営業では、自社の商品やサービスについて詳しく説明できても、「それによって顧客の何が変わるのか」まで十分に説明できていないことがあります。
反対に、顧客成果を強く打ち出そうとするあまり、サービス内容から最終成果までを一気につなげてしまうケースもあります。「この研修を導入すれば離職率が下がります」といった説明は、その典型です。
重要なのは、価値を大きく見せることではありません。サービス内容から顧客成果までの間に、どのような変化が必要なのかを段階的に考え、どこまで根拠があり、どこから先が仮説なのかを整理することです。
生成AIは、この整理を行う際の思考支援に活用できます。メリットを大量に考えさせるのではなく、価値の因果関係を分解し、途中に論理の飛躍がないかを確認する相手として使うのがポイントです。
サービス内容を説明するだけでは、顧客成果まで伝わらない
サービス内容と顧客にとっての成果は同じではない
例えば、従業員300名程度、管理職約30名の企業に対して、管理職向け研修を提案するとします。
研修では、1on1の進め方、部下とのコミュニケーション、フィードバック方法などを扱います。営業担当者としては、「管理職のマネジメント力を高められる研修です」と説明したくなるでしょう。
しかし、顧客から見ると、それだけでは十分ではありません。
- 研修を受けると管理職の行動はどう変わるのか
- 職場では何が変わるのか
- その変化はどう確認するのか
といった部分が分からなければ、研修内容と顧客が期待する成果の間にはまだ距離があります。
サービスの内容や機能は、あくまで価値の出発点です。顧客にとって重要なのは、その先にどのような変化が起こるのかです。
「マネジメント力が向上します」だけでは、何が変わるのか分からない
「マネジメント力が向上します」という表現も注意が必要です。
一見すると分かりやすい言葉ですが、何をもってマネジメント力の向上とするのかが曖昧だからです。
例えば、研修後に管理職が、
- 1on1で一方的に話す時間を減らす
- 部下への質問を増やす
- フィードバックを具体的にする
- 定期的に1on1を実施する
といった行動を取るようになれば、変化を具体的に考えやすくなります。
「能力が上がる」という抽象的な表現から、「どの行動がどう変わるのか」まで落とすことで、価値の因果関係を検討しやすくなります。
「管理職研修→離職率改善」と一気につなげるのは危険
今回の企業では、若手社員の離職が経営課題の一つになっているとします。
そこで営業担当者が、
「この管理職研修を実施すれば、マネジメント力が向上し、若手社員の離職率改善につながります」
と説明したとします。
この説明には、確認すべき段階が多く残っています。
研修を実施しても、管理職が学んだ内容を職場で実践するとは限りません。また、管理職の行動が変わったとしても、それだけで若手社員の離職率が改善するとは限りません。
離職には、仕事内容、処遇、キャリア、労働環境、人間関係など、複数の要因が影響します。
そのため、「研修を実施する」と「離職率が改善する」の間で、どのような変化が必要なのかを分解して考える必要があります。
提案では成果までの「途中」を説明できることが重要
例えば、次のように整理できます。
管理職が1on1やフィードバックの方法を学ぶ ↓ 研修後に職場で実践する ↓ 質問方法やフィードバック方法が変わる可能性がある ↓ 部下とのコミュニケーションに変化が生じる可能性がある ↓ 部下側の納得感や相談のしやすさに変化が出る可能性がある ↓ 従業員アンケートなどで変化を確認する ↓ 長期的には定着や離職などに影響する可能性がある
もちろん、この流れがすべての企業で成立するわけではありません。
重要なのは、「何が変わることで、次の変化につながるのか」を一段ずつ考えることです。
AIで「サービス→学習→行動→指標→成果」を段階的に分解する
ここでは管理職研修を例にしていますが、この考え方はコンサルティング、業務支援サービス、ITサービスなどにも応用できます。
最初にサービスとして提供する内容を事実として整理する
AIを使うときも、最初から「この研修にはどんな効果がありますか」と聞くのは避けた方がよいでしょう。
まずは、確認できているサービス内容を事実として置きます。
今回であれば、
- 管理職向け研修を実施する
- 1on1の進め方を扱う
- 部下とのコミュニケーションを扱う
- フィードバック方法を扱う
といった情報です。
ここでは、まだ「離職率が下がる」「エンゲージメントが上がる」といった成果を加えません。
AIに与える出発点が曖昧だと、その後の因果関係も曖昧になりやすいためです。
サービスを受けた人が何を学ぶのかを整理する
次に、「研修を受けた管理職が何を学ぶのか」を考えます。
例えば、
- 1on1での質問方法
- 部下の話を聞く際の考え方
- フィードバックを具体的に伝える方法
- 部下との対話を進める際の基本的な進め方
などです。
ここでも、「学んだこと」と「実際にできるようになったこと」は分けて考える必要があります。
研修で方法を学んだからといって、職場ですぐに実践できるとは限らないからです。
学んだ後に、現場でどのような行動変化が必要かを考える
価値のつながりを考えるうえで、特に重要なのが行動変化です。
例えば、研修後に、
- 1on1を定期的に実施する
- 部下の話を引き出す質問を使う
- 抽象的な注意ではなく具体的なフィードバックを行う
- 研修で学んだ方法を継続的に試す
といった行動が必要になるかもしれません。
AIには、「この研修内容が成果につながるためには、研修後にどのような行動が必要か」と問いかけることができます。
ただし、AIの回答は「実際に起きる行動」ではありません。あくまで、営業担当者が検討すべき行動候補です。
行動変化によって現場や組織に何が起こる可能性があるかを見る
管理職の行動が変われば、その結果として部下との関係や職場の状態にも変化が起こる可能性があります。
例えば、
- 部下が相談しやすくなる
- 上司との認識のずれが減る
- 仕事上の悩みを早めに共有できる
- フィードバックへの納得感が変わる
といった変化です。
ただし、ここから先は顧客固有の状況による影響が大きくなります。
現在の1on1がどのように行われているのか、若手社員が何を理由に退職しているのか、人事部がどこに課題を感じているのかによって、想定すべき変化は変わります。
最終成果との関係は「確定した効果」ではなく仮説として考える
管理職の行動や職場の状態の変化は、定着や離職などに影響する可能性があります。
しかし、ここまで来ると、研修だけを原因として成果を説明することは難しくなります。
そのため、AIには「どのような影響が考えられるか」を仮説として整理させるに留めます。
AIは因果関係の候補を考えることはできますが、顧客企業でその効果が実際に起きることを確認することはできません。
中間指標を置くと、価値のつながりを検証しやすくなる
研修を実施しただけでは成果とは言えない
研修サービスでは、「何人が受講したか」「研修の満足度が高かったか」といった数値を成果として扱いたくなることがあります。
しかし、受講率や満足度は重要な情報ではあっても、必ずしも最終的な顧客成果ではありません。
研修を100％受講しても、その内容が職場で使われなければ、行動変化にはつながらない可能性があります。
そのため、成果までの途中に複数の指標を置いて考えることが重要です。
実施・学習・行動・組織状態を分けて確認する
例えば、今回の研修であれば、次のように段階を分けられます。
実施指標
- 研修受講率
学習指標
- 研修内容の理解度
行動指標
- 1on1実施率
- 研修内容の実践率
- フィードバック方法の変化
組織状態の指標
- 従業員アンケート
- 上司とのコミュニケーションに関する評価
最終成果
- 定着率
- 離職率
- 組織パフォーマンス
ここでの目的は、厳密な研修効果測定の仕組みを設計することではありません。
サービスと最終成果の間にどのような変化があるのかを見えるようにし、価値のつながりを検証しやすくすることが目的です。
1on1実施率や研修内容の実践率など、行動変化を見る指標
管理職研修の直後に離職率を見るよりも、
- 研修後に1on1の実施状況が変わったか
- 管理職が研修内容を職場で使っているか
- フィードバック方法に変化があったか
といった情報の方が、研修との関係を確認しやすい場合があります。
AIには、「このサービスによる変化を確認するには、どの段階の指標を見るとよいか」と候補を出してもらうことができます。
ただし、AIが挙げた指標は、あくまで確認候補です。
顧客がすでに管理している指標や、今回の施策で実際に確認したい変化と一致するかを確認してから使う必要があります。
従業員アンケートなど、組織状態の変化を見る指標
行動の次には、職場の状態に変化が起きているかを見る方法もあります。
例えば、従業員アンケートで、
- 上司に相談しやすいか
- 適切なフィードバックを受けているか
- 上司とのコミュニケーションに納得しているか
といった項目を確認している企業であれば、変化を検討する材料になる可能性があります。
一方、そのような調査を実施していない企業もあります。
AIが指標候補を提示したからといって、それを「測るべき正しい指標」と考えるのではなく、顧客が実際に取得しているデータや重視している指標を確認する必要があります。
中間指標と離職率などの最終成果を混同しない
1on1実施率が上がったからといって、必ず離職率が下がるわけではありません。
同様に、従業員アンケートの評価が改善したからといって、すべての事業成果につながるとは限りません。
中間指標は、「価値のつながりを確認するための材料」です。
最終成果と同じものとして扱わないことで、提案の根拠を必要以上に大きく見せることを防げます。
AIで因果関係の「飛躍」を点検する
各段階について「何が変われば次につながるのか」を確認する
AIを使う価値の一つは、自分では自然だと思っている説明を分解して確認できることです。
例えば、
「管理職研修を実施する」 ↓ 「マネジメント力が向上する」 ↓ 「離職率が改善する」
という説明をAIに渡し、「この因果関係で省略されている段階を指摘してください」と依頼します。
すると、研修後の実践、管理職の行動変化、部下側の変化、中間指標など、途中で考えるべき論点を洗い出す補助に使えます。
確認できている事実・合理的な仮説・未確認事項を分ける
ここで事実と仮説を分ける目的は、停滞している案件を前へ進めるためではありません。
今回の目的は、営業担当者が提案しようとしている価値に、どこまで根拠があるのかを確認することです。
確認できている事実には、
- 従業員300名程度
- 管理職約30名
- 部署によって1on1実施状況にばらつきがある
- 若手社員の離職が経営課題になっている
- 人事部が管理職のマネジメント力に課題を感じている
といった情報があります。
一方、
「1on1の質が低いことが若手離職の主因である」
という話は、確認できていなければ仮説です。
また、
- 現在の離職理由
- 管理職ごとの1on1実施率
- 従業員から見た上司とのコミュニケーション評価
- 研修後に管理職が実践できる環境があるか
などは、未確認事項になる可能性があります。
この区別をつけることで、営業側の思い込みを事実として提案に入れるリスクを抑えられます。
成果につながるための前提条件を洗い出す
価値の因果関係には、成立するための条件があります。
今回であれば、研修を実施するだけでなく、
- 管理職が研修へ参加する
- 研修内容を理解する
- 職場で実践する
- 実践を継続できる
- 1on1を実施できる時間や運用がある
といった条件が必要になるかもしれません。
AIに「この因果関係が成立するために必要な前提条件を挙げてください」と聞くことで、営業側が見落としていた条件を考えるきっかけになります。
「可能性がある」と「効果がある」を区別する
営業提案では、この言葉の違いが重要です。
「影響する可能性がある」と「効果がある」は同じではありません。
AIが一般的にもっともらしい因果関係を提示したとしても、それだけで顧客企業における効果が確認されたことにはなりません。
AIの出力は、提案内容を断定するための証拠ではなく、確認すべき仮説を整理するための材料として扱います。
分からない改善率や効果数値をAIに作らせない
特に避けたいのが、根拠のない数値です。
AIは、顧客企業の現在の離職率、1on1実施率、研修内容の実践率、従業員アンケート結果などを知らない場合があります。
その状態で、
- 「離職率が5％改善します」
- 「エンゲージメントが10ポイント向上します」
- 「生産性が20％上がります」
といった数字を作らせても、提案の根拠にはなりません。
これは管理職研修だけの話ではありません。ITサービスであれば工数削減率、営業支援サービスであれば売上向上率、業務支援サービスであれば生産性向上率などについても考え方は同じです。
数値を使う場合は、顧客から確認した実績値、自社で根拠を説明できるデータ、確認可能な導入事例などを使う必要があります。
データがない場合は、「この数値を確認できれば効果を検討しやすい」という確認項目として扱う方が適切です。
AIに任せる範囲と、人が判断する範囲を分ける
AIに任せやすいのは、
- 因果関係を段階的に分解する
- 途中で抜けている変化を指摘する
- 前提条件を洗い出す
- 確認指標の候補を整理する
- 顧客へ追加確認する質問候補を考える
といった作業です。
一方で、
- 顧客の本当の課題は何か
- どの因果関係がその顧客で成立するのか
- 顧客がどの指標を重視しているのか
- どの価値を商談で伝えるのか
- 最終的にどのような提案にするのか
は、人が確認して判断する必要があります。
AIは価値の構造を整理できますが、顧客固有の事情を確定することはできません。
実務で使う際は、「事実と仮説を分ける」「根拠のない数値を使わない」「AIが出した指標や因果関係を、顧客へ確認する前に事実として扱わない」といった最低限のルールを決めておくと、提案への誤用を防ぎやすくなります。
同じサービスでも、顧客によって「価値のつながり」は変わる
1on1定着、管理職育成、離職対策では重視する価値が異なる
同じ管理職研修を提案していても、顧客によって期待する価値は異なります。
例えば、
- 顧客Aは、1on1を社内に定着させたい
- 顧客Bは、管理職によるマネジメント品質のばらつきを減らしたい
- 顧客Cは、若手社員の離職を減らしたい
- 顧客Dは、新任管理職を早期に育成したい
この4社に対して、「管理職研修の価値は離職率改善です」と固定してしまうと、顧客が本当に求めている成果から外れる可能性があります。
顧客が実際に重視している指標や現状を確認する
AIは、変化を確認するための一般的な指標候補を挙げることはできます。
しかし、「この顧客が何を改善したいのか」をAIが決めることはできません。
営業担当者が確認すべきなのは、
- 人事部が研修を検討している理由
- 現在困っている管理職の行動
- 1on1の現在の実施状況
- 研修後にどの状態を目指しているのか
- 現在どのような指標を管理しているのか
- 顧客がどのKPIを重視しているのか
といった顧客固有の情報です。
こうした情報が揃って初めて、一般的な価値の仮説を顧客向けに組み直すことができます。
営業担当者が追加確認すべき情報をAIと整理する
AIは、提案内容を考えるだけでなく、「何が分からないか」を整理する用途にも使えます。
例えば、
「離職率改善まで説明するには、顧客へ何を追加確認する必要がありますか」
と問いかけます。
すると、
- 若手社員の主な退職理由
- 現在の1on1実施状況
- 管理職への評価や課題
- 従業員アンケートの有無
- 研修後の実践を支援する仕組み
など、追加確認候補を整理する補助になります。
過去の商談で確認した顧客課題や重視する成果が営業情報として整理されていれば、こうした検討もしやすくなります。
SFAやCRMなどの仕組みを使うこと自体が目的ではありません。提案を考えるために必要な情報を確認できる状態になっていることが重要です。
AIで整理した仮説を、顧客との対話で確かめる
AIで因果関係を整理したからといって、提案価値が確定するわけではありません。
例えば、「管理職の行動変化が若手社員の定着に影響する可能性がある」という仮説が出たとします。
その場合は、実際に顧客へ、
「若手社員の離職理由として、上司との関係やコミュニケーションはどの程度課題になっていますか」
と確認する必要があります。
AIは仮説を整理するところまでを支援できます。
その仮説が顧客に当てはまるかどうかを確認し、どの価値を提案に使うかを判断するのは営業担当者の役割です。
顧客情報をAIへ入力する際は情報管理にも注意する
実際の商談情報を使ってAIと検討する場合は、入力する情報にも注意が必要です。
顧客の離職率、従業員情報、人事課題、組織体制などには、機密性の高い情報が含まれる可能性があります。
利用する前に、
- 社内のAI利用ルール
- 顧客との守秘義務
- 個人情報の取り扱い
- 利用するAIサービスのデータ取り扱い
を確認する必要があります。
AIへ入力する必要がない情報は匿名化するなど、情報管理を前提とした使い方が求められます。
今日から試せる「価値の因果関係」を整理するAIへの相談例
「このサービスを導入すれば○○が改善する」と言いたくなったときに使う
AIによる因果関係の整理が役立つのは、提案資料を作った後だけではありません。
むしろ、「このサービスを導入すれば○○が改善します」という説明を考えた時点で、一度確認に使う方が効果的です。
AIに、「その成果までの間に必要な変化を分解してください」と依頼することで、自分の説明に抜けている段階がないかを確認できます。
サービスから顧客成果までを分解するプロンプト例
ここまでの考え方を、自分の商品・サービスについてそのまま確認できる形にすると、例えば次のようになります。
【コピーして使えるプロンプト】
あなたは、法人営業の提案について「商品・サービスが顧客の業務や成果へどうつながるか」を整理する思考支援役です。
価値を大きく見せることではなく、因果関係に飛躍がないか確認することを目的にしてください。
現在、管理職向け研修サービスを提案しています。
顧客について分かっていることは以下です。
- 従業員300名程度
- 管理職は約30名
- 部署によって1on1の実施状況にばらつきがある
- 若手社員の離職が経営課題の一つになっている
- 人事部では管理職のマネジメント力に課題があると考えている
提案する研修では、
- 1on1の進め方
- 部下とのコミュニケーション
- フィードバック方法
などを扱います。
私は、「この研修を実施すれば管理職のマネジメント力が向上し、若手社員の離職率改善につながる」と説明しようとしています。
この説明について、
- サービスとして提供する内容
- 管理職が学ぶこと
- 研修後に必要な行動変化
- 現場で起こる可能性のある変化
- 変化を確認できる指標候補
- 最終的な事業・組織成果との関係
の順に分解してください。
途中の因果関係は省略せず、それぞれについて、
- 確認できている事実
- 合理的に考えられる仮説
- 顧客へ確認しなければ分からないこと
を区別してください。
根拠のない改善率や効果数値は作らず、因果関係が弱い部分や、成果につながるために必要な前提条件も指摘してください。
最後に、この研修の価値を顧客成果までつなげて説明するために、営業担当者が顧客へ追加確認した方がよいことを整理してください。
提案文や営業トークそのものは作成しないでください。
AIには事実・仮説・未確認事項を分けて出してもらう
このプロンプトで重要なのは、AIに正解を出してもらうことではありません。
価値の因果関係を分解し、
- 「ここまでは分かっている」
- 「ここは仮説である」
- 「ここは顧客へ確認しなければ分からない」
という境界を見つけることが目的です。
特に最終成果へ近づくほど、顧客固有の事情や外部要因の影響が大きくなります。
AIには、その不確実性も含めて整理させる方が実務では使いやすくなります。
AIの回答をそのまま提案内容には使わず、顧客へ確認する
AIを使うことで、サービス内容と顧客成果の間にある論点を洗い出しやすくなります。
しかし、AIが作った因果関係は、顧客企業で実際に確認された事実ではありません。
営業担当者に求められるのは、AIが整理した仮説を材料に顧客へ確認し、提案として説明できる範囲を決めることです。
次に「このサービスを導入すれば○○が改善する」と説明したくなったときは、その間にある行動変化と確認指標を書き出してみてください。
途中を説明できない箇所があれば、そこが顧客へ追加確認すべき点、あるいは提案内容を見直すべきポイントです。
成果を大きく見せることよりも、どこまで根拠を持って説明できるかを整理する。
AIは、そのための思考支援として使う方が、営業提案の質を高めやすくなります。
よくある質問（FAQ）｜AIで顧客成果につながる提案を考えるときの疑問
AIを使って提案価値の因果関係を整理する際に、営業現場でよく出る疑問をまとめました。実務で迷いやすいポイントに絞って解説します。
