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。
「トップ営業がいなくなったら数字が崩れる」「AIの議事録ツールを入れたのに、成績のばらつきは変わらない」。多くの営業組織が抱えるこの悩みは、AIツールの導入そのものでは解消しない。原因は、AIが記録・要約・提案という「作業」は代替できても、成果を左右する「判断」と「型」は誰かが言語化して仕組みに落とし込まない限り再現できないことにある。本記事では、営業の属人化がなぜAI導入だけでは解消しないのか、そして商談解析AIやトーク生成AIを「型化と計測」のKPI運用に接続することで、属人化を構造的に解消する方法を解説する。
AIが「入れただけ」で終わる3つの原因
多くの現場で「AIを導入したのに属人化が変わらない」という結果に終わるのには、共通した理由がある。
- 原因1：AIが出す情報が多すぎて、現場が整理しきれない。商談解析AIは全商談を文字起こし・要約してくれるが、その量は膨大だ。「このトップ営業の商談と、平均的な商談で具体的に何が違うのか」を一段掘り下げて抽出し、1つの型に集約するのは人間にしかできない仕事であり、AIはそこまではやってくれない。要約やレポートが積み上がるだけで誰も見返さなくなれば、AIは高性能な“記録係”で終わる。
- 原因2：ツール導入と評価制度が接続されていない。AIが「推奨トーク」や「次のアクション」を提示しても、評価が相変わらず結果（受注数・売上）だけで行われていれば、現場はAIの提案を無視して自己流を続ける。行動を評価に組み込まなければ定着しない。
- 原因3：効果を測るKPIがない。「AIを導入した」という事実だけが社内で共有され、「AIが提示したトークをどれだけ実行したか」「型化した手順がどれだけ守られているか」を追う指標がなければ、数ヶ月後には「結局使われていない」という状態に戻る。
この3つに共通するのは、AIを「作業の代替」としてしか使っておらず、「型化と計測」というKPI運用に組み込んでいない構造だ。ここを直すのが3層フレームである。
3層フレームで設計する
属人化解消は、最終成果（KGI）→ 遅れて表れる結果（中間KPI）→ 今日動かせる行動（先行KPI）の3層で設計し、AIをどの層に組み込むかを明確にする。
| 層 | 役割 | 指標例 | AIの役割 |
|---|---|---|---|
| KGI（最終成果） | 組織全体の成果を測る | 営業一人あたり売上のばらつき（標準偏差）／全社受注率 | 直接は関与しない。結果の遅行指標 |
| 中間KPI（遅行） | 属人化が解消したかを示す | 担当者別受注率の分散／トップと平均の受注率格差 | 商談データを分析し、格差の所在を可視化する |
| 先行KPI（行動） | 今日の行動で動かせる | 標準トーク実施率／AI推奨アクションの実施率／SOP準拠率 | 商談を解析し、標準トークとの乖離を検知・通知する |
重要なのは、AIは先行KPIを「計測」する道具として使うという点だ。AIに「型」を作らせるのではなく、人間（多くの場合はマネージャーやトップ営業自身）が上位者の型を言語化し、AIはその実行率を日次で計測・通知する役割に徹する。この順番を逆にすると、AIが平均的な会話パターンを増幅するだけの道具になり、属人化はむしろ固定化する。
主要KPIとAI活用ポイント
| KPI | 種別 | ベンチマーク目安 | AIでどう変わるか |
|---|---|---|---|
| 担当者別受注率の格差（上位/平均） | 遅行 | 1.5〜2倍以内に収める | 商談解析AIで格差の要因（質問設計・クロージング等）を特定 |
| 標準トーク実施率 | 先行 | 80%以上 | 商談録音から実施有無を自動判定 |
| SOP（標準手順）準拠率 | 先行 | 90%以上 | チェックリストとの照合を自動化 |
| ナレッジ共有件数（型化した知見） | 先行 | 月4件以上／チーム | 商談の要点をAIが自動要約し共有を省力化 |
| 新人の立ち上がり期間 | 遅行 | 3ヶ月以内に平均水準へ | AIロープレで型の習得速度を計測 |
| AI推奨アクションの実施率 | 先行 | 70%以上 | 提示するだけでなく実施率を追い評価に接続 |
指標は多く挙げたが、現場が毎日追うのは中間1〜2つ＋先行2〜3つに絞る。全部を並べた瞬間に、どれも見られなくなる。
KSFは「比較」から見つける
属人化解消の成功要因（KSF）は、机上の逆算ではなく、トップ営業と平均的な営業の商談データの差分から見つけるのが確実だ。ただし、ここでAI任せにしてはいけない。商談解析AIは大量の商談を書き起こし・要約し、比較の材料は用意してくれる。しかし「この差の中で、本質的に何が勝敗を分けているのか」を一段抽象化し、1つの型として言語化するのは、マネージャーやコンサルタントなど人間の仕事だ。AIの要約をうのみにして“それっぽい傾向”を並べただけでは、現場は情報量に圧倒されて何を真似ればいいか分からなくなる。多くの現場では、この人間による抽出作業を経ると、「質問の深さ（ヒアリングの掘り下げ回数）」と「初回接触からクロージングまでの筋道の一貫性」といった、数個の絞り込まれた型に収束する。KSFは勘で決めるものでも、AIに丸投げするものでもない。AIが提示した比較材料を、人間が解釈し抽出して初めてつかめるものだ。さらに、抽出した差分がそのままKSFになるとは限らない。「これは全員が実行できる型か、それとも特定の担当者の経験や人間関係、センスに依存していて再現できないものか」を判断するのも、人間の仕事だ。この実行可能性の判断を飛ばして型化を急ぐと、現場は「言われても真似できない」型を渡され、結局実行率が上がらない。