販売店・加盟店が作る販促物を毎月点検して、ロゴと商標表示の逸脱を見つける

処理の起点を決める

起点は2つです。毎月1日の定期実行と、提出フォルダへの追加時です。 定期実行はSNS投稿と自店Webページ用で、これらは「提出」という行為がないため月に一度まとめて巡回します。 追加時の起動はチラシとPOP用で、印刷前のチラシにはその日のうちに指摘を返せます。

Make のシナリオはこの2つに1本ずつ作ります。1本に両方の分岐を詰めないでください。 定期実行は大量を一度に、追加時は1点を速く処理します。処理済みの印も掲載物ごとに持ってください。 フォルダ監視では、ファイル名の変更や再アップロードで同じものが2回流れます。

定期実行が動かなかった月を検知する処理も、別に入れてください。疑いの件数が0件だった月と、処理した掲載物が0点だった月は、意味がまったく違います。

入力データを集める

質を決めるのは「ガイドラインの条項」です。 PDFのまま渡してもAIは「第3章のあたり」としか返せません。「L-02 ロゴの縦横比を変更しない」「T-01 商品名を動詞として使用しない」の粒度に分けたものが要ります。

例外リストは、ほとんどの会社にまだありません。ここを先に作ることが、いちばん重い準備です。 記録されていないと毎月同じ誤検知が出ます。店舗コードと条項番号と期限を必ず持たせてください。「あの店は特別」というメモでは機械が当てられません。

データの取得方法を決める

提出フォルダ： Make がクラウドストレージを監視し、追加されたファイルを取り込みます。PDF、画像、まれに文書ファイルが混ざるので、取り込んだ時点で種類を判定して分岐します。

SNS投稿： 加盟店自身に投稿の一覧を月1回出してもらいます。各サービスを自動で巡回する設計にはしません。 取得の可否は規約と仕様に依存し、作り込むと変更のたびに止まるためです。

自店Webページ： URLの一覧を読み、表示を画像として取り込み、文章も取り出します。ページ全体を1枚の長い画像にせず、画面の高さで区切ります。 見本と条項は繰り返し使うファイルとして扱い、例外リストと表記の一覧はスプレッドシートに置いて担当者が直せるようにします。

AIへ渡す前に整形する

Python でまとめて行います。AIに渡す前に形をそろえる工程が、判定の精度を決めます。

1. 形式の統一と向きの補正 … 対応形式はそのまま渡し、それ以外は変換します。PDFはページごとに画像化し、元のファイルとページ番号を持たせます。スマートフォンの写真は向きの情報がファイルの中にだけ残り、そのまま渡すと横倒しで届くことがあるので、画素の並びそのものを回します
2. 鮮明さの確認 … ぼけの度合いを機械で測り、一定以下は判定に回さず「撮り直しの依頼」に出します。ぼけた画像を渡すと疑いなしが返り、それが「問題なし」として記録されます
3. 解像度の二段構え … 1回目は中くらいの大きさで全体を渡してロゴの位置だけを挙げさせ、返ってきた座標でその部分を切り出して2回目に大きく渡します。 タイルの枚数を抑えながら細部が見られます
4. 例外リストの突き合わせと再提出の判定 … 店舗コードと条項番号と期限で除外します。期限切れの例外は自動で外れる形にしてください。 同じ掲載物の再提出なら、前回の指摘が直っているかを最初に見ます

AIに処理させる

画像の判定とテキストの判定を、必ず分けて行います。 観点が違い、根拠の形が違い（画像は座標、テキストは原文の抜き出し）、直し方も違う（画像は前処理と解像度、テキストは表記の一覧の整備）ためです。混ぜると、どちらを直せばよいか分からなくなります。

AIにさせないことが2つあります。

• 色や余白の数値化 … 「指定色と違う」「余白が0.3倍しかない」と数値で答えさせません。色は座標の領域から画素の値を機械で取り、余白は座標から機械で計算します。 それでも撮影した写真では照明で変わるため、測った値も「疑い」の材料までです
• 合否の断定と法令上の評価 … 「違反しています」と書かせず、商標法をはじめとする法令の解釈にも触れさせません。この構成が見るのは、自社のブランドガイドラインへの適合だけです

指示内容を固定する

画像の判定に使う指示：

あなたは、ブランドガイドラインへの適合を点検する担当者を支援する立場です。
渡す画像は、当社の商品を扱う販売店・加盟店が自分で作成した販促物です。
ガイドラインから外れている「疑い」を挙げてください。
見るのは当社のロゴ、シンボル、商品名のロゴタイプだけです。
販売店自身のロゴ、他社のロゴ、商品写真そのものは対象外です。

【見る観点】
1. ロゴの位置（当社のロゴが写っている箇所をすべて挙げる）
2. ロゴの版（現行版に見えるか、旧版に見えるか）
3. 縦横比（見本と比べて縦または横に伸びて見えるか）
4. 色（見本と違う色に見えるか）
5. 周囲の余白（ロゴのすぐそばに文字・写真・罫線が寄っているか）
6. 重なり（ロゴの上に文字・図形・写真が重なっているか）
7. 書体（商品名のロゴタイプが見本と違う書体に見えるか）
8. 改変（影、縁取り、回転、部分の切り取りが加えられているか）

【厳守事項】
- 違反かどうかの断定と、是正を求めるべきかどうかの判断を書かないでください。
  法令（商標法など）の解釈に触れず、「違反」「侵害」「法令」という語を
  出力に使わないでください。
- 色・余白・縦横比について数値（色コード、ミリ、パーセント、倍率）を
  出力しないでください。見えたことだけを書き、
  needs_measurement を true にしてください。
- 疑いごとに、ガイドラインの条項番号を1つ挙げてください。条項番号は
  渡した一覧にあるものだけを使い、当てはまる条項が無い疑いは挙げないでください。
- 疑いを挙げた箇所は box_2d に [ymin, xmin, ymax, xmax] の順で、
  0から1000に正規化した座標で返してください。
- 画像が不鮮明で判断できない場合は、疑いを挙げずに unreadable.flag を
  true にし、reason に理由を書いてください。推測で埋めないでください。
- 確信の度合いを confidence に high / medium / low で入れ、迷った場合は
  low にしてください。「該当なし」に寄せないでください。

【ガイドラインの条項】{guideline_clauses}
【正規ロゴの見本】{reference_logos}
【点検対象の掲載物】{image}

テキストの判定は、同じ型のまま中身を差し替えます。 観点は「商品名が動詞として使われている」「略称・短縮形で書かれている」「複数形や所有格のような形に変えられている」「商品の種類そのものを指す言葉として使われている」「登録商標であることの表示が無い、または位置が指定と違う」「旧ブランド名・旧商品名が使われている」「承認済みの一覧に無いキャンペーン表現や効果の言い切りが足されている」「表記のゆれが正しい表記と違う」の8つです。

厳守事項には、「渡した正しい表記の一覧・承認済みの表現の一覧に無いものを、正しい、または承認済みとして扱わないでください」「疑いを挙げた箇所は text_span に原文をそのまま抜き出し、言い換え、要約、修正後の文を入れないでください。直し方の案は suggested_fix に分けます」の2つを足し、渡す資料に {trademark_table} と {approved_claims} を加えます。

「当てはまる条項が無い疑いは挙げない」が、いちばん効く制約です。 これを書かないと、AIは「なんとなく整っていない」という指摘を返します。条項に紐づかない指摘は、「どこに書いてあるのか」と聞かれて答えられないので、加盟店に伝えられません。

「low にしてよい、該当なしに寄せない」も必要です。 目的は疑いを拾うことなので、拾いすぎる側に倒すほうが安全です。 担当者が10件から3件を選ぶのは短時間で済みますが、拾われなかった1件は誰も見つけません。

出力形式を固定する

構造化出力の設定は、response_format に type（"text"）、mime_type（"application/json"）、schema を入れる形です。

{ "type": "object", "required": ["item_id", "check_type", "findings", "unreadable"],
  "properties": {
    "item_id": { "type": "string" },
    "check_type": { "type": "string", "enum": ["image", "text"] },
    "findings": { "type": "array", "maxItems": 20, "items": {
      "type": "object",
      "required": ["clause_id", "category", "observed", "confidence"],
      "properties": {
        "clause_id": { "type": "string" },
        "category": { "type": "string", "enum": [
          "logo_version", "logo_ratio", "logo_color", "logo_clearspace",
          "logo_overlay", "logo_typeface", "logo_modified", "tm_verb",
          "tm_abbreviation", "tm_generic", "tm_notice", "old_name",
          "unapproved_claim", "spelling"] },
        "observed": { "type": "string" },
        "box_2d": { "type": "array", "minItems": 4, "maxItems": 4,
          "items": { "type": "integer" } },
        "text_span": { "type": "string" },
        "suggested_fix": { "type": "string" },
        "confidence": { "type": "string", "enum": ["high", "medium", "low"] },
        "needs_measurement": { "type": "boolean" } } } },
    "no_finding_reason": { "type": "string" },
    "unreadable": { "type": "object", "required": ["flag"], "properties": {
      "flag": { "type": "boolean" }, "reason": { "type": "string" } } } } }

スキーマは Python では Pydantic のモデルから model_json_schema() で、JavaScript では Zod から z.fromJSONSchema() でも作れます。

category を自由文にしないでください。 自由文にすると「ロゴの比率」「縦横比の崩れ」「アスペクト比」が月ごとに混ざり、店舗別・区分別の集計ができなくなります。 公式のドキュメントにはすべての JSON Schema の機能が使えるわけではなく、非常に大きい、または深くネストしたスキーマは拒否されることがあると書かれているので、入れ子は2段までにとどめ、条項の一覧や見本はプロンプト側に置いています。

返る値は {"clause_id": "L-03", "category": "logo_color", "observed": "見本より青みが薄く見えます", "box_2d": [118, 638, 210, 935], "confidence": "low", "needs_measurement": true} のような形です。needs_measurement が true の疑いは、AIが見えたことしか言えなかったものです。 その先は座標の領域から画素の値を機械で測りますが、撮影物では照明で変わるので、最終的には担当者が元のデータを見て決めます。

システムへ連携する

最後の行は下書きまでにします。送信は担当者が行います。 機械が送った文面が、会社の意思表示として扱われるためです。

人が確認する

全件、人が確認します。疑いをそのまま加盟店へ送る設計にしません。 第1段階は「当たっているか」で、画像の疑いは枠が描かれているので開いた瞬間に分かり、テキストの疑いは原文の抜き出しを前後ごと読んで判断します。第2段階は「是正を求めるか」の判断で、これは機械にさせません。

3つ目を選べることが重要です。 すべての疑いを指摘すると、加盟店は販促物を作ること自体をやめます。

確認の順番は、①confidence が high で配布前・掲載中のもの、②ロゴの改変・旧ロゴ・承認外の表現、③同じ加盟店で前月にも同じ区分が出ているもの、④それ以外、です。③で同じ指摘が3か月続く店が見つかれば、1点ずつ直すより説明に行くほうが早いと判断できます。

疑いが0件だった掲載物も、月に10点は抜き取りで目視してください。 確認の時間の目標は1件3分（確かめる2分＋決める1分）です。

例外に対処する

点検していない掲載物と、点検して問題がなかった掲載物はまったく違います。 条項番号の突き合わせも仕組みで持ってください。プロンプトの制約は必ずすり抜けます。

記録を残す

• 取り込んだ掲載物の原本（提出日、提出者、店舗コード、チャネルの区分）
• 前処理の結果と、AIに渡した画像とテキスト、使った条項の一覧の版
• AIが返した疑い（条項番号、区分、observed、座標、confidence）
• 担当者が「当たっている／誤検知」と判断した結果と、その理由
• 是正を求めるかどうかの判断と理由、送った連絡文、差し替えの結果
• 月ごとの集計（点検した点数、疑いの件数、区分別、店舗別）

4つ目を残すと、この構成の弱点が見えます。 誤検知を区分ごとに数えれば、どの観点が使いものになっていないかが分かります。 「ガイドラインの版」も必要です。改訂前の掲載物を改訂後の条項で指摘すると、加盟店には理不尽に映るためです。