Shuichiro Ogawa
English

ノート

AI とデザインに関する調査と実験と考察を制作の過程も含めて公開しています。

月別の一覧へ

事業と業務(13)

新規事業やコンサルティングや業務の進め方についてのノートです。

  • AI の合成回答者による受容性調査サービスの比較

    2026-11-14

    思考特性の違う AI エージェントを多数つくり、人に行う受容性調査(コンセプト、広告、価格などを見せて受け入れられるかを確かめる調査)と同じ調査をさせるサービス 38 件を、公式の料金表と説明書、開発者の証言、業界団体の規程、調査会社の比較で調べた(2026 年 11 月 14 日時点)。エージェントの作り方は、事業者が用意したものから選ぶ型とユーザーのデータから作る型に分かれず、多くの製品は両方を持つ。違いは答えを何のデータで支えるかにあり、事業者のパネルと購買データ、公的統計、買い手の調査データ、実在の個人への長い面接の 4 つに分かれる。数の上限は、母集団の大きさ(10 万人、約 1 億人規模)、1 回の調査の回答数(5 から 10,000)、プランの枠が混ざって示され、どれも独立した人の数ではない。体数を 500 から 5,000 に増やしても誤差は 6.8 ポイントから 6.7 ポイントにしか下がらなかった(Verasight 2026)。刺激は文章がどの製品でも使え、画像と動画は製品で分かれる。Qualtrics の合成パネルは画像、動画、ファイル、リンクを処理しない。課金は、月額のセルフサーブ(月 20 ドルから)、年額契約にクレジットやトークンを付ける形、問い合わせを無制限にする定額のライセンス、見積もりの契約に分かれ、多くは回答や面接の数で消費する。人の回答との一致は売り手が自分で測った数字だけで、第三者の比較では全体の数字でも 2〜12 ポイント外れ、部分集団、価格の論理、時点の間の変化ではさらに外れた。ESOMAR、MRS、Insights Association、AAPOR の規程と報告は、合成の使用と、人の回答とどれが合成かの区別を買い手に示すよう求める。

  • 新規事業の継続と撤退の判断をどう設計するか

    2026-11-11

    新規事業に投資を続けるかを段階ごとに決めるゲートについて、公的機関の制度と評価 11 件、調査会社とコンサルの資料 5 件、ゲートを作り運用する実務家の一次資料 20 件、学術の文献 14 本を読み、本文で照合した。ゲートの失敗は三つの型に分かれる。止めるべき案が止まらない、育つ案を早く止めてしまう、ゲートが承認の儀式になる。一つめには機構の研究がそろっている。経営者は失敗中の新製品を続ける強い偏りを持ち、自分で決めた事前の判断規則はあまり効かず、外から与えた規則か判断者の交代が相対的に効いた(Boulding ら 1997)。新しい製品ほど止めにくく(Schmidt と Calantone 1998)、チームでは恐れより希望が続行に強く結びついた(Huang ら 2019、66 チーム)。実務の対策は、判断する人を案の当事者から分け(サイバーエージェントの他部署による審議、英国の Gateway Review の独立した審査者)、資金を検証の段階ごとに出す(McGrath、Ries、リクルートの 4 段階)ことである。ただし、日本の大企業の新規事業の関与者 888 人の調査では、明文化した撤退基準の 28.5% が守られず、事業開始前に決めた基準は 38.1% が守られなかった(開始後に決めた基準は 17.2%、支援会社の調査で関連のみ)。基準は決めるだけでなく、誰がいつ見直すかまで決める必要がある。二つめと三つめにも証拠がある。厳しく客観的なゲート基準の反復は案件を硬直させ、新奇な製品の成果を下げた(Sethi と Iqbal 2008、120 件)。米国 SBIR の移行率の基準は探索的な研究を制約しうると評価された(全米アカデミーズ 2026)。2022 年以降は、新事業の損益分岐までの平均投資が約 1.25 億ドルから約 7,700 万ドルに下がり、資金の手綱が短くなった(McKinsey 2025)。Stage-Gate の考案者 Cooper は、ゲートの目的を投資判断の最適化から学習の速さへ移し、有望な案を早く止める誤りを避けるよう提案している(Cooper と Zhao 2026、提案で実証ではない)。

  • 新規事業の受容性調査の判断基準

    2026-11-11

    新規事業の受容性調査(顧客がその事業を受け入れるかを、事業にする前に確かめる調査)について、公的機関の制度 6 件、調査会社とコンサルの調査 5 件、手法を作った実務家の一次資料 16 件、学術の文献 14 本を読み、本文で照合した。実務のベストプラクティスは、顧客が言うことより、することを強い証拠とみなす方向にそろっている。面接と質問紙は弱く、疑似的な販売や公開後の利用は強い(Osterwalder 2017、Gilad 2017)。言葉の弱さには測った根拠がある。仮想の質問で測った支払意思額は、実際より平均 21% 高い(Schmidt と Bijmolt 2020、77 研究のメタ分析)。米国の公的制度は検証の行為を義務にし(NSF I-Corps は 7 週間で潜在顧客への面接 100 件)、市場がないという結論も成功に数える。日本の NEDO と EU の EIC は、市場の説明を審査の書類として求める。仮説を立てて試すやり方の効果を無作為化実験で測ると、規模の大きい二つの実験で共通して出たのは、見込みのない案を早く打ち切ることだった(Camuffo ら 2024、759 社。Bailey ら 2026、553 社、査読前)。日本の大企業では、投資回収まで届いた案件を持つ企業は約 2 割で(PwC 2025)、失敗の予感を顧客の声として上に伝えても 23.6% は受け入れられなかった(イノベーション総研 2026、支援会社の調査)。生成 AI が広まってからの変化は二つある。生成 AI で試作品がすぐ作れるようになり、動く試作品は需要の証拠にならなくなった(Blank 2026)。AI の合成回答者が調査に入り、市場調査担当者の 69% が過去 1 年に使った(Qualtrics 2024、販売者の調査)。合成回答は平均を近づけても分布を外し、快楽財の支払意思額を過大に出した(Oetzel と Maiberger 2026)。合成回答は、言葉の証拠のさらに下に置くのが妥当である。

  • プレイングマネージャーの損得を任命する側とされる側の視点から考える

    2026-11-01

    部下を持ちながら自分も実務の成果を負う管理職(プレイングマネージャー、英語では player-coach)について、学術の文献 28 本と、公的機関と国際標準の資料 11 件、調査会社と研究所の調査 14 件、経営者と実務家の一次の発言と報道 16 件を読み、本文が取れたものは本文で照合した。学術にはこの語の研究がほとんどなく、第一線の管理職、専門職と管理職を兼ねる hybrid、専門性の高い上司、役割の過負荷の研究に分かれている。日本の調査では課長の 98.5〜99.5% が何らかの実務を兼ね、業務のほぼ半分(加重平均 49.1〜50.1%)が実務で、その割合は 2010 年から 2019 年の調査で変わっていない。近年の流行は二つの別の動きである。日本では長く続く状態に名前が付き、米国のテック企業では 2023 年以降、管理職の層を減らす経営の方針として player-coach が掲げられた(Coinbase の「No pure managers」など)。任命される側の利点は、実務への関わりを続けられること、部下の尊敬を得る根拠になること、賃金である。欠点は、時間不足(課長の 59% がマネジメントに支障ありと答える)、役割の過負荷と葛藤、自分の数字を優先してしまうこと、兼務でも技能は衰えること、学ぶ時間がないこと、昇進の得が負担に見合わないことである。任命する側の利点は、一人で二つの能力を得ること、層の削減、専門性の高い上司が部下の満足を高めること(Artz ら 2017)である。欠点は、部下が育たないこと(課長の悩みの 1 位)、実務の比率が高いとチームの成果と管理職自身のエンゲージメントが下がること(自己評価の成果は 20〜30% で最も高く 80% 以上で最も低い、Gallup は 40% を境に差)、優秀なプレイヤーを昇進させる費用(Benson ら 2019)である。学術と産業は、兼務が時間と注意を取り合い、管理の仕事が先に削られる点で一致し、産業は時間の比率と本人の負担感を測り、学術は役割の構造と部下や組織への帰結を測る点で分かれる。比率と成果の関係を査読研究で確かめたものは見つからなかった。

  • AIO(AI 検索への最適化)をめぐる産業界の動向

    2026-10-11

    AI 検索や生成 AI の回答に自社や自分の情報が引用、推薦されるための最適化(AIO。GEO、AEO、LLMO を含む)について、産業界の資料(Pew Research Center と Reuters Institute の調査、Ahrefs、Seer Interactive、Semrush、Similarweb、Adobe、Cloudflare、Profound、SparkToro の公表値、Google、Microsoft、OpenAI、Anthropic、Perplexity の公式文書、英国 CMA、欧州委員会、公正取引委員会、IETF、日本新聞協会の一次資料、サイバーエージェントと博報堂 DY ONE の国内調査)を軸に、学術研究を補助として整理した。AI 要約が出るとクリックは減る。Pew の実測では、AI 要約のある検索で従来の結果のリンクが押された訪問は 8% で、ない検索の 15% の約半分だった。ただし AI 要約のない検索でもクリック率は 2 年で約半分に下がっており(Ahrefs)、減少のすべてを AI 要約に帰せない。AI から各サイトへの送客は伸び率が大きいが、基数は小さい(AI からの出典へのクリックを常によくするのは 4%、検索は 19%、Reuters Institute)。何が引用されるかは、従来の検索上位との重なりが小さく(AI アシスタントの引用の 12%)、週単位で大きく動き、同じ質問への推薦リストが一致する確率は 100 分の 1 未満だった(SparkToro)。書き方の工夫の効果は、GEO を名づけた論文の最大 40% に対し、後続の検証で 54 条件中 3 つでしか有意でなく、採用者が増えると利得が減った。Google は AEO と GEO を SEO と同じとし、llms.txt や文章の細切れ化を不要と明言した。産業界の動きは、書き方の手法よりも、引用を数える計測(Search Console、Bing の引用の計測、Profound の 3,500 万ドルの調達)と、内容を AI に使わせるかどうかの制御と対価(英国 CMA の行為要件、2026 年 8 月 31 日の Google の除外設定の全世界展開、Cloudflare の有料クロール、IETF の AI 利用の選好の標準化)に重心を移している、と読める。

  • 発注者がデザインコンサルティングを依頼する理由と依頼先の選定基準

    2026-10-07

    コンサルティングの買い手の理由と決め手を整理した前回のノートを、デザインコンサルティング(ブランド、プロダクト、UX、サービスデザインの外部委託)に絞って深掘りした。産業界の資料を中心に、英国の業界団体 DBA と提携した買い手インタビュー 675 件(What Clients Think 2024)、米国の広告主団体 ANA の内製化調査、英国 ISBA の報酬調査、社内デザイン責任者と CMO の発言を使い、学術研究は機構の補助として使った。デザインでも買う理由は四つに分かれるが、重みが違う。外部の利点の上位は幅広い経験、より強く問い直すこと、技能の幅で、他にない資産はデータではなく複数の業界とブランドで積んだ経験である。決め手は、本当の協働の証拠、大きな戦略課題に答える力、商業的な効果、勝ったピッチでは明確で記憶に残るメッセージ、チームの相性、課題を分かってくれたことで、価格はどの一覧にも上位に無い。買い手の 73% がデザインの効果は数字で示しにくいと答え、73% が提案の段階で会社の違いを見分けにくいと答えている。ここから、質を事前に確かめられないことはデザインでより強く働き、デザインに固有の解き方として、契約の前に作品の一部を見せるピッチと無報酬提案が使われてきたこと、判断の説明は独立性より商業的な効果の証明に向かうこと、内部の能力はデザインでは作り直されつつあり(社内の制作部門を持つ ANA 会員は 2008 年の 42% から 2023 年の 82%)、外部は能力の補完と外からの問い直しに寄っていることを仮説として示した。公的部門では、米国 GSA が社内に人間中心設計の専門性が無いことを外部に頼む理由に挙げ、英国の調達枠組みは文化的な相性を 5〜20% の配点で採点させていた。2024 年以降は、買い手の 74% が AI で代理店の費用が下がると見込み、費用に見合うと答える買い手は 2014 年の 66% から 2024 年に 45% へ下がった。公的部門の手引き(米国 GSA、英国の調達枠組み)でも、人間中心設計の手法の説明、測れる成果、文化的な相性が評価の観点に挙がっている。AI がピッチの作品と制作を安くするほど、見た目の完成度は決め手として効きにくくなり、外からの問い直しと理解と商業的な効果へ重心が移るという仮説を立てた。

  • 発注者がコンサルティングを依頼する理由と依頼先の選定基準

    2026-10-07

    コンサルティングの買い手がなぜ買い、何を決め手に選び、なぜそれが決め手になるのかを、産業界の資料(英国会計検査院の 2010 年と 2025 年の報告、カナダ下院の公聴会での発注側の証言とカナダ会計検査院の McKinsey 契約の監査、Hinge Research Institute の買い手調査 4 回分、企業の CFO と経営者の発言、IPA の調査)から整理し、仮説を立てた。学術研究は機構の補助として要旨の範囲でだけ使った。買う理由は、持っていない専門性、足りない人手と速さ、外からの視点と独立した確認、他にない資産(独自のデータと手法)の四つに分かれ、英国では 2010 年と 2025 年で同じ構造が続いている。決め手は、Hinge の調査では評判(2013 年)、関連する経験と専門性(2018 年)、人材のスキル(2020 年)、既存の関係(2022 年)と入れ替わり、どの回も価格は首位にない。公的部門では、事前に審査を済ませた枠組みと急ぎが、前からの相手を有利にする。カナダでは McKinsey との 97 契約の約 70% が非競争で、競争した 28 件のうち 10 件は選定の根拠が記録に足りず、標本の約半数は何の不足を埋めるかの説明を欠いた。ここから、買う前に質を確かめられないので人と実績と関係を代わりの手がかりにする、急ぎと手続きの重さが審査済みの相手と既存の相手を既定の選択にする、判断を組織の中で説明するために外の独立した目と他にないデータが選ばれる、内部の能力の欠け方が構造的なので同じ理由で繰り返し買う、の四つの仮説を示した。2024 年以降は、AI で内製の選択肢が現実になった企業で人手の理由が先に揺らぎ、買い手が下振れの分担を求め始めている一方、大規模な人員削減の計画などでは外部への依存が続いている。

  • 生成 AI でコンサルティングの提案とコンペはどう変わるか

    2026-10-07

    産業界の資料(英米日の調達制度と公的監査、RFP 対応の業界調査、コンサル企業の決算説明会での発言)から、コンサルティングの提案の型と、コンペでの発注と受注の理由を整理し、生成 AI が使われ始めた 2024 年以降に何が変わったかを見た。学術研究は集めていない。提案の型は売り手より先に買い手の評価の枠が決めていて、英国の最も有利な入札(MAT)と品質 50〜90% の配分、米国の tradeoff、日本のプロポーザル方式と総合評価は 2024 年以前からある。価格の型(時間単価、固定価格、成果報酬)も、英国政府の 2022 年の手引きにすでに三つとも書かれている。2024 年以降に動いたのは三つで、提案を書く側の AI 利用(RFP 対応チームで 34%→68%→79%)、発注側の制度(英国の AI 利用の開示、米国 OMB の開示条項、デジタル庁の生成 AI による仕様書作成の検討)、価格の型の比率(Accenture の固定価格が FY25 に約 60%、3 年で約 10 ポイント増、McKinsey は収益の約 3 分の 1 が成果を引き受ける型)である。一方で、AI 利用が増えた年に RFP の勝率は 45% から 39% に下がり、AI の利点として勝率を挙げるチームは少ない。ここから生成 AI で変わるものとして、提案書の差が縮んで選定の重心が書類の外(評判、既存の関係、面談)へ寄ること、時間で値を付ける根拠が揺らいで生産性の分け前が交渉の主題になること、成果報酬は測れる成果の案件に限って広がること、の三つを仮説として示し、変わらないもの(評価の枠、価格の三つの型、売上と人員の乖離が RPA 以来であること)と並べた。

  • 業務プロセスの To-Be 原則の立て方

    2026-09-30

    業務フロー検討で「あるべき姿」(To-Be)の設計原則をどう立てるかを、学術文献 16 件と TOGAF 標準から整理した。今回の探索の範囲では「To-Be principle」という定着した術語は見つからず、近い概念はアーキテクチャ原則、設計原則、再設計のベストプラクティス、BPM の原則の四つに分かれる。書き方は TOGAF が名前、主文、根拠、影響の四項目と、良い原則の五条件(わかりやすさ、頑健さ、網羅、一貫、安定)を示し、Gregor ら(2020)は目的、実装者、利用者、文脈、機構、根拠を持つ型を示した。Haki と Legner(2021)は文献中の 152 の原則を調べ、目標を原則のように書いたもの、実務の手順、細かい標準を「原則でないもの」として外し、45 の原則を 9 のメタ原則にまとめた。導き方では、手法の段階の枠組み(Kettinger ら 1997、Gross ら 2019 が 98 手法で拡張)が、事業目標と性能目標を現状の分析より前に置く。Reijers と Limam Mansar(2005)は性能目標を時間、費用、品質、柔軟性の四軸で具体化し、軸どうしの引き換えを意識するよう求めた。現状(As-Is)は目的を理解するために調べるが、それだけを案の源にしない(Rosemann 2006)。案を生む手法は、無構造、半構造、構造化の三つに分かれ(Vanwersch ら 2016、61 研究)、構造化の代表が 29 の再設計ベストプラクティス(Reijers & Limam Mansar 2005)と、6 層 19 次元の設計空間(Gross ら 2021)である。実務家調査では、タスク削除を 94% が使っていた(Limam Mansar & Reijers 2007)。ただし多くのベストプラクティスは定量的な裏づけを欠く。AI が加わると、原則はシステムの「枠」(目標と制約)に入り、どこまでをシステムに書き換えさせるかを人が決める(Dumas ら 2023)。原則を書くこと自体が To-Be の質を上げるかを確かめた実証は、今回の範囲では見つからなかった。

  • 模試の採点と作問で、どの作業が置き換わったか

    2026-09-18

    国内の模試と大規模テストのうち採点工程と作問工程に限定した深掘り調査。採点で置き換わったのは判断ではなく、紙の運搬と集計と突合せである。部分点の判断は人に残り、2系統採点と突合せという検証工程が新設された。担い手は会場から在宅へ移ったが、出来高制という報酬の型は変わっていない。作問は時間が記録されず、点検が多重で、問題を漏らせないため置き換えが起きていない。生成AIが届くのはたたき台までで、その位置は技術の到達点であると同時に制度が引いた線でもある。AIが作った問題の欠陥は重複ではなく曖昧さと難易度の統制に集中し、作問と検証を同じモデルで回すと誤問が通過する。市場データでも採点は数えられ、作問は数えられていない。経済産業省の最終成果報告書を一次取得し、削減幅の内訳(10分から30分が40%、効率化を感じない21%、かえって時間がかかる15%)と、実証の範囲が第1フェーズの「教材の質進化」に限られること、報告書に採点の記載が無いことを確認した。

  • 模試運営の負荷と AI 活用の現状

    2026-09-18

    国内の模試運営を工程ごとに分解し、負荷と AI 到達点を対応づけた産業調査。負荷は記述式の採点に集中し、デジタル化が実際に短縮したのは申込・回収・答案の電子化・返却の前後工程である。採点の自動化は限定的で、デジタル採点は採点を消さず検証工程を新設した。需要側は少子化、供給側は教員不足と採点労働市場の縮小が同時に進む。

  • ビジネスアナリストのスキルは何で測られているか

    2026-09-15

    DX推進スキル標準(DSS-P)は2026年4月の ver.2.0 でビジネスアナリストをロールとして新設した。しかし標準自身が「詳細なレベル評価指標は設定せず」と明記し、熟達度を測る物差しを持たない。代わりに置かれるのはロールごとの重要度 a/b/c/d/z で、これは熟達度ではなく重みづけである。IIBA の BABOK Guide は6知識領域と30タスク、29の基礎コンピテンシー、テクニック一覧を標準化するが、個人の熟達度は Competency Model の自己評価尺度が担うと役割を分ける。認定試験は出題比率を公開する一方で合格基準を開示せず、更新では活動時間を積む。公的な測定手段は情報処理技術者試験と ITSS の経験判定に、団体側は時間要件と試験と単位数に、採用市場は経験の種類に寄り、いずれも実務の成果そのものは測らない。標準は語彙を与えるが、証拠は与えない。

  • デザインと新規事業の工程の典拠になる規格

    2026-09-14

    ポートフォリオに「担当した工程」を書くとき、独自分類には根拠がない。IPA に従おうとすると、共通フレーム2013 は IPA 自身が改訂を止めており現行の国際規格と整合しない。デジタルスキル標準 ver.2.0 は人材類型とスキルの標準で、工程を定義していない。工程の典拠として使えたのは ISO 9241-210(人間中心設計、JIS Z 8530)と ISO 56002(イノベーション・マネジメント、JIS Q 56002)の2つで、どちらも反復を規格本文で前提にしている。コンサルティングは ISO 20700 があるが JIS 化も日本語版もなく、マーケティング業務全体の公的標準は存在しない。アジャイルを定義した公的標準も存在しない。