Amplitude が OpenAI を活用して製品改善をわずか 1〜2 日でリリースする仕組み
2026年11月12日
主に OpenAI モデルを基盤として構築された Amplitude のプロアクティブな製品エージェント「Wave」は、開発すべき機能を特定し、コーディングエージェントを通じた変更の実装を支援して、実際のインパクトを測定します。

-
地域: 北米
-
業界: テクノロジー
-
製品: Codex
-
企業規模: ミッドマーケット
-
160%:1 日後の対照群と比較したエージェントのエンゲージメント率の向上幅
-
1–2 日:Wave を使用して製品改善をデリバリーするまでの推定期間
-
51%:Amplitude のデータサイエンスエージェント(Data Science Agent)評価における、GPT‑6.1 Sol のディスパッチあたりの平均モデルコスト削減率
-
$1.34:Amplitude のオポチュニティ調査機能(Opportunity Investigator)評価における GPT‑6.1 Sol のモデルコスト
Amplitude は長年にわたり、ユーザーが製品を実際にどのように利用しているかをチームが理解できるよう支援してきました。同社のプロアクティブな製品エージェントである Wave は、それらのインサイトを実際にリリースされる製品改善へと変える手助けをします。Amplitude によると、Wave の機能の約 80% は、GPT‑6.1 Sol、GPT‑6 Luna、GPT‑Image‑2.5 Flare などの OpenAI モデルによって駆動されています。Wave は製品のインサイトを実装計画へと変換し、チームがそれを Codex などのコーディングエージェントに引き渡して実行させ、その後のインパクトを測定できるようにします。
Amplitude の試算では、Wave を活用することで、チームが製品改善をリリースするまでの期間を約 1 か月から 1〜2 日へと短縮できます。Amplitude 自身のホームページにおいても、Wave は提案カードのパーソナライズを支援し、カード経由でトリガーされるメッセージ送信数を 160% 増加させました。
「AI は今や、私たちが割り当てることすら思いつかなかった価値ある仕事を見つけ出すことができます。OpenAI のモデルは問題を調査し、コードを書いて実行し、その結果に基づいて次に何を試すべきかを決定できるのです。」
——Spenser Skates 氏、Amplitude 最高経営責任者(CEO)
製品データから改善のデリバリーまで
Wave は Amplitude のプロアクティブな製品エージェントです。チームは対象となる製品領域と、改善したい目標や指標を指定するだけで済みます。すると Wave は、Amplitude のデータ、セッションリプレイ(Session Replays)、顧客からのフィードバック、そしてコードを統合し、改善の機会を特定して優先順位をつけ、解決策を策定し、人間とコーディングエージェントを調整して実装を進めます。その後、結果を追跡し、得られた知見を次の改善サイクルへと活かします。
このワークフローの裏側で、Amplitude はタスクごとに異なる OpenAI モデルを使い分けています。GPT‑6.1 Sol は、オポチュニティマネージャーや、コードおよびデータに対する深い調査を支えています。GPT‑6 Luna は、コードのスキャンや小規模な評価チェックの実行といった、高頻度で低コストなタスクを処理します。そして GPT‑Image‑2.5 Flare は、セッションリプレイのスクリーンショットを視覚的なリファレンスとして使用し、製品のモックアップ(Mockups)を生成します。
ある改善案を構築する準備が整うと、チームは実装をガイドする技術計画と受け入れ基準を添えて、Wave から Codex などのコーディングエージェントへ直接タスクを送信できます。

Wave はいかにしてエージェントのエンゲージメント率を 160% 向上させたか
Amplitude の主席 AI プロダクトマネージャーである Jacob Newman 氏は次のように説明します。「Wave のコンセプトは、エージェントが膨大なセッションリプレイ、分析データ、コードを精査し、製品を改善する機会を見つけ出すための統合プラットフォームを提供することです。」
Amplitude は自社のホームページで Wave をテストしました。ホームページにはもともと、ユーザーが AI エージェントとの対話を始めるきっかけを作るための汎用的な提案カードが設置されていました。しかし Wave は、多くのユーザーがこれらのカードを無視していることを発見しました。100 件のセッションリプレイのサンプルにおいて、80 人のユーザーが自分で質問を入力しており、提案カードを選択したのはわずか 12 人だったのです。
そこで Wave は、ユーザーが最近閲覧したチャート、ダッシュボード、または遷移元のページに基づいてカードをパーソナライズすることを提案しました。変更後のイメージを提示するとともに、自由入力機能の維持や、パーソナライズ用のコンテキストが不足している場合に汎用的な提案を表示するフォールバック処理などを含む技術計画を生成しました。簡単なレビューの後、チームはこの作業をコーディングエージェントに引き渡し、変更の A/B テストを実施しました。

Amplitude が共有した実験結果によると、公開から 1 日後、ホームページの提案カード経由で送信されたメッセージ数は対照群と比較して 160% 増加しました。Amplitude のシニアプリンシパル AI エンジニアである Eric Carlson 氏は次のように説明します。「これは、普段は見過ごされがちな、決して破壊的とは言えないような小さなディテールであっても、思いがけない形で機能の採用率を高められることを示す素晴らしい例です。」
各タスクに最適な OpenAI モデルの選択
Wave の各タスクは、モデルに対して異なる要件を求めます。深い調査には強力な推論能力と根拠のある結論が必要とされる一方、何百回も繰り返される小規模なチェックにはスピードと低コストが求められます。Amplitude は、各タスクにおける品質、レイテンシ、コストの要件を評価し、それに基づいてモデルを割り当てています。
「OpenAI は強力な推論モデルと、より小規模で高速なモデルの両方を提供してくれるため、製品全体で品質、レイテンシ、推論コストのバランスをとることができます。」
——Spenser Skates 氏、Amplitude 最高経営責任者(CEO)
Wave のオポチュニティ調査機能(Opportunity Investigator)において、Amplitude は、モデルが発見した内容を裏付けられるか、誤検知(False Positives)を回避できるか、評価器からのフィードバックを取り込めるか、ツールの障害から回復できるか、そして結論と証拠の一貫性を保てるかを評価しました。その結果、GPT‑6.1 Sol は 5 点満点中 4.06 点を獲得しました。