本記事は50社以上の成長支援を手がけるKPIコンサル・岩田圭弘が解説します。
「生成AIを営業に入れたのに、数字が変わらない」。この声を、私はこの1年で何度も聞いてきた。議事録AI、商談解析AI、メール生成AI——ツールは着実に増えた。それでも、売れる営業と売れない営業の差は縮まらず、受注率も横ばいのままだ。
原因はシンプルだ。AIは「作業」を速くするが、「仕組み」はつくらない。売れる仕組みをつくるのは、AIの出力を型化し、KPIに接続する人間の仕事である。本記事では、営業のAI活用を「AI×KPI」の全体像として整理し、どこから手をつければ成果につながるかを地図として示す。個別テーマは、それぞれの専門記事に接続する構成とした。
AIが「入れただけ」で終わる3つの原因
AI導入が成果に結びつかない現場には、共通した3つのパターンがある。
1. ツール導入が目的化する
「AIを導入した」こと自体がゴールになり、何をどう変えるかが設計されていない。導入の翌月には、一部の熱心な営業だけが使い、大半は元のやり方に戻る。
2. 属人ノウハウをAIに渡していない
AIに一般的なテンプレートを書かせても、出てくるのは「平均的な営業」の型でしかない。自社のトップ営業が何をしているのかを言語化してAIに渡さなければ、AIは平均を再生産するだけだ。
3. 情報過多で現場が消化しきれない
これが最も見落とされる原因だ。商談解析AIやリサーチAIは、大量の要約・示唆・スコアを出力できる。だが誰もそれを見返さず、整理もされないまま積み上がっていく。AIの出力が増えるほど、現場は「何を見て、何を真似ればいいのか」がわからなくなる。情報が増えることと、行動が変わることは別物だ。
この3つに共通するのは、「測るKPIがない」という一点だ。AIで何を変え、その結果を何で測るかが決まっていないから、導入が成果に接続しない。
営業のAI活用を「3層フレーム」で設計する
AIをどこに組み込むかは、営業のKPIを3層に分けて考えると整理できる。KGI（最終成果）→中間KPI（遅れて表れる結果）→先行KPI（今日動かせる行動）の順に、AIが支援できる領域は異なる。
| 層 | 指標の例 | 性質 | AIが支援する作業 |
|---|---|---|---|
| KGI（最終） | 売上・受注金額・粗利 | 結果。直接は動かせない | 予測・着地見込みのシミュレーション |
| 中間KPI（遅行） | 受注率・案件化率・平均単価 | 数週間〜数か月遅れて動く | フェーズ別転換率の集計・詰まり箇所の可視化 |
| 先行KPI（行動） | 商談数・アプローチ数・準備時間・トーク実行率 | 今日の行動で動かせる | 定型作業の代替・データ入力・下書き生成 |
ポイントは、AIが最も価値を出すのは「先行KPI層の作業代替」だという点だ。議事録・データ入力・メール下書きといった行動レベルの作業をAIが巻き取り、営業は空いた時間を「先行KPIを増やす行動」に再配分する。この再配分を設計せずにAIを入れると、浮いた時間は雑務に吸収されて消えていく。
中間KPI層では、AIは「詰まりの可視化」まではできるが、「なぜ詰まっているのか」の解釈と打ち手の判断は人間の仕事だ。KGI層の予測も、精度を過信せず「見込みの参考値」として扱う姿勢が要る。
主要KPIとAI活用ポイント
営業の主要KPIごとに、先行/遅行の別と「AIでどう変わるか」を整理する。
| KPI | 種別 | AIでどう変わるか |
|---|---|---|
| アプローチ数 | 先行 | リスト作成・初回文面の下書きを自動化し、量を確保しやすくする |
| 商談準備時間 | 先行 | 企業リサーチ・想定質問の生成を代替し、準備の質を底上げ |
| トーク実行率（型の遵守率） | 先行 | 商談解析で「決めた型が実行されたか」を可視化 |
| 商談数 | 先行 | 日程調整・フォロー漏れ検知を自動化し、機会損失を減らす |
| フェーズ別転換率 | 遅行 | フェーズごとの離脱を集計し、詰まり箇所を特定する材料を提供 |
| 受注率 | 遅行 | 失注要因のパターンを抽出（解釈と対策は人間） |
| 平均単価 | 遅行 | 過去案件から値引き傾向・アップセル余地を分析 |
| 案件化率（IS） | 遅行 | リードスコアリングで優先順位づけを支援 |
どの指標でも、AIの役割は「材料を大量に用意すること」であり、その材料から何を読み取り、どう行動を変えるかは人間が決める。この境界を曖昧にすると、次のKSFの発見でつまずく。
KSFは「AI」ではなく「人間の比較」から見つける
成果を左右する要因（KSF）は、目標から逆算して机上で決めるものではない。トップ営業と平均的な営業の「差分」から発見するものだ。そして、この差分を見つける工程では、AIと人間の役割を厳密に分けなければならない。
- AIは比較材料・データを大量に用意する。 商談解析AIが、トップ営業と平均的な営業の商談ログ・トーク・行動データを並べて出力する。ここまではAIの仕事だ。
- 人間が、その中から本質的な違い（KSF候補）を抽出し、型として言語化する。 「トップは初回商談で必ず予算の意思決定プロセスを確認している」といった一段抽象化した違いを見抜き、1つの型に落とすのは、マネージャーやコンサルタントなど人間にしかできない仕事だ。AIは大量の要約を出せるが、「何が本質的な差なのか」を判断することはできない。
- 人間が、その型が全員に実行可能かを判断する。 抽出したKSF候補が、誰でも再現できる型なのか、それとも特定の担当者の経験・人間関係・センスに依存していて再現できないものなのかを見極める。この実行可能性の判断も、AIには任せられない人間の仕事である。
AIに差分を見つけさせる、AIにKSFを決めさせる——この使い方は必ず失敗する。AIの出力を鵜呑みにせず、人間が抽出・言語化・実行可能性判断の3工程を担う。ここを外注してはいけない。