Netflixを開いたものの、候補を眺め続けるだけで時間が過ぎてしまう――そんな作品選びの負担を減らすため、Netflixは新しい「AI Discover」タブの展開を始めました。利用者がそのときの気分や空き時間を選ぶと、条件に合いそうな映画や番組が提示される実験的な機能です。従来のように作品名やジャンルを決めて検索するのではなく、「軽い気分で見られるもの」「怖がらせてほしい」「短時間で見られる作品」といった曖昧な希望から探せます。



最初に用意されるテーマには、「something light」「scare me」「family movie night」「quick watches」などがあります。気分だけでなく、視聴の好み、確保できる時間、新着作品や話題性もテーマ選びの軸になります。作品の映像クリップを見ながら候補を絞れるため、タイトルとサムネイルが並ぶ一覧を延々とスクロールする体験とは異なる方向性です。

Netflixの狙いの中心にあるのは、推薦作品を増やすことよりも、利用者が希望を伝えながら候補を調整できるようにすることだと考えられます。大量の選択肢があるサービスでは、品ぞろえの豊富さがかえって決定を難しくする場合があります。AI Discoverは、利用者が明確な作品名を知らなくても、その夜の状況を入口に選択を始められる設計です。検索と推薦の中間に、対話的な探索という新しい導線を置く試みと捉えられるでしょう。

AI Discoverでは、利用者がテーマを一つ選ぶと、その条件に合う作品候補が表示されます。最初の結果で見たいものが見つからなければ、より具体的なテーマへ進み、探索を続けられます。方向性そのものが合っていない場合は、「something different」を選んで最初から探し直すことも可能です。一度の入力で正解を出すのではなく、選択を重ねながら希望へ近づく流れになっています。



各作品には、「Play」や「My List」と並んで「Tune Your Recommendations」ボタンが表示されます。このボタンから、気に入った推薦を保存したり、今後は候補に含めてほしくない作品を除外したりできます。単に再生したかどうかを見るだけでは拾いにくい反応を、利用者自身が明示的に伝えられる点が特徴です。「この候補は見ないが、テーマの方向性は合っている」といった細かな意図をどこまで扱えるかが、使い勝手を左右する可能性があります。

この利用フローは、AIが自動的に答えを決めるというより、人とシステムが短いやり取りを繰り返す形です。気分は固定された属性ではなく、平日の夜、家族と過ごす時間、数十分だけ空いた場面などによって変わります。過去の視聴傾向だけに頼らず、現在の状況を利用者から受け取ることで、その瞬間に合う候補を提示しようとしているわけです。企業向けサービスに置き換えるなら、利用履歴だけでなく「今何をしたいか」を入力できる導線が、推薦の納得感を高めるという示唆があります。

Netflixは、AI Discoverが新たに構築している「intelligence layer」、つまり知能レイヤーによって動作すると説明しています。このレイヤーは、利用者がサービスへ伝えた内容にリアルタイムで反応し、利用を通じて学習を続けるとされています。Netflixは以前から、「Thumbs Up」の評価や「My List」への追加といった情報を使い、個人の好みに合わせた作品発見を改善してきました。AI Discoverは、そうした蓄積に現在の気分や状況を加える役割を担います。



推薦システムを理解するうえでは、「長期的な好み」と「一時的な意図」を分けて考えると分かりやすくなります。普段よく見るジャンルは長期的な好みを示しますが、その情報だけでは、今夜は家族向け作品を見たい、短い番組だけを選びたいといった事情を十分に表せません。AI Discoverはテーマ選択を通じて一時的な意図を受け取り、候補を調整します。過去の行動からすべてを推測するのではなく、必要な場面で本人に尋ねる設計です。

ただし、知能レイヤーが利用するモデルの種類、学習や更新の具体的な方法、入力情報が推薦へ反映される範囲などは、現時点では詳しく明らかにされていません。そのため、一般的な生成AIチャットのように自由な文章で希望を入力できる機能だと断定することはできません。公開された内容から確認できるのは、用意されたテーマと利用者の反応を使い、探索をリアルタイムに調整する点までです。企業が同種の仕組みを評価する際にも、「AI」という名称だけで判断せず、入力方法、反映速度、説明可能性を個別に確認する必要があるでしょう。

NetflixはAI Discoverを、新しい作品発見方法を試す「test kitchen」と表現しています。料理の試作を行う厨房になぞらえ、さまざまな探索方法を限定的に提供し、利用者からの反応を確かめる位置づけです。そこで得られたフィードバックを基に、どの機能を残すか、どこを改善するかを判断し、適切なものをNetflixの主要な利用体験へ移す方針です。



この進め方が示しているのは、AI機能の価値をモデル性能だけでは測れないという点です。推薦の精度が高くても、テーマの言葉が分かりにくい、候補を修正する操作が面倒、利用者が意図しない方向へ絞り込まれるといった問題があれば、日常的には使われません。逆に、技術的には単純な選択肢であっても、数回の操作で見たい作品にたどり着けるなら、利用者にとっての価値は明確になります。Netflixは実際のテレビ画面に実験用の入口を置き、機能と操作体験をまとめて検証しようとしています。

B2B領域で生成AIを導入する企業にも、同じ考え方を応用できます。全社向けの完成版を最初から作るのではなく、対象業務と利用者を限定し、どの提案が採用されたか、どの候補が除外されたか、どこで操作が止まったかを確認する進め方です。ただし、AI Discoverについて具体的な評価指標が公開されているわけではありません。ここでの示唆は、限定提供とフィードバックによって採否を判断するという製品開発上の姿勢にあります。試験導入では、利用回数だけでなく、判断時間や修正のしやすさまで観察すると実務上の効果を捉えやすくなるでしょう。

動画配信サービスにとって、作品を増やすことと、利用者が見たい作品へ到達できることは別の課題です。Netflix自身も、楽しめる作品がこれまで以上に増える一方、静かな夜に合う作品と家族で見る作品、わずかな空き時間に見る作品では求めるものが異なると説明しています。作品数が増えるほど一覧表示だけでは比較が難しくなるため、利用時の文脈を理解する発見機能がサービス体験の差になり得ます。



AI Discoverの意味は、検索欄をAIに置き換えたことではありません。従来の検索は、利用者が作品名、出演者、ジャンルなどの条件をある程度言語化できる場面に向いています。今回の仕組みは、「疲れているので軽く見たい」「家族全員で楽しみたい」といった、作品情報へ直接変換しにくい要求を起点にします。企業側が保有する商品・コンテンツの分類と、利用者の日常的な言葉を結び付けるインターフェースが主役になっています。

この発想は、動画以外のデジタルサービスにも広げて考えられます。商品数の多いEC、資料が蓄積された社内検索、複数プランを扱う業務サービスでは、選択肢を増やすだけでは利用者の判断を助けられません。「何を探していますか」よりも、「どのような状況を解決したいですか」と尋ねたほうが有効な場面があります。ただし、推薦が選択肢を狭めすぎると、利用者が別の可能性に気付けなくなるおそれもあります。AI Discoverに探し直しや除外の操作が用意されている点は、推薦と利用者の主導権を両立させる設計として注目できます。

AI Discoverは、米国でNetflixを英語表示にしている利用者のうち、対応テレビを使う人から段階的に提供されています。対象者のテレビ画面では、上部のナビゲーションバーに赤い宝石型アイコン、Discoverボタン、Newラベルが表示されます。Netflixは今後数週間で対象を広げる予定ですが、日本での提供時期や日本語への対応については、現時点では詳細が明らかにされていません。



日本企業が類似機能を企画する場合は、目的、対話設計、検証方法の三つを分けて考えると整理しやすくなります。目的では、候補の精度を上げたいのか、検索時間を減らしたいのか、利用者が気付いていない選択肢を提示したいのかを定めます。対話設計では、自由入力が必要なのか、テーマ選択で十分なのかを見極めなければなりません。入力の自由度を高めるほど便利になるとは限らず、選択肢を短く示したほうがテレビや業務端末では扱いやすい場合もあります。

検証では、提示した候補が選ばれた割合だけで成功を判断しないことが大切です。除外や探し直しがどの程度発生したか、利用者が推薦を調整できたか、操作後に納得して選べたかも確認対象になります。利用データを学習や個別化に使うのであれば、取得する情報、保存範囲、利用目的、利用者が設定を変更する方法についても別途設計が必要です。これはAI Discoverに関する未公開部分を推測するものではなく、企業が同種の仕組みを導入する際の一般的な確認事項です。

着手時には、保有データや採用モデルを先に決めるより、利用者が選択に迷う具体的な場面を一つ特定するとよいでしょう。その場面で使われる「短時間で済ませたい」「初心者向けがよい」といった言葉をテーマに変換し、小規模な試験で反応を確かめます。Netflixの取り組みから得られる実務上の手掛かりは、AIにすべてを推測させることではなく、利用者が現在の希望を伝え、結果を修正できる短い循環を作ることにあります。