではなく、プレイヤーの選択がリアルタイムでストーリーを形作る動的な物語システムを設計することだ。」 - SEELE ^[10]

その影響は明らかです。AI駆動の物語を持つゲームは、従来の直線的なストーリーと比較して2.5倍長いセッション時間を誇ります ^[10]。さらに、AI支援のストーリー作成は物語の開発時間を**92%**削減でき、手動スクリプティングに対して大きな優位性を提供します ^[10]。

ストーリーの構造的な変化は重要ですが、次のセクションで概説するように、物語の伝え方も同じくらい重要です。

トーンと読解レベルをパーソナライズする

ストーリーの出来事を変えることは、パズルの一片に過ぎません。ストーリーがどのように語られるかも、ユーザーを引き込み続ける上で重要な役割を果たします。AI言語モデルは、ユーザーの行動に基づいて物語のトーンと複雑さを適応させることができます。たとえば、ユーザーが長い段落を頻繁にスキップしたり、シンプルな言葉を使ったりする場合、システムは言い回しを簡素化し、文を短くすることで対応できます。

この適応性は、感情分析と状態認識型プロンプティングを組み合わせたツールに依存しています。二次モデルが、ユーザーの入力に基づいてその感情を評価し、それに応じてトーンを調整できます。たとえば、システムは高い緊張感のある瞬間には「緊迫した切迫したトーン」に切り替えたり、ペースが緩む際には「穏やかで探索的なスタイル」を採用したりするかもしれません ^[1][9]。「ストーリーバイブル（Story Bible）」をシステムのプロンプトに統合することで、感情的なトーンが変化しても、ナレーターの声は一貫性を保ちます。

これらの技術を実装するプラットフォームは、ユーザーエンゲージメントと理解度において測定可能な向上を報告しており、トーンと読解レベルを個々のユーザーに合わせて調整することの有効性を示しています ^[4]。

ユーザーをさらに没入させるために、物語のビジュアルも動的に更新できます。

AIモデルを使ってビジュアルを更新する

ストーリーの進行に合わせたビジュアル要素は、没入感を高めることができます。AIの進歩のおかげで、2026年のビデオ生成モデルは、あらかじめ録画された分岐を必要とせずに、オンデマンドで映画品質のシーンを作成できます。ワールドステートエンジンをビデオ生成モデルにリンクさせることで、ビジュアルはストーリーの展開に合わせてリアルタイムで進化できます ^[16]。

たとえば、エンゲージメントデータがアクション満載の瞬間への好みを示している場合、システムはKling V3 Omni（APIMart経由で720Pにて1秒あたり$0.0672で利用可能）のようなモデルにテンポの速いダイナミックなビジュアルを生成するよう促せます。一方、静かで内省的なシーンでは、より遅い映画的なモデルをトリガーして適切なトーンを設定するかもしれません。

ビジュアルの一貫性を維持するために、システムは詳細な記述子（例：「チャコールのウールコート、左手首にシルバーの腕時計」）を使って参照画像をアンカーできます。さらに、現在のシーンが再生されている間に次に来そうなビジュアルの分岐をあらかじめ生成しておくことで、遅延のないシームレスな遷移を確保できます ^[16]。

AI生成のビジュアルはコスト効率も優れています。従来のあらかじめ録画されたインタラクティブシーンは1シーンあたり$10,000から$100,000の範囲になり得ますが、AI生成の代替手段は通常$0.05から$2.00の間であり、リアルタイムのビジュアル更新をスケーラブルなソリューションにしています ^[16]。

フィードバック駆動型ストーリーテリングシステムを監視・保護する方法

AI駆動のストーリーテリングが効果的で信頼できるものであり続けるためには、パフォーマンスに目を光らせ、ユーザーデータが十分に保護されていることを確実にすることが極めて重要です。

成功指標を定義する

システムがどれだけうまく機能しているかを測定するには、エンゲージメント、物語の品質、ビジネス成果といった指標を追跡しましょう。

エンゲージメントについては、ユーザーがシーンごとに費やす平均時間、彼らが行う選択の数（エンゲージメントスコア）、そして離脱率（Drop-off Rate、DR）といった統計に注目しましょう。特定のシーンでのDRが高い場合、それはしばしば問題を指しています。シーンのテキストを引き締めたり、選択肢のラベルを言い換えたりすることで、物事を円滑にできます ^[1][13]。

物語の品質に関しては、キャラクターの一貫性（Character Consistency、CC）、すなわちAIがあらかじめ定義されたキャラクターのルールにどれだけ忠実かを測定し、また物語の多様性（Narrative Variance、NV）、すなわちプロットパスがどれだけ多様であるかを示すものを測定しましょう。NVが低いと、繰り返しのストーリー展開につながり、リプレイ性を損ないます。理想的には、再生成率を40%未満に保ちながら、ストーリー完了率を60%以上に目指しましょう ^[7]。

主要な指標とその目標値を簡単にまとめると次のとおりです：

きめ細かなパーソナライゼーションのビジネス上のメリットは明らかです。たとえば、2026年1月、専門小売グループのTFGは、リアルタイムのユーザー行動に基づいて物語を適応させるAIストーリーテリングシステムを導入しました。その結果は目を見張るものでした。オンラインのコンバージョン率が35.2%向上し、訪問あたりの収益が39.8%増加し、離脱率が28.1%低下したのです ^[4]。

指標が整ったら、フィードバックループに伴う倫理的な課題に取り組むことも同じくらい重要です。

フィードバックループにおける倫理的考慮事項

倫理的な監督は、パフォーマンスの追跡と同じくらい重要です。フィードバックループは強力なツールになり得ますが、バイアスや過剰なパーソナライゼーションといったリスクも伴います。トレーニングデータが偏っている場合、AIは特定の視点や感情的トーンを優遇する物語を作り出すかもしれません ^[3]。

バイアスを最小限に抑え、公平性を維持するために、二次モデルの使用を検討しましょう。たとえば、GPT-4o のようなLLM-as-a-Judge（審判としてのLLM）システムは、公平性、共感、一貫性についてストーリー出力を監査できます ^[12]。過剰なパーソナライゼーションには注意しましょう。それは体験を押し付けがましく、あるいは予測可能すぎるものに感じさせることがあります。パーソナライズされたストーリーテリングとより広い創造的な物語の弧のバランスを取ることで、より自然な流れが確保されます ^[11]。

「AIをインタラクティブなストーリーテリングに統合することは、物語体験に革命をもたらし、オーディエンスがストーリーと関わる方法を変えている。」 - TechyConcepts ^[3]

透明性が鍵です。ユーザーは、自分の好みがどのように物語を形作るのかを理解する必要があります。明確な情報を提供し、インフォームドコンセントを得ることが、フィードバック駆動型システムへの信頼を築きます ^[3]。

ユーザーデータとプライバシーを保護する

倫理と透明性は、ユーザーデータの保護と密接に結びついています。機密性の高いフィードバックデータの保護は、しっかりとした技術戦略を採用することから始まります。効果的なアプローチの一つが**データ最小化（data minimization）**です。生のユーザーデータに頻繁にアクセスする代わりに、擬似ユーザーエージェント、すなわちインタラクション履歴から構築されたユーザーの好みの表現を使いましょう。PREFINE フレームワークで実証されているように、この方法はユーザーデータに直接アクセスすることなくパーソナライズされたストーリーテリングを可能にし、プライバシーリスクを低減します ^[12]。

保存されたフィードバックから、すべての個人を特定できる情報（PII）を確実に削除しましょう。PostgreSQL や MongoDB のような安全なデータベースを使い、明確なデータ保持・削除ポリシーを実装しましょう ^[7]。

「PREFINEはユーザーのインタラクション履歴から擬似ユーザーエージェントを構築し……パラメータの更新やユーザーからの直接的なフィードバックを必要とせずにパーソナライズされた生成を実現する。」 - Kentaro Ueda 研究者 ^[12]

どのようなデータが収集され、それがどのように使われるのかについて、ユーザーに対して率直になりましょう。米国のデジタルプライバシー基準に沿った、明確でわかりやすいデータポリシーは不可欠です。ユーザーは、パーソナライズされた体験に完全に関わる前に、このレベルの透明性を期待しています ^[3][11]。

結論：フィードバックを使ってより良いストーリーを構築する

フィードバックループは、AIストーリーテリングの仕組みを再構築し、それを動的で絶え間なく進化するプロセスへと変えました。ユーザーのシグナルを収集し、コンテンツを調整し、インタラクションを洗練させることで、これらのループはAIが単にコンテンツを生成するだけにとどまらないことを可能にします。その代わりに、AIはオーディエンスとともに学び、適応し、成長する物語のパートナーになります。

「メディア企業の目標は、もはや単にコンテンツを素早く生成することではなく、進化し、ユーザーが時間をかけて成長できるようなキャラクターと世界を創ることだ。」 - AIJ Thought Leader, The AI Journal ^[2]

AI駆動のプラットフォームは、コンテキストの維持に優れており、従来のスクリプティング手法を凌駕しています ^[7]。マルチモーダルなストーリーテリング、すなわちテキスト、画像、その他のメディアを組み合わせることは、テキストのみのフォーマットと比較してエンゲージメントを78%向上させ、一方でAIツールは開発時間を40時間超からわずか3時間弱へと劇的に削減します ^[7]。

しかし、これらのシステムをスケールさせることには、複数のAIモデルの管理、物語の一貫性の確保、リアルタイムのフィードバックの処理といった独自の課題が伴います。APIMart のようなツールは、GPT-5、Claude、Sora、Kling V3 といった言語、画像、ビデオ技術を含む500以上のモデルを統合する単一のAPIを提供することで、このプロセスを簡素化します。この統合されたアプローチは、先述の統合とレイテンシの問題に対処し、フィードバックベースのシステムがどのようにストーリーテリングを再定義できるかを示しています。

この変化は否定できません。オーディエンスはもはや受動的な消費者ではなく、能動的に自らの物語を形作っています。明確な指標、倫理的なセーフガード、そしてスケーラブルなフレームワークを備えたシステムを構築することで、クリエイターはオーディエンスと真につながるストーリーを届けることができます。フィードバック駆動型のストーリーテリングは単なるトレンドではなく、意味のあるエンゲージメントのための新しい標準なのです。

よくある質問（FAQ）

明示的フィードバックと暗黙的フィードバックの違いは何ですか？

AI駆動のストーリーテリングにおいて、明示的フィードバックは、いいね、ダウンボート、評価、コメントを残すことで好みを表現するといった、ユーザーの直接的な行動から得られます。一方、暗黙的フィードバックは、スキップ率、リプレイ、特定のシーンに費やす時間、離脱のパターンといったユーザーの行動を観察することで受動的に収集されます。これらの洞察を組み合わせることで、APIMartの統合モデルは、個々のユーザーにより合わせて感じられる物語を作り上げることができます。

AIはリアルタイムでストーリーを変えながら、どのように一貫性を保つのですか？

AIは、構造化された「ストーリーバイブル（Story Bible）」や、データベースに保存されたグローバルな状態に依存することで、ストーリーの一貫性を保ちます。このシステムは、キャラクターの特性、重要な事実、プロットの目標といった本質的な詳細を追跡し、すべてが整合していることを保証します。

ここでは**ディレクターエージェント（Director Agent）**が重要な役割を果たします。これは物語を監督し、矛盾を防ぎ、ストーリーをその包括的な目標に沿わせ続けます。インタラクションが展開するにつれて、リアルタイムの更新が慎重に検証され、プロンプトに取り込まれます。このプロセスにより、ストーリーは論理的でまとまりを保ちながら自然に進化します。

APIMartのようなプラットフォームは、こうした複雑なストーリーテリングのワークフローをサポートしやすくし、シームレスな実行を確保します。

システムが私の行動を追跡するとき、私のデータはどのように保護されますか？

リアルタイムのストーリーテリングシステムは、あなたのインタラクションに適応し、あなたの好みに合わせて体験をカスタマイズします。しかし、このカスタマイゼーションは正当なプライバシーの懸念を引き起こします。これらの問題に取り組むために、一部のシステムは**連合学習（federated learning）**を実装しています。このアプローチは、個々のデータをプライベートかつ安全に保ちながら、複数のユーザーにわたってAIモデルをトレーニングします。

別のアプローチには、**エッジAI（edge-AI）**の技術が含まれ、AIモデルはクラウドサーバーに依存する代わりに、あなたのデバイス上で直接動作します。このローカルでの処理は、機密データを外部で扱うことに伴うリスクを最小限に抑えます。どちらの方法も、パーソナライゼーションと強化されたプライバシーのバランスを取ることを目指しています。