【Ai x 入力設計 16】田中君　第2部　3つのAIで調査・比較・裏取りする

👥 登場人物紹介

👨‍💻 田中君

製造現場で約10年働く、この物語の主人公。
真面目で責任感がありますが、抜けを恐れて情報を集めすぎる傾向があります。
市場調査報告書を作る中で、AIに答えを求める使い方から、AIを使って自分で判断する方法を学んでいきます。

👨‍🔧 林さん

田中君と同じ現場で働く先輩。
難しい話を身近なたとえに置き換えながら、現場で本当に実行できるのかを確認します。
田中君が自分より先にChatGPTへ相談したことを、少しだけ気にしています。

👨‍🏫 佐藤さん

情報整理と改善に詳しい相談役。
報告書の目的、情報の優先順位、根拠と結論のつながりを確認します。
過去に六十ページの報告書を作り、上司から三ページ目で読むのを止められた経験があります。

👩‍💼 まゆみさん

林さんの恋人で、顧客や読み手の立場から意見を出します。
商品の強みが顧客の価値として伝わるか、情報が多すぎないかを鋭く指摘します。
言い方が少し直接的で、林さんから注意されることもあります。

👔 黒田営業部長

田中君へ市場調査報告書の作成を依頼した営業部長。
細かな説明よりも、まず結論と次に取るべき行動を求めます。
仕事を任せるときの決まり文句は、

です。

🔎 第6章　Grokで市場情報を集める

🧭 AIに検索させる前に、人間が調査の軸を決める

💻 「この商品の市場を調べてください」では足りない

田中君は、Grokの入力画面を開きました。

これまで使っていたChatGPTではなく、今回は外部情報を集めるためにGrokを使います。

競合商品の情報。

市場の最近の動き。

顧客が感じている不満。

企業や公的機関が公開している資料。

そうした情報を幅広く探すには、検索機能を持つAIが役立ちます。

田中君は、入力欄に文章を書き始めました。

そこまで入力して、手を止めます。

「これだと、また前と同じですよね」

隣にいた佐藤さんが画面を見ました。

「そうだね。新製品と言われても、Grokには何の商品か分からない」

「商品の説明を入れればいいんでしょうか」

「それだけでは足りないと思うよ」

林さんも、田中君の後ろから画面をのぞき込みました。

「また大量に調べてこられるんじゃないか？」

「その可能性はあります」

「海外市場から十年後の人口動態まで、全部戻ってきたりしてな」

「それは困ります」

田中君は、入力した文章を削除しました。

AIは、与えられた条件の範囲で情報を探します。

しかし、条件が曖昧であれば、AIは何を中心に調べればよいのか分かりません。

その結果、関連しそうな情報を広く集めることになります。

市場規模。

海外動向。

業界全体のニュース。

競合企業。

関連技術。

SNSの投稿。

法律。

将来予測。

どれも市場調査に関係しているように見えます。

しかし、今回の報告書に必要とは限りません。

曖昧な依頼からは、広くて曖昧な調査結果が返ってきます。

田中君は、まずGrokへ渡す情報を整理することにしました。

🧩 Grokへ渡す前に、商品情報をまとめる

佐藤さんは、田中君へ言いました。

「まず、Grokに何を知ってもらう必要があるか考えよう」

田中君は、試作品とこれまでの記録を机の上に並べました。

Grokへ調査を依頼するには、少なくとも次の情報が必要です。

• どのような商品なのか

• 何のために作ったのか

• どのような場面で使用するのか

• 既存商品と何が違うのか

• 最も強い特徴は何か

• その特徴によって、顧客にどのような利点があるのか

• 今回、何を確認したいのか

• 調査対象となる地域

• 想定している顧客

• どの程度新しい情報を必要としているのか

田中君は、順番に書き出していきました。

しかし、商品情報をまとめようとすると、再び製造側の表現が増えていきます。

まゆみさんが、田中君のメモを見ました。

「それ、Grokが読んで、お客さんの何を調べればいいか分かる？」

田中君は、メモを読み直しました。

「製品の改善内容は分かると思います」

「製造の人にはね」

「一般の顧客には分かりにくいですか？」

「分かりにくいというより、自分に何の関係があるのか分からない」

また少し強い言い方になりかけたところで、まゆみさんは一度言葉を止めました。

林さんが横から見ています。

「今、言い方を考えたな」

「考えたわよ」

「成長したな」

「うるさい」

まゆみさんは気を取り直し、先ほどより柔らかく説明しました。

「製造上の改善と、顧客が受ける利点を両方書けばいいと思う」

田中君は、前章で作った対比表を開きました。

• 製品のばらつきを減らした

  • 購入する商品ごとの差が少ない

• 耐久性を向上させた

  • 長く使用でき、交換回数を減らせる

• 重量を軽くした

  • 長時間使用しても疲れにくい

• 形状を調整した

  • 持ちやすく、手に当たりにくい

• 検査項目を増やした

  • 品質不良に当たる可能性を下げられる

「これなら、調査する側にも商品の価値が伝わりますね」

田中君が言うと、まゆみさんはうなずきました。

「商品の仕様を調べさせたいんじゃなくて、その価値を必要としている人を探したいんでしょ」

🎯 今回、何を知りたいのか

商品情報を整理したあと、佐藤さんは田中君へ尋ねました。

「今回の市場調査で、一番知りたいことは何だろう」

田中君は、黒田営業部長から依頼された場面を思い出しました。

かなり大まかな指示でした。

しかし、ここまで整理したことで、確認すべき内容は少しずつ明確になっています。

田中君は答えました。

「この商品の強みを必要としている顧客が、本当に存在するかどうかです」

「それから？」

「その顧客が、現在どのような商品や方法を使っているのか」

「うん」

「今使っているものに、どんな不満があるのか」

「ほかには？」

「競合商品と比べて、うちの商品が購入理由になるだけの違いを持っているか」

佐藤さんはうなずきました。

田中君は、調査目的を次のようにまとめました。

林さんが読み上げました。

「だいぶ市場調査らしくなったな」

「最初の『市場を調べてください』よりは、かなり具体的です」

「最初が雑すぎただけじゃないか？」

「黒田部長の依頼も、同じくらい大まかでした」

「部長のせいにするな」

🧑‍🤝‍🧑 誰の声を探すのか

次に決めるのは、想定顧客です。

誰の意見を調べるのかが決まらなければ、口コミやレビューを集めても意味がありません。

同じ商品でも、使う人によって評価する点は変わります。

使用頻度が高い人

田中君は、現時点で想定している顧客を記入しました。

• 商品を日常的に使用する人

• 現在の商品を重い、疲れやすいと感じている人

• 安さだけでなく、耐久性や品質も重視する人

• 買い替え回数を減らしたい人

この条件であれば、自社商品の軽さと耐久性が価値になる可能性があります。

🔍 調べてもらう項目を絞る

調査目的と想定顧客を整理したあと、田中君はGrokへ調べてもらう項目を作りました。

最初に書き出したときは、二十を超える項目がありました。

今回は、優先順位を考えながら絞っていきます。

最優先で調べる情報

• 想定顧客が現在抱えている不満

• 購入時に重視している要素

• 現在利用している競合商品や代替手段

• 競合商品に対する評価

• 競合商品の主な不満

• 市場で一般的な価格帯

• 軽量性や耐久性への需要

判断を補強する情報

• 市場規模

• 市場の成長傾向

• 主な販売経路

• 顧客が情報を集める場所

• 市場へ参入する際の主なリスク

今回は優先しない情報

• 海外市場

• 十年後の市場予測

• 為替変動

• 広範囲の特許調査

• 今回の商品と関係の薄い関連市場

• 対象顧客以外の細かな購買傾向

林さんは、整理された項目を見て言いました。

「今度は、ちゃんと終わりが見えそうだな」

「前は、調べても調べても終わらない内容でしたからね」

「今回は七つが最優先か」

「これでも多いでしょうか」

「前を見たあとだと、少なく見える」

「比較対象が悪すぎます」

📚 情報源にも優先順位を付ける

Grokに検索を依頼する際には、何を調べるかだけでなく、どのような情報源を優先するかも指定する必要があります。

インターネット上には、さまざまな情報があります。

• 官公庁の統計

• 業界団体の調査

• 企業の公式資料

• 上場企業の決算資料

• 調査会社のレポート

• 報道記事

• 商品レビュー

• SNSへの投稿

• 個人ブログ

• 匿名掲示板

• 広告目的の記事

すべてを同じ重さで扱うことはできません。

田中君は、佐藤さんと相談しながら、情報源の優先順位を決めました。

信頼できる事実を確認する情報源

• 官公庁

• 公的機関

• 業界団体

• 学術機関

• 企業の公式発表

• 上場企業の公開資料

• 調査方法が明記された統計

顧客の感想や不満を知る情報源

• 大手販売サイトの商品レビュー

• メーカーへの質問や回答

• 利用者へのアンケート

• 商品比較サイト

• SNS上の具体的な使用体験

慎重に扱う情報源

• 出所が分からないまとめ記事

• 宣伝目的のランキング

• 調査条件が書かれていない数字

• 匿名の体験談

• 根拠が示されていない将来予測

• 同じ文章を転載している複数サイト

「SNSの投稿は信頼できないんですか？」

田中君が尋ねると、佐藤さんは答えました。

「事実を証明する資料としては弱いことが多い。でも、顧客が何に不満を感じているかを知る手がかりにはなる」

「用途によって、使い方が変わるんですね」

「そう。公式資料にも、個人の感想にも、それぞれ役割がある」

公式資料から確認すること

• 市場規模

• 販売実績

• 制度

• 価格

• 仕様

• 調査結果

利用者の声から確認すること

• 使いにくさ

• 不満

• 購入理由

• 使用場面

• 改善してほしい点

• 期待していたこととの差

公式資料だけでは、顧客の本音は分かりません。

一方、個人の感想だけでは、市場全体の事実は分かりません。

情報源は、正しいか間違っているかだけでなく、何を確認するために使うかで選ぶ必要があります。

📝 Grokへ渡す調査依頼を作る

必要な情報が整理できたところで、田中君はGrokへの依頼文を書き始めました。

今度は、一行だけではありません。

商品の背景。

商品の強み。

顧客への価値。

調査目的。

想定顧客。

調べる項目。

優先する情報源。

回答形式。

それらを順番に記載します。

入力し終えた田中君は、自分で文章を読み返しました。

第1章でChatGPTへ質問したときよりも、かなり長い依頼文です。

しかし、長くすることが目的ではありません。

調査に必要な条件を、Grokが迷わないように渡した結果です。

林さんが言いました。

「最初の一行から、ずいぶん増えたな」

「長すぎますか？」

「いや。前は短すぎて、何を調べればいいか分からなかった。今回は調べる範囲が分かる」

佐藤さんも確認しました。

「いいと思う。ただし、Grokから返ってきた内容を、そのまま使わないことだね」

「出典を確認するんですよね」

「それもある。情報が今回の目的に必要か、重複していないか、推測が混じっていないかも見る必要がある」

田中君はうなずき、送信ボタンを押しました。

🤖 Grokが大量の情報を持ち帰る

しばらくすると、Grokから回答が返ってきました。

田中君は、画面を下へスクロールします。

競合商品の一覧。

販売価格。

商品レビューで多く見られる不満。

軽量性を評価する声。

耐久性を重視する利用者。

市場規模に関する統計。

販売経路。

関連する業界動向。

複数の情報源も示されています。

「かなり調べてくれましたね」

田中君は驚きました。

林さんも画面をのぞき込みます。

「前よりは、必要そうなものが多いな」

「調査の条件を絞ったからだと思います」

田中君は、回答を読み進めました。

しかし、すべてがそのまま使えるわけではありません。

官公庁の統計。

競合企業の公式情報。

大手販売サイトの商品レビュー。

個人ブログ。

SNSへの投稿。

出所の分からない市場予測。

異なる種類の情報が、同じ回答の中に並んでいました。

さらに、一部の文章には、

といった、根拠がはっきりしない表現もあります。

田中君は、少し眉をひそめました。

「出典があるものと、推測らしいものが混じっていますね」

佐藤さんはうなずきます。

「AIの回答は、完成した調査報告書ではない。見つけた情報を並べた調査メモだと思った方がいい」

「ここから、使えるものを選ぶんですね」

「そうだね」

🗃️ 集めた情報を六つに分ける

田中君たちは、Grokが集めた情報を、次の六つに分類することにしました。

1．公式に確認できる事実

• 官公庁の統計

• 業界団体の調査

• 企業の公式価格

• 商品の公式仕様

• 公開された販売実績

2．調査結果

• 調査会社のアンケート

• 業界団体による顧客調査

• 利用者への意識調査

• 調査方法が明記された市場分析

3．顧客の具体的な声

• 商品レビュー

• 使用体験

• よくある不満

• 購入理由

• 改善要望

4．企業側の主張

• メーカーが宣伝している強み

• 商品紹介ページの説明

• 広告上の差別化

• 企業が公開した独自調査

5．推測や解釈

• 市場は今後拡大すると考えられる

• 軽量商品の需要が高まる可能性がある

• 特定の顧客層に支持されると予想される

• 競合より優位になると思われる

6．出所が不明確な情報

• 元資料へたどり着けない数字

• 調査時期が分からない情報

• 調査対象が不明なアンケート

• 複数サイトに転載されているだけの文章

田中君は、Grokの回答を一つずつ分類していきました。

公式に確認できるものには青い印。

顧客の声には緑の印。

推測には黄色い印。

出所が不明確なものには赤い印を付けます。

画面は、次第に色分けされていきました。

林さんが言います。

「ずいぶん赤が多いな」

「検索結果としては使えても、報告書の根拠には使いにくいものが多いですね」

「Grokが間違えたのか？」

佐藤さんが答えました。

「間違いとは限らないよ。ただ、根拠として十分かどうかは別の話だ」

⚠️ 顧客の声は、多数意見とは限らない

田中君は、競合商品へのレビューを読みました。

自社商品の強みと結びつきそうな不満が多く見つかりました。

田中君は少し興奮しました。

「やっぱり、軽さと耐久性への需要はありそうです」

まゆみさんが、すぐに尋ねました。

「何人が言ってるの？」

「何人？」

「レビューは全部で何件あって、そのうち何件が重いと言ってるの？」

田中君は確認しました。

商品レビューは全部で八百件以上あります。

しかし、「重い」と書いているレビューとしてGrokが紹介していたのは、十数件でした。

「思ったより少ないですね」

「Grokが特徴的な意見を拾ってきただけかもしれない」

まゆみさんは言いました。

「困っている人がいることは分かる。でも、多くの人が困っているとは、まだ言えないでしょ」

田中君はうなずきました。

個人のレビューからは、具体的な不満を知ることができます。

しかし、レビューが見つかったからといって、それが市場全体の多数意見とは限りません。

商品レビューから分かること

• 実際にどのような不満があるか

• どの場面で困っているか

• どのような言葉で不満を表現しているか

• 商品の改善候補

商品レビューだけでは分からないこと

• 市場全体で何％の人が困っているか

• その不満が購入判断にどの程度影響するか

• 不満を解決するために追加料金を払うか

• 投稿者が想定顧客を代表しているか

顧客の声は仮説を作る材料にはなりますが、市場全体を証明する数字にはなりません。

🏢 公式資料にも、企業側の都合がある

次に田中君は、競合企業が公開している商品説明を読みました。

そこには、

といった表現が並んでいます。

「これを競合商品の強みとして使ってもいいでしょうか」

田中君が尋ねると、佐藤さんは答えました。

「企業がそう主張している事実としては使える」

「商品の性能が証明されているわけではない？」

「そう。広告表現と、第三者が確認した事実は分けた方がいい」

企業の公式資料は、価格や仕様、発売時期などを確認するには役立ちます。

しかし、商品の優秀さを示す言葉は、販売する側の主張です。

同じ公式情報でも、内容によって扱いが変わります。

公式資料から事実として使いやすい情報

• 商品価格

• 寸法

• 重量

• 使用材料

• 保証期間

• 発売日

• 販売地域

企業側の主張として扱う情報

• 業界最高水準

• 顧客満足度が高い

• 圧倒的な使いやすさ

• 多くの専門家が支持

• 市場で最も選ばれている

主張を使う場合は、

と書くことはできます。

しかし、

と事実のように断定するには、別の根拠が必要です。

🔄 情報収集は、調査の終わりではない

Grokが集めた情報を分類し終える頃には、田中君の画面には多くの付箋が付いていました。

使えそうな統計。

競合商品の公式仕様。

顧客の具体的な不満。

追加確認が必要な数字。

出所不明の情報。

調査前より多くのことが分かりました。

しかし同時に、分からないことも増えています。

• 顧客の不満は、どの程度一般的なのか

• 軽量性に追加料金を払う顧客はいるのか

• 耐久性と軽量性を両立した競合商品は本当に少ないのか

• 市場規模の数字は、今回の商品カテゴリーにそのまま使えるのか

• 企業が公開した調査に偏りはないのか

田中君は言いました。

「調べれば答えが出ると思っていたんですけど、調べたら新しい疑問が増えました」

佐藤さんはうなずきました。

「良い調査では、そうなることも多いよ」

「分からないことが増えてもいいんですか？」

「何が分からないかが明確になったなら、前進している」

調査前は、何を知らないのかも分かっていませんでした。

調査後は、確認できた事実と、不足している情報を分けられます。

🧾 Grokの調査結果を、次のAIへ渡す前に

田中君は、Grokの回答をそのままコピーして、次に使うClaudeへ渡そうとしました。

その手を、佐藤さんが止めました。

「そのまま渡すの？」

「Claudeに整理してもらおうと思って」

「整理してもらうのはいい。でも、その前に田中君たちが確認した結果も一緒に渡した方がいい」

「Grokの回答だけでは駄目なんですか？」

「どの情報を信頼できると判断したか、どの情報は推測なのか、どれを今回使わないのか。それはGrokの回答だけでは分からないからね」

田中君は、Claudeへ渡す資料を次のようにまとめ直しました。

確認できた事実

• 公的機関が公開した市場規模

• 競合商品の公式価格と仕様

• 主要な販売経路

• 公開された調査結果

顧客の声から見つけた仮説

• 重さに不満を持つ利用者がいる

• 耐久性を重視する利用者がいる

• 長時間使用時の疲れを訴える声がある

• 価格と品質の両方を比較する人が多い可能性がある

追加確認が必要な情報

• 不満を持つ利用者の割合

• 軽量性に対する支払意思

• 耐久性を理由に購入する顧客数

• 競合商品との差が認識されるか

• 市場規模のうち、自社が狙える範囲

今回は使わない情報

• 出所不明の市場予測

• 調査時期が古いアンケート

• 対象顧客が異なる海外データ

• 宣伝目的が強いランキング

• 根拠の示されていない将来予測

林さんが資料を見て言いました。

「Grokが調べた資料というより、田中たちが整理した資料になったな」

「その方がいいんですよね」

佐藤さんはうなずきました。

「AIの出力をそのまま次のAIへ流すだけでは、伝言ゲームになる」

「人間が途中で確認する」

「そう。前の工程を確認してから、次の工程へ渡す。それが分業だよ」

🏗️ 次は、報告書の骨組みを作る

市場情報の収集と整理が終わりました。

次に必要なのは、集めた情報をどの順番で報告書へ置くかを決めることです。

市場規模から始めるのか。

商品の強みから始めるのか。

顧客の不満を先に示すのか。

競合比較をどこへ置くのか。

不足情報をどのように見せるのか。

情報が正しくても、配置を間違えれば、読み手には伝わりません。

田中君は、整理した資料を開きながら言いました。

「次は、Claudeに報告書の骨組みを作ってもらいます」

林さんが尋ねました。

「Claudeに全部決めてもらうのか？」

田中君は、すぐに首を横に振りました。

「骨組みの案を出してもらいます」

「そのあとは？」

「僕たちが、今回の目的に合っているか確認します」

林さんは満足そうにうなずきました。

「今度はちゃんと分かってるな」

「少しずつですが」

田中君は、Grokで集めた情報と、自分たちが分類した結果を一つの資料にまとめました。

AIが集めた情報。

人間が確認した出典。

採用する情報。

保留する情報。

不足している情報。

それらを、次の工程へ渡します。

🏗️ 第7章　Claudeで報告書の骨組みを作る

🧩 情報を並べるのではなく、読み手が判断できる順番を設計する

📚 集めた情報はある。でも、まだ報告書ではない

Grokを使った市場調査によって、田中君たちは多くの情報を集めました。

公的機関が公開した市場データ。

競合商品の価格や仕様。

商品レビューに書かれた不満。

顧客が重視している可能性のある要素。

市場へ参入する際のリスク。

さらに、それらを次のように分類しています。

• 公式に確認できた事実

• 調査結果として使える情報

• 顧客の具体的な声

• 企業側の主張

• 仮説として扱う情報

• 出所が不明確な情報

• 追加確認が必要な情報

情報収集を始める前と比べれば、かなり前進しました。

しかし、田中君のパソコン画面には、複数の資料が開いたままです。

公的統計の資料。

競合商品の比較表。

レビューから拾った不満一覧。

自社商品の改善記録。

調査結果の分類表。

追加確認事項。

どれも必要な情報ですが、このまま黒田営業部長へ渡すことはできません。

「これだけ資料があっても、まだ報告書には見えませんね」

田中君が言うと、林さんも画面を見ながらうなずきました。

「机の上に部品を全部並べただけみたいだな」

「部品ですか」

「必要なものはそろってる。でも、まだ組み立ててない」

佐藤さんも言いました。

「情報を集める工程と、報告書を設計する工程は別なんだ」

田中君は、Grokが集めた内容を見ました。

材料はそろっています。

しかし、どの情報から見せるのか。

何を本文へ入れるのか。

何を補足資料へ回すのか。

どの順番なら、黒田営業部長が迷わず判断できるのか。

そこまでは、まだ決まっていません。

情報が集まっただけでは、報告書は完成しません。

集めた情報へ役割を与え、読み手が理解できる順番へ並べる必要があります。

🤖 Claudeには何を頼むのか

田中君は、Claudeの入力画面を開きました。

「今回は、Claudeに文章を書いてもらうのか？」

林さんが尋ねます。

「まずは、報告書の骨組みを作ってもらおうと思います」

「骨組みだけ？」

「はい。いきなり文章にすると、情報が多すぎるまま整えられてしまうかもしれませんから」

佐藤さんはうなずきました。

「それでいいと思うよ」

田中君は、Claudeに頼む役割を整理しました。

Claudeに任せること

• 集めた情報を目的別に整理する

• 重複している内容をまとめる

• 優先度の低い情報を外す

• 読み手が判断しやすい順番を提案する

• 商品の強みと顧客の需要を結びつける

• 事実と仮説を分ける

• 不足している情報を明確にする

• 報告書の章立て案を作る

この段階では任せないこと

• 最終的な文章を書く

• 市販の可否を決定する

• 不足情報を推測で補う

• 根拠の弱い情報を事実として扱う

• 人間の判断に代わって結論を出す

林さんが一覧を見て言いました。

「Claudeは、編集者みたいな役割なんだな」

「そうですね。文章を書く前に、何をどこへ置くかを考えてもらいます」

「じゃあ田中君は？」

「最終的に、どの構成を採用するかを決めます」

「今度はちゃんと、自分の仕事が残ってるな」

「前も残っていましたよ」

「AIが増やした仕事を全部引き受けてただろ」

「その話は、もういいじゃないですか」

📤 Grokの回答を、そのまま渡さない

田中君は、Claudeへ資料を渡そうとしました。

しかし、今回はGrokの回答をそのままコピーすることはしません。

Grokが集めた情報に、田中君たちが確認した結果を加えます。

Claudeへ渡す資料

1．報告書の目的

2．読み手

• 黒田営業部長

• 商品化を判断する関係部署

• 製造、営業、企画の責任者

3．自社商品の主な特徴

• 軽量化によって長時間使用時の負担を減らせる可能性がある

• 耐久性を改善し、交換回数を減らせる可能性がある

• 製品ごとの品質差を減らしている

• 持ちやすさを考慮して形状を変更している

4．確認できた市場情報

• 公的機関が示した市場規模

• 競合商品の価格帯

• 競合商品の公式仕様

• 主な販売経路

• 市場の直近の傾向

5．顧客の声から得た仮説

• 重さに不満を持つ利用者がいる

• 長時間使用時の疲れを訴える声がある

• 耐久性を重視する利用者がいる

• 価格と品質を比較して購入する傾向がある可能性がある

6．追加確認が必要な情報

• 不満を持つ顧客の割合

• 軽量性に対する支払意思

• 耐久性が購入理由になるか

• 自社商品の違いが顧客へ伝わるか

• 実際に狙える市場の規模

7．今回使用しない情報

• 出所不明の市場予測

• 古すぎる調査結果

• 対象が異なる海外データ

• 広告色の強いランキング

• 根拠が示されていない将来予測

「ここまで整理してから渡すんですね」

林さんが言いました。

「AI同士を直接つなぐだけでは、Grokが拾った曖昧な情報まで、そのまま骨組みに入る可能性がありますから」

佐藤さんも補足します。

「Claudeには、田中君たちが何を採用し、何を保留したのかを伝える必要がある」

前のAIが出した情報だけではなく、人間が行った確認と判断も、次のAIへ渡す。

これによって、AI同士の単なる伝言ゲームを防ぎます。

✍️ Claudeへ渡した依頼文

田中君は、整理した資料とともに、次の依頼文をClaudeへ入力しました。

田中君は、依頼文を読み返しました。

前回と同じように長い文章です。

しかし、今回も長さそのものに意味があるわけではありません。

Claudeに何をしてもらい、何をさせないのか。

報告書を誰が読み、何を判断するのか。

その条件を明確に伝えています。

田中君は送信ボタンを押しました。

🏗️ Claudeが作った最初の骨組み

Claudeから返ってきた構成案は、次のようなものでした。

1．調査の背景

• 新製品を開発した理由

• 試作から市販検討へ移った経緯

• 今回、市場調査が必要になった理由

2．調査の目的と判断事項

• 市販する価値があるか

• 想定顧客をどこに設定するか

• 市販前に何を追加確認するか

• 読み手が判断すべき内容

3．新製品の特徴と顧客への価値

• 製造上の改善

• 軽量化、耐久性、品質安定

• 顧客にとっての利点

• 強みの根拠となる現場データ

4．想定顧客と抱えている問題

• 想定顧客の使用状況

• 既存商品への不満

• 購入時に重視する要素

• 現時点の顧客仮説

5．競合商品と代替手段

• 主な競合商品

• 価格、仕様、訴求点

• 顧客が現在選んでいる代替手段

• 競合への主な不満

6．自社商品の優位性と弱点

• 競合と比較した強み

• 顧客の需要と一致する部分

• 現時点で弱い部分

• 顧客に違いが伝わるかという課題

7．価格と販売可能性

• 競合商品の価格帯

• 自社の想定価格

• 顧客が受け入れる可能性

• 原価と利益

• 販売経路

8．市場規模と事業性

• 市場全体の規模

• 自社が狙える範囲

• 市場の成長傾向

• 継続販売の可能性

9．市販に向けたリスク

• 需要に関するリスク

• 価格に関するリスク

• 製造能力

• 品質維持

• 顧客対応

• 情報不足

10．現時点で確認できたこと

• 根拠のある事実

• 顧客の声から得た傾向

• 現場データと市場情報の一致点

• 現時点で言える範囲

11．追加検証すべき内容

• 顧客アンケート

• 試作品の使用評価

• 価格に対する反応

• 小規模な試験販売

• 競合との差の認識確認

12．現時点での判断案

• 市販を進める

• 条件付きで進める

• 追加調査後に判断する

• 現時点では見送る

田中君は、構成案を上から順番に読みました。

「かなりきれいに並んでいますね」

林さんも画面を見ながら言いました。

「最初の大量の項目より、ずいぶん報告書らしくなったな」

「情報が、判断する順番に並んでいます」

田中君は、構成案を見ながら少し安心しました。

しかし、佐藤さんはすぐにはうなずきませんでした。

「きれいな構成だね」

「何か問題がありますか？」

「問題があるとは限らない。ただ、きれいだから正しいとは限らないよ」

⚠️ 立派な構成ほど、そのまま使いたくなる

Claudeが作った骨組みは整っています。

背景から始まり、商品、顧客、競合、価格、市場、リスク、追加検証、結論へ進む。

読みやすく、抜けも少なそうです。

田中君は、このまま採用してもよいのではないかと思いました。

「大きな問題がなければ、この構成で進めてもよさそうですね」

佐藤さんは尋ねました。

「田中君。この構成の中で、一番重要な章はどこだと思う？」

「一番ですか？」

田中君は、構成を見直しました。

調査目的。

商品価値。

顧客。

競合。

価格。

市場規模。

どれも重要です。

「全部必要だと思います」

「また全部になってるぞ」

林さんがすぐに言いました。

田中君は困りました。

「でも、Claudeが必要な章として出しているので」

「前にも同じことを言ってなかったか？」

「今回は、かなり整理されています」

「整理されていても、全部が同じ重要度とは限らないだろ」

佐藤さんは、章立ての中から「市場規模と事業性」を指さしました。

「例えば、この市場規模は、どの程度詳しく書く必要があるかな」

田中君は考えました。

「市場全体の大きさは、販売する価値を考えるために必要です」

「そうだね。でも、今回の新製品を必要とする顧客がいるか分からない段階で、市場全体の説明を何ページも書く必要はある？」

「そこまでは必要ありません」

「では、この章は大きな主役ではなく、顧客と商品の関係を補強する役割だね」

「はい」

次に佐藤さんは、「新製品の特徴と顧客への価値」を指しました。

「こちらは？」

「今回の調査の中心になると思います」

「なぜ？」

「商品の強みが、顧客の問題を解決できるかを確認するためです」

「そう。それが田中君たちの市場調査の軸だったね」

Claudeが作った章立ては正しそうに見えます。

しかし、その中でも、今回の目的に応じて強弱を付ける必要があります。

AIが構成を整理しても、どこを中心にするかは人間が決めなければなりません。

🎯 章ごとの役割を確認する

田中君たちは、Claudeが作った構成について、一章ずつ役割を確認しました。

• 調査の背景

  • なぜこの調査が必要なのかを示す

• 調査目的

  • 読み手が何を判断するのかを明確にする

• 商品の特徴と価値

  • 商品を市販する理由の候補を示す

• 想定顧客

  • 誰の問題を解決する商品かを示す

• 競合と代替手段

  • 顧客が現在選んでいる方法と比較する

• 自社商品の優位性

  • 購入理由になり得る違いを示す

• 価格と販売可能性

  • 顧客と自社の両方に成立するか確認する

• 市場規模

  • 継続的な販売可能性を補強する

• リスク

  • 市販前に止めるべき問題を示す

• 確認できたこと

  • 事実と仮説の境界を示す

• 追加検証

  • 判断を前へ進める行動を示す

• 判断案

  • 人間が検討する選択肢を示す

一覧にすると、それぞれの章が何のためにあるのかが分かります。

一つの章に複数の役割を持たせすぎると、内容が分かりにくくなります。

たとえば、競合分析の章で、

• 市場規模

• 自社商品の製造原価

• 顧客の年齢

• 将来の法規制

まで扱えば、話が散らかります。

各章には、主となる役割を一つ置く必要があります。

これが、報告書を読みやすくする基本になります。

🧹 重複している情報をまとめる

Claudeは、田中君たちが渡した資料について、いくつかの重複も指摘していました。

たとえば、軽量性についての情報が複数の資料へ入っています。

• 商品の特徴

• 顧客の不満

• 競合商品の弱点

• 自社商品の優位性

• 販売時のアピールポイント

すべてに軽量性が書かれているため、そのまま文章化すれば、同じ説明が何度も出てくる可能性があります。

田中君は言いました。

「軽量性は重要な強みなので、何度か書いてもいいと思っていました」

佐藤さんは答えます。

「重要だから何度も同じ説明をするのではなく、章ごとに役割を変えるといい」

商品の特徴の章

顧客の問題の章

競合比較の章

自社商品の優位性の章

追加検証の章

同じ「軽量性」でも、章によって示す内容が異なります。

同じ言葉を繰り返すのではなく、情報を段階的に深める。

これによって、重複を減らしながら、重要な強みを報告書全体へ通すことができます。

🔗 商品の強みと市場情報を一本につなぐ

Claudeの構成案では、商品の特徴、顧客の問題、競合比較が別々の章になっています。

田中君は、ここで一つ心配になりました。

「章を分けすぎると、商品の強みと顧客の需要が離れて見えませんか？」

「いいところに気づいたね」

佐藤さんはうなずきました。

情報を整理するために章を分けても、関係性まで切れてはいけません。

市場調査報告書で重要なのは、次の流れです。

田中君は、この流れを構成案の中央へ追加しました。

報告書の中心となる論理

1. 顧客が抱えている問題

2. 既存商品や代替手段の限界

3. 自社商品が提供できる価値

4. 競合との差

5. 購入される可能性

6. 確認が必要な条件

市場規模や販売経路は、この中心を補強する情報です。

報告書の中心は、数字の大きさではありません。

顧客の問題と、自社商品の価値がつながっているかどうかです。

🕳️ Claudeが指摘した不足情報

Claudeは、骨組みを作ると同時に、現在不足している情報も示しました。

不足1　顧客の不満の割合

重さや耐久性に不満を持つ人がいることは確認できました。

しかし、その不満が市場全体でどの程度存在するかは分かりません。

不足2　価格に対する反応

軽く、長く使える商品に価値を感じたとしても、追加料金を払うかどうかは確認できていません。

不足3　競合との実測比較

競合商品の公式仕様はありますが、同じ条件で比較した試験データは不足しています。

不足4　商品の強みが顧客へ伝わるか

製造側では改善を確認できていますが、顧客が使用した際に違いを感じるかは未確認です。

不足5　量産時の品質

試作品では品質が安定していても、量産時に同じ品質を維持できるかは分かりません。

田中君は、不足情報を見ながら言いました。

「足りないものが、かなりありますね」

佐藤さんは答えました。

「不足が見えたのは悪いことじゃない」

「報告書を作る前なのに、完成から遠ざかったように感じます」

「逆だよ。分からない部分を隠したまま文章にする方が危ない」

骨組みを作ることで、どの章に必要な情報が足りないのかが見えてきます。

つまり、構成は文章の順番を決めるだけではありません。

としても使えるのです。

💡 「不足」と「失敗」は同じではない

田中君は、報告書の中に不足情報を書くことへ、まだ少し抵抗を感じていました。

「これだけ不足があると、調査不足だと思われませんか？」

佐藤さんは首を横に振りました。

「調べていないことを、調べたように書く方が問題だよ」

「でも、黒田営業部長は、結論を求めています」

「結論は出せる。ただし、現時点で言える範囲に限定するんだ」

たとえば、

この結論であれば、分かっていることと分かっていないことを分けながら、次の行動を示せます。

不足を隠した報告書

• 根拠のない断定が増える

• 市販後に問題が発覚する

• 誰が何を確認したか分からない

• 読み手が過剰な期待を持つ

不足を明確にした報告書

• 現時点の判断範囲が分かる

• 追加調査の目的が明確になる

• リスクを事前に共有できる

• 次の行動を決めやすい

不足情報を明記することは、報告書の弱さではなく、判断の安全性を高める行為です。

👀 まゆみさんが骨組みを確認する

田中君たちは、Claudeの案を修正し、報告書の中心を明確にしました。

まゆみさんも、構成案を確認します。

田中君は、少し緊張していました。

前回は、最初の一言で、

と言われています。

まゆみさんは、上から順番に章立てを読みました。

今回は、すぐには何も言いません。

田中君は待ちました。

林さんも横から見ています。

「どうだ？」

林さんが尋ねると、まゆみさんは答えました。

「前より、ずっと分かりやすい」

田中君は、少し安心しました。

「ありがとうございます」

「最初に、この商品が誰の何を解決するものなのかが見えるから、その後の市場情報も読みやすい」

「情報量はどうでしょうか」

「まだ多い」

田中君の肩が少し下がりました。

まゆみさんは、すぐに続けます。

「でも、今は何を削るべきか分かる状態になってる」

「前は違ったんですか？」

「前は全部が同じ大きさで並んでた。今は中心と補足が分かれてる」

林さんが、まゆみさんの顔を見ました。

「今日は柔らかいな」

「前回、反省したから」

「反省が生きてるな」

「毎回確認しないで」

🪜 第一案から、最終骨組みへ

Claudeが最初に作った構成案を土台にして、田中君たちは章の順番と重点を修正しました。

Claudeの最初の案

1. 調査の背景

2. 調査の目的

3. 新製品の特徴

4. 想定顧客

5. 競合商品

6. 自社商品の優位性

7. 価格

8. 市場規模

9. リスク

10. 確認できたこと

11. 追加検証

12. 判断案

人間が修正した骨組み

1. 調査の目的と今回判断すること

2. 新製品を開発した背景

3. 新製品の特徴と根拠となる現場データ

4. 商品が解決できる顧客の問題

5. 想定顧客と現在の不満

6. 競合商品と代替手段

7. 自社商品が提供できる価値と競合との差

8. 価格と購入可能性

9. 市場規模と販売方法

10. 市販に向けたリスク

11. 現時点で確認できた事実と仮説

12. 不足情報と追加検証

13. 担当者が検討する判断案

主な変更点は、次のとおりです。

• 読み手が何を判断するかを最初に置いた

• 商品の特徴と顧客の問題を近づけた

• 競合との差を、顧客価値と結びつけた

• 市場規模を中心ではなく補強情報へ移した

• 事実と仮説を分ける章を設けた

• 最終結論ではなく、担当者が検討する判断案とした

Claudeが作った構成を否定したわけではありません。

AIの案を土台にしながら、今回の目的と現場情報に合うよう、人間が修正しました。

🧑‍🍳 林さんの料理長理論

林さんは、完成した骨組みを見ながら言いました。

「Grokが材料を集めた」

「はい」

「Claudeが、献立を考えた」

「そうですね」

「じゃあ次は、ChatGPTが料理するのか？」

田中君は少し考えました。

「その前に、同じ材料と同じ指示を、三つのAIへ渡してみます」

「何でだ？」

「それぞれが、どこを重視するのか比較するためです」

「三人の料理人に、同じ材料で同じ料理を作らせるのか」

「そんな感じです」

林さんは、少し考えました。

「じゃあ、田中は何をするんだ？」

田中君は、今度は迷わず答えました。

「何を作るか決めて、材料を確認して、出てきたものを比較して、最後に採用する内容を決めます」

佐藤さんが言いました。

「料理長だね」

林さんは満足そうにうなずきました。

「今度は、ちゃんと人間が上にいるな」

🔄 骨組みは完成ではなく、比較の基準になる

報告書の骨組みは、ひとまず完成しました。

しかし、田中君たちは、すぐにChatGPTへ本文を書かせません。

同じ調査情報。

同じ現場データ。

同じ骨組み。

同じ目的。

同じ注意事項。

それらをGrok、Claude、ChatGPTの三つへ渡します。

同じ条件を与えたとき、どのような草案が出てくるのか。

何を重要だと考えるのか。

何を省略するのか。

どこまで断定するのか。

それを比較するためです。

今回作った骨組みは、完成した正解ではありません。

三つのAI出力を比べる際の共通基準になります。

比較する基準がなければ、文章の読みやすさや印象だけで、最もよさそうな草案を選んでしまいます。

しかし、文章がきれいであることと、報告書として正しいことは同じではありません。

🤖 第8章　同じプロンプトを3つのAIに投げてみる

🔍 一番うまい文章を選ぶのではなく、違いから見落としを探す

🧪 条件をそろえなければ、比較にならない

報告書の骨組みが完成したところで、田中君は新しい作業へ進みました。

今回使用するのは、次の3つのAIです。

• Grok

• Claude

• ChatGPT

これまで田中君たちは、AIごとに役割を分けてきました。

Grokには、市場や競合に関する外部情報を集めてもらいました。

Claudeには、集めた情報を整理し、報告書の骨組みを作ってもらいました。

ChatGPTには、市場調査報告書の役割や、必要な要素について説明してもらっています。

しかし、今回は使い方が少し違います。

3つのモデルへ、同じ資料と同じ指示を渡します。

そして、それぞれがどのような草案を作るのかを比較します。

林さんが、田中君の画面を見ながら尋ねました。

「同じものを3回作らせるのか？」

「はい」

「一つ作れば十分じゃないのか？」

「同じ情報を渡しても、モデルによって書き方や重視する部分が変わることがあるんです」

林さんは少し考えました。

「同じ材料と同じレシピを渡して、3人の料理人に作らせるようなものか」

「そうですね」

「また料理の例えですか」

まゆみさんが横から言いました。

「今度は成立してるだろ」

「ラーメンを弁当に入れなければね」

「まだ覚えてたのか」

田中君は、二人のやり取りを聞きながら、3つのAIへ渡す資料を確認しました。

比較をするのであれば、条件をそろえなければなりません。

一つのモデルには詳しい資料を渡し、
別のモデルには短い説明しか渡さなければ、
出力の違いがモデルによるものなのか、
入力情報によるものなのか分からなくなります。

そこで田中君は、次の内容を一つの共通資料にまとめました。

3モデルへ共通して渡す内容

• 報告書の目的

• 報告書の読み手

• 新製品を開発した背景

• 商品の主な特徴

• 製造上の改善内容

• 顧客が得られると考えられる価値

• 想定顧客

• 確認できた市場情報

• 競合商品の価格と仕様

• 顧客の声から得た仮説

• 不足している情報

• 報告書の共通骨組み

• 使用してはいけない情報

• 文章作成時の注意事項

さらに、入力するプロンプトも同じものを使用します。

比較したいのであれば、入力条件をできるだけ統一する。

これは、製造現場で条件を比較するときと同じ考え方です。

材料や設備条件を変えたまま製品を比較しても、何が結果に影響したのか分かりません。

AIの出力を比べる場合も、条件をそろえる必要があります。

✍️ 3モデルへ渡す共通プロンプト

田中君は、Grok、Claude、ChatGPTへ入力する文章を作りました。

田中君は、文章をコピーしました。

一つ目はGrok。

二つ目はClaude。

三つ目はChatGPTです。

「送ります」

田中君が言うと、林さんが腕を組みました。

「何で俺に報告するんだ？」

「最初に相談しなかったことを、まだ気にしているかと思って」

「もう気にしてない」

「本当に？」

「少ししか気にしてない」

「まだ気にしてるじゃないですか」

田中君は、3つの画面で送信ボタンを押しました。

📄 3つとも、見た目は立派だった

少し待つと、3つのモデルから草案が返ってきました。

田中君は、それぞれを別の画面に表示しました。

どの草案にも、見出しがあります。

文章も整っています。

調査目的から始まり、商品、市場、顧客、競合、価格、リスク、追加検証へと続いています。

明らかに支離滅裂な文章はありません。

林さんが、3つの画面を順番に見ました。

「どれも立派に見えるな」

「そうなんです」

「じゃあ、一番短いのを選べばいいんじゃないか？」

「長さで決めるんですか？」

「読む方は楽だろ」

まゆみさんが言います。

「短くても、必要な情報が抜けていたら駄目でしょ」

「じゃあ、一番長いものか？」

「極端なのよ」

田中君も、3つの草案を読んで迷っていました。

どれも、それらしいことが書かれています。

一つだけを読めば、そのまま提出できそうに見えるかもしれません。

しかし、3つを並べると、かなり違いがありました。

最初に説明する内容。

詳しく書かれている部分。

短く扱われている部分。

慎重な表現。

強く断定している表現。

同じ資料と同じ骨組みを渡したにもかかわらず、3つの草案は同じではありません。

「一番いいものを選ぶのが、難しいですね」

田中君が言うと、佐藤さんが尋ねました。

「一番いい、というのは何を基準にするのかな？」

「読みやすさでしょうか」

「ほかには？」

「情報が詳しいこと」

「詳しければいい？」

田中君は、少し考えました。

「詳しすぎても、また情報が多くなりますね」

「そうだね」

「では、論理的に整っているもの」

「整っていれば、事実も正しい？」

「それは別です」

田中君は、改めて3つの草案を見ました。

文章の印象だけで一位を決めることには、あまり意味がありません。

今回の目的は、作文コンテストではないからです。

🌐 一つ目の草案は、市場と競合が前へ出ていた

最初の草案は、外部市場の説明が詳しく書かれていました。

市場規模。

業界の動き。

競合商品の販売価格。

主な企業。

商品レビューに見られる不満。

販売経路。

市場へ参入する際の機会とリスク。

調査結果が豊富に使われており、市場全体を把握しやすい文章です。

田中君は感心しました。

「調査報告書らしいですね」

しかし、まゆみさんは少し首をかしげました。

「市場の話は分かる」

「はい」

「でも、途中まで自社の商品が出てこない」

田中君は草案を読み返しました。

確かに、前半の多くが市場と競合の説明に使われています。

自社商品の特徴や、顧客への価値は後半で扱われていました。

「市場の状況を説明してから、自社商品へつなげているんだと思います」

「それ自体は間違ってない」

まゆみさんは言いました。

「でも、黒田営業部長が知りたいのは、市場について勉強することじゃないでしょ」

「この商品を市販する価値があるかです」

「だったら、もっと早く商品と顧客の関係を見せた方がいい」

市場情報が豊富であることは、この草案の強みです。

一方で、市場情報が前面へ出すぎたことで、商品の存在感が弱くなっていました。

一つ目の草案の強い部分

• 市場全体の状況が分かりやすい

• 競合商品に関する情報が多い

• 外部環境の変化を把握しやすい

• 販売時のリスクが詳しい

注意が必要な部分

• 自社商品の強みが後ろへ回っている

• 顧客と商品の関係が見えるまで時間がかかる

• 市場情報が多く、判断の中心がぼやけやすい

• 一部の市場傾向が強めに表現されている

田中君は、比較表に書き込みました。

🧱 二つ目の草案は、構成と論理が整っていた

二つ目の草案は、全体の流れが非常に整っていました。

各章の最初に結論があります。

その後に根拠が続きます。

事実と仮説も比較的分けて書かれています。

不足情報は、不足情報として整理されていました。

田中君は、読みながらうなずきました。

「これは読みやすいですね」

林さんも言いました。

「何が書いてあるか、迷わないな」

佐藤さんも、構成の良さを認めました。

ただし、文章を読み進めると、別の問題も見えてきました。

商品の開発背景。

顧客が感じている不満。

競合との差。

それぞれは論理的に整理されています。

しかし、整いすぎているため、田中君たちが試作現場で繰り返してきた改善の過程や、商品の具体的な感触が薄くなっていました。

林さんが言いました。

「きれいなんだけど、うちの商品じゃなくても使えそうな文章があるな」

「どの部分ですか？」

林さんは、その文章を指さしました。

「間違ってはいない。でも、何がどう便利になるのか分からない」

田中君も気づきました。

文章は論理的ですが、抽象的な表現が増えています。

現場の一次情報を渡したはずなのに、報告書全体を整える過程で、一般的な表現へ変換されている部分がありました。

二つ目の草案の強い部分

• 章ごとの役割が明確

• 結論と根拠の流れが分かりやすい

• 事実と仮説が比較的整理されている

• 不足情報が見つけやすい

• 読み手が迷いにくい

注意が必要な部分

• 現場の具体性が薄くなっている

• 一般的な表現が増えている

• 商品固有の魅力が弱く見える

• 整っているため、内容の不足に気づきにくい

田中君は、比較表へ書きました。

💬 三つ目の草案は、顧客と商品の関係が読みやすかった

三つ目の草案は、商品の開発背景から始まりました。

なぜこの商品を作ったのか。

どのような改善を行ったのか。

その改善が、顧客のどの不満を軽減できる可能性があるのか。

文章は、現場の改善と顧客の価値をつなぐ形で進みます。

田中君は言いました。

「自分たちが作ってきた商品だと分かりやすいですね」

まゆみさんもうなずきました。

「誰に何を届けたいのかは、これが一番見えやすい」

林さんも、文章の読みやすさを評価しました。

しかし、佐藤さんは一部の表現を指さしました。

「この文章は、少し注意が必要だね」

「可能性がある、と書いてあります」

「断定はしていない。でも、高い支持を得ると考えるには、どの程度の根拠があるかな？」

田中君は資料を確認しました。

重さや耐久性に不満を持つレビューは見つかっています。

しかし、不満を持つ顧客の割合や、新商品へ切り替える意思までは確認できていません。

文章が読みやすく、商品の価値も分かりやすい。

そのため、根拠がまだ弱い部分まで自然につながっているように見えます。

「うまく書かれているから、論理の飛躍に気づきにくいんですね」

「そうだね」

三つ目の草案の強い部分

• 商品の開発背景が伝わりやすい

• 顧客の問題と商品の価値がつながっている

• 現場情報を文章へ反映しやすい

• 読み手が内容を理解しやすい

• 次の行動へつながる表現がある

注意が必要な部分

• 読みやすさによって論理の飛躍が隠れやすい

• 仮説が、事実に近い印象で書かれる場合がある

• 商品の魅力を強く見せすぎる可能性がある

• 不足情報が文章の流れに埋もれやすい

田中君は、比較表に書きました。

🏆 一番を決めるための比較ではない

3つの草案を一通り確認した田中君は、腕を組みました。

「それぞれ、良いところと危ないところがありますね」

「そうだね」

佐藤さんが答えました。

「では、どれを採用するんですか？」

「田中君は、どれが一番いいと思う？」

田中君は再び考えました。

市場と競合に詳しい草案。

構成と論理が整っている草案。

商品の背景と顧客価値が伝わりやすい草案。

どれか一つだけを選べば、ほかの草案にある強い視点を捨てることになります。

「一つに決めなくてもいいんでしょうか」

「そのために比較しているんだよ」

「一番良い文章を選ぶためではない？」

「違うね」

佐藤さんは、3つの草案を指しました。

「一つだけ読んでいたら、その草案の強みも弱みも見えにくい」

一つ目だけを読めば、市場情報が多いことを「詳しい」と評価していたかもしれません。

二つ目だけを読めば、構成が整っていることを「完成度が高い」と思ったでしょう。

三つ目だけを読めば、読みやすさと説得力を「正しさ」と勘違いした可能性があります。

3つを並べたからこそ、

• どこが詳しすぎるのか

• どこが抽象的なのか

• どこがうまく書かれすぎているのか

• どの情報が抜けているのか

を見つけられました。

😂 田中君、文章の切り貼りを思いつく

田中君は、3つの草案を見ながら言いました。

「では、それぞれの一番いい部分をコピーして、一つにつなげればいいですね」

佐藤さんは、すぐに首を横に振りました。

「それは危ない」

「どうしてですか？」

「情報を詰め込みすぎた最初の報告書を覚えている？」

「はい」

「今度は、3つのAIが書いた良さそうな文章を、全部詰め込むことになる」

林さんが笑いました。

「市場情報も詳しい。構成もきれい。商品説明も分かりやすい。全部入れたら百ページになるかもしれないな」

田中君は、コピーしようとしていた手を止めました。

「また同じことをするところでした」

「少し形を変えて、同じ失敗を繰り返してるな」

「気をつけていたんですけど」

まゆみさんも言います。

「良い文章を集めても、良い報告書になるとは限らない」

「では、何を集めるんでしょうか」

「文章じゃなくて、視点でしょ」

田中君は、まゆみさんの言葉を聞き返しました。

「視点？」

「一つ目からは、市場と競合を見る視点」

まゆみさんは最初の草案を指しました。

「二つ目からは、情報を論理的に並べる視点」

次に、二つ目を指します。

「三つ目からは、商品と顧客をつなぐ視点」

そして田中君を見ました。

「その視点を使って、田中君たちがもう一度作るんじゃないの？」

佐藤さんもうなずきました。

「その通りだね」

📊 3つの草案を同じ基準で評価する

田中君たちは、印象だけで草案を比べないように、共通の評価項目を作りました。

• 調査目的

  • 市販判断に必要な内容へ答えているか

• 想定顧客

  • 誰のための商品か分かるか

• 顧客の問題

  • 顧客が何に困っているか示されているか

• 商品の強み

  • 自社商品の価値が埋もれていないか

• 競合比較

  • 競合との差が根拠とともに示されているか

• 事実と仮説

  • 確認済み情報と推測が分かれているか

• 不足情報

  • 分からないことを隠していないか

• 論理の流れ

  • 根拠から結論へ飛躍していないか

• 判断のしやすさ

  • 読み手が次の行動を決められるか

• 現場情報

  • 自社固有の一次情報が反映されているか

それぞれの草案を、同じ項目で確認します。

文章が華やかかどうか。

言葉遣いが上手かどうか。

専門的に見えるかどうか。

それだけでは評価しません。

今回の報告書の目的を果たせるかを基準にします。

林さんが評価表を見ました。

「ずいぶん本格的になったな」

「3つの文章を読んで、何となく決めたくないので」

「でも、点数を付けて一位を決めるんじゃないんだろ？」

「はい。どこを採用し、どこを修正するかを考えるためです」

「成長したな」

「僕とAIだけで、報告書と四苦八苦したころと比べないでください」

🕵️ 良いところではなく、危ないところから読む

佐藤さんは、田中君へ一つの読み方を提案しました。

「3つとも正しそうに見えるなら、3つとも間違っている部分があると思って読んでみよう」

田中君は少し驚きました。

「最初から疑うんですか？」

「否定するためじゃないよ。確認するためだ」

AIの文章は、読みやすく整っています。

そのため、読んだ人は内容まで正しいように感じやすくなります。

そこで、次のような視点から読み直します。

• 与えていない数字を追加していないか

• 顧客の一部の声を市場全体へ広げていないか

• 「可能性がある」を「有望である」へ強めていないか

• 競合の公式主張を事実として扱っていないか

• 不足情報を一般論で埋めていないか

• 自社商品に都合のよい情報だけを選んでいないか

• 読みやすい文章で論理の飛躍を隠していないか

田中君は、3つの草案に印を付けていきました。

赤は、事実確認が必要な部分。

黄色は、表現が強すぎる部分。

青は、自社の現場情報を追加すべき部分。

緑は、今回の報告書へ生かせそうな視点です。

次第に、3つの草案はさまざまな色で埋まっていきました。

「きれいな文章だったのに、確認するところはかなりありますね」

「文章がきれいだからこそ、注意が必要なんだよ」

🌟 1モデルだけが書いた内容にも価値がある

比較していると、一つのモデルだけが指摘した内容も見つかりました。

たとえば、一つ目の草案だけが、

を詳しく扱っています。

二つ目の草案だけが、

を指摘しています。

三つ目の草案だけが、

を挙げています。

田中君は言いました。

「一つにしか書かれていないなら、重要度は低いんでしょうか」

佐藤さんは首を横に振りました。

「そうとは限らないよ」

1モデルだけが出した内容には、二つの可能性があります。

重要な見落としである可能性

ほかのモデルが気づかなかった視点。

報告書の弱点を補う重要な指摘かもしれません。

調査目的から外れた脱線である可能性

関連はあるものの、今回の判断には不要な情報かもしれません。

大切なのは、一つだけだから捨てることでも、珍しいから採用することでもありません。

🔗 共通して書かれた部分が見えてくる

3つの草案を比較していくと、違いだけでなく、共通する部分も見つかりました。

3つすべてが重要だとしていたのは、次の要素です。

• 調査目的を明確にすること

• 想定顧客を絞ること

• 顧客が抱える問題を確認すること

• 商品の強みと顧客の需要を結びつけること

• 競合との差を示すこと

• 価格への反応を確認すること

• 不足情報を追加検証すること

表現や順番は異なります。

詳しさも違います。

しかし、3つのモデルが共通して残した要素があります。

田中君は、その部分へ太い線を引きました。

「この共通部分は、かなり信頼できるということでしょうか」

佐藤さんは、すぐには答えませんでした。

「重要である可能性は高い」

「正しいとは言い切れないんですか？」

「そこが、次に確認するところだね」

林さんが言いました。

「3人が同じことを言っても、3人とも間違うことはあるからか？」

「そういうことだね」

3つのモデルが共通して書いたからといって、それが事実として証明されたわけではありません。

しかし、別々に出力しても残った部分であるため、簡単には捨てられません。

共通部分は、報告書にそのまま採用する答えではなく、

として扱う必要があります。

🧭 次に行うのは、多数決ではなく共通点の検証

田中君は、3つの草案から共通部分を抜き出しました。

同時に、モデルごとの独自の視点も別にまとめます。

3モデルに共通する内容

• 報告書の中核候補

• 優先して裏取りする

• 安易に削除しない

• 事実と論理の両方を確認する

2モデルに共通する内容

• 有力な視点として扱う

• 今回の目的との関係を確認する

• 根拠があれば採用を検討する

1モデルだけが指摘した内容

• 重要な見落としか確認する

• 脱線や過剰な提案ではないか確認する

• 必要なら追加調査する

モデル同士で矛盾した内容

• 前提条件の違いを確認する

• 情報不足を疑う

• 根拠となる資料を調べる

• 人間が判断できるまで保留する

林さんは、その分類を見ながら言いました。

「3つのAIに聞いて、多数決で決めるんじゃないんだな」

「はい」

「2対1なら正しい、というわけでもない」

「その2つが、同じ間違いをしている可能性もありますから」

「面倒だな」

「確認することは増えますね」

「でも、一つだけを信じるよりは、危ないところが見えるか」

田中君はうなずきました。

🚦 AIを増やせば、人間の判断が減るわけではない

田中君は、3つの草案を並べた画面を見ました。

AIを一つから三つへ増やせば、より確実な答えが簡単に得られると思う人もいるかもしれません。

しかし、実際には出力が三倍になります。

違いも増えます。

矛盾も出てきます。

確認する情報も増えます。

つまり、AIを増やせば、人間が判断しなくてよくなるわけではありません。

むしろ、何を採用し、何を保留し、何を調べ直すのかを決める人間の役割は大きくなります。

佐藤さんは言いました。

「AIが3つあっても、最終的に報告書を作る責任者は田中君たちだよ」

「はい」

「どれか一つに決めてもらうのではなく、出てきた違いを使って、自分たちの見落としを確認する」

「3つのAIは、別々の角度から資料を見る補助役ということですね」

「そうだね」

📌 第8章で田中君が学んだこと

同じプロンプトを3つのモデルへ渡した結果、田中君は次のことを理解しました。

• 同じ資料を渡しても、出力は同じにならない

• モデルによって、詳しく扱う部分と省略する部分が違う

• 読みやすい文章が、最も正確とは限らない

• 構成が整っていても、現場の具体性が薄い場合がある

• 市場情報が詳しくても、商品の価値が埋もれる場合がある

• 良い文章を切り貼りすると、情報過多を繰り返す可能性がある

• 比較では、文章ではなく視点を取り出す

• 1モデルだけの指摘にも、重要な見落としが含まれる場合がある

• 共通点は答えではなく、優先して裏取りする仮説である

次に田中君たちが行うのは、3モデルの共通部分をさらに整理することです。

どこまで一致しているのか。

なぜ共通しているのか。

今回の報告書で、本当に外せない要素なのか。

そして、その内容を裏づける事実が存在するのか。

3つのAIから出た共通点を、確信へ近づけるための確認が始まります。

🧠 第9章　違いから弱点を、共通点から中核を見つける

🔗 3つのAIが同じことを言っても、それはまだ答えではない

📑 3つの草案を、横ではなく重ねて見る

田中君たちは、Grok、Claude、ChatGPTが作った3つの草案を並べていました。

最初は、それぞれを横に並べて比較していました。

どの草案が市場情報に詳しいか。

どの草案が論理的に整理されているか。

どの草案が商品の魅力を分かりやすく伝えているか。

しかし、佐藤さんは言いました。

「今度は、横に比べるだけじゃなくて、3つを重ねて見てみよう」

田中君は、少し首をかしげました。

「重ねるんですか？」

「文章そのものを重ねるわけじゃないよ」

佐藤さんは、3つの草案に書かれている内容を、一つずつ表へ移し始めました。

• 調査目的

• 想定顧客

• 顧客の悩み

• 商品の強み

• 競合商品

• 価格

• 市場規模

• 販売経路

• リスク

• 追加検証

それぞれの項目について、

• 3モデルすべてに書かれている

• 2モデルに書かれている

• 1モデルだけに書かれている

• モデルごとに内容が異なる

という印を付けていきます。

林さんが表を見ながら言いました。

「文章を読むんじゃなくて、何が残っているかを見るんだな」

「そうだね」

「3つを重ねても消えない部分を探すということですか？」

田中君が尋ねると、佐藤さんはうなずきました。

「その言い方が分かりやすいね」

AIごとの文章表現は違います。

しかし、表現の違いを取り除くと、3つに共通する考え方が見えてきます。

🔍 表現が違っても、意味が同じ場合がある

田中君は、3つの草案の中から想定顧客に関する部分を抜き出しました。

Grokの草案

Claudeの草案

ChatGPTの草案

文章は違います。

使っている言葉も違います。

しかし、3つとも、

と言っています。

田中君は言いました。

「文章だけ見ると違って見えますけど、意味は同じですね」

「そう。共通点を探すときは、同じ言葉が使われているかではなく、同じ役割や考え方が含まれているかを見るんだ」

佐藤さんは答えました。

次に、商品の強みに関する記述を確認します。

Grokの草案

Claudeの草案

ChatGPTの草案

これも表現は違います。

しかし、共通しているのは、

です。

「同じ文章を探すんじゃないんですね」

田中君が言いました。

「そう。文章ではなく、考え方の共通部分を見る」

📊 3つのモデルに共通していた七つの要素

田中君たちは、3つの草案を一つずつ確認しました。

その結果、すべてのモデルに共通していたのは、次の七つでした。

1．調査目的を明確にする

今回の市場調査で何を判断するのかを、最初に示す。

2．想定顧客を絞る

誰にでも売れる商品として扱わず、商品の強みを必要とする顧客を設定する。

3．顧客の問題を確認する

顧客が現在何に困っており、既存商品にどのような不満を持っているのかを調べる。

4．商品の強みを顧客価値へ変換する

製造上の改善を、顧客が得られる利点として説明する。

5．競合商品や代替手段と比較する

自社商品だけを見ず、顧客が現在選んでいる解決方法と比較する。

6．価格への反応を確認する

商品に価値があっても、顧客がその価格を受け入れるか確認する。

7．不足情報を追加検証する

分からない部分を推測で埋めず、次に確認すべき内容として示す。

田中君は、七つの要素へ太い線を引きました。

「この七つは、3つとも必要だと言っています」

「そうだね」

「では、報告書の中核として採用してよさそうですね」

佐藤さんは少し間を置きました。

「中核候補としては、かなり有力だね」

「候補ですか？」

「まだ候補だよ」

⚠️ 3つが一致しても、事実が証明されたわけではない

田中君は、少し納得できない表情をしました。

「3つのモデルが、同じ資料を読んで、同じ要素を必要だと判断したんですよね」

「そうだね」

「それでも、正しいとは言い切れないんですか？」

佐藤さんは、ゆっくりとうなずきました。

「言い切れない」

林さんが尋ねました。

「どうしてだ？」

「3つのモデルが、まったく無関係な知識から独立して考えているとは限らないからだよ」

AIモデルは、それぞれ異なる出力をします。

しかし、市場調査報告書の一般的な型や、よく使われる考え方については、似た知識を持っている可能性があります。

そのため、3つとも同じ一般論を出すことがあります。

そして、その一般論が今回の商品や市場へ、そのまま当てはまるとは限りません。

たとえば、3つのモデルが、

と書いたとします。

しかし、この主張が今回の市場で本当に成り立つかどうかは、別に確認する必要があります。

一般的に、耐久性を重視する顧客は存在するでしょう。

しかし、

• 今回の想定顧客の中に何人いるのか

• 耐久性を価格より優先するのか

• 競合商品にすでに満足していないか

• 自社商品の耐久性の差を認識できるか

• 耐久性のために追加料金を払うか

までは、3つのAIが同じことを言っただけでは分かりません。

田中君は考えました。

「3つが同じことを言っているのは、正しい証明ではない」

「そう」

「でも、無視していい内容でもない」

「その通り」

🎯 共通点は、優先して裏取りする仮説

佐藤さんは、3つのモデルに共通した七つの要素の上に、見出しを書きました。

「共通点は、完成した答えではない」

佐藤さんは説明します。

「3つのモデルが別々に文章を作っても残った部分だから、今回の報告書で重要になる可能性は高い」

「では、どう扱えばいいんでしょうか」

「優先して裏取りする」

田中君は、七つの要素を見直しました。

たとえば、

これは、市場調査報告書の考え方としては妥当そうです。

しかし、今回の商品で、

という具体的な主張は、別に確認しなければなりません。

同じように、

という考え方は3モデルに共通しています。

しかし、

という具体的な結論には、データが必要です。

つまり、共通点には二つの種類があります。

報告書の作り方に関する共通点

• 調査目的を明確にする

• 顧客を設定する

• 競合と比較する

• 不足情報を示す

これは、報告書の設計原則として使える可能性が高いものです。

今回の商品に関する共通点

• 軽量性に需要がある

• 耐久性が購入理由になる

• 特定顧客に支持される可能性がある

• この価格帯なら販売できる

こちらは、実際の市場情報による裏取りが必要です。

共通して出たからといって、設計原則と市場の事実を同じように扱ってはいけません。

🏭 林さんが、現場のたとえで整理する

林さんは、少し考えてから言いました。

「検査員が3人いて、3人とも同じ場所に傷があると言ったようなものか？」

佐藤さんはうなずきました。

「近いね」

「3人とも同じ場所を指したなら、本当に傷がある可能性は高い」

「うん」

「でも、3人とも同じ照明の反射を傷だと思ってる可能性もある」

「そういうことだね」

田中君も、その例えなら分かりやすいと感じました。

複数人が同じことを言えば、注目する価値は高まります。

しかし、同じ条件や同じ見方の癖によって、全員が同じ間違いをする可能性もあります。

「だから最後は、実物を確認する」

林さんが言いました。

「AIの場合は、元の情報を確認するということですね」

田中君が答えます。

「そうですね。3つとも言ってるから大丈夫、で流したら駄目なんでしょうね。」

佐藤さんはうなずきました。

🥇 3モデルすべてに共通する内容

佐藤さんは、3つのモデルの一致度によって、情報の扱い方を整理しました。

3モデルすべてに共通する場合

• 報告書の中核候補として残す

• 優先して根拠を確認する

• 簡単には削除しない

• 今回の商品に当てはまるか確認する

• 根拠がなければ断定しない

3モデルすべてに共通する内容は、重要度が高い可能性があります。

しかし、採用を決めるのではなく、優先確認対象とします。

田中君は、表に「確認レベルA」と記入しました。

林さんが言います。

「Aなら、信用していいという意味に見えるな」

「では、何と書けばいいでしょうか」

「最優先で疑う、とか」

「表現が強すぎませんか？」

まゆみさんが言いました。

「最優先で確認する、でいいでしょ」

「それにします」

🥈 2モデルに共通する内容

次に、2つのモデルに共通し、1つには書かれていない内容を確認します。

たとえば、

• 販売後の問い合わせ対応

• 競合商品の値下げリスク

• 部署ごとの評価基準

• 販売経路ごとの利益率

などです。

2モデルが共通して挙げているため、有力な視点ではあります。

しかし、3モデルすべてに共通する内容よりも、今回の目的との関係を慎重に確認します。

2モデルに共通する場合

• 有力な論点として残す

• 今回の目的に必要か確認する

• 根拠があれば採用する

• 重要度が低ければ補足へ回す

• 1モデルが触れなかった理由も考える

田中君は尋ねました。

「1つのモデルが書かなかったのは、そのモデルが見落としたということでしょうか」

「可能性はある。でも、重要度が低いと判断した可能性もある」

「どちらかは分からない？」

「だから、人間が目的に照らして判断するんだ」

🥉 1モデルだけが指摘した内容

1モデルだけに書かれた内容は、扱いが難しい部分です。

誰も気づかなかった重要な視点かもしれません。

あるいは、今回の調査から外れた脱線かもしれません。

たとえば、一つのモデルだけが、

と指摘していたとします。

今回の商品に廃棄規制や環境負荷が強く関係するのであれば、重要な見落としです。

しかし、商品特性上ほとんど影響がないのであれば、今回の報告書では優先順位が低い可能性があります。

1モデルだけが指摘した場合

• 重要な見落としか確認する

• 今回の目的から外れていないか確認する

• 具体的な根拠があるか調べる

• 重要なら採用する

• 不要なら保留または除外する

まゆみさんは言いました。

「一人だけ違うことを言ったからって、間違いとは限らないのよね」

「そうだね」

佐藤さんが答えます。

「全員が見落としたことに、一つだけ気づいている場合もある」

「でも、珍しい意見だから正しいとも限らない」

「その通り」

田中君はノートへ書きました。

⚡ モデル同士で矛盾した部分

比較の中で、最も注意が必要なのは、モデル同士の結論が異なる部分です。

たとえば、市場の成長性について、

Grok

Claude

ChatGPT

この3つは、同じ結論ではありません。

田中君は最初、どれか一つを選ぼうとしました。

しかし、佐藤さんは止めました。

「矛盾しているなら、先に前提を確認しよう」

調べてみると、各モデルが見ている範囲が違う可能性があります。

• 関連市場全体を見ている

• 国内市場だけを見ている

• 特定の商品カテゴリーを見ている

• 売上金額を見ている

• 販売数量を見ている

• 数年前までのデータを使っている

同じ「市場が成長している」という言葉でも、対象や期間が違えば結論は変わります。

モデル同士が矛盾する場合

• 対象市場が同じか確認する

• 調査期間が同じか確認する

• 使用している指標を確認する

• 元となる情報源を確認する

• 事実と推測を分ける

• 判断できなければ保留する

矛盾は、どのAIが間違っているかを決めるための材料ではありません。

前提条件や情報不足を発見するための合図です。

🧮 多数決で決めると、判断を間違える

田中君は、比較結果を見ながら言いました。

「3モデルのうち、2つが同じなら、そちらを採用する方法もありそうです」

佐藤さんは首を横に振りました。

「多数決だけで決めるのは危ないよ」

「でも、2対1なら可能性は高くありませんか？」

「可能性はある。でも、正しい証明にはならない」

たとえば、2つのモデルが同じ古い統計や、同じ不正確な一般論を基にしている可能性があります。

一方、1つのモデルだけが、新しい情報や別の前提から慎重な回答をしている可能性もあります。

多数決で決める危険

• 同じ誤情報を複数モデルが共有している場合がある

• 一般論が今回の商品に当てはまらない場合がある

• 少数側だけが重要な条件を考慮している場合がある

• モデル数が増えても、実際の証拠は増えていない

• 人間が判断を放棄しやすくなる

林さんが言いました。

「AIを3つ並べても、会議の出席者が3人になったわけじゃないんだな」

「どういう意味ですか？」

田中君が尋ねます。

「3人が責任を持って投票してるわけじゃない。出力が3つあるだけだろ」

佐藤さんはうなずきました。

「そうだね。決定権を持つ人が増えたわけではない」

📋 共通部分を、検証表へ変える

田中君たちは、3モデルに共通していた内容を、次のような検証表へ移しました。

• 軽量性を求める顧客がいる

  • 確認したいこと：どの顧客が、どの場面で重さに困っているか

  • 必要な根拠：顧客調査、レビュー、使用実態

• 耐久性が購入理由になる

  • 確認したいこと：耐久性を理由に商品を選ぶ割合

  • 必要な根拠：購買調査、比較データ

• 競合との差別化が可能

  • 確認したいこと：同条件で比較した際の違い

  • 必要な根拠：仕様比較、実測試験

• 価格調査が必要

  • 確認したいこと：顧客が受け入れる価格帯

  • 必要な根拠：アンケート、試験販売

• 想定顧客を絞る必要がある

  • 確認したいこと：最も価値を感じる顧客層

  • 必要な根拠：顧客属性、使用場面

• 追加検証が必要

  • 確認したいこと：市販前に何を確認すべきか

  • 必要な根拠：不足情報一覧

• 小規模試験が有効

  • 確認したいこと：試験販売で何を検証できるか

  • 必要な根拠：実施条件、評価項目

こうして見ると、AIから出た共通点が、そのまま報告書へ入る文章ではないことが分かります。

共通点は、次に何を調べるべきかを示す検証課題へ変わりました。

「AIが答えを出したというより、宿題を出したみたいですね」

田中君が言うと、林さんが笑いました。

「しかも、やるのは田中君だ」

「そこは手伝ってください」

「最初に相談してくれたらな」

「まだ言うんですか」

🪞 違いは、モデルの弱点だけではない

田中君は、モデルごとの違いを見ながら、あることに気づきました。

違いは、AIモデルの特徴だけを示しているのではありません。

田中君たちが渡した情報の曖昧さも示しています。

たとえば、3つのモデルが想定顧客について違う表現をしたのは、商品を必要とする顧客がまだ十分に絞れていないからかもしれません。

市場規模の結論が異なったのは、対象市場の定義が曖昧だったからかもしれません。

商品の強みの表現が違ったのは、どの改善を最重要とするかを人間側で決めていなかったからかもしれません。

つまり、AIの出力が割れたときには、

だけではなく、

も確認する必要があります。

佐藤さんは言いました。

「AIの出力の違いは、入力の弱い部分を映す鏡にもなる」

田中君は、3つの草案を見直しました。

違う答えが出たから、AIが役に立たなかったわけではありません。

違う答えが出たことで、まだ自分たちが決めていないことが見えてきたのです。

🎭 まゆみさんの短い整理

まゆみさんは、検証表を見ながら言いました。

「結局、こういうことでしょ」

全員が、まゆみさんを見ました。

「3つとも言っていることは、優先して調べる」

「はい」

「2つが言っていることは、本当に必要か考える」

「はい」

「1つだけが言っていることは、見落としか脱線か確認する」

「そうです」

「意見が割れたら、AI同士を戦わせないで、元の情報を調べる」

田中君はうなずきました。

「かなり分かりやすいです」

林さんが、まゆみさんを見ます。

「今日は短くて柔らかいな」

「反省が積み重なってるのよ」

「成長したな」

「その言い方は腹が立つ」

「まだ完全ではないな」

まゆみさんは林さんをにらみましたが、それ以上は何も言いませんでした。

田中君は、少し笑いながら検証表へ視線を戻しました。

🚫 AIの共通意見に、人間が合わせてはいけない

3つのAIに共通する部分が見つかると、人間はその内容を正しい前提として扱いたくなります。

そして、その結論に合う情報ばかりを探してしまう可能性があります。

たとえば、3モデルが、

と書いたとします。

田中君たちが、それを正しい前提として調査すると、

• 重いという不満

• 軽い商品を評価するレビュー

• 軽量性を宣伝する競合企業

• 重量の違いを扱った記事

ばかりを集めるかもしれません。

一方で、

• 重量を気にしていない顧客

• 重さより価格を重視する顧客

• 軽すぎると扱いにくいという意見

• 耐久性との両立を疑う意見

を見落とす可能性があります。

これは、AIの仮説を検証しているのではありません。

AIの仮説を正しく見せるために、人間が証拠を集めている状態です。

佐藤さんは注意しました。

「裏取りでは、賛成する情報だけでなく、反対する情報も探す必要がある」

「仮説を証明するのではなく、仮説が間違っている可能性も確認するんですね」

「そう。反証できるかを考える」

仮説を支持する情報

• 軽量性を求めるレビュー

• 長時間使用時の疲れ

• 軽量商品への高評価

• 重量を選択基準にする調査結果

仮説に反する情報

• 重さを問題にしない顧客

• 価格を最優先する顧客

• 軽量化による耐久性への不安

• 重い方が安定すると感じる利用者

• 競合商品で十分満足している顧客

両方を確認したうえで、仮説を残すか修正するか判断します。

🔄 仮説は、守るものではなく変えるもの

田中君は、軽量性と耐久性を商品の最大の強みとして考えていました。

しかし、市場調査の結果によっては、その考え方を変える必要があります。

たとえば、顧客が最も重視していたのが、

• 清掃のしやすさ

• 保管のしやすさ

• 交換部品の入手性

• 保証

• 価格

だった場合、軽量性と耐久性だけを中心に報告書を書くのは適切ではありません。

また、軽量性を求める人は存在しても、その人数が少なければ、対象顧客を限定する必要があります。

「仮説と違う結果が出たら、調査が失敗したことになりますか？」

田中君が尋ねると、佐藤さんは答えました。

「逆だよ。間違った仮説のまま市販する前に気づけたなら、調査は成功している」

市場調査は、自社商品の良さを証明するためだけに行うものではありません。

市販すべき条件が整っていないことを確認する場合もあります。

想定顧客が違うことに気づく場合もあります。

商品の強みを見直す必要が出る場合もあります。

🧭 次は、共通点を3方向から確認する

田中君たちは、3モデルの共通部分を重要仮説として整理しました。

しかし、そのまま報告書へ採用することはしません。

次に行うのは、裏取りです。

ただし、一つの方法で確認するだけではありません。

佐藤さんは、検証表の横に三つの欄を追加しました。

1．事実は本当に存在するか

信頼できる機関や企業の資料から、根拠となる情報を探す。

2．その資料は本当に信用できるか

調査対象、時期、件数、利害関係などを確認する。

3．その事実から、その結論を出してよいか

根拠と結論の間に、論理の飛躍がないか確認する。

田中君は、三つの欄を読みました。

「同じ主張を、3方向から確認するんですね」

「そうだね」

「Grokで情報源を探す」

「うん」

「Claudeで、その資料の信憑性を評価する」

「そう」

「ChatGPTで、一般的な論理として成り立つか確認する」

「その流れで進めよう」

林さんが言いました。

「3つのAIが出した共通点を、また3つのAIで確認するのか」

「役割は違います」

田中君が答えました。

「最初は、同じ条件で違いと共通点を見るために使いました」

「今度は？」

「事実、信頼性、論理を、それぞれ別の角度から確認します」

「なるほどな」

林さんは、少し感心したようにうなずきました。

📌 第9章で田中君が学んだこと

3つのモデルを比較したことで、田中君は次のことを理解しました。

• 共通点は、同じ文章ではなく同じ考え方から探す

• 3モデルすべてに共通する内容は、重要な中核候補になる

• 共通していても、事実として正しいとは限らない

• 2モデルの一致も、多数決で採用しない

• 1モデルだけの指摘にも、重要な見落としが含まれる場合がある

• モデル同士の矛盾は、前提条件や情報不足を探す合図になる

• AIの出力の違いから、人間側の入力の曖昧さも見える

• 共通点は、報告書へ入れる答えではなく、裏取りする仮説へ変える

• 仮説を支持する情報だけでなく、反対する情報も探す

• 仮説と違う結果が出た場合は、仮説を修正する

AIを3つ使う意味は、正解を3つ得ることではありません。

一つの出力だけでは見えない違いを発見し、複数の出力を重ねても残る中核候補を見つけることです。

そして、その中核候補を、実際の情報で確かめるところまでが人間の仕事です。

🔎 第10章　共通部分を3方向から裏取りする

🧪 事実があるか、信用できるか、結論までつながるかを分けて確認する

📋 共通点は、まだ報告書に書けない

田中君たちは、3つのAIが作った草案から、共通する内容を抜き出しました。

• 軽量性を求める顧客がいる

• 耐久性は購入理由になり得る

• 想定顧客を絞る必要がある

• 競合商品との差別化が必要である

• 価格への反応を確認する必要がある

• 小規模な試験販売が有効である

• 市販前に追加検証を行うべきである

3つのAIが、表現を変えながらも共通して挙げた内容です。

田中君は、それらを重要仮説として表へまとめました。

しかし、まだ報告書本文には入れていません。

林さんが、その表を見ながら尋ねました。

「3つとも同じことを言ってるのに、まだ使わないのか？」

「優先して確認する仮説だからです」

「前の田中なら、もう太字で報告書に書いてただろうな」

「そうかもしれません」

「成長したな」

「その言い方をされると、以前の僕が相当ひどかったみたいじゃないですか」

「実際、海外市場から十年後の人口動態まで調べようとしてただろ」

「もう忘れてください」

佐藤さんは、二人の会話を聞きながら、検証表の横に三つの見出しを書きました。

田中君は、その三つを見ました。

「裏取りといっても、一つではないんですね」

「そうだよ」

佐藤さんは説明しました。

「情報が見つかることと、その情報を信用できることは違う」

「はい」

「さらに、その情報が正しくても、そこから出した結論まで正しいとは限らない」

田中君は、少し考えました。

「つまり、三段階で確認するんですね」

「そういうことだね」

🧭 三つの確認は、同じ仕事ではない

佐藤さんは、三つの確認作業を次のように整理しました。

第1段階　その事実は本当に存在するか

たとえば、

という主張を裏づける調査や統計が、本当に存在するのかを確認します。

第2段階　その資料は信用できるか

調査結果が見つかっても、

• 調査時期が古い

• 対象者が少ない

• 今回の顧客層と違う

• 販売企業が自社商品の宣伝目的で行った

• 質問方法に偏りがある

といった問題があれば、根拠としては弱くなります。

第3段階　その事実から結論を出してよいか

仮に、

ことが事実だったとしても、

とまでは言えません。

価格、競合、品質、認知度など、別の条件も関係するからです。

林さんは、三段階を見ながら言いました。

「目撃者がいる。目撃者の話が信用できる。話の内容から犯人を決めてもいい。この三つは別だということか」

佐藤さんは少し考えました。

「少し物騒だけど、考え方は近いね」

まゆみさんが言います。

「林さんの例え、今日はラーメンじゃないのね」

「いつもラーメンを出してるわけじゃない」

「弁当に入れたけどね」

「まだ言うのか」

🌐 Grokで、根拠となる資料を探す

最初に行うのは、事実の存在確認です。

田中君は、Grokへ新しい調査依頼を入力しました。

今回は、市場全体を広く調べてもらうのではありません。

3モデルに共通していた仮説について、それぞれ根拠となる資料を探してもらいます。

最初に確認するのは、

という仮説です。

田中君は、次のように入力しました。

林さんが入力文を見ました。

「今回は、反対する情報も探させるんだな」

「仮説を正しく見せるための調査にしたくないので」

「前は、商品の良いところを見つけようとしてたのに」

「今は、本当に良いところになるのかを確認しています」

「ずいぶん慎重になったな」

佐藤さんが言いました。

「それでいい。裏取りは、仮説の応援団を集める作業じゃないからね」

📚 出典の出典まで確認する

Grokから、いくつかの資料が返ってきました。

• 業界団体による利用者調査

• 作業負担に関する大学の研究

• メーカーが実施した顧客アンケート

• 商品選択時に重視する要素の市場調査

• 長時間使用時の疲労に関する論文

• 販売サイトの商品レビュー分析

田中君は、見つかった資料を一覧にしました。

その中に、

という数字がありました。

「六割なら、かなり多いですね」

田中君は期待しました。

しかし、佐藤さんはすぐに尋ねます。

「その六割は、誰を調べた数字？」

田中君は資料を開きました。

調査対象は、特定メーカーの商品を使用している会員でした。

「競合メーカーの顧客ですね」

「調査人数は？」

「二百人です」

「質問はどう聞いたのかな？」

田中君は、質問項目を確認しました。

複数ある商品の特徴の中から、重視するものを三つ選ぶ形式でした。

軽量性以外にも、価格、耐久性、デザイン、保証などが並んでいます。

「軽量性だけを最優先した人が六割ではありません」

「そうだね」

「三つまで選べる項目の一つとして、六割が選んだ数字です」

「では、『六割が軽量性を最も重視する』とは書けないね」

「はい」

Grokが示した要約だけを見れば、非常に強い根拠に見えました。

しかし、元資料を確認すると、意味が少し違います。

と、

では、受ける印象が異なります。

資料の要約ではなく、元の調査条件まで確認する必要があります。

🏢 信頼できる機関でも、今回使えるとは限らない

次に見つかったのは、公的機関が公開した作業負担に関する調査でした。

発行元は信頼できる機関です。

調査人数も多く、方法も明記されています。

田中君は言いました。

「これは使えそうですね」

しかし、まゆみさんが資料を見ながら尋ねます。

「調査したのは、誰？」

「工場で重量物を扱う作業者です」

「今回の商品を使う顧客と同じなの？」

田中君は止まりました。

今回の商品は、日常的に手で使用する道具です。

一方、その調査は、工場内で大きな重量物を持ち上げる作業について扱っています。

「重さによる疲労という点では、関係があります」

「関係はある。でも、その数字を今回の顧客へそのまま使える？」

「難しいと思います」

情報源そのものは信頼できます。

しかし、調査対象が違います。

資料としての信頼性

• 発行元が明確

• 調査方法が公開されている

• 調査人数が多い

• 統計処理が行われている

今回の報告書への適合性

• 想定顧客が違う

• 使用場面が違う

• 扱う重量が違う

• 使用時間が違う

• 商品カテゴリーが違う

信頼できる資料であっても、今回の市場調査へ直接使えるとは限りません。

田中君は、その資料を「参考情報」へ分類しました。

🧾 見つけた情報を、根拠の強さで分類する

田中君たちは、Grokが見つけた資料を次のように分類しました。

強い根拠

• 想定顧客と調査対象が近い

• 調査方法が明記されている

• 調査人数が十分にある

• 公開時期が新しい

• 元資料を確認できる

• 今回の仮説へ直接関係する

条件付きで使える根拠

• 情報源は信頼できる

• 調査対象や使用場面が少し異なる

• 一般的な傾向としては参考になる

• 断定ではなく補助説明に使える

仮説を作るための材料

• 商品レビュー

• SNSの使用体験

• 少人数のインタビュー

• 具体的な不満

• 個人の購入理由

根拠としては使わない情報

• 元資料へたどり着けない

• 調査条件が不明

• 宣伝目的が強い

• 対象が今回の商品と大きく異なる

• 古すぎる情報

• 同じ情報を転載しているだけ

田中君は、検証表に根拠の強さを書き加えました。

• 重さへ不満を持つ顧客がいる

  • 根拠：利用者調査

  • 強さ：強い

  • 使用方法：本文へ使用

• 軽量性が広く重視される

  • 根拠：メーカー調査

  • 強さ：条件付き

  • 使用方法：補足へ使用

• 長時間使用で疲労が増える

  • 根拠：大学研究

  • 強さ：条件付き

  • 使用方法：一般論として使用

• 軽い商品なら高くても買う

  • 根拠：一部レビュー

  • 強さ：弱い

  • 使用方法：仮説として残す

• 軽量商品への需要が拡大中

  • 根拠：出所不明記事

  • 強さ：使用不可

  • 使用方法：不採用

「同じ情報でも、使い方が違うんですね」

田中君が言うと、佐藤さんはうなずきました。

「強い根拠なら本文の主張を支えられる。弱い情報なら、追加調査のきっかけとして使う」

🧠 Claudeで、資料の信憑性を評価する

Grokで根拠となる資料を集めたあと、田中君は、それらをClaudeへ渡しました。

Claudeには、新しい情報を探してもらうのではありません。

見つかった資料を、今回の市場調査報告書の根拠として使えるか評価してもらいます。

田中君は、次の依頼を入力しました。

Claudeからは、資料ごとに詳細な評価が返ってきました。

⚖️ 調査人数が多ければ、必ず強いわけではない

一つの市場調査は、回答者が五千人もいました。

田中君は、かなり信頼できると思いました。

しかし、Claudeの評価では「条件付きで使用可能」とされています。

「五千人もいるのに、主要根拠ではないんですか？」

田中君が尋ねると、佐藤さんは資料を確認しました。

調査対象は、一般消費者全体です。

今回の想定顧客は、商品を日常的に長時間使用する人です。

五千人のうち、実際に似た商品を頻繁に使っている人が何人いるかは分かりません。

「人数は多い。でも、今回知りたい人たちが何人含まれているか分からないんだね」

佐藤さんが言いました。

一方、別の調査は回答者が三百人でした。

人数は少なめですが、全員が競合商品を週に五日以上使用している人です。

質問項目も、重さ、耐久性、価格、使用時の疲労について具体的に聞いています。

「こちらの方が、今回の調査には合っています」

田中君は理解しました。

調査人数が多くても弱くなる場合

• 対象者が広すぎる

• 実際の利用者が少ない

• 質問が今回の仮説と合っていない

• 回答者の属性が分からない

調査人数が少なくても使いやすい場合

• 想定顧客と近い

• 使用経験がある

• 質問内容が具体的

• 調査条件が明確

• 今回の仮説へ直接関係する

大きな数字が、必ず強い根拠になるわけではありません。

💰 調査をした企業に、どのような目的があるのか

次に確認したのは、メーカーが公開した顧客満足度調査です。

結果には、

と書かれています。

調査人数も記載されています。

対象者も、商品の購入者です。

一見すると、かなり信頼できそうです。

しかし、Claudeは「条件付きで使用可能」と評価しました。

理由は、調査した企業自身が軽量性を売りにした商品を販売しているからです。

「自社調査だから信用できないということですか？」

田中君が尋ねると、佐藤さんは答えました。

「そう単純ではないよ」

企業が実施した調査でも、方法が明確であれば参考になります。

ただし、企業には商品を良く見せたいという利害関係があります。

質問の順番。

対象者の選び方。

回答の見せ方。

公開する項目。

それらに偏りが入る可能性を考える必要があります。

企業調査から使えること

• 実際の購入者に軽量性を評価する人がいる

• 商品の訴求点として軽さが使われている

• 競合企業が軽量性を重要と考えている

企業調査だけでは断定できないこと

• 市場全体の八五％が軽量性を重視する

• 軽量性だけで商品が売れた

• 競合商品より優れている

• 高い価格でも購入される

報告書に使う場合は、

という形になります。

🕰️ 古い情報は、間違いとは限らない

Claudeは、公開時期についても注意を示しました。

田中君が見つけた資料の中には、八年前の調査があります。

「古いので使えませんか？」

「内容によるね」

佐藤さんは答えました。

市場価格や販売経路、顧客の購買行動は変化しやすいため、八年前の情報を現在へそのまま使うのは危険です。

一方、人間工学的な疲労や、重量と作業負担の関係については、古い研究でも参考になる場合があります。

新しい情報を優先したいもの

• 市場規模

• 商品価格

• 競合企業

• 販売経路

• 顧客の購買行動

• 法規制

• 市場シェア

古くても参考になる場合があるもの

• 人間の身体特性

• 基礎的な材料特性

• 一般的な測定方法

• 長期間支持されている理論

• 再現性が確認された研究

情報は、古いから間違い、新しいから正しいとは限りません。

変化しやすい情報か、比較的安定した情報かを分けて考える必要があります。

🧮 調査方法によって、結果は変わる

Claudeの評価を読む中で、田中君は質問方法の重要性にも気づきました。

たとえば、

と質問すれば、多くの人が「重要」と答えるかもしれません。

しかし、

と聞けば、結果は変わります。

さらに、

と聞けば、また違う答えになります。

それぞれの質問で分かること

• 軽量性を重要と感じるか

• ほかの要素と比べた優先順位

• 価格との交換条件

• 実際の購入意思

「軽さが大事ですか、と聞くだけでは不十分なんですね」

田中君が言いました。

「大事だと思うことと、そのためにお金を払うことは違うからね」

佐藤さんは答えます。

顧客が商品の特徴を評価しても、購入するとは限りません。

市場調査報告書では、

と、

を分ける必要があります。

💬 まゆみさんが、回答者の本音を疑う

まゆみさんは、あるアンケート結果を見て言いました。

「これ、本当に買うのかしら」

アンケートでは、回答者の七割が、

と答えています。

田中君は言いました。

「かなり前向きな結果だと思います」

「『検討したい』でしょ」

「はい」

「『買う』じゃない」

田中君は、回答文を見直しました。

確かに、

• 興味がある

• 検討したい

• 買ってもよい

• 実際に予約する

• 代金を支払う

では、意味が違います。

まゆみさんは続けました。

「アンケートなら、良さそうですねって答える人は多いと思う。でも、自分のお金を出す段階になったら変わるかもしれない」

林さんが言いました。

「まゆみも、店で『また来ます』って言って、二度と行かないことがあるからな」

「それは店員さんに気を遣ったの」

「回答と行動が違う例だろ」

「今ここで出す必要ある？」

「分かりやすいと思って」

「あとで話があるわ」

林さんは黙りました。

田中君は、アンケートの分類を「購入可能性の参考」へ変更しました。

意向を示す回答と、実際の購買行動は分けて考える必要があります。

🧠 ChatGPTで、根拠と結論の間を点検する

資料の信憑性を評価したあと、田中君はChatGPTへ確認を依頼しました。

ここでは、情報源そのものを調べてもらうのではありません。

集めた根拠から、報告書で予定している結論まで論理的につながるかを点検してもらいます。

田中君は、次のように入力しました。

ChatGPTからは、結論に複数の飛躍があると返ってきました。

🕳️ 「困っている人がいる」から「売れる」までは遠い

ChatGPTが最初に指摘したのは、顧客の不満と購買行動の間にある飛躍です。

確認できたのは、

ということです。

しかし、そこから、

とは限りません。

顧客は、不満を持ちながらも現在の商品を使い続けるかもしれません。

価格が高ければ、我慢するかもしれません。

使用頻度が低ければ、買い替える必要性を感じないかもしれません。

競合企業が似た商品を先に発売する可能性もあります。

確認できたこと

• 不満を持つ顧客が存在する

• 軽量性と耐久性に関心がある顧客がいる

• 自社試作品に改善結果がある

まだ確認できていないこと

• 不満を持つ顧客の人数

• 買い替える意思

• 支払える価格

• 自社商品の認知度

• 競合との差を感じられるか

• 購入後も満足するか

「不満があることと、商品を買うことは別なんですね」

田中君が言うと、佐藤さんはうなずきました。

「市場に問題があることと、その問題を自社商品が事業として解決できることの間には、いくつも条件がある」

💴 価値があっても、価格で選ばれない場合がある

次に指摘されたのは価格です。

自社商品が軽く、耐久性も高かったとしても、競合商品より大幅に高ければ購入されない可能性があります。

たとえば、

• 競合商品：三千円

• 自社商品：六千円

だった場合、顧客は軽さや耐久性に三千円の差額を払うでしょうか。

一方で、競合商品を短期間で何度も買い替えている顧客であれば、長く使える自社商品の方が総費用を抑えられる可能性があります。

つまり、単純な販売価格だけではなく、

• 購入価格

• 使用期間

• 買い替え回数

• 保守費用

• 交換費用

まで含めて比較する必要があります。

価格だけで比較する場合

使用期間を含める場合

ただし、この説明にも、実際の耐用期間を確認するデータが必要です。

⚙️ 試作品の改善と、量産品の品質は同じではない

自社の試作品では、軽量化と耐久性の改善が確認されています。

しかし、量産時にも同じ品質を維持できるとは限りません。

試作では、熟練した作業者が細かく条件を調整しています。

材料も、選別したものを使用しています。

検査も通常より丁寧に行われています。

量産へ移れば、

• 作業者が増える

• 設備条件の変動が増える

• 材料ロットが変わる

• 生産速度が上がる

• 検査時間が短くなる

• 製品数が増える

可能性があります。

林さんが言いました。

「試作で一個うまくできたことと、毎日千個同じものを作ることは別だからな」

「はい」

田中君は、現場の人間として、その点を誰よりも理解していました。

市場調査報告書で商品価値を説明する際には、

と、

を分ける必要があります。

👁️ 性能差があっても、顧客に伝わらない場合がある

ChatGPTは、さらに次の点を指摘しました。

自社商品が競合より軽く、耐久性も高かったとしても、顧客がその違いに気づけなければ、購入理由になりません。

たとえば、競合商品より五％軽いとします。

製造側にとっては、大きな改善かもしれません。

しかし、顧客が持ち比べた際に違いを感じられなければ、訴求力は弱くなります。

耐久性も同じです。

試験上は寿命が二割延びていても、顧客が通常の使用で違いを感じるまでに数年かかる場合、購入時には判断できません。

性能として優れている

• 測定値が高い

• 試験結果が良い

• 製造ばらつきが少ない

購入理由として優れている

• 顧客が違いを体感できる

• 簡単に説明できる

• 競合との違いが見える

• 価格差に納得できる

商品の性能と、市場で伝わる価値は同じではありません。

まゆみさんが言いました。

「作った側には大きな違いでも、買う人には見えないことがあるのよね」

「その違いを、どう伝えるかも必要ということですね」

「伝える前に、本当に感じてもらえるかを確認した方がいいと思う」

🔄 反対の可能性も考える

田中君たちは、自社商品に有利な結論だけでなく、反対の可能性も整理しました。

仮説を支持する可能性

• 重さに困る顧客が一定数いる

• 耐久性を重視する顧客がいる

• 競合商品への不満がある

• 自社試作品に改善データがある

• 長時間使用する顧客ほど価値を感じる可能性がある

仮説に反する可能性

• 重さより価格を重視する顧客の方が多い

• 軽量化によって強度への不安を持たれる

• 競合商品で十分だと考える顧客が多い

• 価格差を受け入れてもらえない

• 性能差を体感できない

• 使用頻度が低く、耐久性が購入理由にならない

• 想定した顧客層が小さすぎる

林さんが表を見ながら言いました。

「自分たちの商品を売りたいのに、売れない理由まで考えるのか」

佐藤さんは答えました。

「売れない可能性を先に確認するための市場調査でもあるからね」

「商品の良さを証明するためじゃないんですね」

田中君が言いました。

「そう。市販してよい条件がそろっているかを確かめるためだ」

✍️ 断定を、現時点で言える表現へ直す

最初の結論案は、次のようなものでした。

裏取りを進めた結果、この表現は強すぎると分かりました。

現時点で確認できた内容に合わせて、次のように修正します。

田中君は、二つの文章を見比べました。

修正前

• 短い

• 力強い

• 売れそうに見える

• 結論が分かりやすい

• 根拠以上に断定している

修正後

• 確認できた範囲が分かる

• 不足情報が明確

• 商品の可能性を残している

• 追加検証へつながる

• 現時点の責任範囲を超えていない

「修正後の方が弱く見えますね」

田中君が言うと、佐藤さんは答えました。

「表現は慎重になった。でも、報告書としては強くなっているよ」

「強くなったんですか？」

「どこまで確認できているかが分かるからね」

根拠以上に断定する文章は、力強く見えても壊れやすいものです。

確認範囲と不足条件を明確にした文章は、派手ではなくても、判断材料として信頼できます。

📊 裏取り結果を六段階に分類する

田中君たちは、確認した仮説を次の六段階へ分類しました。

1．採用

信頼できる根拠があり、今回の報告書に直接使用できる。

2．条件付きで採用

根拠はあるが、対象や条件を限定して使用する。

3．参考情報

一般的な傾向を説明する補助材料として使用する。

4．仮説として残す

可能性はあるが、事実としては扱わず、追加検証へ回す。

5．根拠不足

現時点では裏づけが足りず、本文の主張には使用しない。

6．不採用

出所、信頼性、論理のいずれかに重大な問題があり、使用しない。

田中君は、共通仮説を分類しました。

• 重さへ不満を持つ顧客がいる

  • 分類：採用

  • 理由：対象顧客に近い調査あり

• 軽量性が市場全体で最優先される

  • 分類：根拠不足

  • 理由：優先順位を示す資料が不足

• 耐久性が購入理由になる

  • 分類：条件付きで採用

  • 理由：顧客層によって差がある

• 高価格でも購入される

  • 分類：仮説として残す

  • 理由：支払意思の確認が必要

• 競合との差別化が可能

  • 分類：仮説として残す

  • 理由：実測比較と顧客評価が必要

• 小規模な試験販売が有効

  • 分類：採用

  • 理由：不足情報を確認する手段として妥当

• 市場で高い支持を得られる

  • 分類：不採用

  • 理由：現時点では結論が強すぎる

「3つのAIが共通して書いたものでも、不採用になるんですね」

田中君が言いました。

「もちろんだよ」

佐藤さんは答えます。

「一致したことと、証明されたことは違うからね」

🔁 一度の裏取りで終わらせない

資料を調べる中で、新しい疑問も出てきました。

軽量性が重要だとしても、どの程度軽ければ違いを感じるのか。

耐久性を高めても、顧客は何年間使うつもりなのか。

高価格を受け入れるのは、個人顧客か法人顧客か。

競合商品への不満は、商品そのものではなく使い方の問題ではないか。

これらは、公開資料だけでは分かりません。

そのため、次の追加検証が必要になります。

• 想定顧客へのアンケート

• 試作品の使用評価

• 競合商品との比較試験

• 価格別の購入意思確認

• 少量での試験販売

• 販売後の継続使用調査

裏取りは、机上の資料を確認すれば終わるわけではありません。

公開情報で確認できること。

実物で測定すること。

顧客へ直接聞くこと。

販売して初めて分かること。

それぞれを分ける必要があります。

😂 林さん、AIに聞く順番を覚える

田中君は、今回の裏取り工程をノートへまとめました。

林さんが、それを読み上げました。

「まず探す。次に疑う。最後に話がつながってるか確認する」

「ずいぶん簡単にまとめましたね」

「分かりやすいだろ」

「間違ってはいません」

「じゃあ、今度から俺もこの順番でAIを使えばいいんだな」

まゆみさんが尋ねました。

「何を調べるの？」

「まゆみが本当に丸くなったか」

「それ、調べる必要ある？」

「本人の主張だけでは信憑性が足りない」

「林さん」

「はい」

「あとで話があるわ」

林さんは、静かにノートを閉じました。

🧑‍⚖️ それでも最後は、人間が採用を決める

Grok、Claude、ChatGPTを使った三方向の確認が終わりました。

しかし、AIが自動的に「採用」「不採用」を決めたわけではありません。

各AIは、

• 関連資料を探す

• 資料の弱点を指摘する

• 論理の飛躍を示す

• 慎重な表現を提案する

ところまでです。

最終的に、

• どの資料を使うのか

• どの程度の強さで書くのか

• 何を追加検証へ回すのか

• 何を報告書から外すのか

を決めたのは、田中君たちです。

田中君は、裏取り結果の一覧を見ながら言いました。

「AIに三方向から確認してもらいましたが、最後の採用判断は僕たちがしていますね」

「そうだよ」

佐藤さんは答えました。

「AIに判断させないんですか？」

「AIから判断案は出せる。でも、その案を採用するか決めるのは人間だ」

「なぜですか？」

「この情報を使って、黒田営業部長へ報告するのは誰だから？」

田中君は答えました。

「僕たちです」

「報告書の内容に責任を持つのは？」

「僕たちです」

「商品を市販した後、結果を引き受けるのは？」

「会社と、関係する人たちです」

佐藤さんはうなずきました。

「だから、AIの評価をそのまま決定にはしない」

📌 第10章で田中君が学んだこと

共通仮説を三方向から裏取りしたことで、田中君は次のことを理解しました。

• 3モデルの共通点は、そのまま事実として使わない

• Grokで、元資料まで確認できる根拠を探す

• 仮説を支持する情報だけでなく、反対する情報も探す

• 信頼できる機関の資料でも、今回の顧客に適用できるとは限らない

• 調査人数より、対象者や質問方法の一致が重要な場合がある

• 企業の公式調査には、販売上の利害関係がある可能性を考える

• 情報の新しさは、変化しやすい内容かどうかで判断する

• 顧客の評価と、実際の購入行動を分ける

• 事実が正しくても、結論まで正しいとは限らない

• 不満があることと、商品が売れることの間には複数の条件がある

• 商品性能と、顧客が感じる価値を分ける

• 裏取り結果の採用、不採用を最終的に決めるのは人間である

🔄 第3部へ――AIの答えを集める段階から、人間が決める段階へ

Grok、Claude、ChatGPT。

田中君たちは、3つのAIへ同じ資料と同じ条件を渡しました。

返ってきた草案は、どれも読みやすく、もっともらしく、報告書として完成しているように見えました。

しかし、並べて比較すると、それぞれに違いがありました。

市場と競合を詳しく扱う草案。

構成と論理を整える草案。

顧客の問題と商品の価値を自然につなぐ草案。

どれか一つを選べば終わるわけではありません。

3つに共通する内容も、事実として証明されたわけではありませんでした。

田中君たちは、

• 事実が本当に存在するか

• その資料を信用できるか

• 根拠から結論まで論理的につながるか

を、一つずつ確認しました。

その結果、AIが力強く書いた文章の中にも、根拠が不足しているものがありました。

反対に、慎重に書かれた仮説の中には、追加調査によって確かめる価値のあるものもありました。

ここまでで、判断材料はそろい始めています。

しかし、まだ報告書は完成していません。

なぜなら、3つのAIが作った文章をつなぎ合わせても、田中君たち自身の判断にはならないからです。

次に必要なのは、

• どの主張を残すのか

• どの根拠を使うのか

• 何を未確認として示すのか

• 現場の一次情報をどこへ入れるのか

• どのリスクを会社へ伝えるのか

• 最後に何を提案するのか

を、人間が決めることです。

AIが書いた結論を採用するのか。

それとも、AIの仮説を踏まえながら、人間が別の判断を下すのか。

市場では売れる可能性があっても、現場で本当に作れるのか。

商品の性能が高くても、顧客がその価値を感じるのか。

そして、判断の結果に責任を持つのは誰なのか。

田中君たちの仕事は、AIの出力を得たところで終わりません。

むしろ、ここからが人間の仕事です。

田中君は、3つのAIが作った草案と、裏取りを終えた資料を前にしました。

今度は、AIの文章を完成させるのではありません。

自分たちが責任を持てる判断を作る番です。

田中君シリ－ズの記事です。

👥 登場人物紹介（設定）

🤖 AIと市場調査報告書づくりに挑む5人

この物語では、AIに詳しい一人の人物が、すべてを解決するわけではありません。

市場情報を調べる視点。

製造現場を知る視点。

顧客にとっての価値を考える視点。

情報を整理し、論理を確認する視点。

そして、集めた情報を基に決断する立場。

それぞれ異なる経験を持つ人物が意見を出し合いながら、田中君の市場調査報告書を完成へ導きます。

AIは多くの情報や文章を提示します。

しかし、何を調べ、何を信じ、何を報告し、どのような判断を下すのか。

その中心にいるのは、あくまで人間です。

👨‍💻 田中君

試作ラインで働く、今回の物語の主人公。

製造現場で約10年間働いてきた経験を持ち、工程報告書や改善記録の作成には慣れています。

一方で、市場調査報告書を書くのは今回が初めてです。

真面目で責任感が強く、仕事を任されると、できるだけ抜けのない資料を作ろうとします。

その長所が裏返り、AIから提示された調査項目をすべて必要だと思い込み、情報を集めすぎてしまうこともあります。

田中君の特徴

• 真面目で、頼まれた仕事を最後までやり切ろうとする

• 分からないことを放置せず、AIへ積極的に質問する

• 情報が不足することを恐れ、調査範囲を広げすぎやすい

• AIの整った回答を、最初は正解に近いものとして受け取りやすい

• 指摘を受けると、素直に考え直すことができる

• 製造現場の一次情報を持っている

• 学びながら、自分なりのAIの使い方を身につけていく

物語の序盤では、AIに何を調べればよいかを教えてもらい、その回答を一生懸命完成させようとします。

しかし、林さん、佐藤さん、まゆみさんとの対話を通して、

と気づいていきます。

最終的には、AIへ目的と役割を与え、複数の出力を比較し、根拠を確認し、自分の言葉で判断を説明できる担当者へ成長します。

それが、この物語における田中君の変化です。

👨‍🔧 林さん

田中君と同じ現場で働く、頼れる先輩。

製造現場の経験が長く、資料上の理屈だけではなく、

という視点から物事を考えます。

難しい専門用語や抽象的な説明を、料理や弁当、検査作業などの身近なたとえへ置き換えるのが得意です。

ただし、そのたとえが少しずれたり、まゆみさんから突っ込まれたりすることもあります。

林さんの特徴

• 現場感覚を重視する

• 難しい話を、身近なたとえで整理する

• 理屈だけで成立している報告書に疑問を持つ

• 田中君が一人でChatGPTへ相談したことを、少しだけ引きずっている

• 口調は軽いが、仕事の本質を突くことがある

• AIよりも、まず人間同士で話すことを大切にする

• 量産時の作業負荷や品質のばらつきに敏感

田中君がAIから出された大量の調査項目を処理しようとしていたとき、林さんはこう問いかけます。

この言葉は、物語全体を通じて重要な問いになります。

AIを使っているつもりでも、AIが作った課題や文章を完成させることが人間の仕事になれば、立場が逆転してしまいます。

林さんはAIの専門家ではありません。

しかし、現場で長く働いてきた経験から、

• 本当に必要な情報か

• 実際に作れるのか

• 作業者が再現できるのか

• 量産しても品質を保てるのか

を確認します。

それが林さんの役割です。

👨‍🏫 佐藤さん

情報整理と改善に詳しい、田中君たちの相談役。

落ち着いた口調で相手へ問いを投げかけ、自分で考えられるように導きます。

正解をすぐに教えるのではなく、

と問い返します。

一見すると隙のない人物ですが、過去には情報を詰め込みすぎた六十ページの報告書を作り、上司から三ページ目で、

と聞かれた失敗経験があります。

佐藤さんの特徴

• 情報の役割と優先順位を考える

• 事実、仮説、判断を明確に分ける

• AIの文章が整っているだけでは信用しない

• 相手が自分で気づけるように質問する

• 自分の失敗も隠さず、実例として伝える

• 報告書は「情報を見せるもの」ではなく「判断を支えるもの」だと考える

• AIを否定せず、任せる範囲を明確にする

佐藤さんは、集めた情報を次のように分類します。

1. 今回の判断に不可欠な情報

2. 結論を支える補助情報

3. 将来の検討に使える情報

さらに、AIが提示した内容について、

• 事実は存在するか

• 資料は信用できるか

• 根拠から結論まで論理的につながるか

を確認するよう田中君へ教えます。

佐藤さんが一貫して伝えるのは、

です。

それが佐藤さんです。

👩‍💼 まゆみさん

林さんの恋人であり、読み手と顧客の感覚を持つ鋭い助言者。

社内では林さんと交際していますが、仕事の内容については遠慮なく意見を伝えます。

専門用語や情報量に惑わされず、

と、読み手や顧客の立場から確認します。

指摘があまりに直接的なため、林さんから、

と言われることもあります。

まゆみさんの特徴

• 情報の中心が見えなくなると、すぐに気づく

• 作り手の都合と、顧客の価値を分けて考える

• 専門的に整った文章でも、分かりにくければはっきり指摘する

• 顧客の発言と、実際の購入行動の違いに敏感

• 短い言葉で、本質を突く

• 林さんとの掛け合いで、物語に軽さを加える

• 指摘が厳しすぎたときは、一応反省する

田中君が集めた大量の情報を見たまゆみさんは、二つの問題を指摘します。

一つは、情報が多すぎること。

もう一つは、商品の最も強い価値が埋もれていることです。

製造側では、

• 軽量化した

• 耐久性を改善した

• 品質ばらつきを減らした

という改善が重要です。

しかし顧客が知りたいのは、

• 長時間使っても疲れにくいか

• 長持ちするか

• 価格に見合うか

• 今の商品から買い替える理由があるか

です。

まゆみさんは、製造上の強みを顧客価値へ置き換える役割を担います。

それがまゆみさんです。

👔 黒田営業部長

新製品の市場調査を田中君へ依頼した営業部長。

決断が早く、仕事を前へ進める力があります。

一方で、細かな調査方法や作業工程まで長く説明するより、まず結論を知りたがります。

田中君へ市場調査報告書を依頼するときも、細かい仕様書を渡すのではなく、

と、大きな方向だけを示して仕事を任せます。

黒田営業部長の特徴

• 判断と行動が早い

• 細かな過程より、最初に結論を確認する

• 市場で売れる可能性を重視する

• 情報量より、次に何をするべきかを知りたがる

• AIの活用自体には抵抗がない

• ただし、最終的には担当者自身の説明を求める

• 一つの仕事が終わると、すぐに次の課題を持ってくる

完成した報告書を受け取った黒田営業部長は、最初にこう尋ねます。

さらに、

と確認します。

ここで田中君が、

と答えるだけでは、報告になりません。

AIの仮説をどう確認し、現場の条件をどう加え、担当者としてどのような判断を下したのか。

黒田営業部長へ説明できて、初めて報告書が仕事として完成します。

黒田営業部長は、田中君たちの調査結果を基に、

• 全面販売はまだ行わない

• 対象顧客を限定して試す

• 価格と使用評価を確認する

• 量産条件で品質を確かめる

• 結果を見て本格販売を再判断する

という次の行動を決めます。

そして最後には、いつもの調子で田中君へ告げます。

それが黒田営業部長です。

🔗 5人が持つ、それぞれの視点

登場人物主な視点物語での役割
田中君　担当者・学習者AIを使いながら、人間が主導する方法を身につける
林さん　製造現場理論や市場性が、現場で実現できるか確認する
佐藤さん　情報整理・論理目的、根拠、優先順位、判断の関係を整える
まゆみさん　顧客・読み手商品の価値が顧客へ伝わるか確認する
黒田営業部長　営業・意思決定報告書を基に、会社として次の行動を決める

一人だけでは、市場調査報告書を完成させることはできません。

田中君だけでは、情報を集めすぎます。

林さんだけでは、市場の需要を十分に確認できません。

佐藤さんだけでは、現場や顧客の具体的な感覚が不足します。

まゆみさんだけでは、会社としての事業判断まではできません。

黒田営業部長だけでは、判断に必要な根拠を集められません。

それぞれの視点を組み合わせることで、

• 市場で求められているか

• 顧客に価値が伝わるか

• 現場で作れるか

• 根拠は信頼できるか

• 会社として進めるべきか

を、一つの報告書の中で考えられるようになります。

この5人と3つのAIによる、市場調査報告書づくりが始まります。

#AI , #人工知能 , #ChatGTP , #Qwen , #Gemini , #GoogleAIstudio , #IT , #Grok , #未来の働き方 , #AI入力設計
#AI入力設計 #コンテキストエンジニアリング #AIプロンプト #プロンプト失敗 #AIうまくいかない #AIイライラ #AI出力ズレる #ChatGPT活用 #生成AI #AI初心者 #AI失敗体験 #AI成功体験 #データボックス #AI管理人 #入力設計テンプレート #AI3ステップ #AI設計思考 #プロンプトエンジニアリング #AI再現性 #AIログ資産化 #note記事執筆 #AI収益化 #note有料記事 #AIビフォーアフター #AI一般論 #ハルシネーション対策 #AI一次情報 #AIカイゼン #AI思考整理 #AI2026
#生成AI初心者 #40代AI #50代AI #60代AI #中高年AI #シニアAI #うまくいかない , #AI一般論 #AIハルシネーション #AI再現性 #AI入力設計 #初心者 , #AI雑に話す #AI続けるだけ #AI設計思考 #プロンプト落とし穴 #AI一次情報 #AIカイゼン #AI思考整理 #AI失敗体験 #AI成功体験 #AIデータボックス #AI管理人 #AI業務活用 #AI中高年

#ArtificialIntelligence , #MarketResearch , #BusinessWriting , #ResearchReport , #AIWriting , #HumanCenteredAI , #DecisionMaking , #CriticalThinking , #FactChecking , #DataAnalysis , #PromptEngineering , #MultiModelAI , #CustomerValue , #ProductDevelopment , #BusinessStrategy