営業AIの活用ガイド：「作る仕事」と「判断する仕事」で切り分ける導入判断【2026年】

執筆：Swooo編集部／監修：諸藤 哲耀（株式会社アイビス Swooo）

営業のAI化で最初に決めるべきは、どのツールを入れるかではありません。営業の業務を「作る仕事」と「判断する仕事」に分けることです。メールの文面、議事録、提案資料のように成果物を作る仕事では、生成AIや営業支援SaaSがすでに実用水準に達しています。一方、「誰に、いつ、何を売るか」を決める判断する仕事は、判断の根拠が自社の商談データ・商材知識・受注パターンの中にあり、それを知らない汎用ツールをそのまま当てても効きません。この区別を持たずに導入を進めると、日々の作業は速くなったのに売上の数字は動かない、という状態に陥りやすくなります。

実際、この「効率化と成果のずれ」は調査データにも表れています。ファネルAiが2026年2月に実施した「BtoB営業×AI活用 実態調査2026」（有効回答103名）では、営業業務でAIを利用している担当者が71.8%にのぼる一方、売上や受注への貢献を実感していない回答が81.1%を占めました。AIを使うこと自体はもう珍しくなく、成果につながる使い方ができているかどうかで差が付き始めているのが、営業AIの現在地です。

この記事は、営業部門の責任者・営業企画・経営層に向けて、営業AIの活用状況を示すデータ、「作る仕事」と「判断する仕事」という業務の分け方、既製ツール（SaaS）で済む領域とカスタム開発が効く領域、費用の目安、導入の手順を順に整理します。同じ切り分けの考え方は、経理・人事・総務・法務・カスタマーサポートの各ガイドでも職種別に展開しています。

営業業務別の早見表：ツールで済むか、開発が効くか

最初に結論の早見表から示します。営業の主要業務ごとに、既製ツール（汎用生成AI・営業支援SaaS・SFA/CRMのAI機能等）で足りるか、自社に合わせた開発が効くかをまとめました。それぞれの根拠は後の章で説明します。

一行でまとめると、成果物を作る業務は既製ツール、自社のデータとロジックで判断を支える業務は開発、という対応関係です。営業はこの両方が日常業務の中に混ざり合っているため、物差しを持たずに進めると、既製ツールで足りるメール作成に開発費を投じたり、逆に自社の受注パターンが絡むスコアリングを汎用機能に期待して空振りしたりします。次章以降で、この対応関係をデータと具体例で裏付けていきます。

営業AIの現在地：活用は7割、しかし売上への貢献実感は2割弱

まずデータで現状を確認します。前述のファネルAi「BtoB営業×AI活用 実態調査2026」（2026年2月実施、有効回答103名。回答者の7割超は従業員50〜999名の中堅企業に勤めるBtoB営業の担当者・マネージャー）によると、営業業務でAIを利用している割合は71.8%。用途の上位は議事録作成・要約が62.2%、提案資料作成が50.0%、メール文面作成が45.9%でした。

並べてみると分かるとおり、上位はすべて「文書や記録を作る仕事」です。ところが同じ調査で成果を尋ねると、景色が変わります。売上・受注への貢献を実感していない回答が81.1%（実感している回答は18.9%）。アポ率が向上したという回答は5.4%、受注率が向上したという回答は4.1%にとどまりました。さらに、失注案件の掘り起こしにAIを使っている割合は9.5%、リードの優先順位付けは10.8%と、「判断が要る業務」での活用は1割前後しかありません。回答者の57.0%は、AIを成果につなげるための仕組みやルールの欠如を課題に挙げています。
サンプルは103名と大きくないため個々の数字は幅を持って見る必要がありますが、「作る仕事」への浸透と「判断する仕事」の空白がはっきり分かれている構図は、営業AIを考える上での出発点になります。

効率化の実感は広がっている：もう一つの調査

一方で、スマートキャンプが運営するBOXILの調査（営業担当者389名対象）では、約7割がAI活用による成果の向上を実感しているという結果が出ています。約6割は営業活動の「質」の向上も実感しており、用途の上位は提案資料作成40.0%、営業メールの作成・送信39.4%でした。

「81.1%が成果なし」と「約7割が成果を実感」。一見矛盾する2つの調査ですが、母集団と質問の設計が違います。BOXIL調査が尋ねているのは業務の成果向上の実感、ファネルAi調査が尋ねているのは売上・受注への貢献です。つまり両者を合わせて読むと、「資料作成やメール対応が速くなった」という効率化の体感は広く共有されている一方、それが売上という最終成果に届いた実感はまだ薄い、という整理になります。この記事が「作る仕事」と「判断する仕事」を分けて扱うのは、まさにこのギャップを埋めるためです。

全社平均と比べれば、営業の活用は先行している

参考までに、業務全般での生成AI活用状況も見ておきます。帝国データバンクの「生成AIに関する企業の動向調査」（2026年3月実施、有効回答10,312社）では、生成AIを活用している企業は34.5%。営業に限定した調査ではなく全業種・全業務を対象にした数字ですが、活用企業の86.7%が業務への効果を感じており、主な用途は「文章作成・要約・校正」が45.1%で最多でした。

企業単位で34.5%という全体平均に対して、営業担当者個人の利用は7割超。母集団が違うため単純比較はできないものの、営業は文章・資料・記録という生成AIの得意分野が業務の多くを占めるぶん、現場レベルの浸透が他部門より早い職種だと言えます。だからこそ営業では「AIを使い始めるか」はもう論点ではなく、「使っているのに売上が動かない状態をどう抜けるか」が本題になります。

ファネルAi調査で57.0%が挙げた「仕組み・ルールの欠如」という課題も、この文脈で読むと重みが増します。担当者が各自の工夫でChatGPTを使い、資料が速く作れるようになる。それ自体は良いことですが、成果が個人の作業時間の範囲にとどまります。チームとしてどの業務にAIを使い、浮いた時間をどこへ振り向け、商談データをどう蓄積するかという設計があって初めて、組織の売上の数字に反映されます。次章の切り分けは、その設計図を描くための道具です。

営業業務を「作る仕事」と「判断する仕事」に分ける

切り分けの物差しを具体化します。営業の業務は、成果物を形にする「作る仕事」と、誰に・いつ・何を・どう売るかを決める「判断する仕事」の2つに分解できます。

前提として、ここでいうAIには3つの形があります。ChatGPTのような汎用生成AIを担当者がそのまま使う形、営業支援SaaSやSFA/CRMに組み込まれたAI機能、そして自社の商談データやシステムと接続して動くカスタム開発のAIシステムです。「作る仕事」では前の2つが、「判断する仕事」では3つ目が主役になります。

作る仕事：生成AIの得意分野で、すでに普及が進んだ

メール・議事録・提案資料はいずれも「文章を作る」仕事であり、生成AIの本来の得意分野です。ファネルAi調査の用途上位（議事録62.2%・提案資料50.0%・メール45.9%）がここに集中しているのは自然な結果で、ゼロから書く時間が「下書きを確認して直す」時間に変わるため、効果の体感も早い。この領域は次章で見るとおり既製ツールが出揃っており、開発を検討する必要はほぼありません。

注意点があるとすれば、作る仕事のAI化は「下書きまで」を任せる設計にすることです。営業メールも提案資料も、最後は顧客の手元に届く文書です。商材の数字や顧客名の誤りはAIの出力に紛れ込みやすく、そのまま送れば信頼を損ないます。仕上げと事実確認は人が行う、という前提を最初からルールにしておけば、速さの恩恵だけを受け取れます。

判断する仕事：根拠が自社の中にあるから、汎用ツールが届かない

問題はこちら側です。「どのリードを先に追うべきか」「半年前に失注したあの案件は、今なら動くのではないか」「この顧客にはどの提案が刺さるか」。こうした判断の根拠は、過去の商談記録、受注・失注の実績、商材と顧客の相性、担当者が肌感覚で持っている勝ちパターンといった、自社の中にしかない情報です。ChatGPTのような汎用生成AIは自社の商談履歴を知りませんし、SaaSの標準機能も、業界や商流ごとの固有な判断材料までは織り込めません。

ファネルAi調査で失注掘り起こしへのAI活用が9.5%、リード優先順位付けが10.8%にとどまっているのは、この構造の裏返しです。売上に直結するのはまさにこの判断領域なのに、汎用ツールを入れるだけでは手が届かない。「AIは71.8%が使っているのに、売上貢献の実感は18.9%」というギャップの正体は、活用が「作る仕事」で止まり「判断する仕事」に達していないことだと読み解けます。

なお、判断する仕事のすべてをAI化の対象にするわけではありません。値引きに応じるかどうか、この案件から撤退するかどうかといった最終判断や、顧客との信頼関係づくりは引き続き人の仕事です。AIが担えるのは、判断材料を揃えて優先順位の候補を提示するところまで。「判断を機械に渡す」のではなく「判断の材料集めを自動化する」と捉えるのが実態に合っています。

切り分けを間違えると何が起きるか

この切り分けを持たないまま進めると、2種類の失敗が起きます。1つ目は、作る仕事に開発費を投じてしまうパターンです。メール生成や議事録作成を数百万円かけて自社開発しても、競争の激しい既製SaaSの完成度と改善速度には追いつけず、保守の負担だけが手元に残ります。2つ目は、判断する仕事を汎用機能に期待してしまうパターンです。SFAの標準スコアリングを設定したものの、出てくる優先順位が現場の実感と合わず、数ヶ月後には誰も見なくなる。どちらもよくある話で、原因はツールの質でも運用の熱意でもなく、業務と手段の対応関係のずれにあります。

既製ツールで済む領域：ここで開発しない

Swoooは開発を請け負う側の会社ですが、先に率直に書いておくと、「作る仕事」の効率化はほぼすべて既製ツールで足ります。営業支援のAI SaaSは競争が激しく成熟の速い市場で、次の領域はいずれも専用サービスや標準機能が揃っています。

• 営業リストの作成：企業データベースから条件に合う見込み顧客を抽出するサービスとして、Sales Crowd、Musubu、Urizoなどが提供されています。手作業のリスト作りを続けているなら、まず検討したい領域です
• メール文面の作成：初回アプローチやフォローメールの下書きは、ChatGPTなどの汎用生成AIで今日から始められます。HubSpotをはじめ、SFA/CRM側にメール生成機能が組み込まれているケースも増えています
• 商談の録画解析・文字起こし・要約：オンライン商談や通話をテキスト化し、要約や話者比率の分析まで行う商談解析ツールとして、amptalk（HubSpot・Salesforceとの連携に強み）、ACES Meet（表情・うなずきなど非言語面の解析が特徴）、MiiTel（IP電話機能を内包しインサイドセールス向き）などがあります。議事録作成の時間短縮に加えて、トップセールスの商談の進め方をチームで振り返る教材にもなります
• SFA/CRMへの入力・更新：商談内容からのデータ自動入力・更新は、Salesforce EinsteinやHubSpotをはじめ主要SFAがAI機能として提供を進めています。「営業がSFAに入力してくれない」という長年の課題への現実的な打ち手です
• 提案資料・スライドの下書き：構成案と文章は汎用生成AIで、スライドへの展開はGammaやイルシルのようなスライド生成型のサービスで下書きできます。仕上げと事実確認は人が行う前提で、作成時間を大きく圧縮できます
• 受注確度の予測・スコアリング（標準機能の範囲）：Salesforce Einsteinなど、SFA各社が案件の確度予測やスコアリングを標準のAI機能として備えつつあります。自社の判断材料がシンプルなら、まずこの標準機能から試す価値があります

この領域の業務は、会社が違ってもやり方の骨格がほとんど同じです。「見込み顧客を探す」「メールを書く」「商談を記録する」という仕事の形が共通しているからこそ、多数の企業で鍛えられた既製サービスが最も安く、速く、安定して使えます。月額数万円で使えるものをわざわざ開発するのは投資として釣り合いません。
なお、ここに挙げたサービス名は代表例としての紹介であり、優劣の評価ではありません。この記事の主眼はツールの比較ではなく、どのツールを選んでも残る「自社にしかない判断業務」をどう扱うかにあります。

導入時には、効果を測る物差しを先に決めておくと投資判断がぶれません。メール生成なら作成時間と返信率、商談解析なら議事録にかけていた時間と商談後のフォローの速さ、リスト作成ならアプローチ数と商談化率が代表的な指標です。ここで記録した数字は、後の章で扱う開発投資の判断材料としてそのまま使えます。
なお汎用生成AIの法人向けプランは1人あたり月数千円から始められます。全社展開の前に営業部門の数名で試し、効果の出た使い方をチームの型として共有するだけでも、作る仕事の時間は目に見えて減ります。

営業ツールを選ぶときの3つの確認点

個別ツールの機能比較には立ち入りませんが、後で「判断する仕事」への投資を検討する可能性があるなら、契約前に次の3点を確認しておくと選択の失敗が減ります。

• SFA/CRMとの連携の深さとAPIの公開範囲：商談解析ツールで得たデータがSFAに自動で書き戻せるか、外部からデータを出し入れするAPIが公開されているか。営業はツールの本数が増えやすい職種なので、連携の弱いツールを選ぶとデータが分断されます
• 商談データ・ログを自社の資産として取り出せるか：文字起こしや商談ログを標準形式でエクスポートできるかどうか。後にスコアリングや失注掘り起こしの仕組みを作る際、蓄積した商談データがそのまま学習・参照の材料になるかどうかの分かれ目です
• 営業の動きに割り込まない導線か：入力や操作の手間が増えるツールは、営業現場では確実に使われなくなります。商談すれば自動で記録が残る、普段のメールやカレンダーから離れずに使える、といった「意識しなくても回る」設計かどうかが定着を左右します

自社に合わせた開発が効く領域と費用感

次に、既製ツールを何本並べても埋まらない領域です。営業では「判断する仕事」のうち、自社固有のデータやロジックが絡む次の3パターンが、カスタム開発の典型になります。

1. 自社商材のロジックが絡む提案書・見積もりの生成

型番や仕様の組み合わせで価格が決まる商材、業界ごとに提案の型が違う商材、過去の類似案件を踏まえて構成を決める提案。こうした「自社の商材知識がないと作れない文書」は、汎用生成AIに指示を工夫しても限界があります。AIが自社の製品仕様書も価格体系も過去の提案書も知らないからです。

この場合は、商材資料・価格表・過去の提案書・失注時の想定問答といった自社文書を検索して回答や下書きを組み立てるRAG（検索拡張生成）の仕組みを、自社の文書体系に合わせて構築するのが本筋です。営業担当が「◯◯業界の中堅企業向けに、この製品構成での提案書のたたき台」と依頼すると、過去の類似提案と最新の価格表を参照した下書きが返ってくる、という動き方になります。ベテランの頭の中にあった提案の型が仕組みに残るため、新人の立ち上がり支援としても機能します。
前提になるのは参照させる文書側の整備です。価格表の新旧が混在した状態で作れば、古い価格にもとづく見積もりが出てきます。文書の棚卸しをプロジェクトの初手に置くのが現実的です。

2. 基幹システム・複数のSFA/CRMをまたぐ連携

「見積もりは基幹システム、商談管理はSFA、問い合わせ履歴は別のツール」という分断は、営業組織の定番の悩みです。受注処理のたびに人がシステム間でデータを転記する、事業部ごとに別のSFAを使っていて全社の営業状況が集計できない、といった「システムの間を人が埋める」作業は、既製ツールの標準連携だけでは解消しきれないことが多くあります。

動き方の例を挙げると、SFA上で案件が受注に変わった瞬間に、基幹システム側に受注データが自動で作成され、請求・納品の予定が起票され、担当者と管理部門に通知が届く、という流れです。受注のたびに営業事務が2つの画面を往復して転記していた作業が消え、転記ミスによる請求トラブルも起きなくなります。事業部ごとに分かれたSFAのデータを夜間に集約し、翌朝には全社のパイプラインが1つのダッシュボードで確認できる、という形も同じ構造で作れます。

受発注・在庫・請求を持つ基幹システムとSFAをAPIでつなぎ、商談から受注処理までのデータの流れを自動化する仕組みは、システム構成が会社ごとに違う以上、個別開発の領域になります。費用を左右する最大の変数は連携先の状態です。連携したいシステムにAPIが公開されていれば接続開発で済みますが、API非公開の古い基幹システムが相手だと、中間データベースを挟んで定期同期するなどの迂回設計が必要になり、規模が一段上がります。見積もり依頼の前に「つなぎたいシステムにAPIがあるか」を確認しておくだけで、費用のブレは大きく減ります。

3. 自社の受注パターンにもとづくスコアリング・失注掘り起こし

売上に最も近いのがこのパターンです。SFA各社の標準スコアリングは汎用的な行動データ（メール開封、Web閲覧など）を軸にしますが、実際の受注を左右する要因は会社ごとに違います。特定の業界・企業規模との相性、決裁構造による商談期間の違い、季節性、既存顧客からの紹介の有無。こうした自社固有の受注パターンを反映した優先順位付けは、自社の商談・受注データにもとづくモデルの構築、つまり個別開発が効く領域です。

失注案件の掘り起こしも同じ構造です。「失注理由が予算で、失注から半年経過し、その後Webサイトに再訪している企業」のような条件を自社の履歴データに当てて再アプローチ候補を毎週リストアップする仕組みは、SFAに眠っているデータを売上に変える打ち手になります。ファネルAi調査で失注掘り起こしの実施率が9.5%にとどまっていたのは、裏を返せば、ここに手を付けるだけで多くの競合より先に行けるということでもあります。
ただしデータ量の下限には注意が必要です。予測モデルは一般に、商談化の実績が100件以上、見込み顧客との接点データが1,000件以上あると精度が出やすいとされます（あくまで参考の目安です）。蓄積が浅い場合は、機械学習による予測ではなく、ルールベースの条件抽出から始めるのが現実的です。

3つのパターンに共通するのは、既製ツールを置き換えるのではなく、既製ツールの間や外側にある業務を埋めるという位置づけです。商談解析SaaSで貯めた商談データがスコアリングの材料になり、SFAの入力自動化が予測の精度を支える。既製ツールとカスタム開発は二者択一ではなく、データでつながる分業関係として設計すると、それぞれの投資が無駄になりません。

開発費用の目安

カスタム開発の費用は方式によって変わります。市場の一般的な相場観は次のとおりです。

全部をいきなり作る必要はありません。まず数十万円から数百万円規模の単機能で「自社データと接続したAI」の効果を確かめ、手応えのあった領域に投資を広げるのが定石です。また、初期費用に加えて、商材資料の更新への追随やモデルの精度検証といった保守・運用の費用が継続的にかかる点は、予算計画の段階から織り込んでください。

開発投資に進む前の3つの確認

開発費を投じるに値する業務かどうかは、次の3点を確かめれば概ね判断できます。

1. その業務は週に何回発生しているか：提案書作成やリードの選別のように毎週コンスタントに発生する業務ほど投資回収が早く、四半期に数回の業務なら人が対応するほうが合理的です
2. 導入済みSFA・ツールのAI機能やオプションで代替できないか：SFA標準のスコアリングや連携オプションで要件を満たせるなら開発は要りません。先にベンダーに確認し、標準機能との差分を明確にしてから判断します
3. 参照するデータは精度に耐える状態か：SFAの商談記録が空欄だらけならスコアリングは機能せず、商材資料が古いままなら提案生成も古い内容を返します。データ整備が必要なら、それ自体を計画の最初の工程に組み込みます

営業AI特有の論点：効率化を売上につなげる設計

切り分けと費用の次は、営業領域ならではの注意点です。他部門のAI化と違い、営業には「効率化した先に売上という明確なゴールがある」という特性があります。だからこそ、次の3点を設計に組み込むかどうかで結果が分かれます。

1. 浮いた時間の行き先を先に決める

議事録や資料作成が速くなっても、浮いた時間が別の事務作業に流れれば売上は変わりません。ファネルAi調査で57.0%が「仕組みやルールの欠如」を課題に挙げていたのは、この設計の不在を示しています。
実務的には、AI導入とセットで「浮いた時間を何に使うか」を数値目標にすることです。たとえば「資料作成の時間を週3時間削減し、その分で商談数を週2件増やす」のように、削減した工数の行き先を商談数・接触数という売上に近い指標で定義します。効果測定も「作業時間が減ったか」ではなく「商談数・受注率が動いたか」で行う。この一手間が、効率化止まりとの分岐点になります。

2. AIの精度はSFAの入力品質で決まる

スコアリングも失注掘り起こしも提案生成も、材料は自社のデータです。商談記録が「訪問した」の一行だけ、失注理由が未入力、企業属性が古いまま。この状態でAIを載せても、返ってくるのは根拠の薄い出力だけです。
順序としては、まず商談解析ツールやSFAの自動入力機能で記録が自然に貯まる仕組みを作り、データの質が上がってから判断支援の開発に進むのが堅実です。「作る仕事」の効率化が先、「判断する仕事」への投資が後、という本記事の順序には、データを貯める期間を確保するという意味もあります。

3. 顧客に出るものは人が最終確認する

生成AIは誤った内容をもっともらしく出力することがあります。社内向けの議事録なら訂正すれば済みますが、営業の場合、メール・提案書・見積もりはそのまま顧客に届きます。存在しない仕様をうたった提案書や誤った価格の見積もりは、受注機会の喪失だけでなく信頼問題に直結します。顧客に出る成果物は、金額・仕様・納期の3点を人が確認してから送るという運用ルールを、導入初日から徹底してください。
あわせて情報管理も基本を押さえます。顧客の名刺情報・商談内容・取引条件は営業が日常的に扱う機密です。入力データがAIの学習に使われない契約・設定になっているかを、ツール導入時にも開発時にも最初に確認します。個人向けの無料プランに顧客情報を入力する運用は避けてください。

導入の進め方：5つのステップ

営業AIの導入は、「作る仕事」から「判断する仕事」へと段階を踏むのが基本線です。次の5ステップをおすすめします。

1. 業務の棚卸しと「作る／判断」の仕分け：営業担当の1週間の業務を書き出し、作る仕事と判断する仕事に分類します。あわせて業務ごとの所要時間と、商談数・受注率などの現状値を記録しておきます。これが後の効果測定の基準線になります
2. 「作る仕事」に既製ツールを導入する：メール下書き・議事録・商談解析・提案資料の下書きから着手します。失敗の影響が小さく効果を体感しやすいうえ、商談解析やSFA自動入力は判断支援の材料になるデータを貯める工程を兼ねます
3. 効果を測り、AIが届いていない業務を特定する：削減できた時間と、商談数・受注率の変化を確認します。同時に、ツールを入れてもなお残る業務、たとえばリードの選別、失注案件の見直し、商材知識が要る提案作成を洗い出します。ここが自社固有の領域、つまり開発が効く候補です
4. PoC（概念実証）は社内向けの判断支援から：いきなり大きな基盤を作らず、たとえば過去の失注データから再アプローチ候補リストを生成する仕組みを小さく作り、現場の営業に「このリストは追う価値があるか」を評価してもらいます。出力を人が確認して使う形なので、精度が育ちきる前でも実務に載せられます
5. 本番開発と営業プロセスへの組み込み：PoCで手応えのあった仕組みを本番化し、週次の営業会議やSFAの画面といった既存の営業プロセスに組み込みます。仕組みが日々の動線の外にあると使われなくなるため、「毎週月曜にリストが届く」「SFAの案件画面にスコアが出る」という形まで作り込むのが定着の条件です

この進め方なら、各ステップの終わりに続行・中止を選び直せます。ステップ2の効率化で十分な成果が出たなら、そこで一度止まる判断もあり得ます。開発に進むのは、ツールでは埋まらない判断業務が実際に残り、その業務が売上に効く見込みを数字で説明できるときだけです。

期間の感覚としては、ステップ1〜3で1〜2ヶ月、PoCに1〜2ヶ月、本番開発は規模により数ヶ月、というのが一つの目安です。年度単位の大掛かりな計画にせず、四半期ごとに成果と次の一手を見直せる粒度で刻むと、営業環境の変化の速さにも追随できます。

体制面では2点。第一に、受注パターンや提案の勘所を知っているトップセールスやマネージャーに、要件整理の段階から入ってもらうことです。スコアリングの条件も提案の型も、材料は現場の頭の中にあります。第二に、SFAデータの品質に責任を持つ担当を決めることです。データが荒れれば、どんな仕組みも精度を保てません。
開発を外部に頼む場合は、SFA/CRMや基幹システムとのAPI連携の実績と、精度が想定に届かなかった場合の代替案まで提示できるかを確認するとよいでしょう。社内の一次窓口としてのRAG構築の考え方は社内問い合わせ対応AIチャットボットの記事でも整理しており、営業ナレッジの検索基盤を作る際の参考になります。

もう1点、判断支援の仕組みを現場に渡すときの見せ方も定着を左右します。スコアの数字だけを渡しても営業は動きません。なぜその案件が上位に来たのか、失注理由・経過期間・その後の再訪履歴といった理由を添えて提示すると、営業は自分の読みと突き合わせながら使えるようになります。「答えを出す機械」としてではなく「材料を揃えてくれる同僚」として紹介するのが、現場に受け入れられる近道です。

Swoooの業務AI化支援について

この記事を公開しているSwoooは、東証グロース上場の株式会社アイビスが運営する開発チームです。AI駆動開発とノーコードを組み合わせた受託開発により、業務システムを含む累計50件以上の開発を手がけてきました。営業領域でも「この業務はツールで足りるのか、開発すべきなのか」という切り分けの相談からお受けしています。既製ツールで済むと判断した場合はそうお伝えした上で、開発が効く領域に絞って提案します。支援内容の全体像は業務AI化支援のページにまとめています。

よくある質問

Q. 営業のAI化はどの業務から始めるのがよいですか？

商談の文字起こし・議事録と、メール・提案資料の下書きから始める形をおすすめします。いずれも「作る仕事」で、既製ツールがそのまま使え、失敗しても顧客への影響を人の確認で止められるためです。加えて商談解析ツールやSFAの自動入力は、後にスコアリングや失注掘り起こしを検討する際の材料となる商談データを貯める効果もあります。判断業務への投資は、このデータが貯まってからのほうが精度の面でも有利です。

Q. AIツールを導入したのに売上が変わりません。何が原因ですか？

多くの場合、活用が「作る仕事」の効率化で止まっていることが原因です。ファネルAiの2026年2月調査（103名対象）でも、AI利用者は71.8%いる一方、売上・受注への貢献を実感している回答は18.9%にとどまり、リードの優先順位付けや失注掘り起こしといった判断業務での活用は1割前後でした。打ち手は2つあります。効率化で浮いた時間の行き先を商談数などの指標で定義すること、そして売上に近い判断業務（誰に・いつ・何を売るか）へAIの適用範囲を広げることです。後者は自社の商談データとの接続が必要になるため、既製ツールの追加ではなく個別構築の検討領域になります。

Q. SFAに標準搭載されているAI機能と、カスタム開発は何が違うのですか？

参照できる判断材料の範囲が違います。SFA標準のスコアリングや予測機能は、そのSFAの中にある行動データ（メール開封・活動履歴など）を汎用的なロジックで評価します。多くの会社に当てはまる分、自社特有の要因、たとえば業界との相性や決裁構造による商談期間の違い、基幹システム側にある取引実績までは織り込めません。まず標準機能を試し、「予測が自社の実感と合わない」「見たい条件が設定できない」となった時点で、自社データにもとづく個別構築を検討する順序が合理的です。

Q. 商談データが少なくても、スコアリングや失注掘り起こしの仕組みは作れますか？

データ量に応じた作り方があります。機械学習による予測モデルは、一般に商談化実績100件以上・接点データ1,000件以上が精度の出やすい目安とされるため（参考値）、蓄積が浅い段階では不向きです。その場合は「失注理由が予算で、半年以上経過した案件を抽出する」のようなルールベースの条件抽出から始めれば、少ないデータでも実用になります。並行して商談解析ツールやSFA自動入力で記録の質と量を上げていき、データが育った段階で予測型に進化させる二段構えが現実的です。

Q. カスタム開発の費用と期間はどのくらいかかりますか？

市場の一般的な相場観では、メール・提案ドラフト生成のような単機能のLLM API活用が50万〜300万円、商材資料や過去提案を参照するRAG型が100万〜1,000万円、基幹システムとSFAをまたぐ統合やスコアリング基盤まで含むAIエージェント型が500万〜3,000万円です。期間の目安はPoCが1〜2ヶ月、本番開発が規模に応じて数ヶ月単位です。連携先システムのAPI有無とSFAデータの整備状況が費用を大きく左右するため、この2点を先に確認した上で概算を取ることをおすすめします。

まとめ：「作る」はツールへ、「判断」は自社データと共に

営業AI活用の要点を整理します。この章だけでも全体を振り返れるようにまとめました。

• 営業のAI利用は71.8%まで広がった一方、売上・受注への貢献実感は18.9%（ファネルAi「BtoB営業×AI活用 実態調査2026」・2026年2月・103名対象）。効率化の体感は約7割が持つ（BOXIL調査・389名対象）が、売上への貢献は別問題として設計する必要がある
• 営業業務は「作る仕事」（メール・議事録・提案資料・SFA入力）と「判断する仕事」（誰に・いつ・何を売るか）に分けて考える。前者は既製ツールが成熟しており、開発は不要
• 開発が効くのは、自社商材のロジックが絡む提案・見積もり生成、基幹システムと複数SFA/CRMをまたぐ連携、自社の受注パターンにもとづくスコアリング・失注掘り起こしの3パターン。費用相場はLLM API活用が50万〜300万円、RAGが100万〜1,000万円、AIエージェント型が500万〜3,000万円
• 売上に効かせる鍵は、浮いた時間の行き先を商談数などの指標で決めること、SFAの入力品質を先に整えること、顧客に出る成果物は金額・仕様・納期を人が確認すること
• 進め方は「棚卸し→作る仕事へのツール導入→効果測定→社内向けPoC→本番開発と営業プロセスへの組み込み」の5段階。判断業務への投資はデータが貯まってからが有利

営業AIでつまずく典型は、「作る仕事」の効率化で満足してしまい、売上を左右する「判断する仕事」に手を付けないまま終わることです。逆に言えば、失注掘り起こしやリードの優先順位付けにAIを使っている営業組織はまだ1割前後しかなく、ここに取り組むこと自体が競合との差になります。作る仕事は既製ツールに任せて商談の時間とデータを増やし、自社にしかない受注パターンを判断支援の仕組みに変えていく。この順番で進めれば、AI投資は効率化で終わらず売上の数字に届きます。自社の業務がどちらの領域か迷う場合は、切り分けの段階からお気軽にご相談ください。

シリーズの他の記事：経理編／人事編／総務編／法務編／カスタマーサポート編。あわせて読む：社内問い合わせ対応AIチャットボットの作り方／業務AI化支援