HBR Staff/ultramansk/Getty Images

• Xでシェア
• Facebookでシェア
• LINEでシェア
• LinkedInでシェア
• 記事をクリップ
• 記事を印刷

AIによって定性調査が低コストで実現可能に

　優れた意思決定を下すために、企業は顧客の嗜好や行動に関する情報を必要とする。そのため、市場調査は成功に不可欠だが、そこには古くからの難題が立ちはだかっている。消費者からデータを収集するのは、困難で時間がかかり、コストもかさむのだ。しかし、生成AIがこの状況を改善しつつある。

　特に、大規模言語モデル（LLM）は、これまで解消できなかった「広さ」と「深さ」のトレードオフを克服しつつある。サーベイなどの定量調査は、規模の大きさや統計的な裏づけを得られる一方で、標準化された自己申告に依存するため、生活体験を表面的にしか捉えることができない。一方、デプスインタビューなどの定性調査は、人々の思考や感情、意思決定のプロセスについて深いインサイトをもたらすが、規模が小さく、一般化には向いていない。

　LLMをベースとしたAIインタビュアーは、こうしたトレードオフを解消する。リサーチャーは、従来のデプスインタビューならではのニュアンスや文脈、解釈の豊かさを維持しながら、定量調査に匹敵する大規模な回答者層を対象に調査を行うことが可能になった。さらにLLMは、従来の手法では極めて困難、あるいは不可能だったインサイトを提供する。

　筆者らは2025年夏、生成AIがマーケットインサイトの収集、作成、分析を変革していることについて論考を発表し、現行の慣行のサポートから、新しい手法や合成データへの置き換えまで、さまざまなトピックを取り上げた。その数カ月後、さらに議論を深め、AIが生成した「合成ペルソナ」や「デジタルツイン」が調査や実験において実在の消費者の代理として機能していることを論じた。本稿では、生成AIがすでにパイロットプログラムや学術研究の域を超えて活用されている、定性調査に焦点を当てる。現在、企業は「AIモデレーター」を活用し、従来の手法では不可能な規模とスピードで実在の人を対象としたデプスインタビューを実施している。

　定性調査は従来、質の高い顧客インサイトを導き出す最良の方法だったが、スケールアップが困難だった。対面インタビューには多額のコストと長い期間、サンプルサイズが小さいという制約が伴う。そのためビジネスリーダーは、定性調査の結果が持つ深みは評価しつつも、構造化され統計的に有意な定量データほど自信を持って意思決定に活用できずにいた。マネジャーたちは、デプスインタビューのような文脈の豊かさと、サーベイのような広範かつ構造的な性質を持ち、理想的にはより低コストで実現できる手法を長年求めていたのだ。

　次々に誕生しているAIネイティブのスタートアップ企業が、ついにこの融合を現実のものにしつつあり、ベンチャーキャピタル界も注目している。たとえば過去1年間で、アウトセット、リッスン・ラボ、シミリといった企業が、トップクラスのベンチャーキャピタルから5000万～1億ドルの資金を調達した。生成AIを単に定性調査のコスト削減や期間短縮のために使うのではなく、これまで不可能だったリサーチを可能にするために活用している企業は、この3社の他にも多く存在する。本稿では、この分野の現状を報告するとともに、マネジャーがこの有望なAIモデレーションのツールキットを評価し、活用するためのフレームワークを提示する。

数値の背後にある理由を探る

　AIモデレーターによるインタビューの最も重要な活用法は、定性調査のスケールアップを可能にすることで、定性的な深さと定量的な広さを融合させる点にある。これは、実務家たちが長年切望してきた能力だった。

　マイクロソフトは最近、自社製品と競合製品に対する消費者の認識を把握する取り組みで、この機能の有効性を実証した。同社の従来のブランド追跡調査では、AIという市場カテゴリーにおいて消費者の認識がどう変化しているかは把握できても、その理由まではわからなかった。

　そこで同社はリッスン・ラボを活用し、3つの異なるターゲット層に対して計250回以上のインタビューを実施した。これは同社が「フロンティア・リスニング」と呼ぶパイロットプログラムで、常時稼働の半構造化インタビューを通して、自由回答による定性的な深みと定量化可能な指標を単一のワークフローで捉えるものだ。