AIで答えを出す時代ではなく、答えの不確実性を削る時代が来た

70点のペルソナが、なぜ事業を前に進めるのか

新規事業の初期段階で本当に怖いのは、答えがないことではない。間違った確信を持つことだ。きれいに整ったペルソナを一つ作り込み、その人物像を企画書に貼り付けた瞬間、私たちは安心する。だが、その安心はしばしば幻想である。実際には、まだ誰も会っていない顧客の気持ちを、言葉だけで100点に言い当てることなどできない。

そこで重要になるのが、AIを「答えを出す装置」ではなく、不確実性を削る装置として使う発想だ。最初から完璧な一枚を狙うのではなく、70点の仮説を大量に出し、選別し、磨き、また出す。この反復こそが、事業の初速を決める。新規事業の現場では、正解を一発で当てる能力より、外している部分を素早く見つける能力のほうがはるかに価値がある。

重要なのは、AIに人間の代わりをさせることではない。人間が見えていない曖昧さを、会話可能な形に変えることだ。

---

100点のペルソナを最初から作ろうとすると、かえって失敗する

多くの人は、ペルソナづくりを「解像度の高い人物像を完成させる作業」だと思っている。だが新規事業においては、その考え方自体が罠になりやすい。なぜなら、顧客理解の初期フェーズでは、確信よりも探索の幅のほうが重要だからだ。

たとえば「30代女性、子育て中、都心在住」といった属性だけでは、何も決まっていないに等しい。重要なのは、その人がどんな朝を迎え、どんな家事に時間を奪われ、どんな瞬間にイライラし、何に少しだけお金を払う気になるのか、という生活の細部である。つまりペルソナは、人口統計ではなく状況のモデルでなければならない。

ここでAIが有効なのは、こちらが曖昧にしか持っていない仮説を、比較可能なかたちにしてくれるからだ。たとえば、同じ「共働きの子育て世帯」でも、以下のような違いがある。

• 夫婦ともにフルタイムで、時間はあるが意思決定の回数が少ない人
• 片方がリモートワークで、家事分担に慢性的な不満がある人
• 実家が遠く、子どもの発熱で仕事が崩れやすい人
• 価格よりも、失敗しないことを重視する人

こうした違いは、表面的には同じカテゴリに見える人々の間に、全く異なる購買行動を生み出す。AIに複数案を出させることの意味は、一つの答えを得ることではなく、比較の軸を手に入れることにある。

---

不確実性は、消すものではなく、分解するもの

新規事業の難しさは、何が分からないか自体が分からないことにある。だからこそ、最初にやるべきことは「この商品は売れるか」という大きな問いを、そのまま抱え込むことではない。問いを分解して、確かめられる単位にすることだ。

ここで役立つのが、不確実性の三層モデルである。

1. 誰の不確実性

この製品は、どんな人のためのものか。年齢や職業ではなく、どんな制約の中で生きている人か。ここではペルソナが効く。ただし、狙うべきは「代表的な顧客」ではなく、最も強い痛みを持つ顧客だ。

2. 何の不確実性

その人は、何に困っているのか。本当に解くべき問題は何か。表向きの要望と、実際の行動はしばしば違う。たとえば「安くしたい」と言いながら、実際には選ぶ手間を減らしたいだけかもしれない。

3. 本当に喜ばれるかの不確実性

仮に問題が合っていても、解決策が魅力的とは限らない。使いやすい、速い、気持ちがいい、恥をかかない、続けやすい。価値は機能の一覧ではなく、体験全体で決まる。

この三層に分けると、AIの役割も明確になる。AIは「誰」「何」「喜ばれるか」の仮説を大量に出すが、実際の検証は別だ。つまり、AIは探索を加速するが、判断を代替しない。ここを混同すると、もっともらしい文章を量産して満足してしまう。

AIの本当の価値は、確信を作ることではなく、確信の前提を疑えるようにすることにある。

---

量産の本質は、数ではなく比較可能性にある

「とにかく量産させる」という考え方は、雑な作業のすすめではない。むしろ逆で、比較可能な仮説を揃えるための方法論だ。人間の直感は、一つの案を深く考えると強くなるが、複数案を横に並べると弱点が見えやすくなる。AIはその比較のために使うと強い。

たとえば、ペルソナ案を4つ出したら、次のような観点で比べる。

• どの案が最も切実な痛みを持っているか
• どの案が、既存の代替手段をすでに試していそうか
• どの案が、意思決定者に近いか
• どの案が、導入後の継続利用が想像しやすいか

この比較をすると、単に「良さそう」な人物像ではなく、事業にとって戦略的に意味のある人物像が浮かび上がる。たとえば、購入者として魅力的な人と、利用継続者として魅力的な人は違うかもしれない。あるいは、SNSで話題になりやすい人と、実際にLTVを支える人は違うかもしれない。

ここで大切なのは、AIの出力をそのまま信じることではない。出力を素材として扱い、「どの仮説が他よりも検証価値が高いか」を見極めることだ。量産の目的は、結論を増やすことではなく、検証すべき論点を鋭くすることである。

使える問いの例

1. このペルソナは、なぜ今困っているのか。
2. 既存の解決策に、何が足りないのか。
3. この人は、何ならお金を払ってでも避けたいのか。
4. 導入の障害は、価格か、手間か、心理的抵抗か。
5. 最初の成功体験は、どの瞬間に生まれるのか。

こうした問いをAIにぶつけると、同じペルソナでも別の輪郭が見えてくる。すると、アイデアの良し悪しではなく、仮説の厚みで議論できるようになる。

---

リアル・コンセプトテストの核心は、未来の売上を当てることではない

新しいカテゴリのプロダクトは、作る前から分からないことだらけだ。だから大きな投資の前に、実際にユーザーが喜ぶかどうかの確証を求めるのは自然である。ただし、このときのテストを「当たるか外れるかの予言」と考えると、かえって精度を落とす。

本当に価値があるのは、失敗のパターンを早く露出させることだ。ユーザーが喜ばない理由は、魅力がないからとは限らない。ペルソナがずれているのかもしれないし、問題設定が広すぎるのかもしれないし、体験の入口が分かりづらいのかもしれない。だからコンセプトテストは、正解探しではなく、仮説のどこが脆いかを知るための装置である。

ここでAIで作ったペルソナが生きる。たとえば、三種類の候補があるとする。

• 忙しい共働き家庭で、比較検討する時間がない人
• 価格には敏感だが、失敗したくない慎重な人
• 新しいもの好きで、便利さに即反応する人

この三者では、同じプロダクトでも評価ポイントがまったく違う。忙しい人は時間短縮に反応する。慎重な人は安心材料に反応する。新しいもの好きな人は体験の新規性に反応する。ここを見誤ると、コンセプトテストの結果を誤読する。つまり、テストの失敗はプロダクトの失敗ではなく、対象仮説の粗さであることが多い。

良いテストとは、未来を言い当てるものではない。どこで自分たちが勘違いしているかを示すものだ。

---

新規事業で勝つチームは、正解を持つチームではなく、仮説を育てるチームである

新規事業の現場では、しばしば「顧客理解が深いチーム」が強いと語られる。しかし実際には、理解の深さよりも、理解を更新できる速度のほうが重要だ。市場は変わるし、初期仮説は大抵外れる。だから必要なのは、最初の一手で当てる才能ではなく、外れたときに素早く修正できる能力である。

この意味で、AIは事業開発の中心に置くべきだが、中心に置くべきなのは答えではなく、反復の設計である。問いを作る。仮説を出す。比較する。粗い部分を直す。ユーザーに当てる。ズレを発見する。再び仮説を出す。この循環をどれだけ速く回せるかが、事業の精度を決める。

そして、この循環には一つの倫理的な含意もある。人間の生活は、データだけでは捉えきれない。だからこそ、AIが生成するのは「顧客の真実」ではなく、「顧客理解のための候補」であるべきだ。候補を豊かにし、対話を深め、現場の観察で削る。そのとき初めて、AIは空虚な自動化ではなく、知的な共同作業になる。

Key Takeaways

• 最初から100点のペルソナを狙わない。 まずは70点の仮説を複数出し、比較可能な形にする。
• ペルソナは属性ではなく状況で考える。 年齢や職業より、生活の制約、悩み、意思決定の癖を具体化する。
• 不確実性を三層に分ける。 誰の問題か、何が問題か、本当に喜ばれるかを別々に検証する。
• AIは結論を出す道具ではなく、論点を鋭くする道具として使う。 量産の目的は、よい比較軸を手に入れること。
• コンセプトテストは予言ではなく、誤解の発見装置。 失敗の理由を早く見つけるほど、事業は強くなる。

結論: 未来を当てるより、未来に耐える仮説を作る

新規事業における本当の仕事は、未来を完璧に予測することではない。未来がどう転んでも学び続けられる仮説の構造を作ることだ。AIでペルソナを量産することも、リアルなコンセプトテストを行うことも、そのための手段にすぎない。

私たちはつい、良い事業とは最初から答えが見えている事業だと思いがちだ。だが実際には、良い事業とは、最初の不確実性を賢く扱える事業である。答えを急がない。まず、曖昧さを言葉にする。そこから比較し、検証し、削っていく。そうして残ったものだけが、顧客に届く価値になる。

つまり、新規事業の勝負は「何を作るか」だけではない。どんな不確実性を、どの順番で小さくしていくかで決まる。ここを設計できるチームだけが、アイデアを事業に変えられる。