顧客接点を担う3業務——営業、マーケティング、カスタマーサポート——は、AI活用が最も先行して進む領域である。共通する理由は3つある。第一に、効果が比較的測定しやすい（商談獲得率、CV率、応答時間）。第二に、扱う情報の多くがテキスト・対話形式で、生成AIの得意領域と相性が良い。第三に、競合との差別化が業績に直結するため、投資判断が早い。

本稿では、3業務それぞれの主要ユースケースを業界データとともに整理し、最後に「3業務を統合して見たときに初めて見える価値」を論じる。導入の前提となる組織体制についてはAI Center of Excellence (CoE) の組成と運用、ROIの測り方はAI ROIの測定方法を併せて参照されたい。

第1部 / 営業のAI活用

営業現場の構造的な課題

営業職の生産性議論で繰り返し言及されるのが、「営業担当者が顧客対話に充てている時間は週業務時間の30%程度に留まり、残り70%は資料作成・データ入力・社内調整といった非コア業務に費やされている」 という指摘である（Salesforce 等の調査）。AI活用の主目的は、この 70%の業務を圧縮し、顧客対話時間を増やす ことにある。

この「非コア業務を圧縮して顧客対話へ振り向ける」という発想こそ、AI活用の本質である引き算→再配置の典型だ。ツールを足すことが目的ではなく、ヒトがやる必要のない工数を引き算し、空いた時間を価値ある仕事へ再配置する――その全体像はAIは足し算より引き算 ── 工数を見極めて再配置するで論じている。

業界では、AI導入によって資料作成・データ入力などの定型業務の時間が大きく削減され、適切なターゲティングと提案最適化で成約率の改善が期待できると語られている。米国の調査でも、AIを使う営業チームは使わないチームに比べて収益増を実現する可能性が 約1.3倍高い とされる。

ただし、これらは業界平均値であり、自社で同じ効果が出るとは限らない。業務特性と現状の課題に合った領域を選定 することが、ROIを実現する前提条件となる。

どの工数を引き算するか

先に挙げた「非コア70%」をいきなり全部AIに置き換えるのは現実的でない。実務では、定型度が高く失敗してもリカバリーしやすい工数から順に引き算していくのが定石になる。

その起点になりやすいのが商談メモと議事録の作成だ。商談を録音し、生成AIで文字起こし・要約・次アクションの抽出までを自動化すれば、営業担当者が議事録に費やしていた時間はほぼゼロまで圧縮できる。Zoom・Microsoft Teams・Google Meet といった会議プラットフォームが標準機能として組み込みつつあり、tl;dv や Fireflies などの専用ツールも成熟しているため、追加投資が小さく効果が見えやすい。まずここで「AIに任せても回る」という現場の実感を作ることが、後続の導入をやりやすくする。

次の段は、提案資料やメール文面の作成支援である。顧客情報・過去案件・社内ナレッジを参照させて提案ドラフトや顧客向けメールを生成するもので、RAGを組み合わせれば社内の過去成功事例を踏まえた提案が可能になる。ここで効くのは「白紙から書く時間」の削減だ。たたき台が数分で出れば、営業担当者は文章を書く作業から、何を訴求するかを考える作業へと時間を移せる。

さらに踏み込むと、リードスコアリングと商談確度予測のように判断そのものをAIが補助する領域に入る。過去の商談データから成約しやすい顧客特性を学習させ、新しいリードに優先度を付ける使い方で、Salesforce Einstein や HubSpot AI など CRM内蔵のAI機能で実装できる。ただしここは前段までと性質が違い、入力されている商談データの質がそのまま予測の質を決める。SFAへの入力が形骸化している組織では、スコアが当てにならず現場の信頼を失う。

最も新しい潮流は、ウェブサイトからの問い合わせや SDR（Sales Development Representative）的な役割をAIエージェントが担うパターンで、2025年以降に増加している。ここで成否を分けるのは自動化の徹底度ではなく、むしろ人間の営業担当へどう引き継ぐかの設計である。完全自動を狙うほど、エージェントが扱いきれない案件で顧客体験が崩れる。確度の高い見込み客ほど早く人間に渡す、という線引きを先に決めておく方が成果につながりやすい。

入れても使われない、をどう避けるか

営業領域のAI活用でほぼ必ず直面するのは、「ツールを入れたが営業担当者が使わない」 という現場抵抗だ。これは新ツールが既存の営業プロセス（SFA入力、レポーティング、社内承認）から切り離されて存在しているときに起きる。営業担当者にとっては、商談を取って数字を作ることが評価の本筋であり、それと地続きでない作業は後回しにされる。だからこそ引き算する工数は、営業担当者自身の手間が減る実感を伴うものから選ぶべきで、管理側の都合だけで入れたツールは定着しない。詳細はAI定着失敗の典型7パターンを参照されたい。

第2部 / マーケティングのAI活用

マーケターのAIシフトは急速

マーケティング業務のAI浸透は、2024年に大きな転換点を迎えた。全マーケターの74%が業務で少なくとも1つのAIツールを使っており、前年（2023年）の35%から倍増 している（HubSpot 2024年調査）。日本のマーケターのあいだでも、生成AIの業務活用は急速に広がっている。

特に活用が進むのは、議事録作成、データ分析・消費者インサイト、マーケティングコンテンツの文言作成といった領域である。これは「クリエイティブ系AI」というイメージを超えて、情報処理全般 にAIが浸透していることを示す。

制作の効率化から、データの読み解きへ

マーケティングのAI活用は、最も目につくコンテンツ制作の効率化から語られることが多い。ブログ記事、SNS投稿、広告コピー、メルマガといった各種コンテンツの初稿生成で、制作工数80%削減 という事例も報告される。ただしこの数字は初稿の生成までの話であって、公開可能な品質に持っていく工程まで含めた削減率ではない。完全自動を狙うほどブランドトーンの崩れや事実誤認が表に出るため、人手レビューを前提に「初稿を速く出す道具」と割り切る方が再現性が高い。

制作と並んで効果が出やすいのが SEO・SEM の高度化だ。キーワードリサーチ、競合分析、メタデータ最適化、コンテンツ構成の作成にAIを使う領域で、ここ数年で性質が変わりつつある。検索エンジン側で AI Overviews（生成AIによる検索結果要約）が広がったことで、SEO戦略の前提が「人間が読むコンテンツ」から「AIが解釈・引用するコンテンツ」へと移りつつあり、何を最適化対象に置くかの考え方自体が更新を迫られている。

より上流に行くと、データを読み解く使い方が出てくる。パーソナライズドマーケティングは、顧客行動データ・属性データを基にAIが個別最適化された訴求を生成するもので、AIパーソナライズメールでコンバージョン率が大きく向上した という事例も報じられる。ただしこれは導入企業・業種・施策設計が揃った場合の結果であり、十分なファーストパーティデータが整備されていることが前提になる。データが薄いまま個別最適化を狙っても、的外れな訴求を量産するだけに終わりやすい。同じくデータ起点の使い方として、顧客レビュー・SNS・コールセンター記録などの非構造化データから顧客セグメントの特徴やジャーニーパターンを抽出するペルソナ分析がある。従来は調査会社に外注していた業務を内製で高速に回せるようになる点が大きい。

実行面では、広告クリエイティブの大量生成とA/Bテストが定着しつつある。複数バリエーションの広告画像・コピーをAIで生成し、A/Bテストでパフォーマンスを評価する流れで、Meta・Google の広告プラットフォーム自体がこの仕組みを内蔵しているため、運用効率が一段上がっている。先述の上位活用領域が議事録・データ分析・文言作成だったことと併せて読むと、マーケティングにおけるAIは「クリエイティブを作る道具」というより、制作からデータ分析、運用までを薄く広く下支えする情報処理の基盤になりつつあると見た方が実態に近い。

量産できる、という誤解の所在

「AIがあれば品質の高いコンテンツが量産できる」という前提は、多くのケースで現実と乖離する。AI生成コンテンツは 「素材」 としては高品質だが、ブランドトーン、業界固有の文脈、検証された事実性まで含めて評価すると、人間の編集・監修工程は依然として中核に残る。素材の生成が速くなるほど、むしろ編集者の判断にかかる比重が相対的に上がる、というのが現場で起きていることだ。

この構図は検索評価の変化とも噛み合う。Googleの Helpful Content Update（HCU）以降、AI生成丸出しの薄いコンテンツは検索結果から外される傾向 が強まっており、量で押す戦略はリスクになった。AI活用は「人間の編集者の生産性を上げる道具」として位置づけ、空いた時間を企画・検証といった人にしか出せない価値へ振り向けるのが現実的である。これも営業と同じく、引き算した工数をどこへ再配置するかが問われる構図だ。

第3部 / カスタマーサポートのAI活用

市場と技術の急速な進展

カスタマーサポート領域は、AIチャットボットの導入が長く進んでいた分野だが、2024〜2025年に生成AIの登場で構造的な変化が起きた。矢野経済研究所の調査では、ビジネスチャット／対話型AI関連の市場は今後も拡大が続く見込みである。

技術面では、定型応答中心の従来チャットボットから、文脈理解・自律的判断ができる 「AIエージェント型カスタマーサポート」 へと移行している。ある導入事例では、月間平均2,500件の問い合わせを処理し、返答率99%以上 を達成したと報じられる。

自動化と担当者支援、二つの方向

カスタマーサポートのAI活用は、大きく分けて「人の対応を置き換える方向」と「人の対応を強化する方向」の二つで考えると整理しやすい。

置き換える方向の代表が、1次対応の自動化である。FAQや既知の問い合わせをAIエージェントが自律的に回答するもので、RAGで自社のヘルプドキュメントや過去対応履歴を参照させると回答精度が大きく上がる。ここで効果を左右するのは、AIモデルの性能よりも参照させるナレッジの質だ。そのため、FAQ・トラブルシューティング・製品ドキュメントを構造化してAIが検索しやすい形に整えるナレッジRAGの整備は、自動化と切り離せない前段作業になる。むしろこれ自体が独立したプロジェクトとして工数を要する点を、導入前に織り込んでおく必要がある。同じく置き換え寄りなのが、問い合わせ内容を理解して最適な部門・担当者に振り分ける自動分類・ルーティングで、優先度判定やSLA管理も併せて自動化できる。

一方、人の対応を強化する方向の中心が、担当者支援（Co-pilot型）だ。オペレーターと顧客の会話をAIがリアルタイムで監視し、次に提示すべき回答候補を画面に表示する使い方で、完全自動化ではなく人間の判断速度と品質を引き上げることに目的がある。特に新人オペレーターの立ち上がり期間が短縮されやすく、属人化していたベテランの勘どころを組織に広げる効果がある。マネジメント側を支援する使い方としては、AIが対応ログを分析し、品質のバラつきや顧客満足度低下の兆候、再発する問題を可視化する品質モニタリングがある。従来マネージャーが抜き取りで監査していた業務を全件カバレッジに引き上げられる点が、人手のサンプリングとの本質的な違いだ。

どちらの方向を先に進めるかは、業務の成熟度で決まる。問い合わせ内容のばらつきが大きく自動回答の精度が読めない段階では、まず担当者支援から入り、対応ログという形でナレッジを溜めながら自動化の射程を広げていく順序が現実的である。

顧客に直接返す業務ゆえのハルシネーション対策

他の2業務と決定的に違うのは、カスタマーサポートが 「顧客に直接情報を返す」 業務だという点だ。営業の提案ドラフトやマーケのコンテンツ初稿は人間のレビューを経て世に出るが、CSの1次対応は誤った内容がそのまま顧客に届きうる。だからこそ、生成AIのハルシネーション（誤った情報の生成）は致命的リスク になる。最新のCS向けAIエージェントはハルシネーション対策が強化されているが、それでも完全に防げるわけではない、という前提に立って設計する必要がある。

実装の勘どころは、AIに「分からないことを分からないと言わせる」ことに尽きる。ナレッジベースに存在しない情報については、もっともらしく作文させるのではなく明示的に「分からない」と返すプロンプト設計を組み、そこから先は人間担当者へエスカレーションする基準をあらかじめ決めておく。どこまでをAIに任せ、どこからを人に渡すかの線引きが曖昧なまま運用すると、最も慎重に扱うべき問い合わせをAIが抱え込んでしまう。あわせて、全応答ログを記録してサンプリングでレビューする体制と、誤回答が発生したときに原因を辿って修正・再学習につなげるプロセスを回せて初めて、致命的リスクを許容範囲に抑えられる。これらは一度作って終わりではなく、運用しながら継続的に締め直す性質のものだ。カスタマーサポートに限らず、業務AIエージェント全般の設計論はAIエージェント業務導入の設計論で扱う。

第4部 / 3業務を統合して見たとき初めて見える価値

ここまで3業務それぞれのAI活用を見てきたが、3業務を分断したまま個別最適化すると、最大の価値を取り逃がす。

顧客データの統合が前提条件

営業・マーケ・CSは、すべて 同じ顧客 とのコミュニケーションを担う。だが多くの企業では、各業務のデータが別々のシステム（SFA、MA、CRM、コンタクトセンターシステム）に分散している。AIで何かを最適化しようとしても、自分の部署のデータしか見られない 状態では効果が限定的になる。

価値を最大化する前提条件は、Customer Data Platform（CDP）的なデータ統合 である。各業務のデータを統合した上で、AIが顧客の 全体的なジャーニー を理解できる状態を作る。これは技術プロジェクトではなく、組織横断のガバナンスプロジェクトになる。

業務横断で初めて成立する使い方

データが統合されると、単一業務のなかでは成立しなかった使い方が見えてくる。たとえば、CSに寄せられた問い合わせ内容をAIが分析してアップセル機会を営業に通知できれば、これまで埋もれていた営業機会がサポート部門から流れ込む。逆方向にも価値があり、新しいマーケティングキャンペーンによって増えるであろう問い合わせ種別をAIが予測すれば、CSは波が来る前に体制を整えられる。

営業とマーケの間でも同じことが起きる。失注理由をAIが分析してマーケのターゲティングに反映できれば、商談の現場で得た学びがマーケのペルソナ精緻化に環流する。そして接点全体のデータからAIが顧客LTVを推定できれば、どの顧客にどれだけのリソースを割くかを部署単位ではなく企業単位で最適化できる。

いずれも、自分の部署のデータしか見ていない状態では到達しない使い方であり、ここまで来て初めて、3業務それぞれの効率化を足し合わせた以上の価値が立ち上がる。これが、データ統合を「あった方がよい」ではなく「業務横断のAI活用の前提条件」と位置づける理由である。

組織的な障壁

ただし、データ統合と業務横断展開は、組織の縦割り という典型的な障壁にぶつかる。各部署が自部署のKPIで評価される構造のままでは、他部署にデータを差し出すインセンティブが働かない。むしろデータを抱え込むことが部署の交渉力になっている場合すらある。

これを動かすには、まず部署間の利害調整を担える経営層の関与が欠かせない。横断のデータ共有は現場同士の善意では進まず、評価構造そのものに手を入れられる立場の人間が旗を振って初めて動く。あわせて、顧客LTVや顧客満足度のように3業務に共通する指標を設計し、各部署が自部署最適を追っても全体最適に近づく状態を作る必要がある。そして、こうした横断の取り組みを継続的に回す主体として、専任の推進組織を置くと安定する。組織の置き方はAI Center of Excellence (CoE) の組成と運用で詳述している。

どこから始めるか — 着手業務の選び方

3業務すべてに同時に手を付けるのは現実的でない。最初に着手する業務を選ぶとき、三つの軸が判断の助けになる。

ひとつは、課題の大きさだ。人材不足が深刻なCSや、提案品質に課題を抱える営業のように、痛みが大きい業務ほど成果が見えやすく、現場の協力も得やすい。ふたつめは、データの整備状況である。CRMが既に整っている、コンタクト履歴がデジタル化されているといった業務は、AIが参照できる材料が揃っているぶん立ち上がりが速い。逆に、課題は大きいがデータが紙やExcelに散っている業務を最初に選ぶと、整備だけで疲弊して成果に届かないことがある。みっつめは、経営層の関心だ。スポンサーシップが得られる業務は予算と部署間調整の両面で進めやすい。

実務では、これら三つが一致する業務は多くない。課題は大きいがデータが弱い、データは揃っているが経営の関心が薄い、といったトレードオフが常に存在する。その場合は「短期で目に見える成果を出せるか」を優先軸に置き、まず1業務で成功事例を作ってから残り2業務へ展開していくのが、PoC止まりを回避する定石になる（詳細はAI PoC止まり脱出フレームワーク）。最初から全業務を狙うほど、どこからも成果が出ないまま予算が尽きるリスクが高まる。

まとめ

営業・マーケティング・カスタマーサポートの3業務は、いずれもAI活用の主戦場である。それぞれ独自のユースケースと留意点を持つが、通底する論点はいくつかに集約できる。

第一に、業界調査が示す効果数値——資料作成20-40%削減やCV向上といった数字——は前提条件次第であり、自社で再現できるかは別問題だということ。第二に、3業務に共通して、AIは「人間の編集・判断を強化する道具」として機能し、完全自動化が成立するのは限定的なケースに留まるということ。第三に、ツールの選定よりも、データの整備とガバナンスがAI活用の成否を分けるという順序関係。そして第四に、これら3業務を分断したまま個別最適化するのではなく、統合して初めて企業全体の競争優位になるという構図である。

裏を返せば、顧客接点のAI活用とは、各業務でヒトがやる必要のない工数を見極めて引き算し、空いた時間を顧客対話や企画・検証といった人にしか出せない価値へ再配置する取り組みにほかならない。その全体像はAIは足し算より引き算 ── 工数を見極めて再配置するで論じている。AX Boostでは、こうした業務横断のAI戦略策定から実装・定着までを、FDE型コンサルティング で一気通貫に支援している。詳細はFDE型コンサルティング完全解説を参照されたい。

主要参照ソース

本稿で引用した主要な統計・調査・公的文書の一次ソースは以下のとおり。

関連記事: