予測AI（リード・案件スコアリング）は営業に使えるか

営業AIという言葉には、ChatGPTのような生成AIだけでなく、過去のデータから受注確率を予測する「予測型AI（リード・案件スコアリング）」も含まれます。この2つは、仕組みも得意なことも根本的に異なるにもかかわらず、混同して語られることが少なくありません。予測型AIを検討する際は、その特性を正しく理解しておく必要があります。

生成AIと予測型AIの違い

生成AIは、文章を理解し、新しい文章を生成することを得意とします。一方、予測型AIは、過去の大量のデータからパターンを学習し、「この案件は受注する確率が高い／低い」という統計的な予測値を算出することを得意とします。前者は言葉を扱うAI、後者は数字とパターンを扱うAIという、本質的に異なる仕組みです（営業AIとは？できること・できないことも参照）。

予測型AIが必要とするデータの前提条件

予測型AIの精度は、学習に使える過去データの量と質に大きく依存します。

十分な件数の過去データが必要

統計的なパターンを学習するには、一定以上の件数の受注・失注データが必要です。案件数がまだ少ない組織や、立ち上げ期の新規事業では、そもそも予測型AIが学習するための十分なデータが存在しないことがあります（新商材・新規事業立ち上げ期の営業ナレッジの作り方も参照）。

データの記録が一貫している必要がある

案件のフェーズや属性が、担当者によってバラバラな基準で記録されていると、予測モデルが学習するデータの質が低くなり、予測精度も低下します（営業データ基盤の作り方も参照）。

予測型AIのスコアをどう扱うべきか

スコアは「絶対的な正解」ではなく「参考情報」として扱う

予測型AIが算出するスコアは、過去のパターンに基づく統計的な推測であり、個別の案件固有の事情（決裁者の交代、競合の動きなど）までは反映しきれません。スコアを絶対視せず、他の情報と合わせて総合的に判断する材料として扱うべきです。

高スコアの案件に安心しきらない

スコアが高い案件であっても、実際の商談での丁寧な確認や対応を怠っていい理由にはなりません。スコアはリソース配分の優先順位づけの参考にはなりますが、商談そのものの質を保証するものではありません。

低スコアの案件を機械的に切り捨てない

スコアが低いという理由だけで、案件への対応を機械的に打ち切ってしまうと、モデルが学習していない新しいパターンの案件（新しい業種への展開など）を見逃すリスクがあります。

経営として確認すべきこと

予測型AIの導入を検討する際は、自社に十分な量と質のデータが蓄積されているかを、生成AIの導入以上に厳密に確認する必要があります。データが不十分な段階での導入は、精度の低い予測に基づいた誤った意思決定を招くリスクがあり、まずはデータ蓄積の土台作りを優先すべき場合が多くあります。

まとめ

予測型AI（リード・案件スコアリング）は、生成AIとは異なる仕組みで動き、過去の十分なデータの蓄積を前提とします。データが不十分な段階での導入は精度の低い予測を招くリスクがあり、スコアはあくまで参考情報として、他の情報と合わせて総合的に判断する材料として扱うことが、予測型AIを適切に活用する鍵になります。