3社の提案が、同じ顔に見えるとき
たとえば、同じ顧客への提案会です。3社が、同じ週に提案書を出します。どれも論理は通っていて、図表も整っています。市場規模、費用、導入手順。どこが違うのかを探すのに、時間がかかります。
少し前なら、この差は情報の集め方や、資料の作り方に出ていました。今は、各社が近い性能の生成AIを使います。調査の下書き、分析のたたき台、提案書の体裁、画面の試作品。短時間で、一定の線まで届きます。
問いを先に置きます。誰もがAIを使えるようになると、AIで仕事を速くすること自体は、選ばれる理由になるのでしょうか。
同じようなモデルで、同じような公開情報をまとめ、同じような構成の提案を作る。成果物の見た目の差は、小さくなります。これまで専門性や経験が生んでいた「この会社は資料が違う」という差も、薄くなりやすいです。
AIを入れた企業と、AIで独自の価値を出せる企業は、ここで分かれます。問いは「AIで何ができるか」から、誰の、どの行動が変わるかへ移ります。
速さと見た目は、すぐ追いつかれる
従来、差を支えていたものは、専門知識、情報を集める力、経験のある人、処理の速さでした。コンサルティングなら分析と資料。開発なら、短い期間で品質を落とさず作ること。営業なら、顧客の事情を踏まえた提案です。
AIは、この一部を多くの会社が使える状態にします。大量の情報を短時間で整理する。分析のたたき台を出す。企画書を一定の品質で書く。自然言語からコードや試作品を出す。過去の事例を組織の中で引く。定型の問い合わせに答える。
以前は高い専門性が要った作業の一部で、始めるのに必要な技能の下限が下がります。残るのは、その出力を業務の条件に照らして採るかどうかです。
高性能なモデルを先に契約しても、差は続きにくいです。他社も、同じモデルを使えます。顧客から見ると、どの提案も論理的で、見た目も整っている。これを、成果物の差がつきにくくなる状態（コモディティ化）とします。
仕事の工程で見ると、手順が揃った実行ほど、価格競争に寄りやすい、という整理を知的スマイルカーブとAI——価値が左右に寄る時代の「地図」の読み方に書きました。実行が速くなったあと、顧客は何を見て発注先を決めるのか。本稿では、そこを見ます。
ツールを入れることと、業務の前提を作り替えることの差は、AI時代のリーダー企業は何を作り替えているのかにあります。ここから先は、顧客が動ける提案に話を絞ります。
正しい提案と、動ける提案は別です
ビジネスの価値には、少なくとも2つあります。事実として正しいこと。そして、相手がその正しさを自分の状況に置いて、動けることです。
正確さは、事実と条件を揃えること
正確さとは、情報や分析が事実に基づき、論理として通っていることです。
たとえば、ある企業が新規事業への参加を検討しているとします。AIは、市場規模、競合、成長率、顧客の動き、投資の回収期間を並べ、複数の戦略案を出せます。意思決定の材料にはなります。
出力が常に正しいわけではありません。データの新しさ、出典、分析の条件、推論の飛びを確認します。データと確認の手順が揃えば、調査と分析の時間は大きく減らせます。
動けることは、数字のあとに決まる
経営者が参入を決めるとき、数字だけでは足りないことがあります。
なぜ今なのか。失敗したとき、誰が責任を持つか。既存の事業に影響が出てもやる価値があるか。社員や顧客は、この変化を受け入れられるか。
ここに答えがないと、分析が良くても実行には進みません。
ここでいう納得は、相手の状況、価値観、不安、利害を踏まえ、その人自身が動く意味を見つけられる状態です。
AIも、相手の状況を整理し、説明の案を出せます。納得を「人間にしかない能力」と固定するのは、今のモデルの範囲には合いません。
それでも、現場の判断には、組織の歴史、人間関係、責任の所在が入ります。分析を受け入れるか。どのリスクを引き受けるか。誰と組むか。この関係の中で信頼を作り、行動までつなぐことが、選ばれる理由になります。
同じ分析でも、選ばれる提案は違う
業務改革の提案を、2社で比べてみます。
A社は、AIで業務を分析し、年間2,000時間を減らせると示します。資料は論理的で、費用対効果も明確です。
B社は、同じ水準の分析に加え、現場の担当者に作業の実態を確認し、動く試作品を見せます。業務がどう変わるか、担当者の負担はどうなるか、導入時に何が止まるかを、顧客と一緒に見ます。
分析の精度が同程度なら、顧客が高く評価しやすいのは、実際に変え始められる方です。
正しい答えを作る能力が広がるほど、その答えを実行できる変化に変える能力が、差になります。
空いた時間を社内の価値に戻す話は、AIで生産性が上がったのに、なぜ価値は増えないのかに書きました。ここで見るのは、顧客が提案を自分たちの行動にできるか、です。
要望を叶える前に、解く問題を選び直す
日報の自動化は、要望への返答で止まることがある
ある企業の担当者が、こう相談してきたとします。「営業が日報に時間がかかっている。AIで自動化したい」。
日報を書くAIを提案するのは、今なら難しくありません。少し聞くと、別の問題が見えることがあります。
日報は、何のためにあるのか。管理職が状況を見るためか。担当者が振り返るためか。昔から残っている作業か。
目的が状況の把握なら、商談履歴から必要な項目を集め、管理職が見る画面の方が近いことがあります。把握そのものより、止まった商談を早く見つけることが目的なら、日報の自動化より、進捗と顧客の反応から危ない案件を出す仕組みの方が、成果に近いです。
要望への対応は、日報を自動化することです。課題の解決は、営業状況を少ない手間で把握することです。価値として残るのは、止まった商談を減らし、成果を上げることです。
最初の要望に応えることが易しくなるほど、その先の課題を選ぶ仕事が残ります。
問いを立てるのは、人間だけの仕事ではない
今のAIも、材料が揃えば、要望に対して複数の仮説を出せます。経営方針、業務データ、顧客の発言、過去の商談が十分にあれば、人が先に言わなかった課題が出ることもあります。
「人間が問い、AIが答える」という分担だけでは、足りません。
残る判断は、どの問いを追う価値があり、どの問いを捨てるかです。顧客が困っているか、だけではありません。解くことが顧客の利益になるか。今やるべきか。その組織が実行できるか。
この判断ができると、会社の役割は、技術を渡す相手から、事業の変化を一緒に進める相手になります。
要望の背景を聞く進め方は、「何を作るか」が技術者の価値を決める——コードを書く人から、課題を形にする人へにまとめました。ここでは、会社としてどの問いを残すかに限定します。
触ったあとに、問題を定義し直す
従来の提案は、要望を聞き、提案書を作り、要件を整理し、仕様を確定してから開発に入る、という順でした。
この順には、限界があります。顧客自身が、完成するまで本当に要るものを言葉にできないことがある、ということです。
「操作しやすい画面にしてほしい」と書いても、操作しやすいの中身は人によって違います。仕様書で合意しても、完成品を見て「思っていたものと違う」が起きます。
AIを使うと、会話から短時間で動く試作品を出せます。店舗の売上予測なら、最初から分厚い仕様書にせず、天候、曜日、イベントを変えると予測が変わる画面を先に作ります。
顧客が触ると、意見が出ます。「この情報も要る」「予測だけでなく、発注量を出してほしい」「店舗ごとに条件を変えたい」。抽象的なヒアリングだけでは出なかった意見です。
試作品は、完成イメージだけではありません。顧客が自分の課題に気づくための道具になります。
ただし、試作品を速く作ること自体も、やがて一般的な能力になります。「30分でアプリが作れる」だけでは、長い差にはなりません。
差になるのは、試作品で何を見つけ、顧客の決定をどう変えたかです。触った結果、最初の要望と違う課題が出たとします。用意した提案に固執せず、解く問題を定義し直せる会社は、開発を請け負うだけとは違う価値を出せます。
実装のループ、開発者のループ、顧客のループを分ける話は、Loop engineeringはプロンプト術ではなく開発プロセス設計であるにあります。本稿は、顧客が触ったあとに問題を定義し直すループに絞ります。
個人の工夫を、組織の記録にする
多くの会社では、AIの使い方が個人に寄っています。ある人は高度に使い、別の人は要約だけです。一部の生産性が上がっても、会社全体の力は上がらないことがあります。
経験が個人の中だけにあると、異動や退職で組織の能力が落ちます。営業が上手い人が、商談で何を確認し、何を見て判断しているかを整理します。再現できる部分を、支援の手順に入れます。経験の浅い人でも、準備と判断の下限を揃えやすくなります。
成功した行動には、特定の顧客や状況でしか通用しない判断も混ざります。AIに入れる前に、再現できる知識と、状況に依存する判断を分けます。
| 手順にしやすい仕事 | その場の判断を残す仕事 |
|---|---|
| 情報の収集と整理 | その顧客だけの課題を見つける |
| 定型の資料づくり | 何を価値として伝えるかの選択 |
| 手順の確認 | 例外への対応 |
| 進捗の可視化 | 優先順位とリスクの判断 |
| 過去事例の検索 | 新しい解決の構想 |
| 定型業務の実行 | 顧客との合意 |
標準化の目的は、誰もが一定の水準まで届く状態を作り、そのうえで価値の高い判断に時間を使うことです。
基礎の能力をAIで揃え、その上に自社の顧客理解を積む。この順が、続きやすい差になります。
AIに載せる前に、不要な手順を減らす話は、AIを入れる前に、仕事そのものを作り直すにあります。ここでは、残した判断のうち、再現できるものと状況に依存するものを分けることに限定します。
同じモデルを買っても、残らないものを残す
優れたツールを導入しても、競合が同じツールを買えるなら、その差は長く続きません。
買っても手に入りにくいものがあります。長年の関係から得た業務の理解。その業界で自社が持つデータ。現場の失敗。顧客の課題に合わせた試作品。改善を繰り返した業務の手順。これらは、モデルの契約だけでは来ません。
データの量だけでは、差になりません。社内文書を大量に読ませても、古い、矛盾している、権限が曖昧、業務とつながっていない、なら使える知識にはなりません。信頼性、新しさ、利用権限、業務との関係を管理します。
残す対象は、提案が役に立ったか、顧客がどう反応したか、その後どの成果につながったか、です。採用されなかった提案と、その理由も残します。失敗の背景が分かると、次に同じ誤りを繰り返す回数は減ります。
モデルそのものは、これからも入れ替わります。顧客との仕事で確認されたやり方は、自社が積み続ける必要があります。使うたびに組織の知識が増え、次の仕事の質が上がる仕組みがあるとき、差は続きやすくなります。
本番での品質、費用、停止と復旧の循環は、AIは「作れた」だけでは価値にならない――生成AI・AIエージェントを業務成果につなげる設計に書きました。次の記録は、顧客との学習用です。実行設定ではありません。
# 提案のあと、次に残す記録
request: 表面の要望
problem: 一緒に選んだ課題
why_now: 今やる理由と、見送った理由
prototype: 何を触ってもらったか
reaction: 採用、修正、不採用
outcome: 測れた変化。未測定なら未測定と書く
not_reusable: この顧客、この状況でしか通用しない判断
next: 次の提案で変えることを1つ
関係の密度が優位になる、という別の見方は、AI時代の優位性は、小さいコミュニティで育つにあります。本稿が扱うのは、1社の顧客との記録です。
顧客の成果が、競争の基準になる
AIの効果を測るとき、作業時間の短縮が先に出ます。たとえば、資料作成を50%減らした、問い合わせ対応を30%短くした、といった数字です。これらは有用です。それだけでは、顧客への価値が上がったことにはなりません。
コンサルティング会社が、提案書を10時間から2時間にしたとします。生産性は上がっています。同じ提案を多く作るだけなら、顧客の受け取る価値はあまり変わっていないかもしれません。減った8時間を、対話、現場の確認、試作品の検証に使うと、実行に移しやすくなります。課題の解決まで一緒に進めるなら、事業の成果に価値を置く取引へ移れます。
比べる基準は、こう変わります。
| これまで見やすかった基準 | 比重が上がる基準 |
|---|---|
| どれだけ速く作業できるか | どれだけ速く価値が実現するか |
| どれだけ詳しい提案か | 顧客が実行できる提案か |
| どれだけ多くの機能か | 課題がどれだけ解けたか |
| どれだけ多くの情報か | 必要な情報を判断につなげられるか |
| どれだけ優秀な個人がいるか | 組織で成果を続けられるか |
IT企業なら、開発規模や投入人数より、顧客の業務時間がどれだけ減ったか、売上や満足がどれだけ変わったか、が契約の話に入ります。
作業時間や工数で対価を得るモデルだけだと、AIで減った時間の価値を、自社の売上に戻しにくいです。継続して使うサービスや、成果に連動する契約の比重は上がります。
成果連動へ移す前に、双方が納得できる測り方を設計します。外部環境の影響、測り方、責任の分け方が残るからです。
利用回数やトークン量を成果とみなさない整理は、トークン消費量をKPIにしない──BCGの「トークンベース競争」をAI運用設計へ翻訳するにあります。時間削減を、顧客成果の指標へ接続する話は、ここまでの範囲です。
役割を「AIにできない仕事」で固定しない
課題を見つけること、戦略の選択肢を出すこと、相手に合わせて説明することの一部は、すでにAIが実行できます。エージェントが複数の業務を進めるようになれば、その範囲は広がっていきます。
分ける基準は、何を実現したいか、どの判断を誰が持つか、どの結果に誰が責任を持つか、です。
日常の判断の多くをAIに渡せるようになっても、人がすべてを確認する設計では、速さが残りません。すべてを任せる設計では、誤った判断や想定外の操作が大きな問題になります。重要度とリスクで、関与の仕方を変えます。定型の問い合わせは自動で処理し、契約条件の変更や大きな金額の決定は人が承認する、といった分け方です。AIが何を参照し、何を根拠にしたかを追えることも、確認の条件に含めます。
人の仕事は、作業の実行から広がります。目的を決めること。AIと人を組み合わせた仕組みを設計すること。成果に責任を持つこと。
責任を持つ、という宣言だけでは選ばれません。信頼できる品質の保証、問題が起きたときの対応の速さ、改善が続くこと。責任がこのサービスとして見えるとき、差になります。
基礎の専門知識は、残します。AIの出力を評価し、誤りを見つけ、判断するには、その領域の理解が要ります。作業を任せるためにも、その作業の意味と品質が分かっている必要があります。
人がAIと一緒に判断し、協働し、責任を持つ力については、「AIが使える」だけでは足りない——Gartnerの予測が示す、これから教育が育てるべき7つの力に書きました。見方は同じ方向です。本稿が扱うのは、会社がどの結果に責任を持つかです。
技術者個人の武器の移り方は、AI時代、IT技術者は何を武器にすればよいのかにあります。
作った価値を、自社の利益に戻す
顧客への価値の次に、自社の利益へ戻る経路を見ます。大きな価値を出せても、競合が同じサービスを安く出せるなら、価格競争に入ります。顧客のコストが下がっても、提供する側の利益が増えるとは限りません。
次の3つを、別々に見ます。
価値を作る
AIで、顧客のどの行動や成果が新しくなるか。
差を残す
なぜ他社ではなく自社なのか。同じモデルを買った競合が、短期間でまねできない理由は何か。
利益に戻す
その価値を、売上、利益、継続契約のどれに、どうつなぐか。
この3つが揃って、AIの利用は業務の改善から、続く競争優位の設計になります。一般的なモデルでも、顧客の業務を理解し、独自の記録を積み、成果につなげる仕組みがあれば、差は作れます。最新のモデルでも、既存業務を速くするだけなら、競合にまねされやすいです。
スマイルカーブの記事は、実行の工程ほど単体では利益が薄くなり、目的の設定と届け方に利益が残りやすい、という見方です。本稿の3つは、その見方を経営の問いにしたものです。同じ方向です。
課題発見や試作や検証も、これからAIで高度になっていきます。今持っている能力の一覧だけでは、将来の差は続きません。続きやすいのは、能力が上がるたびに、仕事の進め方と、顧客への価値の渡し方を変えられることです。
その条件は、AIを導入する企業から、AIで変わり続ける企業へに書きました。
次の一歩は、手元の提案を1件選び、3行だけ残すことです。何が事実として正しいか。顧客の誰が、何を実行できるようになるか。同じモデルを競合が買っても、自社に残る記録は何か。
この3行が空なら、モデルの性能を上げても、選ばれる理由は増えにくいです。埋まっていれば、次に足すのは、顧客の成果と、その記録の回し方です。
作成日: 2026-10-23