雨の午後、営業担当の真帆は、東山物流との商談を前に、企業概要や中期計画、業界ニュース、競合情報、過去の商談履歴をいくつもの画面から拾い集めていた。生成AIに貼り付けると、すぐに要約は返ってきたが、「業務効率化が課題」「競争が激しい」といった言葉ばかりが並んだ。顧客固有の事実も、業界の一般論も、同じ色で埋まっている。
「これだけ調べたのに、何を聞けばいいのか分からない……」
隣の席から画面をのぞいた上司が、静かに言った。
「情報は増えた。でも、商談で確かめる提案仮説には、まだ変わっていないね」
真帆は、検索結果と社内データの間で立ち止まった。商談前リサーチを、生成AIで質問や提案の方向へ変えるには、RAGで過去の知恵を探し、事実と推測を分ける必要がありそうだった。('-' 332 chars?)
この記事の答え
- 結論商談前のリサーチは、生成AIで顧客に確かめる提案仮説へ変えられます。
- 根拠事実と推測を分け、RAGで過去知を探し、出典を人が確認して質問にします。
- 最初の一歩今日の商談準備から情報を「事実・仮説・質問・注意点」に分けて整理します。
第1章 商談前リサーチの画面に埋もれる営業担当者

第1章 商談前リサーチの画面に埋もれる営業担当者 - 本文
午後三時、営業部の窓を細い雨がたたいていた。空調の音にまじって、キーボードを打つ音と、複合機が紙を吐き出す音が続いている。真帆は、東山物流との商談を二時間後に控え、いくつもの画面を開いていた。
真帆は、頼まれたことを丁寧に積み上げる営業担当だった。まず東山物流の企業概要を開き、続いて事業内容と売上の推移に触れた公開情報を確認した。画面を切り替えるたび、真帆は小さくうなずきながら、必要そうな文章をメモに貼り付けていった。
次は、東山物流の中期経営計画だった。新しい拠点、車両、人材、業務のデジタル化という言葉が並んでいる。真帆はその横に、最近の業界ニュースと競合企業の記事を置き、さらに社内の顧客管理システムから、これまでの接点を探した。
「前回は、配車業務について情報交換。次回、現場の運用を確認」
九か月前の商談メモには、そう残っていた。けれど、誰がどんな場面で困っていたのかは書かれていない。別の担当者が送ったメールには、「また時期を見てご連絡します」とだけあり、真帆はその短い一文を見つめた。
営業部では、企業サイトやニュースを見たら、生成AIで整理することになっていた。真帆は集めた文章をコピーし、ChatGPTの入力欄に貼り付けた。画面の下で丸い印がくるくる回り、しばらくすると、整った文章が返ってきた。
そこには、「業務効率化が課題」「人手不足への対応が必要」「物流業界は競争が激しい」と書かれていた。文章は読みやすかったが、東山物流で起きていることなのか、どの物流会社にも当てはまることなのか、真帆には見分けがつかなかった。
しかも、企業サイトから拾った事実も、業界ニュースから生まれた一般論も、画面の上では同じ青い文字で表示されていた。真帆は色を変えようとしたが、どの文を事実として残し、どの文を推測に回せばよいのか決められない。調べた量は増えているのに、商談で使える形には近づいていなかった。
真帆は白いメモ帳に、質問の候補を書いた。
「現在、業務効率化でお困りのことはありますか」
書いたあと、すぐに消しゴムをかけた。これでは、どの会社にも聞ける質問だ。東山物流の中期計画や最近の動きに触れていない。相手が忙しいなかで、わざわざ時間を取ってくれた理由にも届いていなかった。
隣の席で資料を整理していた上司の佐伯が、椅子を少し近づけた。佐伯は急かさず、真帆の画面を見た。雨の音だけが、二人の間に静かに落ちていた。
「かなり調べたね。企業概要も、計画も、ニュースもそろっている」
「はい。でも、質問が作れません。『効率化が課題ですか』と聞くくらいしか思いつかなくて……」
佐伯は画面の中央を指で示した。一般的な業界の話と、東山物流の資料から抜き出した話が、同じ色で並んでいる場所だった。
「情報は増えた。でも、商談で確かめる提案仮説には、まだ変わっていないね」
真帆は、返事をせずに画面を見た。「提案仮説」という言葉が、少し重く感じられた。何かを言い当てる答えを、商談の前に用意しなければならないように聞こえたからだ。
「仮説は、答えではないよ」と佐伯は続けた。「たとえば、『新拠点の計画があるなら、拠点間の配車や情報共有に負担が出ているかもしれない』。まず、そう考える。商談では、『新拠点の準備で、現場の情報共有に変化はありますか』と聞いて確かめるんだ」
真帆は、さきほど消した質問を思い出した。業務効率化という大きな言葉を、その会社の計画や現場の動きに結びつければ、相手の話を聞く入口になる。提案を押しつけるのではなく、確かめるための質問に変えるのだ。
「では、業界ニュースの『人手不足』も、そのまま課題だと決めてはいけないんですね」
「そう。『人手不足です』ではなく、『採用ページではドライバーや運行管理の募集が続いていますが、現場ではどの業務に負担が集まっていますか』と聞く。採用情報は手がかりであって、事実のすべてではないからね」
佐伯は、社内の過去資料を検索する画面を開いた。以前の担当者が作った提案書や商談記録が、似た言葉ではなく、意味の近さで探せる社内検索だった。過去の知恵を呼び出し、今の顧客情報と組み合わせて答えを作る仕組みを、RAGと呼ぶと佐伯は教えた。
「でも、過去の提案がそのまま正解になるわけじゃない。東山物流の事実、業界全体の話、私たちの推測を分ける。そのうえで、何を聞けば確かめられるかを考えるんだ」
真帆は新しいメモを開いた。左側には「確認できた事実」、右側には「まだ推測」と見出しを書いた。企業の計画、公開情報、ニュース、過去の接点を一つずつ置き直すと、さっきまで一色だった画面に、少しずつ違う濃淡が生まれた。
商談開始まで、まだ時間はある。真帆は東山物流について、三つの質問を書き始めた。情報を集める作業は終わっていない。それでも今度は、集めた情報の先に、相手の声を聞くための道が見え始めていた。
第2章 一般論の提案が顧客の前でほどけた日

第2章 一般論の提案が顧客の前でほどけた日 - 本文
東山物流との商談で、真帆の用意した提案は、開始から数分で方向を外れた。一般的な業界課題を並べた言葉が、顧客の目の前で静かにほどけていった。
午後二時、雨の音が会議室の窓を細かくたたいていた。真帆はノートパソコンを開き、赤い表紙のサービス資料を画面に映した。向かいには、東山物流の業務企画部にいる佐伯と、情報システム部の長谷川が座っていた。
真帆は小さく息を吸った。前の晩にChatGPTでまとめた企業概要と業界ニュースを、何度も読み返してきた。
「本日は、物流業界で広がっている課題からお話しします」
真帆は一枚目の資料を指した。そこには、荷量の変化、人手不足、配送業務の効率化という三つの言葉が並んでいた。
「物流業界では、人手不足と業務効率化が大きな課題です。そこで弊社のサービスを使えば、現場の入力や配送状況の確認をまとめて効率化できます」
画面には、配車の状況が一つに集まる図が表示された。真帆は声の調子を整えながら、導入後の作業時間や現場の負担が軽くなる流れを説明した。用意していた文章は、つまずかずに口から出てきた。
佐伯は資料を見つめたまま、すぐには返事をしなかった。隣の長谷川がペンを机に置き、静かな声で言った。
「すみません。そこではありません」
真帆の指が、画面の端で止まった。佐伯は申し訳なさそうに笑い、資料の図ではなく、真帆の目を見た。
「当社が今見ているのは、現場の効率化より、拠点ごとにばらばらになった情報の扱いです」
「情報の扱い、ですか」
「はい。各拠点で管理の仕方が違います。月次の報告を集めても、同じ項目かどうかを確認するところから始まります。現場が動いていないというより、動いた結果を並べて見られないことが問題です」
窓の外で、車が水たまりを踏んだ。低い音が会議室に響き、真帆は画面を見たまま動けなくなった。
その言葉を聞いて、事前に読んだ東山物流の中期経営計画が浮かんだ。そこには、拠点間の連携を強め、情報基盤を整えるという一文があった。真帆はその文を要約に残していたが、商談で確かめる質問には変えていなかった。
「計画にあった連携強化とは、拠点間の報告をそろえることも含まれますか」
ようやく出た質問に、佐伯は少し身を乗り出した。だが、真帆の手元には、その先を聞くための問いがなかった。誰が困っているのか、どの情報がつながらないのか、いつまでに変えたいのかを、順番にたずねる準備をしていなかった。
「そこは関係します。ただ、今すぐ新しい仕組みを入れるというより、まず拠点ごとの違いを整理したい段階です」
長谷川が補った。真帆は急いでメモを取ったが、最初に開いた提案資料へ戻るきっかけを失っていた。話は現場作業の効率化ではなく、データの定義や報告の流れへ移っていった。
商談が終わると、真帆は廊下に出てから長く息を吐いた。資料の束は軽かったのに、腕には重く感じられた。会議室に残った佐伯の「そこではありません」という声が、雨音の間から何度も聞こえるようだった。
営業部の席へ戻ると、上司の小野寺が画面を閉じずに待っていた。真帆は椅子に座り、商談録音から起こした議事録と、前日に作ったAIの要約を並べた。
「最初の仮説は、人手不足と現場の非効率だったんだね」
「はい。求人情報と業界ニュースに、そういう話が多くて……」
小野寺は要約の一行を指でなぞった。そこには、拠点統合に伴って現場の入力負担が増えている可能性がある、と書かれていた。
「この『拠点統合に伴って』は、どこに書いてある?」
真帆は検索欄に社名を入れ、企業サイトと中期経営計画を開いた。拠点間の連携や情報基盤という表現は見つかったが、入力負担が増えたという記述はなかった。まして、統合が進んでいるという事実も、資料のどこにもなかった。
別の行には、競争激化により配送現場の省力化が急務、とあった。これは業界ニュースの一般論だったが、東山物流の発言として読める位置に置かれていた。
「顧客固有の事実と、AIがそこから推測したことが、同じ色になっています」
小野寺はそう言って、要約を二つに分けた。左側には出典のある事実を置き、右側には推測と未確認の仮説を書いた。真帆は、今朝まで一枚のきれいな要約だと思っていた画面が、急にぼんやり見えるのを感じた。
「AIが間違えた、ということですか」
「それだけではないよ。AIは、渡された情報をつないで文章にした。私たちが、何が事実で、何が仮説かを分けずに使ったことが失敗だった」
小野寺は議事録の余白に、四つの欄を描いた。事実。推測。確認質問。提案の方向性。真帆はその文字を見ながら、最初の資料にあった三つの一般論を一つずつ消していった。
翌朝、真帆は次の商談用の画面を開いた。中期経営計画の一文には出典を添え、推測には「未確認」と付けた。続く欄には、「拠点ごとの報告項目で、現在そろっていないものは何か」と書き、その答えを聞いてから、情報をつなぐ提案へ進む流れを置いた。
画面の四つの欄は、まだ空白が多かった。それでも真帆は、空白を急いで一般論で埋めなかった。次の商談では、事実、推測、確認質問、提案の方向性を分けて持っていく。そう決めたところで、窓の向こうの雨が、細い光に変わり始めた。
第3章 生成AIを仮説の相棒に変える白いホワイトボード

第3章 生成AIを仮説の相棒に変える白いホワイトボード - 本文
営業企画の蓮は、真帆の前に白いホワイトボードを立てた。そこには、生成AIを答えの機械ではなく、仮説を組み立てる相棒として使うための道筋が描かれようとしていた。
真帆はノートパソコンを開き、東山物流との前回の商談準備で作ったAI要約を見せた。画面には、「物流業界は競争が激しい」「業務効率化が必要」といった言葉が並び、どれも間違いではないのに、東山物流へ何を聞くべきかは見えてこなかった。
「調べた資料は多いのに、顧客の話につながりませんでした。事実と、私の思い込みが混ざっていたんです」
蓮はうなずき、ペンのキャップを外した。窓の外では雨が細く降り、ホワイトボードの白さだけが、部屋の中で明るく見えた。
「まず、AIに渡す材料をそろえよう。企業概要、売上や業績に関する公開情報、中期計画、業界動向、競合、過去の接点・商談履歴。この六つだよ」
蓮は一つずつ、短い線で囲んだ。真帆は、企業サイトや決算説明資料だけでなく、採用ページや過去の失注理由まで材料になることに気づいた。別々の画面に散らばっていた情報が、ようやく同じ机の上に並んだようだった。
「でも、社内の過去資料は、どこに何があるか分かりません。検索しても、似た提案書ばかり出てきます」
「そこでRAGを使うんだ。難しく聞こえるけれど、会社の過去の知恵を探せる本棚のようなものだよ。過去の提案書、商談議事録、受注・失注理由を、質問に近い意味で探して、その中身をAIの回答材料にしてくれる」
蓮は「本棚」と書いた横に、小さな付箋を貼った。キーワードが完全に一致しなくても、意味の近い記録を探せる。たとえば「人が足りない」と入力すれば、「採用難」「現場の負担」「教育に時間がかかる」と書かれた記録も候補になる、と蓮は説明した。
「ただし、本棚から見つかった資料が、いつのものかは確認する。古い提案や、別の顧客の事情を、そのまま東山物流に重ねてはいけないからね」
次に蓮は、画面に入力する指示を書き換えた。これまでの「資料を要約してください」は消し、五つの欄を持つ形にした。
「一つ目は、顧客資料に書かれている確認済みの事実。二つ目は、事実から考えられる部門課題の仮説。三つ目は、顧客に確かめる提案仮説。四つ目は、商談で使う確認質問。五つ目は、根拠が弱い点、古い情報、注意すべき点だよ」
真帆は、五つ目の欄をじっと見た。AIの答えには、分からないことも一緒に書かせる。その発想が、これまでの要約にはなかった。
蓮はさらに、各項目の後ろに「参照した資料名と該当箇所」と加えた。企業固有の事実と、業界全体の説明も分けるように指示する。ChatGPTやPerplexityのような生成AIを使う場合も、出典のない推測を事実のように扱わないための柵が必要だった。
「仮説は、正解を言い当てる文章ではなく、顧客に確かめるための問いだよ」
その言葉を聞いたとき、真帆の胸にあった重さが少しほどけた。前回は、AIが出した「配送効率に課題がある」という文を、提案の入口だと思い込んでいた。けれど本当は、「中期計画で拠点を増やす中で、配送管理の負担は変わりましたか」と尋ねるための、まだ小さな仮説だった。
「では、東山物流の採用情報から人手不足を感じても、すぐに省力化を提案しません。まず、現場でその課題が起きているか、どんな影響があるかを聞くんですね」
「そう。課題の有無、優先度、予算、決める人、導入時期まで、会話で確かめていく。AIは地図を描くけれど、どの道を歩くかは顧客と決めるんだ」
二人は、AIの出力をそのまま提案書に貼らない流れも決めた。まずAIが資料名つきで五つの欄を作り、次に真帆が原文を開いて事実を確認する。その後、蓮が根拠の弱い推測や古い情報を見直し、最後に商談で使う質問だけを真帆が自分の言葉に直す。
ホワイトボードの端には、「人が確認してから使う」と大きく残った。真帆は新しい指示文を保存し、東山物流の資料を一つずつ本棚へ入れ始めた。雨音はまだ続いていたが、画面の中の情報は、ただの山ではなく、問いへ向かう道に見え始めていた。
「この形なら、AIに答えを任せるのではなく、次の商談で確かめることを一緒に考えられそうです」
蓮はペンを置き、白いボードを見た。真帆はその日のうちに、東山物流への五つの欄と確認質問を作ってみることにした。完璧な提案を先に作るのではなく、確かめられる一歩を準備する。その一歩なら、今の自分にも踏み出せそうだった。
第4章 RAGを使った小さな実験と、混ざり合う事実と推測

第4章 RAGを使った小さな実験と、混ざり合う事実と推測 - 本文
雨の午後、真帆たちは、ひとつの営業チームだけで商談前リサーチの実験を始めた。いきなり全社へ広げず、4〜6週を目安に、生成AIが提案仮説づくりを助けられるか確かめる計画だった。
会議室のホワイトボードには、測る項目が並んだ。商談準備時間、提案作成時間、初回接触までの時間、フォロー漏れ、失注理由の回収と分類状況である。まだ改善後の数字は書かない。まずは、今どれくらい時間がかかり、どこで手が止まるのかを、担当者ごとに記録することにした。
「速くなったかを見る前に、何を速くしたいのかを決めるんだね」
「そう。数字がないと、便利そうという感想で終わってしまうからね」
蓮は、表の端に小さく「測定」と書いた。営業の現場で使うなら、準備時間だけでなく、質問の質やフォロー漏れも見なければならない。真帆は、空欄の多い表を見ながら、実験はAIを試すことだけではないのだと感じた。
次に、RAGへ資料を登録した。RAGは、AIが答える前に、指定した資料を検索する仕組みだ。真帆たちは、東山物流の企業概要、中期計画、公式発表、採用ページ、業界記事を集め、社内の過去提案書や商談履歴も加えた。各ファイルには、資料名、作成時期、情報の出どころを付け、閲覧権限も確認した。
「古い中期計画が、今の方針に見えたら困るよね」
「だから日付を飾りではなく、検索条件として持たせる。新しい情報がないときは、『不明』と出すようにしよう」
外部の最新ニュースはPerplexityで調べ、URLを保存した。社内資料は承認された環境で扱い、顧客の機密情報をそのまま外部サービスへ貼り付けない。文章のたたき台にはChatGPTを使ったが、AIに渡す資料と渡さない資料を先に決めておいた。
真帆が最初に入れた指示は、シンプルだった。「東山物流の想定課題、提案仮説、初回商談で確認すべき質問を整理してください」。画面には、きれいな文章がすぐに返ってきた。けれど、読み進めるうちに、真帆の指が止まった。
業界記事にあった「物流業界では人手不足と効率化が課題」という一般論が、「東山物流の課題」として書かれていた。さらに、数年前に作られた中期計画の記述が、現在も続いている方針のように扱われている。文体は落ち着いていて、出典らしい言葉も添えられていたため、急いでいる人なら見逃してしまいそうだった。
「これは、もっともらしいけれど、東山物流が言ったことではないね」
蓮は画面を指でなぞった。
「RAGは資料を探せても、資料に書かれている事実と、AIの推測を自動で分けてくれるわけではない。だから、出力の形を変えるんだ」
蓮はプロンプトを書き直した。すべての記述に、「確認済み」「推測」「要確認」「根拠なし」のいずれかを付け、資料名と作成時期も添える。顧客固有の根拠が見つからない場合は、無理に埋めず「不明」と書くようにした。業界の動きと企業の事実も、別の欄に分けた。
提案仮説は、カトルセの商談準備の実務例を参考に、企業概要、想定課題、提案仮説、確認質問、注意点の順で出すことにした。ただし、仮説は結論ではない。「業界ではこの動きがあるが、御社の計画にはどのような影響がありますか」と、商談で確かめられる質問へ変える。採用情報から人手不足が推測されても、「現場で影響が出ていますか」と聞く形に直した。
それでも、二度目の出力に完全な安心はなかった。古い資料を新しい資料より強く参照した箇所があり、競合情報の一部には根拠のURLがなかった。真帆はその行を赤くし、蓮は入力データの作成時期と出どころを見直した。検索しやすいよう、資料を細かく分け、タイトルにも顧客名と日付を加えた。
「仮説が出たら、そのまま提案書へ移せるようにしますか?」
「そこは止める。担当者の承認がない仮説は、提案書にもメールにも使わない」
チームの案件画面には、「担当者確認済み」の欄を置いた。承認前は提案書テンプレートへ転記できず、顧客へのメールも自動送信されない。真帆は少し遠回りに思えたが、速さのために誤りを顧客へ届けてはいけないことを理解した。
週末の共有会では、良い仮説だけでなく、誤った仮説も並べた。「業界一般論を顧客課題にした」「古い計画を現在の方針にした」「根拠のない競合情報を混ぜた」。誰かを責めるのではなく、どの資料と指示を直せば防げるかを話した。真帆は、AIの失敗を隠さず共有するほど、チームの質問が具体的になることに気づいた。
数週後、東山物流との商談前に、画面には三つの色が並んでいた。確認済みの事実、推測として残す仮説、まだ聞けていない要確認の項目である。真帆の提案メモには、「物流業界の動きが、御社の計画や現場にどのような影響を与えているか」と質問が残った。
以前なら、AIの要約を読んで安心していたかもしれない。今の真帆は、根拠のある事実を手元に置き、分からないところを質問に変えていた。商談へ持っていくのは、完成した答えではなく、顧客と一緒に確かめるための小さな仮説だった。
第5章 提案仮説が顧客の言葉で磨かれた商談

第5章 提案仮説が顧客の言葉で磨かれた商談 - 本文
次の商談の日、真帆は生成AIが作った調査メモを、そのまま持ち込まなかった。顧客資料の出典を一つずつ確かめ、東山物流の言葉に合わせた商談準備シートに整えた。前の雨の日に画面を埋めていた「業務効率化が課題」という言葉は、もうどこにもなかった。
シートは、五つの欄に分かれていた。顧客資料に書かれた事実、そこから考えた部門課題、商談で確かめたい質問、提案できそうな支援、そして注意点である。各項目のそばには、元資料の名前と該当箇所が添えられていた。
「仮説は、答えとして置かない。質問に変えて、東山物流の人に確かめるんだね」
蓮がシートをのぞき込んだ。真帆はうなずいた。
「はい。情報基盤の見直しも、私たちの想像と同じとは限りませんから」
その日の午後、二人は東山物流の会議室に入った。窓の外には、雨上がりの道路を走るトラックが見えた。以前なら、真帆は用意した説明文を順番に話していたが、今日はシートの右端にある余白を何度も見ていた。
「中期計画にある情報基盤の見直しは、現場部門と管理部門の情報共有を整える動きでしょうか」
真帆がそう尋ねると、東山物流の担当者は少し考えた。やがて、資料の中期計画を指でなぞりながら、静かに答えた。
「方向は近いですが、最初に困っているのは拠点間の報告方法です」
真帆の手が止まった。以前のメモなら、ここで「部門間の情報共有を改善する提案です」と話を続けていたかもしれない。けれど今日は、シートの「確かめたい質問」に、担当者の言葉を書き足した。
「報告方法というのは、拠点ごとに書式や集め方が違うことでしょうか。それとも、報告のあとに確認や修正が多く発生することでしょうか」
「両方あります。ただ、経営会議に出すまでに、管理部門が各拠点へ何度も聞き直すことが大きいですね」
会議室の空気が、少しやわらかくなった。真帆は機能の説明を急がなかった。誰が、どの場面で、何に困っているのかを聞きながら、仮説の言葉を少しずつ置き換えていった。
社内のRAG検索も使った。RAGとは、過去の商談記録や提案資料から、今の相談に近い知恵を探す仕組みである。検索結果には、複数拠点の報告を整えた別の案件が出てきたが、真帆はその成功例を東山物流にそのまま当てはめなかった。
「この事例では、先に入力項目を揃えています。でも、東山物流では、項目を決める前に、聞き直しが起きる場所を見たほうがよさそうです」
蓮は画面を見ながら、過去の提案書から必要な部分だけを残した。導入効果を大きく見せる表現は外した。代わりに、拠点の担当者が報告し、管理部門が確認し、会議資料になるまでの流れを図にした。
担当者はその図を見て、身を乗り出した。
「この流れなら、現場の入力を増やす話ではなく、聞き直しを減らす話として考えられそうです」
商談が終わるころ、真帆のシートには、最初にはなかった言葉が増えていた。質問の答え、困りごとの順番、関係する部門、そして次に確認する資料である。生成AIの文章を読み上げる代わりに、顧客の言葉を中心に仮説を更新した記録だった。
帰社すると、蓮は前回の提案書と今回のたたき台を並べた。前の資料は、自社サービスの機能から始まっていた。今回の一ページ目には、「拠点間の報告方法」と「管理部門の聞き直し」という、東山物流が話した課題が置かれていた。
「出発点が変わったね」
蓮の声には、驚きよりも安心があった。真帆は画面を見つめたまま、ゆっくり息を吐いた。
「AIが答えを出してくれた、というより、聞く順番を作ってくれた感じです」
窓の外では、雨雲の切れ間から夕方の光が差していた。真帆は新しいシートを保存し、次の商談のために、まだ空いている余白を残した。その余白は、AIが埋める場所ではなかった。顧客の言葉を受け止め、提案の方向を一緒に見つけるための場所だった。
第6章 朝の営業部に残る、問いを育てる習慣

第6章 朝の営業部に残る、問いを育てる習慣 - 本文
朝の営業部には、雨の音ではなく、キーボードの小さな音が流れていた。真帆の画面には、その日の商談先の企業情報、過去の接点、前回の会話、生成AIが作った提案仮説の下書きが並んでいる。前なら、いくつもの画面を開いたまま迷っていた時間だった。
真帆は、画面の端にある「出典を確認」という印を一つずつ開いた。企業サイトのどのページか、いつの情報か、東山物流との過去の会話に本当に書かれているかを確かめる。業界全体の話と、顧客だけに当てはまる事実は、別の色で表示されていた。
「ここは事実。でも、こちらはAIの推測ね」
隣で営業マネージャーがうなずいた。真帆は「人手不足が課題」と書かれた一文を削り、「採用ページでは配送管理の募集が続いている。現場への影響は未確認」と書き直した。推測を消すと、下書きは少し短くなったが、聞くべきことは前よりはっきりした。
「提案を先に決めなくていい。まず、確かめる質問に変えよう」
マネージャーは、営業部で使う準備シートを見ながら言った。生成AIは調査や整理、下書き、見落としの注意を受け持つ。顧客の言葉を受け止め、何を提案するかを決めるのは、真帆たちの仕事だった。
顧客情報を扱うときは、社外に出してよい情報と、権限のある人だけが見られる商談記録を分けた。社内で許可された環境に、必要な情報だけを渡す。真帆は、便利さのために確認を飛ばさないことも、準備の一部だと思うようになっていた。
午後の商談では、東山物流の担当者が、採用の難しさよりも「拠点ごとに作業の進め方が違うこと」を先に話した。真帆が用意した質問は、答えを当てるためではなく、話を深くする入口になった。帰社すると、真帆はその言葉と、実際には違っていた仮説を議事録とCRMに残した。CRMは、商談を記録する社内の台帳だった。
翌朝、マネージャーは記録を確認した。AIの提案をそのまま使ったか、どこを直したか、商談後に仮説は合っていたか。画面には「採用した仮説」「修正した理由」「顧客の答え」「次回に残す問い」が並び、答えのない欄も消さずに残されていた。
「違っていた仮説も、失敗ではないよ。次に同じ思い込みをしないための材料になるから」
商談が進まなかった案件では、失注理由やフォロー漏れを自由な文章のまま置かないようにした。「時期」「予算」「決裁」「課題の優先度」などの分類を選び、担当者が内容を確認する。曖昧な記録が少しずつ整うと、社内の過去の商談を探すRAGにも使えるようになった。RAGとは、蓄積した記録から今の問いに近い知恵を探し出す仕組みだ。
その検索結果には、以前なら埋もれていた誰かの気づきが現れた。「物流現場では、システム導入より先に拠点間の手順をそろえる話が必要だった」。真帆はその一文を読み、過去の担当者が残した短い記録に、次の商談を支える力があることを感じた。
窓の外は、朝の光に変わっていた。真帆は新しい商談先の画面を開き、企業情報と過去の接点を確かめる。下書きの最後にある「まず確かめる質問」は、まだ空欄だった。
真帆は少し考えてから、空欄の前にカーソルを置いた。そこには答えではなく、次の会話へ進むための静かな入口が残っていた。
関連キーワード
著者について
鈴木信弘(SNAMO)
鈴木信弘(SNAMO)- 静岡県を拠点に活動する総経験19年のフルスタックエンジニア。AI時代の次世代検索最適化技術「レリバンスエンジニアリング」の実装者として、GEO(Generative Engine Optimization)最適化システムを開発。2024年12月からSNAMO Portfolioの開発を開始し、特に2025年6月〜9月にGEO技術を集中実装。12,000文字級AI記事自動生成システム、ベクトル検索、Fragment ID最適化を実現。製造業での7年間の社内SE経験を通じて、受注システム自動化による業務時間の短縮や検品作業のデジタル化など、現場の課題を技術で解決してきた。富山大学工学部卒、基本情報技術者保有。
プロフィールを見るよくある質問
Q1商談前のリサーチに生成AIを使うときのポイントは何ですか?
Q2生成AIの調査結果を商談でそのまま使っても問題ありませんか?
Q3商談前の準備では、情報をどのように整理すればよいですか?
Q4RAGを営業の商談前リサーチに活用する方法は?
Q5生成AIを使った営業準備で起こりやすい失敗は何ですか?
Q6AIが作った仮説を商談でどのように使えばよいですか?
Q7商談で得た情報は、生成AIの活用にどう生かせますか?
関連記事

生成AI導入前、利用規約の落とし穴を越える町工場のガバナンス
生成AI導入前は、利用規約と社内ルールでデータの扱いを管理する。入力情報の学習利用や保存、第三者・再委託先への送信とアクセスを確認する。今日使うサービスの規約を読み、入力情報を三分類して匿名化と承認手順を決める。
読む
町工場が生成AIと業務データ連携でOEE85%を目指す物語
生成AIと業務データを安全に連携すれば、町工場はOEE85%を目指せます。AI出力を項目化し、JSON Schemaと業務ルールで検証して人が承認後に登録するためです。まず対象業務を一つに絞り、AI出力を中間データ化して人の確認付きPoCを始めます。
読む
町工場の現場に生成AIを根づかせた5分動画教育術
生成AIを現場に根づかせるには、業務別の5分動画教育が有効です。一つの業務と課題、確認方法に絞り、安全な使い方と人の確認を示せるためです。まず会議メモの要約を題材に、匿名化から出力確認までの5分動画を作ります。
読む
生成AIプロンプトを属人化させない、AI駆動開発の版管理術
生成AIプロンプトの属人化は、GitHubなどで版管理すれば防げます。YAMLの本体、README、コミット履歴で最新版と変更理由を共有できるためです。まず出典確認プロンプトをリポジトリに登録し、使い方と変更理由を記録します。
読む
