営業生産性向上の背景
こんにちは、ザ・ディープダイブへようこそ。今回はですね、生成AI、これをどう使えば営業の生産性を上げられるのか、その具体的な方法について一緒に深掘りしていきたいなと思っています。
特に株式会社miiboの田中さんという方のYouTube動画、営業生産性が飛躍的に上がる現場における生成AIの実践的な活用方法とはっていう、これかなり具体的なんですけど、ここから得られた知見をもとに皆さんと一緒に考えていきたいと思います。
今回の分析ではですね、多くの人が使っているかもしれない、あの汎用的なAIツールから始めて、その次にmiiboみたいな自社専用の営業AIエージェントですね、これを作るとどうなるのか、さらにもっと進んだ使い方まで段階的に営業のプロセスがどう変わり得るか、その可能性を探っていきます。さあ早速紐解いていきましょうか。
はい、あの営業現場での生成AIの活用って、もう単なる効率化ツールっていうレベルを超えてきてますよね。企業の競争力そのものに関わる、そういう重要なテーマになっていると思います。
今回取り上げる田中さんの動画、これ理論だけじゃなくて、すぐに試せるようなその汎用ツールの使い方からですね、最終的に自社の業務に深く根差した専用のソリューションをどう作っていくか、という非常に実践的で段階的なアプローチを示してるんですよね。
なるほど。
単にツールを紹介するだけじゃないっていう、現場目線の知見が詰まっているなと感じますね。
確かに。じゃあまず最初のステップとして、多くの人がすでに触っているかもしれないその汎用AIツール、チャットGPTとかクロード、ジェミニー、いろいろありますけど、これらは確かに協力ですけど、営業の現場でその具体的に今すぐ成果出すにはどう使えばいいんでしょうか。
なんか、ただ文章を作ってもらうだけだと、なかなかこう業務変革まではいかないような気もしますけど。
まさにそこがポイントですよね。田中さんの動画で示されているのは、すごく具体的な業務シーンでの使い方なんです。例えばですね、商談準備。
商談準備。
仮にトヨタ自動車さんと商談するっていう設定のデモがあったんですけど、チャットGPTに対してですね、企業の基本的な情報とか、あとAI関連の最近の動き、それから想定されるカウンターパートの情報ですね。
あと考えられる顧客の課題、提案すべき商談のアジェンダの骨格まで、これらを一括で生成させるっていうそういうデモがあったんです。
へー。これ、もし人が全部やろうとすると、かなりの時間かかりますよね。
ですよね。でもAIを使えばそこが大幅に短縮できると、そういう話なんです。
なるほど。事前リサーチの質とスピードがもう格段に上がるっていうイメージですね。
そうですね。
準備にしっかり時間かけられるなら、商談そのものの質も上がりそうですし。ではその後の、例えば提案資料とか、そういう作成についてはどうですか?
これも結構営業の大きな負担だったりしますけど。
資料作成に関しても具体的なツールと、あとプロセスが紹介されてましたね。
特に、ガンマっていうプレゼンテーション生成AI、これが有効だと。
ガンマですか?
田中さんご自身もセミナー資料の作成とかにかなり活用されているそうで。
ポイントはですね、まずチャットGPTみたいなそのLLM、大規模言語モデルですね。
これを使って資料全体の構成案とかタイトル、各スライドの要点みたいなものをまずテキストでしっかり作り込むと。
まず中身を固めるわけですね。
そうなんです。
そのテキストのコンテンツを今度はガンマに入れて、あらかじめ設定しておいた自社のブランドカラーとかフォントとかを指定すると、デザイン性の高い資料が効率的に作れるっていう流れですね。
なるほど。
まず中身をLLMで固めて、デザインは専用ツールに任せるっていうこの分業が鍵みたいです。
それは賢いですね。
なんか闇雲にAIに資料を作ってって丸投げするんじゃなくて、構成要素はちゃんと人間がコントロールしつつ、作業を分担すると。
そういうことです。
擬似録の作成もこれまた地味に時間かかりますけど、ここでもAIは役立つんでしょうか。
はい。擬似録作成もAI活用がかなり進んでいる分野ですね。
動画の中では録画機能もついているfireflies.ai。
あーファイアフライズ。
あと音声だけを記録するtl.dvとかタクティックって読むんですかね。そういったツールが挙げられてました。
お客さんによっては録画はちょっとっていうケースもあるんで、田中さんは状況に応じてこれらを使い分けているそうなんですね。
なるほど。柔軟に。
ここでの重要なポイントはこれらのツールが出力する文字起こしデータありますよね。
はいはい。
これをそのまま共有するんじゃないっていう点なんです。
その生のデータをもう一度チャットGPTとかクロードみたいなLLMに入れて要約してとか決定事項をリストアップしてとか次のアクションを明確にしてみたいなそういう指示を与えるんですね。
そうすることで単なる記録じゃなくて参加者がすぐに理解して行動に移せるような構造化された擬似録を自動で作れると。
いや文字起こしまでは自動でできてもそれを結局わかりやすくまとめる作業が手間だったりしますもんね。
そうなんですよ。
そこまでAIがやってくれるのは大きいですね。
あなたもこういう汎用ツール日々の業務に取り入れてみて何か発見とかあるいは逆にここはちょっと難しいなとか感じた点ありますか。
これらは確かに効率化への入り口としてはすごくわかりやすいですけど、実際に定着させるにはなんか工夫も要そうな気がしますね。
うーん、汎用ツールの手軽さとパワーは確かに魅力的ですよね。
でもやっぱり限界も見えてくる。
特に自社の商品とかサービスに関する深い知識とかあるいは社内特有のルールとか過去の経緯みたいな、いわゆる組織のコンテキストですよね。
実践的なAI活用事例
ここまではなかなか理解してくれない。
この情報源ではそのギャップを埋める存在としてミーボーがかなり大きく取り上げられてるんですね。
ここからがより個別最適化されたAI活用のフェーズということでしょうか。
まさにその通りだと思います。
ミーボーはですね、専門的なプログラミング知識がなくてもいわゆるノーコードで、自社専用の対話型AI、AIエージェントって言いますけど、これを構築できるプラットフォームとして紹介されてますね。
ノーコードで?
これが大きいのは、IT部門とかに頼らなくても、現場の例えば営業担当者自身が自分たちの業務ニーズに合ったAIを作り込めるっていう点なんです。
それはすごいですね。現場主導でできると。
そうなんです。構築プロセスもすごく直感的で、基本は4つのステップですね。
まず1つ目に基盤になる言語モデル、GPT-4とかそういうのを選びます。
2つ目にプロンプトエディターっていう機能があって、これでAIにどういう役割を期待するかとか、どんな口調で答えてほしいかみたいな振る舞いを定義するんですね。
ふむふむ。
で、3つ目にナレッジデータストアっていう場所に、自社の製品カタログとかサービスマニュアル、FAQ、過去の提案書みたいなそういう専門知識をPDFとかウェブサイトのURLとか、そういう形で登録してAIに学習させます。
なるほど。自社の知識を注入するわけですね。
ええ。で、最後に作ったAIエージェントを誰がどう使えるようにするか、公開範囲とかを設定すればもう完了です。
田中さん自身もセールスAIって名付けたエージェントを作って、お客さんからの問い合わせ命令の返信案を作ったりとか、社内のメンバーから製品仕様に関する質問に答えたりとか、そういう活用事例が紹介されてました。
私が特にこれは実践的だなって感じたのは、Chromeの拡張機能としてのデモだったんですけど、
Gメールの画面でお客さんからの問い合わせメールに対して返信するときに、miiboのボタンをポンと押すだけで受信メールの内容と、あと事前に学習させた自社の知識ですよね。製品情報とか過去の対応履歴とか。
これらを総合的に判断して、すごく具体的で、その状況にあった返信文案がもう瞬時に生成されるんですよ。
同じ問い合わせ内容を、例えば、汎用的なAIのジェミニーに投げかけた場合と比較すると、miiboが生成する回答の具体性とか、文脈の理解度の高さっていうのはもう歴然としてましたね。
これはもう単なる文章生成AIじゃなくて、まさに自社専属の営業アシスタントって呼べるレベルだなぁと感じました。
そうですね。さらに興味深い点として、miiboでは複数の特化型のAIエージェントを作って、それらを連携させられる機能も紹介されてましたね。
連携ですか?
はい。例えば、お客さんからの問い合わせの中に、すごく専門的なセキュリティに関する質問が含まれていたとするじゃないですか。
そういう場合に、通常のセールスAIがそれを検知して、自動的にもっと深いセキュリティ知識を持っているセキュリティチェックAIっていう別のエージェントに処理を引き継いで回答を生成させるとか。
へー。賢いですね。そういうことができるんですね。これによって、一つのAIじゃ対応しきれないような複雑な問い合わせにも柔軟にかつ的確に対応できる体制が作れると。
組織の知識体系を機能ごとにAIエージェント化して、それらを連携させるみたいなイメージですかね。
なるほど。汎用ツールによる作業効率化から一歩進んで、miiboによって自社の知見を反映した質の高いアウトプットが可能になると。
さらにその先ですよね。自社の中に日々蓄積されていくもっと生々しい内部データ、例えばシステムのログとか社内チャットのやり取りとか、こういうものを活用することでどんな次元の営業支援が可能になるんでしょうか。ここがAI活用の新骨頂みたいな感じもしますけど。
まさにそこがmiiboのようなプラットフォームが目指しているより高度な価値提供の領域だと思いますね。
miiboは先ほど挙げたPDFとかウェブサイトみたいな構造化とか、半構造化された知識データだけじゃなくてですね、プロダクトの実際の利用ログとかスラックとかTeamsみたいな社内コミュニケーションツール上での議論、あとウェブ会議の議事録とか、こういったいわゆる非構造化データも学習対象にできると説明されていました。
非構造化データまで。
これがもたらすインパクトって結構大きいと思うんです。従来、こういう多様なデータを分析して活用しようとすると、専門のデータサイエンティストチームに依頼したりとか。
あるいは現場の営業担当者がCRMとかSFAに日々の活動記録を手作業で細かく入力し続ける必要があったりしましたよね。
はい、ありましたね。結構大変ですよね、あれ。
大変なんですよ。現場にとっては大きな負担ですし、データの鮮度も落ちがちです。
でもmiiboのような仕組みを通じて、これらの非構造化データをAIが直接解釈して、現場が必要なインサイトを引き出せるようになれば、そういう負担を大幅に軽減できるし、よりリアルタイムなデータに基づいたアクションが可能になるということなんです。
そうですね。
それは営業のやり方そのものを変えそうですね。
ええ、まさに経験とか間に頼る部分が多かった営業活動を客観的なデータに基づいて、より科学的にかつ機動的に行うデータドリブンオペレーションへの移行を後押しするものと言えるでしょうね。
うーん、データドリブン。この内部データの連携とか活用について、miibo社自身は具体的にどんな取り組みをされているんですか?
実際の事例があるとよりイメージしやすいですね。
はい。動画では非常に先進的でかつ具体的な社内活用事例が2つ紹介されていました。
1つはですね、顧客のプロダクト利用状況とかサポートへの問い合わせ履歴みたいな、そういうアクティビティデータを専用のmiiboエージェントが常時監視するというものです。
常に監視してるんですか?
AIによる営業支援の導入
ええ。そして例えば特定の機能の利用頻度が急に上がっているお客さん、これはアップセルのチャンスかもしれないですよね。
あるいは逆にアクティビティが低下しているとか、解約を示唆するような行動が見られるお客さん、つまり解約リスクですね。
こういうのをAIが自動で検知して、担当の営業とかカスタマーサクセスのメンバーにリアルタイムでアラートを通知すると。
すごいですね。これにより問題が深刻化する前とか機械を逃す前にプロアクティブに対応できる体制を築いているそうです。
まるでAIがすごく優秀な営業アシスタントであり、かつリスクマネージャーでもあるみたいな、常に顧客の動向を見守ってくれてる感じですね。
そういうイメージですね。
もう一つの、モメンタム新聞という取り組みもかなりユニークに聞こえましたけど。
これは組織運営の観点からもすごく興味深い試みですよね。
モメンタム新聞というのは、社内のスラックとかそういうコミュニケーションツール上で行われている様々な部署の議論とか報告。
例えば開発チームの新規リリース情報とか、マーケティングチームのキャンペーン結果、営業チームの大型案件の進捗みたいな。
そういう情報をAIが自動的に収集して、要約して、あたかも社内法みたいな形で、毎日全従業員にメールで配信するというものだそうです。
毎日ですか?
これによって、各オノノが自分の業務に集中していても、組織全体の動きとか重要なトピックを自然に把握できる。
部門間の連携促進とか、あと経営層と現場の認識合わせにもつながってると説明されていましたね。
なるほど。内部データを活用することで、単に個々の営業担当者の業務が効率化されるだけじゃなくて、顧客への対応が高度化したり、組織全体の情報の流れとか一体感が向上したり、より戦略的な価値が生まれてくるということですね。
そういうことですね。
ただ、いきなりここまで高度な活用を目指すのは、ちょっとハードルが高そうな気もしますね。導入を進める上で何か推奨されるステップみたいなものは示されていましたか?
はい。やはり田中さんは段階的な導入アプローチを推奨していますね。まずは、顧客からの問い合わせ対応AIとか、社内向けの製品FAQボットみたいな特定の課題を解決するための比較的小さな範囲でAIソリューションを導入してみるのが良いと。
スモールスタートですね。
次に、それをスラックとかTeamsみたいな、従業員が日常的に使っているコミュニケーションツールに組み込んで、気軽に使える環境を整える。さらに特定の業務プロセス、例えば新規リードへの初回アプローチメール作成みたいなところにAIエージェントを組み込んで、業務フローの一部として定着させる。
そして最終的には、対応できる業務範囲を広げるために、エージェントの種類を増やしたり、より多様な社内データ、CRMS、SFAのデータとか、リオログとか、そういうのと連携させてAIの能力を拡張していくという流れですね。
このスモールスタートからの段階的な拡張を通じて、徐々にAIが業務運営の中核を担うようになって、最終的にはAIドリブン経営、つまりAIを前提とした業務プロセスの設計運用へとつなげていく。これを目指すのが現実的でしょうね。
成功のための要因と視野の広がり
なるほど。全体像をちょっとまとめてみると、今回の情報源が示唆しているのは、まず手軽な汎用AIツールで日々の作業の効率化を図る。次に、ミーボみたいなプラットフォームを活用して、自社特有の知識を学習させたカスタムAIエージェントで業務の質を高める。
そして、最終的には社内の様々な生データを連携させることで、戦略的な意思決定とか自動化を実現していくと。こういう営業プロセス変革に向けた具体的なステップアップの道筋というふうに言えそうですね。
まさにその通りだと思います。そして、この変革を絵に描いた餅に終わらせずに、実際に成功させるためにはいくつかの重要な要因があると田中さんは指摘していますね。一つ目は単に流行りのツールを入れるんじゃなくて、自社の具体的な業務フローとか課題に合わせてAIの活用シナリオをちゃんと設計すること。
二つ目は誰が使っても一定レベル以上の成果が出るように、AIの応答品質を管理したり、適切なプロンプト、指示文ですね、これのテンプレートを用意したりして利用の標準化を図ること。
そして三つ目は、AIのパフォーマンスを定期的に評価して、利用者からのフィードバックをちゃんと集めて、継続的に改善する仕組み、つまりフィードバックループですね、これを構築すること。
なるほど。
ミーボのような現場主導で改善を回しやすいプラットフォームというのは、これらの成功要因を満たす上で有効な選択肢になり得るんだろうなと思います。
もちろんこれら全ての取り組みの最終的な目標は、営業生産性の飛躍的な向上ということになりますね。
いやー、非常に具体的なステップと成功のための要因が示されていて、しさに富みますね。
あなたが今置かれている状況とか、あるいはあなたの業界特有の課題に照らし合わせた時に、これらのステップのうちどこから着手するのが一番効果的かなとか、あるいは特に重要だと感じるポイントはどこだろうかとか、ちょっと考えてみる良い切択になりそうです。
さて、今回は、生成AIを活用した営業支援の最前線、特にMevoを用いた具体的なアプローチについて、情報源を元に深く掘り下げてきました。
最後にですね、あなたにもう一つ、少し視野を広げて考えていただくための問いを投げかけさせてください。
今回の情報源では、主に営業活動の効率化とか高度化に焦点が当てられていましたよね。
でも、もし製品知識だけじゃなくて、社内の様々なコミュニケーション履歴とかプロジェクトの進捗みたいな、もっと広範な社内の文脈をAIが深く理解して、それが組織の隅々にまで浸透したとしたらどうでしょう。
それって、営業部門の変革にとどまらず、例えば開発、マーケティング、サポートといった異なる部門間の連携のあり方とか、部門横断的な意思決定のスピードとか質、そのものを根本的にどう変える可能性があるでしょうか。
うーん、深い問いですね。
モメンタム新聞みたいな情報共有の進化とか、部門を超えたデータ連携のその先に、どんな新しい組織の姿、あるいは新しい働き方が見えてくるか、ぜひ想像を膨らませてみていただけたらと思います。
はい、今回の探究があなたの思考の職場となれば幸いです。ご参加いただきありがとうございました。
