顧客の声の分析が偏る原因とPoth|反証まで出させる判断

顧客の声の分析が偏る原因とPoth|反証まで出させる判断

「顧客の声を全部まとめてAIに聞いたら、こちらが考えていた施策を後押しする答えばかり返ってきた」「要約はもっともらしいが、その根拠がどの顧客のどの発言なのか、会議で聞かれても答えられない」——顧客の声を企画や投資の判断に使おうとしている製品企画・マーケ・カスタマーサクセスの担当から、最近とくに増えている声です。問題は、AIの要約の精度ではありません。問いの立て方と、データの偏りと、出典を開かない習慣が重なると、AIは自分の仮説を映す鏡になります。この記事では、米国の Poth Labs が2026年7月に公開した Ask Poth を手がかりに、顧客の声の分析が偏る原因と、裏付けと反証の両方を出させる仕組みをどこまで信じてよいか、出典に戻る手順、AIが顧客に聞きに行く範囲と承認、データを1か所に集めるときの権限と個人情報、費用と止め方を整理します。画面の操作や料金の一覧は扱いません。


カメ先生カメ先生

顧客の声をまとめてAIに聞けば、偏りのない答えが出ると思われがちなんだ。でも本当は、聞き方とデータの集まり方の偏りを、AIはそのまま答えに映してしまうんだよ。


カメ子カメ子

AIが中立なのではなくて、入れたものと聞いたことの偏りが、そのまま出てくるということですか。


カメ先生カメ先生

そう。だから Poth のように、裏付けと一緒に反証も出す、足りない情報も書く、という作りには意味がある。ただ、それで偏りが消えるわけではなくて、人が出典に戻って確かめる段取りが要るんだ。


カメ子カメ子

反証が出る道具を入れることと、判断の根拠として使えることは、別の話なんですね。


この記事のポイント
  • Ask Poth は、通話・問い合わせ・CRM・利用データを顧客ごとに結び、問いへの裏付けと反証を出典付きで返し、足りなければ顧客に聞きに行く仕組み
  • 顧客の声の分析が偏るのは、問いに答えの向きが入る、量の多い層が全体に見える、出典を開かない、データにない問いにも答えが返る、の四つが重なるから
  • 企画・投資の根拠にするなら、出典の確認・層ごとの分割・顧客への接触の承認・社外に出るものの確認を人が持ち、AIに結論を決めさせない

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

目次

Pothとは:散らばった顧客データを結び、裏付けと反証を返す基盤

Poth Labs は米国のアクセラレーター YC の支援を受けた新しい会社で、公式サイトは自社を「顧客データの診断の層」と説明しています。売り物は、商談の通話、問い合わせの履歴、CRM のメモ、アンケート、インタビュー、製品の利用データといった、ふだんは別々のツールに散らばっている顧客の情報を、顧客・アカウント・利用者・機能ごとに結んだ「顧客の知識グラフ」です。そのうえで「この機能はなぜ使われていないのか」のような問いを普通の文章で投げると、答えを返します。

YC の紹介ページで名前が挙がっている連携先には、問い合わせ管理、会議の記録、製品の利用分析のツールに加え、HubSpot・Slack・Notion があります。公式トップのロゴには Zoom・Gmail・Zendesk・Salesforce・Intercom・Jira・Snowflake・Shopify・Gong なども並びます。同じ顧客が、利用分析のツールでは利用者番号、会議の記録では会社名、という別々の形で現れるのを、同じ顧客に寄せてつなぐのが基盤の中心だと説明されています。

この記事で注目するのは、答えの返し方です。公式の説明では、Ask Poth は一般的な要約ではなく、問いを支える証拠と、問いに反する証拠の両方を示し、元の出典を引用し、足りない情報が何かを書くとしています。さらに、手元のデータで答えが決まらないときは、AIが質問を変えながら聞く対話型のインタビューやアンケートを顧客に出して、足りない証拠を取りに行けると説明しています。なお「Poth」という名の別の会社や商品も存在するため、検討の際は この記事で扱う米国の Poth Labs の製品であることを、公式サイトで確かめてください。

2026年の動き:仮説を検証する調査基盤から、何でも聞ける窓口へ

Poth Labs が YC で最初に打ち出したのは、「自社のデータから仮説を作り、インタビューで検証する」顧客調査の基盤でした。解約、使い始めの段階での離脱、購入手続きの途中離脱といった利用者の行動の理由を、データから仮説として挙げ、相手の答えに合わせて質問を変える対話型のインタビューで確かめる、という作りです。共同創業者のマシュー・ウォン氏は、データ分析の大手で顧客の現場に入り込むエンジニアを務めていたと紹介されています。

2026年7月、同社は YC の新製品紹介のページで Ask Poth を公開し、7月末には新製品の投稿サイトのプロダクトハントにも掲載しました。紹介文では、仮説を作って検証する道具から、顧客について何でも問える知識グラフへ軸足を移したと説明しています。挙げている用途は、新しい課題の発見、定着と拡大、解約と危険の兆し、商談の勝ち負けの分析、顧客との打ち合わせ前の準備の五つです。

会社としてはまだ初期の段階にあります。公式サイトには、導入しているチームとして新興企業の名前がいくつか挙がっている程度で、成果の数値や大企業の事例は示されていません。今回確認した範囲では、買収や社名変更の報道はありません。日本語の情報や国内の導入事例はほとんど見当たらず、日本語の通話やアンケートをどこまで正しく扱えるかも公式には書かれていないため、試すなら英語圏の顧客のデータか、小さな範囲の日本語データで確かめる段取りになります。

課題:顧客データにAIで問うと、なぜ答えが都合よく見えるのか

顧客の声を1か所に集める、分類する、起票につなげる、といった工程の話は、すでに多く語られています。ここで扱うのはその先の、集めた顧客の声にAIで問い、その答えを企画や投資の判断の根拠にしてよいかという問題です。新機能に開発の人員を割くか、価格を変えるか、ある業種向けの営業を強めるか、といった判断の資料に「顧客の声によれば」と書くとき、その根拠がどこまで確かかが問われます。

典型的な失敗はこうです。新機能を推したい担当者が「顧客はこの機能を求めているか」とAIに聞き、要望を述べた発言の要約が返ってくる。それが会議資料に載り、投資が決まる。ところが後で調べると、要望を出していたのは声の大きい数社で、多くの顧客は別の不満で離れていた。AIは嘘をついていません。聞かれたことに、手元にある材料で答えただけです。偏りは、問いとデータと読み手の側にあります。

このあと、偏りを生む原因を四つに分けて見ていきます。いずれも Poth に固有の問題ではなく、顧客データにAIで問う仕組みなら共通して起きるものです。そのうえで、Poth の「反証も出す」「足りない情報を書く」「足りなければ聞きに行く」という作りが、どの原因にどこまで効き、どこには効かないかを整理します。

原因1:問いの立て方に、答えの向きが入っている

一つ目の原因は、問いそのものにあります。「顧客は○○機能を求めているか」と聞けば、求めている発言が集まりやすく、「○○機能が使われない理由は何か」と聞けば、使われない理由が集まります。人は、自分の仮説を支える情報を探し、反する情報を軽く見る傾向があり、これを確証バイアスと呼びます。AIへの問いは、この傾向を文章の形で固定してしまいます

しかも、顧客の声のデータは量が多いため、どんな仮説を立てても、それを支える発言はたいてい見つかります。千件の問い合わせの中に「○○ができればいいのに」という声が10件あれば、それだけで支持の証拠に見えます。問題は、その10件が多いのか少ないのか、同じ時期に何件の反対の声があったのかが、支持の証拠だけを見ていては分からないことです。

Poth が裏付けと反証の両方を出すと説明しているのは、この原因への手当てです。問いに反する証拠を、こちらが頼まなくても並べて出すなら、少なくとも「反証を探さなかった」という失敗は防げます。ただし、反証が出なかったことは、反証が存在しないことを意味しません。データにない声、たとえば黙って離れた顧客の理由は、どれだけ探しても出てこないからです。

原因2:量の多い層の声が、顧客全体の声に見える

二つ目の原因は、データの集まり方の偏りです。問い合わせを頻繁にくれる顧客、営業が毎月通話している大口の顧客、アンケートに毎回答えてくれる熱心な利用者の声は、データの中で大きな割合を占めます。反対に、問題なく使っている顧客や、不満を言わずに解約する顧客の声は、ほとんど残りません。AIは件数の多い声に引っ張られるので、答えは声の大きい層の意見に寄ります

BtoB では、これがさらに強く出ます。1社の大口顧客が、営業の通話、問い合わせ、打ち合わせのメモ、社内の連絡のすべてに登場し、データの量では中小の顧客数十社分に匹敵することがあります。その1社の要望が「顧客の声」として資料に載ると、売上の構成とも顧客数の構成とも合わない判断になりかねません。

Poth の画面例では、ある悩みを抱える12社のうち6社が先に進めていない、といった形で、層を区切って数える表示が示されています。また、アカウントごとに信頼度の数値と、根拠となった証拠の件数を出すと説明しています。こうした表示は量の偏りに気づく手がかりになりますが、どの層で区切るか、どの層を重く見るかは、人が決める必要があります。基盤が自動で売上や戦略上の重みを考えてくれるわけではありません。

原因3:出典を開かずに、要約だけが会議資料に載る

三つ目の原因は、読み手の習慣です。出典付きの答えが返ってきても、忙しい会議の準備では、出典を一つひとつ開いて確かめる人は多くありません。要約の文章だけが資料に貼られ、それが判断の根拠として扱われます。出典が付いていることが、かえって「確かめた気分」を生む面もあります。

出典を開くと分かることは多くあります。発言が皮肉だった、別の製品についての話だった、すでに解決済みの古い問い合わせだった、通話の中で顧客の担当者ではなく自社の営業が言った言葉だった、といった具合です。会議の記録や通話の文字起こしから要点を引く仕組みでは、誰の発言かの取り違えや、前後の文脈を落とした切り取りが起きやすいことが知られています。

Poth の公式サイトには、顧客が通話で「導入は順調だった」と言ったのに、利用データでは21日間取り込みがゼロだった、という例が「利用実績が通話と矛盾」という旗とともに示されています。発言と行動の食い違いを自動で示すのは、要約だけを読む習慣への有効な手当てです。ただし、旗が立ったときに出典を開き、どちらが実態に近いかを判断するのは人です。旗が立たなかった答えも、重要な判断に使うなら出典を確かめます。

原因4:データにない問いにも、答えらしきものが返ってくる

四つ目の原因は、データの範囲を超えた問いです。たとえば、まだ取引のない業種がどんな機能を求めるか、価格を2割上げたら何社が離れるか、といった問いは、既存の顧客データには答えがありません。それでも生成AIは、手元にある近い材料から、もっともらしい答えを組み立ててしまいがちです。

Ask Poth は、答えとともに「足りない情報」を書くと説明しています。これは、答えの確かさを読み手に伝えるうえで大切な作りです。足りない情報の欄が長い答えは、判断の根拠にするには早く、確かめる調査を先に設計すべき答えだと読めます。逆に、足りない情報が書かれていない答えを、データが十分だという保証と受け取るのは危険です。

Poth はさらに、答えが決まらないときに顧客へ対話型のインタビューやアンケートを出し、足りない証拠を取りに行けるとしています。公式トップの言い方では、「データが答えられないとき、Poth が聞く」です。これは原因4への直接の手当てですが、同時に、AIが自社の顧客に直接連絡を取るという新しい論点を生みます。この点は対策4で扱います。

対策1:反証を出させる問いの型と、反証の読み方

一つ目の対策は、問いの立て方を変えることです。基盤が反証を出してくれる場合でも、問いの側で向きを中立にしておくと、答えの偏りはさらに減ります。要点は、「求めているか」ではなく「何が起きているか」で聞き、賛成と反対の両方の件数と出典を求めることです。

偏りやすい問い中立に近づけた問いあわせて求めるもの
顧客は○○機能を求めているか直近半年、○○に関する発言はどんな内容に分かれるか賛成・反対・無関係の件数と、それぞれの代表的な出典
解約の原因は価格か直近の解約顧客の、解約前3か月の発言と利用の変化は何か価格以外の理由の件数、発言のない顧客の数
この業種は有望かこの業種の顧客と他業種の顧客で、定着の度合いと不満の内容はどう違うか比べた顧客の数、データが少ない層の明示
新しい料金体系は受け入れられるか現在のデータで答えられる範囲と、答えられない範囲はどこか足りない情報の一覧と、確かめる方法の案

反証が返ってきたら、件数より中身を見ます。反証が少なくても、それが大口顧客や戦略上重要な層からの声なら、判断を変える理由になります。反証が出なかったときは、「探したが見つからなかった」のか「その種のデータがそもそもない」のかを分けて記録します。反証の有無をAIに判定させて、判断を自動で進める使い方はしません。反証の重みを決めるのは、事業の文脈を知る人です。

対策2:出典に戻って確かめる手順を決めておく

二つ目の対策は、出典の確認を個人の心がけではなく手順にすることです。すべての答えの出典を開くのは現実的ではないので、判断の重さに応じて、確かめる範囲を変えるのが現実的です。日々の気づきに使う答えはそのままでよくても、開発の人員や予算を動かす資料に載せる答えは、次の手順を通してから使います。

STEP1
答えの主張を一文ずつに分ける

要約の文章を、主張ごとに分けます。「顧客の多くが○○に不満」「その原因は価格」のように、確かめる対象をはっきりさせます。

STEP2
主張ごとに出典を3件以上開く

裏付けの出典を開き、発言者が顧客側か自社側か、時期はいつか、別の製品の話ではないか、前後の文脈で意味が変わらないかを見ます。

STEP3
反証の出典も同じように開く

反証の出典も同じ基準で確かめ、裏付けとの重みの差を、件数・顧客の規模・時期で書き出します。

STEP4
足りない情報を資料に書き写す

AIが挙げた足りない情報と、確かめた人が気づいた不足を、判断資料の末尾にそのまま残します。

STEP5
確かめた人の名前と日付を残す

どの答えを誰がいつ確かめたかを記録し、後から判断を見直すときにたどれるようにします。

この手順は、会議資料の様式に組み込むと定着します。「顧客の声」の欄に、AIの答えの要約だけでなく、確かめた出典の件数、反証の要点、足りない情報、確かめた人を書く欄を設けておく、というやり方です。欄が埋まっていない答えは、判断の根拠ではなく参考情報として扱うと決めておけば、要約だけが独り歩きするのを防げます。

対策3:量の偏りは、層に分けて問い直す

三つ目の対策は、声の大きい層への偏りを、層を分けて問い直すことで補正することです。全顧客に向けて一度に問うのではなく、売上の規模、業種、契約年数、利用の度合いといった層ごとに同じ問いを投げ、答えを並べて比べます。層によって答えが割れるなら、全体の答えは平均であって、どの層の実態でもないと分かります。

層の分け方は、判断の目的から決めます。価格の判断なら契約の規模、新機能の判断なら利用の度合い、営業の重点の判断なら業種、という具合です。データの少ない層、たとえば発言が数件しかない業種の答えは、件数とともに示し、少数の声だと明記します。Poth の画面例のように層ごとの件数が出るなら、その件数を必ず資料に添えます。

もう一つの補正は、データに声が残らない顧客を数に入れることです。問い合わせも通話もない顧客が何社あるか、その顧客の利用データはどう動いているかを並べると、「声の大きい層の意見」と「黙っている多数の行動」の差が見えます。発言と利用データを同じ顧客に結べることは、こうした補正をしやすくする点で、Poth のような知識グラフ型の基盤が役立つところです。

対策4:AIが顧客に聞きに行く範囲と、人の承認

四つ目の対策は、AIが顧客に直接聞きに行く機能の扱いです。公式トップには、手元の証拠で問いが決まらないとき、Poth がその問いに答えられる顧客向けに質問を下書きする、と書かれています。一方で、送る前に人が承認する工程があるかどうかは、公式トップの説明からは読み取れませんでした。顧客に何かを送る機能は、送信前の承認を必須にできるかを、試す前に確かめるべき項目です。

BtoB の顧客は、営業やカスタマーサクセスの担当者が関係を作っている相手です。担当者の知らないところでAIのアンケートが届けば、関係を損なうおそれがあります。解約の検討中の顧客に、解約理由を探るような質問が届けば、かえって背中を押すこともあります。誰に、何を、どの頻度で聞くかは、AIではなく担当者と調査の責任者が決めます。

  • 答えが決まらないたびに、AIが下書きした質問を承認なしで顧客に送る
  • 商談中・更新の交渉中・解約の検討中の顧客にも、同じように自動で質問を出す
  • 同じ顧客の同じ担当者に、短い期間に何度もアンケートが届く
  • AIの対話型インタビューで得た回答を、本人に伝えた目的とは別の用途に回す
  • 顧客の担当者に、AIが聞き手であることを伝えずにインタビューを行う

実務では、送ってよい顧客の層と送ってはいけない顧客の層、1社あたりの頻度の上限、質問の文面の承認者、AIが聞き手であることの明示、回答の使い道の説明を、使い始める前に決めておきます。AIの聞き手によるインタビューの準備や台本の作り方そのものは別の記事に譲りますが、Poth の場合は、知識グラフの答えから自動で調査が生まれるため、調査を始める判断が人の目を通らずに起きうる点が特有の注意点です。

データを1か所に集めるときの権限と個人情報

Poth のような基盤の価値は、別々のツールにあるデータを結ぶところにあります。裏返せば、ふだんは部署ごとに見られる人が分かれているデータが、1か所で横断して読めるようになるということです。営業の通話、サポートの問い合わせ、CRM の内部メモ、社内の連絡のやり取りには、顧客の担当者の氏名や連絡先、個人的な事情、値引きの交渉の経緯、社内での率直な評価が含まれます。

確かめるべきは、誰がどのデータに問えるかです。公式のセキュリティのページでは、連携は読み取り専用で、利用者が許可した範囲に限られ、元のツールに書き戻すことはないと説明しています。これは安心材料ですが、許可した範囲の中で、社内の誰がどの顧客のどの情報を引けるかは、別に決める必要があります。たとえば、営業の内部メモや社内の連絡を連携すれば、製品企画の担当者が、本来は見る必要のない交渉の経緯まで答えの出典として読めるようになりえます。

始めるときは、連携するツールとその中の範囲を絞ることから入ります。社内の連絡のツールは連携しない、通話は顧客との打ち合わせに限る、CRM は内部メモの欄を外す、といった具合です。通話の録音や文字起こしを分析に使うことについて、顧客にどう説明しているかも確かめます。録音の同意を取った時の目的が商談の記録だけなら、横断の分析に使うことを説明し直す必要があるか、法務と確認しておくと安全です。

何が社外に出るか:連携先・保管・学習

Poth に連携すると、顧客の通話、問い合わせ、CRM の記録、利用データが、米国の新興企業の基盤に読み込まれます。公式のセキュリティのページでは、ワークスペースごとに分離したデータベースを専用の閉じたネットワークに置き、通信は暗号化していると説明しています。また、「お客様のデータでモデルを学習させない、販売もしない」と明記しています。

一方で、今回確認した範囲では、データを置く地域、保存時の暗号化、答えを作るのに使う生成AIの提供元などの委託先の一覧、保存期間と削除の手順は、公式ページに書かれていませんでした。情報セキュリティの第三者認証である SOC 2 は、取得に向けて準備中との表示です。初期の会社ほど、こうした項目は契約前の質問票で確かめるしかありません。

  • 顧客の個人データを外国にある事業者に扱わせる場合、個人情報保護法の外国にある第三者への提供や委託の扱いを、法務と確認する
  • 答えを作る生成AIの提供元が別会社なら、そこへ何が送られ、どう扱われるかも質問票に入れる
  • 解約時のデータの返却と削除、削除の証明の出し方を、契約書に書いてもらえるか確かめる
  • 対話型インタビューやアンケートの回答者の情報が、どこに保存され、誰が見られるかを確かめる

取引先との契約で、顧客から預かった情報の第三者への提供や海外への移転を制限している場合もあります。BtoB では、自社の顧客の担当者の情報が、その顧客との契約上の秘密情報に当たることがあるため、営業の契約書の条項もあわせて見ておくと安心です。

企画・投資の判断の根拠にしてよい線

ここまでを踏まえると、Poth のような基盤の答えをどこまで判断に使えるかは、判断の重さと、確かめの手順を通したかどうかで決まります。AIの答えは、判断の材料であって結論ではありません。どの判断にどこまで使うかを、あらかじめ線引きしておくと、使う側も読む側も迷いません。

判断の種類AIの答えの使い方必要な確かめ
日々の気づき・会議の話題出しそのまま参考にしてよいなし(ただし資料に転記しない)
顧客との打ち合わせ前の準備論点の候補として使う担当者が出典を数件確かめる
改善の優先順位づけ層ごとの答えを並べて使う対策2の手順と層の分割、件数の明示
新機能の開発・価格の変更・重点業種の決定仮説の材料にとどめる対策2の手順に加え、人が設計した調査で確かめる
顧客への連絡・個別対応使わない(AIの答えだけで動かない)担当者が出典と状況を確かめて判断

表の下の行ほど、AIの答えの役割は小さくなります。とくに、開発の人員や予算を大きく動かす判断では、AIの答えを仮説として扱い、確かめる調査は、AIの自動の聞き取りではなく、人が設計した調査で行うのが安全です。AIの聞き取りは、同じ仮説の枠の中で質問を変えるため、仮説の外にある理由を拾いにくいからです。

費用の増え方と、試し方・止め方

公式の料金のページには、無料で使い始められる枠と、個別に範囲と価格を決める有料の枠の二つが示されています。有料の枠は、データの量や連携の要件を相談したうえで、範囲・価格・条件を書面で確定してから有効にすると説明されており、公開の価格表はなく、オンラインでの有料の申し込みも受け付けていない状態です。費用の増え方は、連携するツールとデータの量、利用者の数、顧客への聞き取りの量で変わると考えるのが自然ですが、具体的な課金の単位は問い合わせで確かめるしかありません。

試すなら、無料の枠で、連携するツールを一つか二つに絞り、すでに答えを知っている問いを投げるのが効果的です。たとえば、昨年の解約の理由を社内で調べ済みなら、同じ問いを Poth に投げ、答えと出典が社内の調査と合うか、反証として何が出るか、足りない情報として何が挙がるかを比べます。答えを知っている問いで当たり外れを確かめてから、答えを知らない問いに使うのが、新しい基盤を見極める基本です。

止め方も先に決めておきます。連携を外す手順、ワークスペースのデータを消す手順と、その確認の方法、顧客へのアンケートやインタビューを止める手順、回答者の情報の削除を確かめておきます。初期の会社は、事業の方針や提供の形が変わることもあります。判断の資料に使った答えと出典は、基盤の外にも記録として残しておくと、基盤をやめた後も判断の経緯をたどれます。

導入前のチェックリスト

最後に、Poth のような顧客の声の知識グラフ型の基盤を試す前に確かめる項目をまとめます。上の半分は社内の決めごと、下の半分は提供元に確かめる項目です。

  • AIの答えをどの判断にどこまで使うかの線引きを決めたか
  • 重要な判断に使う答えの、出典の確認手順と記録の様式を決めたか
  • 層の分け方と、データの少ない層の扱いを決めたか
  • AIが顧客に質問を出す前の承認者・送ってよい層・頻度の上限を決めたか
  • 連携するツールと、その中で外す範囲を決めたか
  • 社内で誰がどの顧客のどの情報に問えるかを決めたか
  • 顧客への送信前に承認を必須にできるか、提供元に確かめたか
  • データの置き場所・委託先・保存期間・削除の手順を、質問票で確かめたか
  • SOC 2 などの第三者認証の取得状況と、取得の見込みを確かめたか
  • 日本語の通話・問い合わせ・アンケートをどこまで扱えるか、小さく試したか

上の半分が決まっていない段階で連携を始めると、便利な答えが先に社内に広まり、確かめの手順が後から追いつかなくなります。決めごとを先に作り、狭い範囲で試し、答えを知っている問いで確かめる。この順番を守れば、反証まで出す仕組みの利点を生かしやすくなります。

まとめ

顧客の声の分析が偏るのは、問いに答えの向きが入る、声の大きい層が全体に見える、出典を開かずに要約が資料に載る、データにない問いにも答えが返る、という四つが重なるからです。Poth Labs の Ask Poth は、裏付けと反証を出典付きで並べ、足りない情報を書き、足りなければ顧客に聞きに行くという作りで、これらの原因の一部に手当てをしています。ただし、反証の重みを決める、層を分ける、出典に戻って確かめる、顧客に連絡するかを決める、といった判断は人の仕事のまま残ります。AIに結論を決めさせず、根拠を書かせ、人が確かめる範囲を先に決めてから、狭い範囲で試すことから始めてください。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

運営会社:株式会社デボノ

目次