🐒 AIが答えを出す時代に、なぜ人間はまだ考えるのか｜大生成AI時代のリサーチ術

ときは大生成AI時代。Deep Researchを走らせれば、数分で市場の概観が出てきます。NotebookLMに資料を放り込めば、競合資料、Podcastの文字起こし、レポート、YouTube、PDFを横断して要約してくれます。ChatGPT、Claude、Geminiに聞けば、TAM/SAM/SOM、競合比較、顧客課題、規制リスク、導入障壁まで、それなりに整った表が返ってきます。

便利になった。それは間違いないでしょう。

ただ、ここで一度立ち止まって考えてほしいのです。 本当に速くなったのは、リサーチなのでしょうか。 それとも、「リサーチらしきもの」を作る速度なのでしょうか。

引用があることと、判断に耐えることは違う

ご存じの通り、Deep Researchは、出力に引用、ソース一覧、探索履歴を含むとされています。つまり、従来の「AIがそれっぽく答える」体験から一歩進み、どの情報に基づいたのかを追える形に近づいているわけです(1)。これは大きな進歩でしょう。GoogleのNotebookLMも、アップロードした資料群に基づき、Source-groundingされた回答を返す道具として非常に有用です（2)。PDF、Webサイト、YouTube、音声、Google Docs、Slidesなどを同じ作業空間に置けるなら、リサーチの作業環境は明らかに変わりますからね。

しかし、実務で使用していて痛感しているのは、引用が付いていることと、判断に耐えることは全く別物、ということです。ソースが並んでいることと、エビデンスが組めていることも違います。ここを混同すると、生成AIリサーチは危ういものになると感じています。

AIは、情報収集を民主化しました。 が、同時に、「根拠っぽいもの」の大量生産機にもなっているわけです。

「きれいにする力」が招く落とし穴

たとえば法律領域では、Stanford HAIが、一般的なチャットボットが法律の質問に対して高頻度でハルシネーション（もっともらしい嘘）を起こすと報告しています（現時点ではある程度改善されていますが、当時ではその率は58〜82%にものぼるとされていました(3)）。もちろん、法律領域は判例や管轄が厳密であり、通常の市場調査と同列には語れません。が、この示唆は重いでしょう。

もはや耳タコでしょうが、AIは「知らない」と言うよりも、「知っているように見える文章」を作るのが得意なのです。

さらに、科学論文の要約でも似た問題が指摘されています。Peters & Chin-Yee（2025）は、LLMによる科学研究の要約が、人間の要約よりも「広すぎる一般化」を含みやすいと報告しています。特定の条件下でのオッズ比といった数字が、あたかも普遍的な真理であるかのように要約されてしまうリスクがあるのです(4)。

AIは、細部の留保を削ります。 条件つきの話を、一般論に見せてきます。 限定された観察を、普遍的な傾向のように整えてきます。

端的に言えば、「きれいにする力」が、強すぎるのです。

答えを出す「相棒」ではなく、問いを分解する「作業台」

市場調査や競合調査でも、同じことが起きます。「この市場のTAMを出して」と聞けば、AIはもっともらしい市場規模を返してきます。「参入余地を評価して」と聞けば、機会とリスクを整理してくれます。

問題は、それが「使えすぎること」です。 使えなければ疑いますが、使えてしまうから信じてしまう。ここに、生成AI時代のリサーチの落とし穴があります。

事実、私は、生成AIをリサーチにかなり活用しています。市場調査、競合調査、新規事業の仮説づくりまで、Deep ResearchやNotebookLM、Claude、Geminiを駆使しています。ただし、AIに「答え」を出してもらう感覚では使っていない、というのが若干一般的な使い方と異なっているように感じています。

私の感覚は、むしろ、

AIは、答えを出す相棒ではなく、問いを分解する「作業台」

に近い、といった感じです。リサーチの中心は、プロンプトの巧さではありません。どんなにプロンプトが上手くても、情報源の重みづけを間違えれば、結論は簡単に歪むので。

「エビデンスポートフォリオ」を設計する

公式統計、論文、IR、LP、価格表、求人票、顧客レビュー、Podcast、投資家の発言、SNS etc。これらはすべて「情報」ですが、同じ種類のものではありません。具体的には、

• 公式統計：断定の土台になる
• 論文：方法と限界を見極めれば、主張の支えになる
• 企業のLP：その企業が市場にどう見られたいかを示す
• 求人票：どこにリソースを投資しているかのシグナルになる
• Podcastや創業者の発言：まだレポート化されていない問題意識を拾えるが、それは「Fact」ではなく「Signal」である

このような区別をしないままAIに要約させると、すべてが同じ平面に並んでしまい、もっともらしいが歪んだ結論が生まれます。なので私は、生成AI時代のリサーチを「検索」ではなく、「エビデンスポートフォリオの設計」として捉えています。

• 何をFactとして扱うのか。
• 何をSignalに留めるのか。
• 何をOpinionとして距離を置くのか。
• どこからが自分のInference（推論）なのか。
• 何がまだUnknown（未知）なのか。

このような具合に、「仕分け」をしないリサーチは、いくら速くても危うい、というのが私の感覚です

この記事で伝えたいこと

以降、本稿でまとめるのは、「これが唯一の正解です」という話ではございません。網羅的なツール比較でも、ましてや「便利プロンプト100選」でもありません。

私が実際に実務で市場調査・競合調査・新規事業探索で実際に意識している、「問いを分解し、証拠を組み、最後に意思決定へ落とすための型」についてつらつらとまとめてみます。

生成AIによって、調査は速くなりました。が、判断が「シャープに」なったかどうかは別問題です。むしろ、これから問われるのは、AIに何を聞くかではありません。

AIが出してきたもののうち、何を信じ、何をまだ信じないのか。何を次に確かめに行くのか。

そこに、生成AI時代のリサーチの本体がある、のだと思っています。

目次

1. 引用があることと、判断に耐えることは違う
2. 「きれいにする力」が招く落とし穴
3. 答えを出す「相棒」ではなく、問いを分解する「作業台」
4. 「エビデンスポートフォリオ」を設計する
5. この記事で伝えたいこと
6. 良いプロンプトは、呪文ではなく「調査依頼書」である
7. 「何を調べるか」より、「何の判断に使うか」
8. プロンプトに入れるべきなのは、お願いではなく制約である
9. 「モデル単体」から「作業環境」への変化
10. プロンプトがうまくなっても、リサーチが深くなるとは限らない

すべて表示

良いプロンプトは、呪文ではなく「調査依頼書」である

生成AIのリサーチ活用について話すと、どうしても「どんなプロンプトを入れればいいのか」という話になりがちです。

もちろん、プロンプトは大事です。雑に聞けば、雑に返ってきますからね。「この市場について調べて」と聞くのと、「誰に、何の意思決定のために、どの粒度で、どの情報源を優先して、どんな形式で整理してほしいのか」まで渡すのでは、返ってくるものがまったく違う、というのは体感したことがある方も多いでしょう。

ただ、ここで強調したいのは、プロンプトは「裏技」ではないということです。もっと言えば、良いプロンプトは、AIにかける魔法の呪文ではありません。むしろ、

プロンプトは、「調査依頼書」である

ということを明確に意識すべきだと考えています。

実際、OpenAIの公式ガイドでも、プロンプトでは文脈、期待する成果、長さ、形式、スタイルなどを具体的に指定することが推奨されています(5)(6)。Google Geminiのプロンプト設計ガイドでも、プロンプトエンジニアリングは一度で完成するものではなく、反復的な設計プロセスとして説明されていますね(7)。

つまり、主要なAI企業が言っていることを私なりにざっくりまとめると、こうなります。

AIに「いい感じに調べて」と頼むな。
仕事として渡せ。

これは、実務で使っていても本当にそう感じています。

実際、リサーチャーやコンサルタントに仕事を頼むときに、「市場について
いい感じに調べておいて」とだけ伝える人はいないでしょう。少なくとも、まともな仕事を期待するなら、背景、目的、意思決定の論点、欲しい粒度、優先すべき情報源、避けたい前提、提出形式くらいは渡すはず。

生成AIも全く同じです。むしろ、AIは人間よりもこちらの曖昧さを“よしなに”処理してしまう分、危ういのです。

「何を調べるか」より、「何の判断に使うか」

たとえば、市場調査でよくある悪い聞き方は、こんな感じでしょう。

❌ 悪い例
「生成AIを活用した営業支援SaaS市場について調べてください。」

これでも、AIは丁寧に答えてくれます。市場規模、主要プレイヤー、成長要因、課題、今後の展望。たぶん、きれいな表まで作ってくれるでしょう。

ただ、正直なところ実務ではこれだと使いにくい。なぜなら、調査の目的が分からないから。

新規事業として参入すべきかを判断したいのか。既存事業の隣接領域として見たいのか。投資対象として市場の立ち上がりを見たいのか。競合がどの顧客セグメントを狙っているかを知りたいのか。あるいは、顧客インタビューの設計に使いたいのか。

目的が違えば、見るべき情報も当然変わります。だから私は、AIにいきなり「調査テーマ」を投げることはしません。まず、AIに渡す前に、問いを少しだけ「締める」ように意識しています。

✅ 良い例（実務での入力イメージ）
「日本の中堅B2B企業向けに、生成AIを活用した営業支援SaaSの新規事業機会を検討しています。目的は、参入可否の初期判断です。市場規模の推計そのものよりも、顧客が現在どのような代替手段で営業資料作成・商談準備・CRM入力・ナレッジ共有を行っているかを把握したいです。直接競合だけでなく、Excel、人力運用、既存CRM、営業代行、社内ナレッジ共有ツールなども含めて、代替手段ベースで論点を分解してください。出力は、Fact / Signal / Opinion / Inference を分けてください。最後に、この仮説が間違っているとしたら何を確認すべきかも挙げてください。」

長い。でも、これくらい渡した方が圧倒的にいいです。

なぜなら、ここでAIに頼んでいるのは「情報収集」ではなく、「調査設計」だからです。

プロンプトに入れるべきなのは、お願いではなく制約である

私がリサーチ系のプロンプトで必ず入れるようにしているのは、だいたい次の要素です。

• 目的：何の意思決定に使うのか
• 前提：どの市場、どの顧客、どの地域、どの時間軸なのか
• 役割：AIにどの立場で考えさせるのか
• 優先情報源：公式統計、論文、企業資料、レビュー、Podcastなどのうち何を重視するのか
• 除外条件：何をやらないのか、どの前提を避けるのか
• 分類軸：Fact / Signal / Opinion / Inference など
• 反証条件：この仮説が間違っているなら、何が観察されるはずか
• 出力形式：表、論点リスト、意思決定メモなど

こう書くと、ずいぶん面倒に見えるかもしれません。でも、実際には逆です。ここを雑にすると、あとで余計に時間がかかるのです。

AIが返してきたきれいな表を見ながら、「いや、知りたかったのはこれじゃない」「この市場規模の前提は何だっけ」「この競合比較は誰目線なのか」「Podcastの発言と公式統計が同じ重みで並んでいないか」と、後から修正することになることが往々にしてあります。それなら、最初から仕事の渡し方を丁寧にした方がずっと早いですからね。

「モデル単体」から「作業環境」への変化

もう一つ重要なのは、いまの生成AIリサーチが、単に「モデルに聞く」段階を超えつつあることでしょう。

AnthropicのClaudeでは、外部ツールやAPIと接続するTool useが公式に扱われており、Extended thinkingとTool useを組み合わせる設計も説明されています(8)(9)。これは、リサーチを考えるうえでも大きな変化です。

要するに、生成AIは「何でも知っている箱」ではなくなってきているわけです。むしろ、検索、社内資料、外部データベース、PDF、音声、表計算、コード実行などとつながる「作業環境」になってきている、というイメージです。

だからこそ、プロンプトの意味も変わってきているのです。

昔ながらのプロンプト観では、「どう聞けば賢い答えが返ってくるか」が中心でした。しかし、リサーチ実務で重要なのは、「どの情報源を見に行かせ、どの順番で読み、どの基準で統合し、どこで人間が判断するか」です。

つまり、プロンプトは文章術ではなく、ワークフロー設計なのです。

プロンプトがうまくなっても、リサーチが深くなるとは限らない

ここで、ひとつ釘を刺しておきたいのが、

良いプロンプトは大事。でも、良いプロンプトだけでは足りない。

ということです。なぜなら、どれだけ作業依頼書がうまくても、そもそも依頼している調査設計が間違っていれば、AIはその間違いを「高性能に」実行してしまうからです。

最初から「この市場は伸びる」という前提で調査させれば、AIは成長要因を無邪気に集めてきます。「競合比較をして」と頼めば、競合企業の表を作ってくれます。「TAMを出して」と頼めば、それらしい数字を出してきます。

しかし、新規事業で本当に知りたいのは、そこではないことが多い。

市場が伸びるかどうか以前に、顧客は本当にその課題に困っているのか。困っているとして、現状何で代替しているのか。なぜ既存の解決策では不十分なのか。なぜ今まで購買されてこなかったのか。誰が予算を持ち、誰が面倒を被り、誰が導入に反対するのか。

この問いを立てないまま、AIに市場を調べさせると、調査レポートはどんどん立派になります。が、事業判断には近づかないのです。

プロンプトがうまいだけでは、リサーチは深くならない。

問いが浅ければ、AIは浅い問いを美しく処理してしまう。

ここが、かなり厄介なのです。

なので私は、生成AIリサーチの出発点を「プロンプトの改善」には置いていません。もちろん、プロンプトは磨きます。役割も書くし、前提も書くし、出力形式も指定する。反証も求める。

が、それは入口にすぎないのです。

本当に重要なのは、その先。AIが集めてきた情報を、どう仕分けるのか。どの情報をFactとして扱い、どれをSignalに留めるのか。どこからがAIの要約で、どこからが自分のInferenceなのか。そして、どのUnknownを次に潰しに行くのか。

プロンプトは、調査依頼書です。

しかし、調査依頼書だけでは、意思決定はできません。

次に必要なのは、エビデンスの組み方にあります。

リサーチを「エビデンスポートフォリオ」として組む

前章で、プロンプトは「調査依頼書」であり、単なる文章術ではなくワークフロー設計だと書きました。

ただし、そこまでやっても、まだ足りません。

良いプロンプトを書けば、良いアウトプットは返ってきやすくなります。でも、それはあくまで「返ってきやすくなる」だけです。リサーチの品質を決めるのは、最終的にはプロンプトそのものではありません。

返ってきた情報を、どう扱うか。

ここが本丸です。

生成AIを使ってリサーチをしていると、情報はすぐに集まります。論文、ニュース、公式統計、企業サイト、競合のLP、価格表、求人票、顧客レビュー、Podcast、YouTube、投資家インタビュー、SNS上の不満。AIに頼めば、かなりの速度で一覧化してくれます。

ただし、ここで注意しなければいけないのは、これらはすべて「情報」ではあるものの、同じ重さの情報ではないということです。

• 公式統計とPodcastの発言は違います。
• 査読論文と企業のLPは違います。
• 顧客レビューと投資家の未来予測は違います。
• 求人票と市場規模レポートも違います。

にもかかわらず、AIにそのまま要約させると、これらが同じ平面に並んでしまうことがあります。

• 「市場は拡大している」
• 「顧客ニーズが高まっている」
• 「競合各社が投資を強めている」
• 「導入障壁はあるが、今後の成長余地は大きい」

こういった文章は、非常にそれっぽいことが多い。が、実務ではこのままだと使えません。

なぜなら、どの文が検証可能なFactなのか、どれが単なるSignalなのか、どこからが誰かのOpinionなのか、そしてどこからが自分のInferenceなのかが混ざっているからです。

ここが混ざると、リサーチは急に危うくなります。

Fact、Signal、Opinion、Inferenceを分ける

私は、生成AIでリサーチをするとき、情報をざっくり次の5つに分けるようにしています。

この分類は、厳密な学術分類というより、実務上の品質管理のためのものです。

私はこれを、エビデンスポートフォリオと呼んでいます。

投資でポートフォリオを組むとき、株式、債券、現金、オルタナティブ資産を同じものとして扱わないでしょう。それぞれ期待リターンも、リスクも、流動性も違いますからね。だからこそ、何をどれくらい持つかを設計する。

リサーチも同じです。

すべての情報を「根拠」として一括りにしてはいけません。どの情報が何を支えられるのかを見極める必要があるのです。

• Factは、断定の土台になる。
• Signalは、仮説を生む。
• Opinionは、視点を広げる。
• Inferenceは、意思決定に向けた自分の解釈になる。
• Unknownは、次の調査や実験の起点になる。

この役割の違いを見ないまま情報を集めると、リサーチはすぐに“情報の山”になります。そして、情報の山は、意思決定を助けるどころか、むしろ曇らせることさせあるのです。

たとえば、求人票はFactなのか

具体例で考えてみます。

あるAI SaaS企業が、エンタープライズセールス、カスタマーサクセス、セキュリティエンジニアの求人を急に増やしているとします。これを見て、「この会社はエンタープライズ展開を強めている」と言いたくなる。

たしかに、それはかなりあり得る解釈です。

でも、この時点で言えるFactは、あくまで、

その企業が、特定職種の求人を出している

というところまでです。

• 「エンタープライズ展開を強めている」はInferenceです。
• 「大企業顧客からの需要が増えている」は、さらに一段強いInferenceです。
• 「市場全体がエンタープライズ化している」は、かなり広げすぎたInferenceです。

この階段を飛ばしてしまうと、リサーチは一気に怪しくなります。

求人票は、とても有用です。競合がどこにリソースを張ろうとしているのか、どんな顧客対応能力を強化しているのか、どの技術領域に投資しているのかを読む手がかりになります。

が、それはFactというより、Signalに近い。

つまり、求人票は「この会社はこう動いている」と断定する材料ではなく、「この会社はこう動こうとしている可能性がある」と仮説を立てる材料です。

この違いは小さく見えますが、実務ではかなり大きいです。

企業のLPは、「現実」ではなく「見られたい姿」である

競合調査でよく使う情報源に、企業のLPやサービスサイトがあります。これは当然見ます。見ない理由はありません。

ただし、LPを「その企業の現実」としては読みません。

むしろ、その企業が市場からどう見られたいかとして読みます。

• どの顧客課題を前面に出しているのか。
• どんなユースケースを見せているのか。
• 料金を公開しているのか、問い合わせにしているのか。
• 導入事例にどんな企業を並べているのか。
• 「AI」「自動化」「セキュリティ」「ROI」「現場負荷削減」のどれを強調しているのか。

これらは、競合のポジショニングを読むうえで非常に重要です。

ただし、LPに書いてあることは、基本的にはマーケティングメッセージです。そこには誇張もあるし、省略もあるし、見せたくない部分は出てきません。

なので、LPだけを見て「この会社はこの領域で強い」とは言いません。LPから言えるのは、せいぜい、

この会社は、この課題設定で、この顧客層に、この価値を訴求しようとしている

くらいです。

それを導入事例、レビュー、料金表、プロダクトドキュメント、求人票、顧客インタビューなどと重ねて、初めて「実際に強いのか」を見に行く。

ここでも、情報源の役割を混ぜないことが重要です。

PodcastはFactではない。が、Factになる前のSignalがある

もう一つ、私がかなり重視しているのがPodcastや創業者インタビューです。

新しい市場では、公式レポートに載る前に、現場の違和感が先に出ます。創業者の会話、投資家のPodcast、カンファレンスの質疑、顧客の愚痴、採用候補者向けの会社説明。そういうところに、まだ整理されていない問題意識が出ることがあります。

たとえば、ある創業者がPodcastで何度も「エンタープライズ導入ではセキュリティレビューがボトルネックになる」と話しているとします。

それは、そのままFactではありません。その創業者の経験に基づく発言であり、ポジショントークも含まれているかもしれません。

でも、Signalとしてはかなり面白いのです。

• なぜその話を何度もしているのか。
• 営業上の障壁なのか。
• 顧客が本当に困っているのか。
• 競合も同じ問題に当たっているのか。
• 求人票でセキュリティやコンプライアンス人材を増やしているのか。
• 製品資料でSOC2、ISO、データ保持、権限管理を強調しているのか。

このように、Podcastの発言を起点にして、他の情報源を見に行くわけです。

ただし、あくまでPodcastは答えではありません。問いを増やす材料です。

ここを間違えると、Podcast好きの人が「この起業家が言っていたから正しい」と言い始めるのですが、それは危ないので要注意です。

一方で、Podcastを軽視しすぎるのももったいない。新興市場では、Factになる前のSignalが、まず人の言葉に現れることが結構多いんですよね。

AIには、結論ではなく「分類」をさせる

では、このエビデンスポートフォリオを、実際にAIでどう扱うのか。

私の場合、AIにいきなり結論を求めないようにしています。

代わりに、まず、分類させます。

たとえば、私は複数の資料や検索結果を入れたあとに、こう聞くようにしています。

以下の情報を、Fact / Signal / Opinion / Inference / Unknown に分類してください。
ルール：
・Factは、出典に戻って検証できる事実だけに限定する
・Signalは、仮説生成には使えるが断定には使えない情報とする
・Opinionは、発言者や企業の立場が反映された見解とする
・Inferenceは、複数情報をもとにした解釈として明示する
・Unknownは、意思決定前に追加確認が必要な点とする
出力形式：
1. 分類表
2. 断定してよいこと
3. まだ断定してはいけないこと
4. 次に確認すべき一次情報
5. このリサーチの弱い部分

このプロンプトの狙いは、AIに賢そうな結論を出させることではありません。

むしろ逆です。

断定できないことを、断定できないまま残させることです。

ここがかなり大事だと思っています。

AIを使うと、どうしても結論を急ぎたくなります。「で、どうなの？」と聞きたくなる。「この市場は有望ですか？」「参入すべきですか？」「競合に勝てますか？」

気持ちは分かります。私も聞きたくなります。

でも、早すぎる結論は、たいていリサーチの敵です。特に新規事業では、「まだ分からないこと」を見失った瞬間に、判断が雑になります。

だから、AIにはまず、分からなさを整理させる。ここが、生成AIリサーチの使い方としてかなり効いている感覚があります。

「強い根拠」と「便利な根拠」は違う

ここで、もう一つ厄介な点があります。

実務では、使いやすい情報ほど、つい重く扱ってしまうのです。

たとえば、

• きれいにまとまった業界レポート。
• 検索で上位に出てくる市場規模の記事。
• 競合比較表。
• VCや著名起業家の分かりやすい発言。
• Podcastで語られる印象的なストーリー。

これらは、非常に使いやすい。文章にも入れやすい。社内説明にも使いやすい。

しかし、使いやすいからといって、強い根拠とは限りません。逆に、強い根拠ほど面倒なことが多いとすら感じます。

一方、定義が細かい。サンプルが限定されている。条件が多い。読みづらい。数字も一発で使えない。しかも、自分の仮説に都合よくないこともある、といった情報もあります。

本当に意思決定に効くのは、しばしば後者です。

ここで楽をすると、AIリサーチは「分かりやすいものを集める作業」になってしまいます。本来やるべきなのは、「信じてよいもの」と「まだ信じてはいけないもの」を分ける作業のはずです。

エビデンスポートフォリオは、仮説を強くするためではなく、壊すためにある

少し逆説的ですが、エビデンスポートフォリオを組む目的は、自分の仮説を強く見せることではありません。むしろ、仮説を壊しやすくすることです。

• Factが足りないなら、まだ断定しない。
• Signalしかないなら、仮説に留める。
• Opinionが強すぎるなら、発言者の立場を疑う。
• Inferenceが飛びすぎているなら、一段戻る。
• Unknownが大きいなら、次の調査や顧客インタビューに回す。

このような態度・意識がないと、生成AIはとても危うい存在になります。こちらが信じたい方向に、いくらでも材料を並べてくれるからです。

だから私は、生成AIでリサーチするとき、最後に必ずこう聞くようにしています。

この結論を支持する情報ではなく、壊す情報を探してください。
この仮説が間違っているとしたら、どんなFact、Signal、顧客発言、競合行動、規制変化が観察されるはずですか。

ここまで聞いて、ようやく少し安心できます。それでも、もちろん十分ではありません。

AIが出してきた反論も、またAIの出力です。最後は、人間が見に行くしかない。

顧客に聞く。現場を見る。一次情報に戻る。数字の定義を確認する。競合の資料を読む。場合によっては、小さく売ってみる。

生成AI時代のリサーチは、机の上だけで完結するものではありません。むしろ、机の上で仮説をきれいに分解できるからこそ、次にどこへ見に行くべきかが見える。

その意味で、エビデンスポートフォリオは、リサーチの終点ではありません。

次の検証に向かうための地図なのです。

市場調査では、最初に市場規模を聞かない

では、実際に市場調査を始めるとき、私は何から見るのか、といったことを振り返ってみます。

結論から言うと、最初に市場規模は見ません。

もちろん、市場規模は大事です。新規事業であれ、投資検討であれ、事業会社の隣接領域探索であれ、最終的には「どれくらいの大きさがあるのか」「どれくらい伸びるのか」「自社がどれくらい取れそうなのか」は避けて通れません。

が、最初にそこへ行くと、かなり危ない。

なぜなら、市場規模は、一見すると客観的な数字に見えますが、実際には前提の塊だからです。対象顧客をどこまで含めるのか。既存予算の置き換えなのか、新規予算なのか。グローバルなのか国内なのか。既存カテゴリなのか、新しく立ち上がるカテゴリなのか。単価をどう置くのか。普及率をどう見るのか。

前提を少し変えるだけで、数字はいくらでも動きます。だから私は、AIにいきなり、

「この市場のTAM/SAM/SOMを出してください。」

とは聞かないようにしています。

聞けば、出てきます。それっぽい数字も、計算式も、成長率も、表も出てくるでしょう。

でも、その数字は、まだ「使える数字」とは限りません。むしろ、最初にきれいな市場規模を見てしまうと、そこから逆算して都合のよい物語を作りたくなることがあります。これは、かなり危うい。

市場規模は、リサーチの入口ではなく、後半で検証すべき問いです。少なくとも私は、そう扱っています。

最初に見るのは、「顧客が今どうごまかしているか」

では、市場規模の代わりに何を見るのか。

私が最初に見るのは、顧客が今その課題をどう処理しているかです。もう少し荒っぽく言えば、

顧客は今、その不便を何でごまかしているのか。

ここから入ります。

たとえば、ある業務領域に生成AIを使った新規SaaSの機会がありそうだとします。営業支援でも、採用でも、法務でも、研究開発でも、製造現場でも何でもよいです。このとき、いきなり「市場規模は？」と聞くよりも、まず見たいのは以下です。

• その業務は、現状どう回っているのか。
• Excelで管理しているのか。
• Slackやメールで無理やり回しているのか。
• 人力チェックで耐えているのか。
• SIerやコンサルに外注しているのか。
• 既存SaaSの機能を無理やり使っているのか。
• 社内の詳しい人に依存しているのか。
• そもそも問題だと思われていないのか。
• 問題だとは思われているが、予算化されていないのか。

この「現在のごまかし方」を見ると、顧客のペインの輪郭が出てきます。

本当に困っている課題は、必ず何らかの代替手段を生んでいます。完璧な解決策ではなくても、現場は何かでしのいでいる。

Excel。人力。メール。会議。外注。属人化。先送り。見なかったことにする。

こういうものが、実は新規事業にとっての最初の競合です。

競合は、競合企業だけではない

競合調査というと、つい同じカテゴリの企業を並べたくなります。A社、B社、C社。機能比較、価格比較、導入企業比較。強み、弱み、ターゲット、ポジショニング。

もちろん、それは必要です。ただ、それだけだと競合調査としてはかなり浅い。なぜなら、顧客は必ずしも「同じカテゴリの別製品」と比較しているわけではないからです。

顧客が本当に比較しているのは、多くの場合、

「この新しい製品を入れるくらいなら、今のやり方のままでよくないか？」

です。

つまり、最大の競合は、たいてい競合企業ではありません。現状維持です。

ここを見落とすと、競合調査はきれいな表で終わります。が、事業判断にはあまり効きません。たとえば、営業支援SaaSを考えるなら、競合は他の営業支援SaaSだけではありません。

• Excelでの案件管理
• SalesforceやHubSpotの既存運用
• NotionやGoogle Docsでのナレッジ共有
• 営業マネージャーの属人的なレビュー
• 外部の営業代行
• インサイドセールスの人海戦術
• そもそも何もしない
• 「営業は個人の腕で決まる」という組織文化

こういうものも全部、競合です。なかでも厄介なのは「何もしない」です。

新しいツールを入れるには、検討が必要です。稟議が必要です。セキュリティレビューが必要です。現場教育が必要です。既存ツールとの連携も必要です。運用変更も必要です。

つまり、導入にはコストがかかります。金額だけではなく、面倒くささのコストです。顧客がそのコストを払うほど困っていないなら、どれだけ市場規模が大きく見えても、事業は進みません。

だから私は、競合調査ではまず「誰が同じ製品を出しているか」ではなく、

顧客はいま何に耐えているのか。
その不便は、乗り換えコストを上回るほど大きいのか。

を見るようにしています。

AIには、競合企業ではなく「代替手段」を出させる

この観点で、AIに最初に聞くときも、競合企業リストを作らせるだけでは終わらせません。たとえば、こう聞きます。

以下の市場について、競合企業の一覧ではなく、顧客が同じ課題を解決・回避するために使っている「代替手段」ベースで整理してください。
対象市場：{市場名・顧客セグメント・課題}
出力してほしい分類：
1. 直接競合
2. 間接競合
3. Excel / スプレッドシート
4. 人力運用
5. 既存SaaSの流用
6. SIer / コンサル / 外注
7. 社内開発
8. 属人化
9. 何もしない
各カテゴリについて、以下を整理してください。
・顧客がそれを選ぶ理由
・その方法で我慢できている理由
・その方法への不満
・乗り換えを妨げている要因
・新規参入者が勝てる可能性
・追加で確認すべき一次情報
注意：断定できるFactと、仮説に留まるSignal / Inferenceを分けてください。

こうやってみると、競合調査の見え方がかなり変わってくるはずです。

直接競合だけを見ていると、「どの会社がどんな機能を持っているか」に意識が向きます。しかし、代替手段ベースで見ると、「なぜ顧客はまだ変えていないのか」に意識が向きます。

この違いは大きいです。

新規事業で知りたいのは、単に市場に空白があるかどうかではありません。空白に見える場所に、なぜまだ誰も入り込めていないのかです。

そこには、たいてい理由があります。予算がない。決裁者が違う。現場は困っているが、経営課題になっていない。既存ツールでぎりぎり回っている。導入すると業務フローが変わりすぎる。セキュリティレビューが重い。データが汚い。そもそも誰もその問題を所有していない。

このあたりが見えてくると、市場調査は急に実務的になります。

TAM/SAM/SOMは「答え」ではなく、前提分解として使う

では、市場規模をまったく見ないのかというと、もちろんそんなことはありません。見ます。ただし、順番と使い方が違います。

TAM/SAM/SOMは、最初に「この市場は大きい」と安心するための数字ではありません。私はむしろ、前提を分解するための道具として使っています。

たとえば、AI営業支援SaaSの市場を考えるなら、AIにいきなり数字を出させるのではなく、こう聞きます。

この市場のTAM/SAM/SOMを推計する前に、計算に必要な前提を分解してください。
確認したい前提：
・対象顧客セグメント
・対象業務
・既存予算の置き換えか、新規予算か
・課金単位
・想定単価
・導入率
・利用人数
・地域
・既存カテゴリとの重複
・市場規模推計で使える一次情報
・推計上の不確実性が大きい箇所
出力では、数字を出す前に、どの前提が最も結論を左右するかを示してください。

こうすると、市場規模の数字そのものよりも、「どの前提が危ないのか」が見えてきます。

たとえば、想定単価を月額1万円にするのか、10万円にするのか。対象を営業担当者全員にするのか、エンタープライズの特定部門だけにするのか。既存CRM予算から出るのか、新規AI予算から出るのか。国内だけなのか、グローバルなのか。

ここが変われば、TAMは簡単に何倍も変わります。

なので、市場規模は「結論」ではありません。仮説の感度分析です。

どの前提を置くと大きく見えるのか。どの前提が崩れると小さくなるのか。どの数字は比較的信じられて、どの数字はほぼ仮置きなのか。

この分解をしないままTAMだけ見ると、AIが作った立派な数字に引っ張られます。それは、かなり危ないと思っています。

「市場がある」と「買われる」は違う

市場調査でよくある誤解は、「市場がある」ことと「買われる」ことを混同してしまうことです。

ある課題が存在する。市場規模も大きそうに見える。既存プレイヤーもいる。投資も集まっている。顧客も不満を言っている。ここまで揃うと、つい「これはいけるのでは」と思いたくなります。

でも、実際にはまだ足りません。

顧客が困っていることと、お金を払うことは違います。お金を払うことと、導入することも違います。導入することと、使い続けることも違います。使い続けることと、組織に広がることも違います。

この階段を飛ばしてはいけません。

特にB2Bでは、「困っている人」と「予算を持っている人」と「導入で面倒を被る人」と「最終承認する人」が違うことがよくあります。

現場は困っている。でも、部長は優先度が低いと思っている。情報システム部門はセキュリティを気にしている。経営は別の投資テーマを見ている。法務はデータ利用に慎重。既存ベンダーとの契約もある。

こうなると、顧客課題があるだけでは足りません。市場規模が大きいだけでも足りません。必要なのは、購買が起きる条件を見ることです。

• 誰が痛みを感じているのか。
• 誰が予算を持っているのか。
• 誰が導入を止めうるのか。
• 既存業務の何を変えなければいけないのか。
• どのタイミングなら検討されるのか。
• 何が起きたら「今やる理由」になるのか。

このあたりは、AIの机上調査だけでは見えきりません。ただ、AIを使うと、どこを見に行くべきかは整理できます。

市場調査の初期アウトプットは、「市場の答え」ではなく「検証すべき問い」でよい

私は、初期の市場調査では、立派な市場レポートを作ろうとしません。むしろ、最初のアウトプットは粗くてよいと思っています（もちろん会社や状況によっても異なるでしょうが）。

欲しいのは、完成された結論ではありません。次に検証すべき問いです。

たとえば、初期調査のアウトプットは、このくらいで十分です。

• 顧客は何に困っている可能性があるのか
• 現在の代替手段は何か
• 既存の代替手段で我慢できている理由は何か
• どの不満が強そうか
• どの不満は単なる愚痴に留まりそうか
• 誰が予算を持っていそうか
• どの競合・代替手段が一番手強いか
• 市場規模推計で最も不確実な前提は何か
• 次に顧客へ聞くべき質問は何か
• 逆に、この仮説を壊す情報は何か

これくらい見えていれば、次に進めます。

AIのリサーチでやりがちな失敗は、最初から「完成度の高いレポート」を作ってしまうことです。表紙があり、サマリーがあり、市場概観があり、競合比較があり、示唆がある。見た目は立派です。

でも、そこに「次に何を確かめるべきか」がなければ、新規事業のリサーチとしては弱い。

リサーチの目的は、知識を増やすことではありません。意思決定の不確実性を減らすことです。そして初期段階で本当に必要なのは、正解ではなく、不確実性の所在なのです。

最初の問いを変えるだけで、リサーチは変わる

なので、私は市場調査で最初にこう聞かないようにしています。

「この市場は有望ですか？」
「TAMはどれくらいですか？」
「主要競合を比較してください。」

もちろん、後で聞きます。でも、最初ではない。最初に聞くのは、むしろこちらです。

「顧客は今、この課題を何で代替しているのか。」
「なぜその不便な方法で我慢できているのか。」
「その我慢が限界を迎える条件は何か。」
「この仮説が間違っているとしたら、どんな兆候があるはずか。」

この問いから入ると、市場の見え方が変わります。

競合企業ではなく、顧客の行動を見るようになる。市場規模ではなく、購買が起きる条件を見るようになる。成長ストーリーではなく、導入を阻む摩擦を見るようになる。

地味です。でも、実務ではこちらの方が効く感覚があります。

AIは、市場規模を出すのがうまい。競合表を作るのもうまい。でも、それをそのまま信じるのではなく、問いを少しずらすのです。

• 「この市場は大きいか」ではなく、「顧客は今、何で耐えているのか」。
• 「競合は誰か」ではなく、「現状維持を支えているものは何か」。
• 「参入余地はあるか」ではなく、「なぜ今まで誰も十分に解けていないのか」。

この問いのずらし方こそ、生成AI時代の市場調査で人間側に残る仕事なのだと思います。

PodcastはFactではない。が、Factになる前のSignalがある

ここまで、市場調査では最初に市場規模を聞かず、顧客が今どうごまかしているか、どんな代替手段に耐えているかを見る、と書いてきました。

では、その「顧客のごまかし」や「市場の違和感」は、どこに現れるのか。

もちろん、公式統計や業界レポート、競合のLP、求人票、レビューサイトなどは見ます。これは当然です。が、新しい市場や立ち上がりつつある領域では、それだけだと少し遅いことがあります。

• レポートになる頃には、もう論点が整理されすぎている。
• 市場マップに載る頃には、もう名前がついている。
• 導入事例になる頃には、すでに誰かが一定の勝ち筋を見つけている。

新規事業やスタートアップの文脈で本当に面白いのは、その少し手前です。

• まだカテゴリ名になっていない違和感。
• まだ市場規模として集計されていない不満。
• まだ業界レポートに載っていないが、現場では何度も語られている面倒くささ。

こういうものは、「話し言葉」の中に出ます。Podcast、創業者インタビュー、投資家の対談、カンファレンスのQ&A、YouTubeの長尺インタビュー、ウェビナーの質疑、採用候補者向けの会社説明会。

私は、こうした音声情報をかなり重視しています。

ただし、ここで大事なのは、PodcastをFactとして扱わないことです。

Podcastは、事実確認のための最終ソースではありません。

あくまで、Factになる前のSignalを拾う場所です。

「話し言葉」には、まだ整理されていない問題意識が出る

文章化された資料は、基本的に整理されています。

• 企業のLPは、見せたいメッセージに整えられている。
• IR資料は、投資家向けに論点が整理されている。
• 業界レポートは、市場カテゴリや定義がある程度固まっている。
• 論文は、問い、方法、結果、限界が形式化されている。

もちろん、それぞれ非常に重要です。が、整理されているということは、同時に、こぼれ落ちているものもあるということです。

一方で、Podcastやインタビューの話し言葉には、まだ整理されていない引っかかりが出ます。

• 創業者が何度も同じ話をしている。
• 投資家が特定の顧客課題に妙に反応している。
• プロダクト責任者が、機能の話よりも導入プロセスの難しさを長く語っている。
• 顧客インタビューで、明確な不満ではなく、「まあ、仕方ないんですけどね」と言いながら面倒な運用を話している。

こういう箇所に、まだ名前のついていない課題が眠っていることがあります。

もちろん、それはそのままFactではありません。発言者の個人的経験かもしれない。ポジショントークかもしれない。たまたまその企業の顧客だけに起きていることかもしれない。話として面白いから強調されているだけかもしれない。

でも、Signalとしてはかなり面白い。

私がPodcastやインタビューで見ているのは、「この人が言っているから正しい」ということではありません。そうではなく、

なぜ、この人はこの論点を何度も話しているのか。
なぜ、ここで少し言い淀んだのか。なぜ、製品機能ではなく導入プロセスの話に時間を使っているのか。

といったことです。音声情報は、答えではありません。問いを増やすための材料です。

NotebookLMは、「要約ツール」ではなく複数ソースを並べる机である

この文脈で、NotebookLMはかなり使いやすいと感じています（最近はClaude Codeをメインで使用しています）。

NotebookLMは、アップロードした資料群に基づき、Source-groundingされた回答を返す道具として使える、という話は冒頭でも触れました（2）。音声や資料作成等いろいろとできることはありますが、私にとってNotebookLMの価値は、「資料をいい感じに要約してくれること」だけではありません。

むしろ、より重要なのは、異なる種類の情報を同じ机の上に置けることです。

たとえば、ある市場を調べるときに、次のような資料を同じノートに入れます。

• 競合のLP
• 価格表
• 導入事例
• ヘルプページやプロダクトドキュメント
• 求人票
• 顧客レビュー
• 創業者Podcastの文字起こし
• 投資家インタビュー
• 関連する業界レポート
• 可能なら論文や公的資料

これらを同じ作業空間に置いたうえで、NotebookLMや生成AIにこう聞くわけです。

各資料が主張している顧客課題を一覧化してください。
そのうえで、資料間で一致している点と矛盾している点を分けてください。特に、公式資料には出ているが顧客レビューには出ていない論点、顧客レビューには出ているが企業のLPには出ていない論点、Podcastやインタビューにだけ出てくるSignalを抽出してください。最後に、Factとして扱えるもの、Signalに留めるべきもの、Opinionとして距離を置くべきもの、Inferenceとして明示すべきものに分類してください。

これをやると、単なる要約とは違うものが見えてきます。

企業が言っている顧客課題と、顧客が実際に不満として書いていることがズレている。LPでは「ROI」を強調しているのに、Podcastでは「導入後の運用負荷」の話ばかりしている。求人票ではセキュリティ人材を増やしているのに、サービスサイトではセキュリティがそれほど前面に出ていない。レビューでは「機能」よりも「社内定着」が問題になっている。

こういうズレが出てくると、リサーチは急に面白くなってきます。

要約ではなく、ズレを見る。ここがポイントです。

Podcastの発言は、他のソースにぶつけて初めて意味を持つ

たとえば、ある創業者がPodcastで、

「エンタープライズ導入では、AIの精度よりもセキュリティレビューと権限管理の方がボトルネックになる」

という趣旨の話をしていたとします。

この発言だけを見て、「なるほど、エンタープライズではセキュリティが最重要だ」と断定するのは早すぎます。

その発言は、あくまでSignalです。では、次に何を見るか。

• その会社のLPで、セキュリティや権限管理が強調されているか
• 導入事例で、情報システム部門やセキュリティ部門が登場しているか
• 求人票で、セキュリティ、コンプライアンス、エンタープライズCSの採用が増えているか
• ヘルプページで、SSO、監査ログ、権限管理、データ保持、管理者設定がどれくらい整備されているか
• 顧客レビューで、セキュリティや管理機能への不満が出ているか
• 競合各社も同じ論点を強調しているか
• 規制や社内統制の変化が、この論点を後押ししているか

こうやって他のソースにぶつけていく。

Podcastは、単独では弱い。でも、他の情報源を見るためのレンズとしてはかなり強い。つまり、Podcastは根拠そのものではなく、根拠を探しに行くための方向指示器のようなものなのです。

音声情報の価値は、「頻度」と「違和感」にある

Podcastやインタビューを見るとき、私は特に2つのものを見ています。

一つは、頻度です。

同じ人が何度も同じ論点を話している。複数の創業者が、別々の文脈で似たような課題を話している。投資家、顧客、プロダクト責任者が、言葉は違うが同じ摩擦に触れている。こういうときは、その論点をSignalとして扱います。

もう一つは、違和感です。

本来なら製品の強みを語る場面なのに、導入の難しさを長く語っている。市場の成長性を語るはずなのに、やたらと規制やセキュリティの話をしている。顧客課題を聞かれているのに、組織内の意思決定の遅さに話が流れている。

こういう違和感は、かなり大事です。

なぜなら、事業のボトルネックは、しばしば製品カテゴリの中心ではなく、周辺に出るからです。

• 「AIの精度」が課題だと思っていたら、実は「社内承認」が課題だった。
• 「価格」が問題だと思っていたら、実は「既存ワークフローから抜けられないこと」が問題だった。
• 「機能不足」が導入障壁だと思っていたら、実は「誰が運用責任を持つのか」が決まらないことが問題だった。

こういうズレは、きれいな市場レポートだけを読んでいても見えにくい。しかし、話し言葉の中には出ることがあります。だから私は、音声情報を「ながら聞きのインプット」としてだけではなく、リサーチ対象として扱うようにしています。

ただし、音声情報はバイアスの塊でもある

ここまでPodcastやインタビューの価値を書いてきましたが、同時に、かなり注意も必要です。

音声情報は、バイアスの塊でもあります。

• 創業者は、自社に都合のよい市場観を話します。
• 投資家は、自分たちの投資テーマに沿った未来像を語ります。
• 顧客は、自分の記憶や立場から話します。
• Podcastのホストは、面白いストーリーを引き出そうとします。
• カンファレンスでは、語りやすい成功談が選ばれがちです。

つまり、音声情報は生々しい一方で、かなり偏っています。

だからこそ、私は音声情報をFactにしない。Signalとして扱う。必ず、他の情報源に当てに行く、ということを意識しています。

ここを徹底しないと、Podcastを使ったリサーチはかなり危険です。「有名な創業者が言っていた」「トップVCがそう見ている」「海外のPodcastでよく語られている」。こういうものは、社内説明では妙に説得力を持ってしまいます。

でも、それは根拠というより、語りの強さです。

語りの強さと、根拠の強さは違います。

ここを混同してはいけません。

私が音声情報を処理するときのプロンプト

実際にPodcastやインタビューを読むときは、文字起こしをそのまま要約させるだけでは終わらせません。私は、だいたい次のように聞いています。

以下は、Podcast / YouTube / インタビューの文字起こしです。
目的：この音声情報から、市場の未顕在ニーズ、創業者の問題意識、業界の温度感を抽出してください。
注意：この情報はFactではなくSignalとして扱ってください。発言者の立場、ポジショントーク、サンプルの偏りも明示してください。
出力：
1. 繰り返し出てくる課題
2. まだ一般的なレポートには出ていなさそうな兆候
3. 発言者のバイアス
4. 他の情報源で検証すべき仮説
5. 競合調査に使える観点
6. 顧客インタビューで確認すべき質問
7. Factとして使ってはいけない論点

この最後の「Factとして使ってはいけない論点」が、結構効きます。

AIに要約を頼むと、どうしても見栄えよく整理されます。だから、あえて「使ってはいけないもの」を出させる。これは、前章で書いたエビデンスポートフォリオの発想と同じです。

大事なのは、情報を増やすことではありません。情報の扱いを間違えないことです。

音声情報は、「次に聞くべき問い」を作るために使う

最終的に、Podcastやインタビューから得たいのは、結論ではありません。

• 次に誰へ、何を聞くべきか。
• どの資料を見に行くべきか。
• どの競合行動を確認すべきか。
• どの前提が怪しいのか。

ここです。

たとえば、複数のPodcastで「導入後の運用負荷」が何度も出てきたなら、次の顧客インタビューではこう聞きます。

• 導入後、誰が日々の運用を担当していますか。
• その運用は、既存業務に比べてどれくらい増えましたか。
• 導入前に想定していなかった負担は何ですか。
• どの部署が一番抵抗しましたか。
• 運用負荷が理由で利用が止まったことはありますか。
• その負担を減らすために、今は何でごまかしていますか。

このように、音声情報を顧客インタビューや一次調査につなげる。ここまでやって初めて、Podcastはリサーチの一部になります。ただ聞いて「面白かった」で終わるなら、それはインプットではあっても、まだリサーチではありません。

レポートになる前の「市場の震え」を拾う

新しい市場では、最初からきれいなカテゴリ名があるわけではありません。

むしろ、最初はもっと曖昧です。

誰かが同じ不満を何度も話している。別々の会社が、似たような回避策を取っている。採用要件に、急に同じスキルが出始める。顧客レビューに、同じ愚痴が増える。Podcastで、特定の導入障壁が何度も語られる。

こうした断片が、少しずつ重なっていく。

それが一定の厚みを持つと、やがてカテゴリになり、市場になり、レポートになり、競合表になります。でも、その頃には、もうかなり遅いこともある。

だからこそ、私はPodcastや音声情報を、FactではなくSignalとして扱いながらも、かなり重視しています。

そこには、まだレポートになる前の「市場の震え」が出ることがあるからです。

繰り返しますが、PodcastはFactではありません。創業者の発言も、投資家の未来予測も、そのまま信じるものではありません。

でも、問いを増やす材料にはなる。次に見るべき資料を教えてくれる。顧客に聞くべき質問を変えてくれる。競合調査の切り口をずらしてくれる。

その意味で、音声情報は、生成AI時代のリサーチにおいてかなり面白いソースです。

読むべきなのは、テキストだけではありません。聞こえてくる違和感もまた、リサーチの入口なのです。

最後に作るべきは、調査レポートではなく意思決定メモである

ここまで、生成AI時代のリサーチでは、プロンプトを「調査依頼書」として設計し、情報をエビデンスポートフォリオとして組み、さらにPodcastや音声情報をFactではなくSignalとして扱う、と書いてきました。

では、最後に何を作るべきなのか。

多くの場合、リサーチの成果物は「調査レポート」になります。市場概観、競合比較、顧客課題、成長ドライバー、リスク、示唆。きれいなスライドやドキュメントにまとめる。もちろん、それが必要な場面もあります。

が、私は生成AIを使ったリサーチにおいて、最後の成果物を「調査レポート」にしない方がよいと感じています。

少なくとも、新規事業やスタートアップの文脈では、最終的に作るべきものはレポートではありません。

意思決定メモです。

なぜなら、リサーチの目的は、情報を増やすことではないからです。 意思決定の不確実性を減らすことだからです。

レポートは、情報を増やす。意思決定メモは、判断を前に進める

生成AIを使うと、レポートは簡単に立派になります。

• 市場規模の表
• 競合マップ
• 顧客セグメント
• 成長要因
• 規制リスク
• 技術トレンド
• 参入機会
• 推奨アクション

それっぽいものは、すぐに作れます。

ただ、実務で本当に困るのは、「情報が足りないこと」だけではありません。むしろ最近は、情報が多すぎることの方が問題になりがちです。

あれも見た。これも調べた。競合も並べた。市場規模も出した。顧客レビューも読んだ。Podcastも見た。レポートも集めた。

でも、結局どうするのか。

進めるのか。止めるのか。もう少し調べるのか。誰に聞きに行くのか。何が分かれば判断を変えるのか。

ここが曖昧なままだと、リサーチはどれだけ厚くても、意思決定には効きません。

調査レポートは、情報を「並べる」には向いています。 一方で、意思決定メモは、情報を「削る」ためのものです。

何が言えるのか。何はまだ言えないのか。どの仮説は残すのか。どの仮説は捨てるのか。どこに不確実性が残っているのか。次に何を確認すれば、判断が進むのか。

この「削る作業」が、かなり大事なのです。

AI時代の罠は、「分かった気になる」ことである

生成AIリサーチの怖さは、明らかに変な答えが返ってくることだけではありません。むしろ、それっぽく整理された答えが返ってくることです。

箇条書きがきれい。表が見やすい。抜け漏れが少なく見える。論点も一通り揃っている。最後に「総合すると有望です」と言ってくれる。

ここまで整っていると、人間側はかなり安心してしまいます。

ただ、前章までに何度も書いてきた通り、きれいに整理されていることと、判断に耐えることは違います。特に、生成AIは細部の留保を削り、広すぎる一般化を作りやすい。冒頭で触れたように、LLMによる科学研究の要約が人間要約よりも「広すぎる一般化」を含みやすいという報告もあります(4)。

だからこそ、最後の成果物では、あえて「分かっていないこと」を中心に置くべきです。リサーチ結果を見て、

「なるほど、だいたい分かった」

で終わらせない。むしろ、

「何が分かった気になっているだけなのか」

を確認する。ここが、生成AI時代のリサーチではかなり重要だと思っています。

意思決定メモに入れるべきもの

私がリサーチの最後に作る際、だいたい次のような項目にします。

• 現時点で支持される仮説
• 支持するFact
• Signalに留まる情報
• Opinionとして距離を置くべき情報
• 自分のInference
• まだUnknownなこと
• この仮説を壊す情報
• 次の30日で確認すべきこと
• Go / Hold / Stop の暫定判断
• 判断を変える条件

ポイントは、「結論」だけを書かないことです。 むしろ、結論に至るまでの地面の硬さを書く。

この仮説は、どのFactに支えられているのか。どこはSignalしかないのか。どこでOpinionに引っ張られているのか。どこからが自分のInferenceなのか。どのUnknownが残っているのか。

これを分けるだけで、議論の質がかなり変わります。

たとえば、会議で「この市場は有望です」と言うと、議論はふわっとします。代わりに、

「市場規模はまだ仮置きです。ただし、顧客が既存のExcel運用に限界を感じているSignalは複数あります。一方で、支払い意思と導入責任者は未確認です。したがって、現時点ではGoではなくHold。次の30日で、現場担当者ではなく予算保有者に10件ヒアリングし、既存予算の置き換え可能性を確認するべきです」

と言うと、議論が前に進みます。

これは、正直かっこいい結論ではありません。が、実務ではこういうメモの方が圧倒的に効くのです。

Go / Hold / Stopで考える

意思決定メモの最後には、できるだけGo / Hold / Stopの暫定判断を入れるようにしています。もちろん、初期段階で断定はできません。だから「暫定」でよいです。

• Go：小さく検証に進む価値がある
• Hold：関心はあるが、重要なUnknownが残っている
• Stop：現時点では進める理由が弱い、または反証が強い

ここで大事なのは、Goを「本格投資」と勘違いしないことです。初期リサーチにおけるGoは、「大きく張る」ではありません。多くの場合、「次の検証に進む」です。

顧客インタビューをする。LPを出して反応を見る。既存顧客に聞く。小さなプロトタイプを当てる。価格感を確認する。パートナー候補に話を聞く。競合の導入事例を深掘る。規制やセキュリティの論点を専門家に確認する。

この程度でよいのです。

一方で、Holdも大事です。私は、リサーチにおいてHoldをもっと積極的に使ってよいと思っています。

「有望そうだが、まだ判断材料が足りない」 「Signalはあるが、Factが弱い」 「顧客課題はありそうだが、支払い意思が見えていない」 「競合は弱そうに見えるが、現状維持の強さが分かっていない」

こういう場合、無理にGoともStopとも言わず、Holdにして「次に潰すUnknown」を明確にする。

Stopも同じです。Stopは敗北ではありません。むしろ、早く止められたなら、それは良いリサーチです。生成AIを使うと、どんなテーマでもそれっぽく可能性が見えてしまいます。だからこそ、Stopを出せることには価値があります。

「判断を変える条件」を書く

意思決定メモで、私が特に大事だと思っているのが、判断を変える条件です。

たとえば、現時点ではHoldだとします。そのときに、

「追加調査が必要です」

だけでは弱い。そうではなく、

「以下の条件が確認できればGoに変える。逆に、以下が確認できなければStopに近づける」

と書く。たとえば、こんな感じです。

• 予算保有者がこの課題を上位3つの優先課題として認識しているならGoに近づく
• 現在の代替手段に月額換算で十分なコストがかかっているならGoに近づく
• 導入に必要なデータ連携が既存システムで実現可能ならGoに近づく
• 逆に、現場の不満は強いが予算保有者の関心が低いならStopに近づく
• 競合ではなく現状維持が十分に機能しているならStopに近づく
• セキュリティレビューに半年以上かかり、初期顧客獲得が難しいならHoldまたはStopに近づく

こうしておくと、次の調査がかなり具体的になります。

何となく「もっと調べる」ではなく、判断を変えるために調べる。ここが大事です。

AIには、最後に「意思決定メモ」に変換させる

実際にAIを使うときは、リサーチ結果をまとめた後、最後にこう聞きます。

以下のリサーチ結果を、新規事業の意思決定に使えるメモに変換してください。
前提：
・Fact、Signal、Opinion、Inference、Unknownを混ぜないこと
・不明点を隠さないこと
・反証可能性を残すこと
・きれいな結論にまとめすぎないこと
出力：
1. 現時点で支持される仮説
2. 支持するFact
3. Signalに留まる情報
4. Opinionとして距離を置くべき情報
5. 筆者のInference
6. 重大なUnknown
7. この仮説を壊す情報
8. Go / Hold / Stop の暫定
9. 判断判断を変える条件
10. 次の30日で実行すべき検証

ここでも、AIに「最終判断」を渡しているわけではありません。

AIには、判断材料を整形させているのです。最終判断は、人間がする。

ただし、人間が判断しやすい形に整えることは、AIがかなり得意です。リサーチメモ、議事録、資料、文字起こし、検索結果、顧客レビュー、競合資料。これらを材料にして、「何が言えて、何がまだ言えないのか」を整理する。この作業は、かなり助かっています。

「批判的思考」をAIに外注しすぎない

ここで少しだけ、嫌な話もしておきます。

生成AIは、リサーチの負荷を下げてくれます。これは素晴らしいことです。が、同時に、考える負荷まで外注しすぎる危険があります。

Microsoft ResearchとCMUによる調査では、生成AIが知識労働者の批判的思考に与える影響が調べられています(11)。また、AI利用、認知的オフロード、批判的思考の関係を扱った研究も出ています(12)。この手の研究は、因果関係や対象範囲に注意して読む必要がありますが、少なくとも「AIがあるから考えなくてよい」という方向に進むのは危ういでしょう。

私は、生成AIを使うほど、人間側の批判的思考はむしろ重要になると思っています。

AIが出した結論を疑う。 要約で削られた留保を探す。 都合のよいSignalを重く扱いすぎていないか見る。 自分のInferenceが飛びすぎていないか確認する。 Unknownを隠していないか問い直す。

これは、AIに任せきるべき仕事ではありません。

もちろん、AIに反論させることはできます。仮説を壊す情報を探させることもできます。自分の結論の弱点を指摘させることもできます。

でも、その反論を採用するかどうかは、人間が決める。どのUnknownを潰しに行くかも、人間が決める。どこまで不確実でも進むかも、人間が決める。

この最後の判断まで外注すると、リサーチは一気に危うくなります。

「分からない」と書けるメモが、一番強い

良い意思決定メモには、「分からない」がちゃんと書かれています。

これは意外と難しいものです。

特に社内向けの資料では、どうしてもきれいに見せたくなります。調べたからには、何か言わなければいけない。示唆を出さなければいけない。結論を置かなければいけない。

その気持ちは分かります。でも、分からないことを分からないまま置けないリサーチは、かなり危険です。

市場規模は仮置き。支払い意思は未確認。競合の実利用率は不明。Podcastで語られた課題はSignalに留まる。顧客レビューは偏っている可能性がある。現場の不満はあるが、予算化されるかは不明。導入後の継続利用はまだ見えていない。

こういうことを、ちゃんと書く。 それは弱さではありません。むしろ、リサーチの強さです。

なぜなら、Unknownが明確なら、次の行動が決まるからです。

分からないことが分かっている状態は、前に進めます。分かった気になっている状態が、一番危ない。

リサーチの終点は、資料の完成ではなく、次の検証である

最終的に、生成AI時代のリサーチで私が意識しているのは、資料を完成させることではありません。

次の検証を決めることです。

顧客に何を聞くのか。どの競合資料をもう一段読むのか。どの数字の定義を確認するのか。どのPodcastのSignalを別ソースで検証するのか。どの前提を小さな実験で確かめるのか。誰を巻き込めば、購買条件が見えるのか。

ここまで決まって初めて、リサーチは「仕事」になります。

きれいなレポートで終わるリサーチは、読み物としてはよいかもしれません。でも、新規事業には足りない。新規事業に必要なのは、次に踏むべき一歩です。

だから私は、リサーチの最後にこう問い直すようにしています。

この調査によって、何を信じることにしたのか。 何をまだ信じないことにしたのか。 次に何を確かめれば、判断が変わるのか。

生成AIは、この問いに向き合うための強力な作業台になります。

でも、作業台の上で何を残し、何を捨て、何を次に検証するのか。それを決めるのは、やはり人間です。

調査レポートではなく、意思決定メモへ。 情報を増やすのではなく、不確実性を削る。 結論をきれいに見せるのではなく、判断を変える条件を明確にする。

ここまでできて初めて、生成AIリサーチは「便利な調べもの」から、新規事業の意思決定に使える道具になるのだと思います。

おわりに：生成AI時代の「考える」こと

振り返れば、生成AIが当たり前になる前、リサーチにおける最大のハードルは「情報を集めること」そのものでした。検索クエリを工夫し、何十ページものPDFを読み込み、散らばったデータをエクセルに手作業で統合する。それだけで一日が終わることも珍しくありませんでした。

今、そのハードルは劇的に下がりました。Deep Researchを回し、NotebookLMに資料を放り込めば、かつて数日かかっていた「情報の構造化」が数分で終わります。

しかし、だからこそ問われている気がしてなりません。

「情報が整理された」として、それで私たちは何を判断するのか？

きれいな市場規模の表や、隙のない競合マップを眺めていると、どうしても「世界を理解した」ような全能感に包まれます。AIの出力があまりにも滑らかであるがゆえに、私たちの思考もまた、滑らかに上澄みだけを撫でてしまう。

実務において本当に泥臭いのは、情報がないことではなく、集まった情報を前に「結局、自分たちはどのリスクを取って前に進むのか」を決めることです。FactとSignalを仕分け、都合のいいOpinionに踊らされず、自分自身のInferenceの限界を自覚し、最後に残ったUnknownを現場へ確かめに行く。

結局のところ、AIがどれほど進化し、どれほど美しく資料をまとめてくれるようになっても、「問いを立てること」と「決断すること」の重みは私たち人間に残り続けます。

AIは、答えを出してくれる魔法の箱ではありません。私たちの思考の解像度を強制的に引き上げる、容赦のない作業台です。

「リサーチらしきもの」を作る速度に酔うのではなく、いかにして意思決定の不確実性を削り出し、次の一歩を踏み出すか。生成AI時代のリサーチ論とは、究極的には、「AIの前でいかに自分の頭で考え続けるか」という一点に尽きるのだと思います。

今回は以上。参考になれば幸いです！

今週の問い

皆さんの現場における「調査」の場面で、生成AIに任せている部分・任せていない部分はどこですか？

ぜひコメントを残していってください！

参考文献

(1) OpenAI. “Deep research in ChatGPT.” OpenAI Help Center.
(2) Google. “NotebookLM.” Google Workspace.
(3) Stanford HAI. “AI on Trial: Legal Models Hallucinate in 1 out of 6 (or More) Benchmarking Queries.” 2024.
(4) Peters, U., & Chin-Yee, B. “Generalization bias in large language model summarization of scientific research.” Royal Society Open Science, 2025.
(5) OpenAI. “Best practices for prompt engineering with the OpenAI API.” OpenAI Help Center.
(6) OpenAI. “Prompt engineering best practices for ChatGPT.” OpenAI Help Center.
(7) Google AI for Developers. “Prompt design strategies.” Gemini API Docs.
(8) Anthropic. “Tool use with Claude.” Claude Docs.
(9) Anthropic. “Extended thinking with tool use.” Claude Docs.
(10) Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. “The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers.” Microsoft Research / Carnegie Mellon University, 2025.
(11) Gerlich, M. “AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking.” Societies, 15(1), 6, 2025.