価値ストーリーを構築する段階

組織に示す価値ストーリーは、以下の段階を経て構築されます。

1. AIの機能

2. 業務フロー

3. ユースケース

4. ビジネス価値

5. アクション

これは会議で提示するようなフレームワークではなく、思考を整理するための指標です。

「AIが役立つ」という期待だけで、投資対効果（ROI）が生まれるとは限りません。

重要なのは、実際の業務課題から出発し、AIによる改善がどのようなビジネス成果につながるのかを、根拠に基づいて説明することです。

例えば、カスタマーサポートの場合

担当者が複数の社内資料を検索しているため、顧客への回答に時間がかかっているとします。

AIで必要な情報を迅速に検索・整理できれば、検索時間の短縮や回答品質の一貫性向上、不要な上位担当者への確認の削減が期待できます。

これは、顧客対応の品質向上と業務負担の軽減につながる可能性があります。

次のステップでは、現在の検索時間、回答品質、確認・引き継ぎの頻度などを調べ、実際に改善できるか検証します。

重要なのは、最初から「AIで時間を節約できる」と主張するのではなく、業務課題、改善の可能性、期待する成果、ビジネス上の重要性、検証の根拠という順序で、価値を具体化することです。

AI製品の選定よりも、業務改善の目的を明確にする

AI導入を検討する際、最初から特定の製品や技術を選ぶ必要はありません。

重要なのは、自社のどの業務を改善し、どのような成果を得たいのかを明確にすることです。

OpenAIには、さまざまな業務ニーズに対応する製品や技術が用意されています。

これらはあくまで代表的な活用方法です。実際の製品選定では、業務要件に加えて、セキュリティ、データ管理、既存システムとの連携、運用体制なども確認する必要があります。

まずは期待する成果から考える

例えば、カスタマーサポートの効率化を検討する場合、

「ChatGPTを導入したい」

という考えから始めるのではなく、

「顧客への回答に必要な情報を探す時間を短縮し、回答品質のばらつきを減らしたい。そのためにAIを活用できる可能性がある。」

と整理する方が、具体的な検討につながります。

この段階では、ChatGPTをそのまま活用するのか、既存システムにAPIで組み込むのか、あるいは別の方法が適しているのかを決める必要はありません。

まずは業務改善によって期待する成果を明確にし、その実現可能性を検証したうえで、適切な製品や技術を選ぶことが重要です。

これにより、製品の機能に業務を合わせるのではなく、自社の課題や目的に合ったAI導入を検討できます。

業務フローの変更とビジネス成果を関連付ける

業務フローが明確になれば、A私たちが次に下すべき決断は「重点をどこに置くか」です。

同じAIを活用した改善策でも、多くの成果を支援できますが、最も説得力のある価値提案とは、最終決済者が最も支援しやすいと思われる成果を前面に打ち出すものでしょう。

最も重要な成果を選ぶ

1つのAIを活用した業務フローの改善は、複数の成果を支えることができます。例えば、カスタマーサポート回答の検索速度向上は、応答時間の短縮、エスカレーションの削減、担当者の対応能力の向上、回答の一貫性の向上、そして顧客体験の向上につながります。

これらすべてが事実である可能性はありますが、すべてを同等の重要度として提示すべきではありません。

私達の役割は、現時点で組織（または顧客）にとって最も重要な成果を特定することです。

説得力に欠ける価値提案は、ありとあらゆるメリットを主張しようとします。

より説得力のある価値提案は、顧客の優先事項と裏付けとなる証拠に最も合致する成果を前面に押し出します。

ビジネス成果は、組織（顧客）の優先事項と一致して初めて有用なものとなります。

成果を価値仮説に変える

価値仮説は、選定された業務フローの成果を、検証可能な主張に変えます。

それは次のような問いに答えることができるはずです。

「現時点で分かっていることを踏まえて、このワークフローの改善はどのようにビジネス価値を生み出す可能性があり、次に何を検証すべきですか？」

価値仮説は

• 最終的な主張ではありません。

• 保証でもありません。

• 完全なROIモデルでもありません。

これ（価値仮説）は、そのプロジェクトをさらに進める価値がある場合に、何が真実となり得るのかについて、関係者の認識を一致させるのに役立つ営業ツールです。

以下は、簡易的な価値仮説のサンプルです。

「リスクアナリストは1件あたり数時間を費やして文書のレビューやメモの作成を行っているため、AIを活用した要約およびメモ作成により、アナリストによる監督機能を維持しつつ、レビューの負担と未処理案件の削減が可能となる。これは、顧客が監査サイクルの短縮と一貫性の向上を迫られているため、重要なことである。」

再利用可能なテンプレート：

【現在のワークフロー上の問題】が【ステークホルダーまたはビジネス成果】に影響を与えるため、AIを用いて【ワークフローのステップまたは成果物】を改善することで、【期待される測定可能な改善】が実現できる可能性があります。これは【顧客の優先事項】であるため重要です。

この仮説が有効なのは、検証可能なほど具体的であるためです。

この仮説では、ワークフロー上の問題、想定される改善点、期待される成果、そして顧客の優先事項が明確に示されています。また、次のステップである「証拠の確認」を行う余地も残しています。

証拠と仮定を区別する

価値仮説が信頼性を持つようになる前に、既知の事実と依然として仮定していることを区別する必要があります。

• 証拠とは、関係者がすでに伝えてくれたこと、見せてくれたこと、あるいは合理的に検証できることです。

• 仮定とは、価値ストーリーのうち、真実である可能性はあるものの、まだ証明が必要な部分のことです。

この区別を明確にすることで、より説得力のある提案が可能になります。

顧客事例を証拠として用いる場合にも、同様の区別が重要になります。ある事例は、特定のテストや経験で何が起こったかを示しているかもしれませんが、それが自動的に、別の顧客が達成するビジネス価値を証明するわけではありません。価値ストーリーで事例を使用する前に、その事例がどのような証拠を提供するかを明確にしましょう。

提示の例：

「現在（入手している証拠によると）、サポート担当者は、複数の情報源にまたがる回答の確認が困難なため、ポリシーに関する質問をエスカレーションしています。現在の仮説は、検索と情報の統合が改善されれば、回避可能なエスカレーションが減少するというものです。次の検証ステップは、業務フローの責任者と共に、ベースラインのエスカレーション率、平均検索時間、および回答品質に対する期待値を確認することです。」

根拠のない価値主張がAI導入プロジェクトの価値を弱める

根拠のない価値主張とは、説得力があるように聞こえるものの、現実の証拠に裏付けられていない大まかな主張のことです。

• AIによってチームの時間が節約されます

• これでコストが削減されます

• これでリスクが低減します

• これで迅速いROIを生み出せます

• これは御社のビジネスを変革します

こうした主張は避けられるはずの混乱や問題を引き起こします。

第一に、信頼を損ないます。上層部の関係者は大まかな技術的な約束を耳にすることい慣れています。業務フローや指標、検証プロセスを説明できなければ、その主張はビジネス分析というよりは、単なる誇大宣伝に聞こえてしまうでしょう。

第二に、プロジェクトの支援者がこうした主張を他者に伝えるのが難しくなる。

支援者は、財務、運用、技術、法務、コンプライアンス、あるいは経営陣の関係者に対して、この機会について説明する必要が生じるかもしれません。「AI が生産性を向上させる」という主張は、ワークフローの証拠がなければ擁護するのが困難です。

第三に、それらは適格性を弱めます。

チームが漠然とした価値主張に基づいて案件を推進した場合、関係者から収集されていなかった証拠の提示を求められた際に、その案件は後々行き詰まる可能性があります。

第四に、AIを単なる一般的な効率化ツールのように聞こえさせてしまう。

価値提案が「時間の節約」だけである場合、顧客はその案件を他の生産性向上ツールと比較したり、限られた実験予算の範囲内に留めたりする可能性があります。

例：根拠のない主張を価値仮説に言い換える

具体例：根拠のない主張を、検証可能な価値仮説に変える

AIの性能や導入事例が優れていても、それだけで自社のビジネスに同じ成果が生まれるとは限りません。

ここでは、CanvaとClickUpの事例をもとに、AIに関する一般的な価値の主張を、実際に検証できる「価値仮説」に変える方法を紹介します。

事例1：Canvaの場合

AIによる改善提案の品質と、実際のビジネス成果は異なる

Canvaは、GPT-6 Astraを活用して次のような分析を行ったと報告しています。

• 8,000万行を超えるコードベースの調査

• 1,000件以上のデータウェアハウスクエリの作成・分析

• 21以上の社内ナレッジソースとコミュニティからのフィードバックの活用

• これらの情報をもとにしたエンジニアリング改善案の提案

CanvaのAIプロダクト責任者であるダニー・ウー氏は、生成された改善提案について「これまでに見た中でも特に優れ、実用性の高い提案の一部」と評価しています。

しかし、提案が実際にどの程度採用・実装されたのか、ビジネスにどのような影響を与えたのかは測定されていません。

主張と価値仮説の違い

根拠のない主張

「Canvaの事例は、Astraによってエンジニアリングコストを削減できることを証明している。」

より説得力のある価値仮説

「私たちのチームは、有効なエンジニアリング改善案を見つけるために多くの時間を費やしています。AIによる分析を活用することで、レビュー担当者が改善案を確認・承認するまでの時間を短縮できる可能性があります。

実際の効果を判断するには、代表的な業務を対象に、現在の方法とAIを活用した方法のレビュー時間、提案の承認率、修正作業の負担を比較する必要があります。その結果を確認したうえで、生産性やコスト削減への効果を評価します。」

ポイント： 優れた改善案を生成できることと、実際にコストが削減されることは別です。提案の採用状況や業務時間への影響を検証する必要があります。

事例2：ClickUpの場合

出力トークンの削減率は、そのままコスト削減率にはならない

ClickUpは、5つの成果物作成タスクを対象にGPT-6 Astraをテストしました。

ClickUpのAI部門責任者であるジェイ・ハック氏は、Astraについて「信頼性を損なわず、より少ないリソースで多くの成果を生み出している」と評価しています。

報告によると、出力トークン数は次のように削減されました。

• Opus 4.6と比較して約50％減少

• Opus 5と比較して約60％減少

また、Astraは推測と根拠を区別し、ツールの実行失敗についても適切に認識していたと報告されています。

ただし、この結果を評価する際には注意が必要です。

出力トークン数はAIが生成したテキストの量を表すものであり、実際の業務コストやビジネス価値を直接示すものではありません。

この報告には、以下の情報が含まれていませんでした。

• 成果物の種類やタスクの入力内容

• 品質の評価方法と作業条件

• 入力トークン数

• 実際の総コスト

• 処理時間（レイテンシー）

また、この結果はClickUpによる顧客報告であり、独立して検証された業務評価や一般的なベンチマークではありません。

主張と価値仮説の違い

根拠のない主張

「Astraを使えば、当社のAIコストを60％削減できる。」

より説得力のある価値仮説

「私たちのチームでは、定期的に同じ種類の成果物を作成しています。Astraを活用することで、必要な品質を維持しながら、承認済みの成果物1件あたりのコストを削減できる可能性があります。

その効果を確認するため、同じ入力データと品質評価基準を使い、現在の方法とAstraを比較します。モデルの利用料金だけでなく、ツールの使用、再試行、人間による確認・修正も含めた総コストを測定し、実際の削減効果を検証します。」

ポイント： 出力トークン数が60％減ったとしても、総コストが60％削減されるとは限りません。実際に使える成果物を完成させるまでの費用と作業負担で比較する必要があります。

この2つの事例から学べること

説得力のある価値仮説には、次の4つの要素があります。

AIの導入事例や性能評価は、活用の可能性を考えるうえで参考になります。しかし、それらをそのまま自社の成果として期待することはできません。

重要なのは「AIでこれだけの成果が出る」と主張することではなく、「自社のこの業務で、このような改善が期待できるため、こうした方法で検証する」と説明できることです。

これが、単なる宣伝的な価値の主張と、具体的な検証や導入判断につながる価値仮説との違いです。

概算でAI導入の効果を見積もる

AIの活用を検討する際は、期待できる改善効果を大まかに試算し、さらに検証する価値があるかを判断することが重要です。

すべてのAI活用が、大きなビジネス成果につながるとは限りません。課題が存在していても、改善効果が小さかったり、十分な根拠がなかったりする場合があります。

この段階では、詳細なROI（投資対効果）を計算する必要はありません。まずは現在の業務量と改善の見込みから、効果の規模を把握します。

例えば、カスタマーサポートの場合

ある企業で、毎月10,000件の問い合わせに対応し、担当者が1件あたり平均4分を情報検索に費やしているとします。

現在の検索作業時間

約667時間/月

10,000件 × 4分 ÷ 60

AIで25%短縮できた場合

約167時間/月

が、削減できる可能性のある時間

このように概算することで、業務改善の潜在的な効果を具体的に把握できます。

ただし、167時間の削減が、そのまま人件費の削減や利益の増加につながるわけではありません。

実際の投資対効果を判断するには、AIの利用料金、導入費用、現場での利用率、確認・修正作業の負担、削減できた時間の活用方法なども考慮する必要があります。

この段階で重要なこと

概算の目的は、正確な投資対効果を証明することではなく、そのユースケースに、さらに調査や試験導入を進めるだけの価値がありそうかを判断することです。

効果が小さい場合や試算の根拠が不十分な場合は、前提条件を見直す、追加データを収集する、あるいは改善効果の大きい別の業務を検討することも必要です。

初期段階のプロジェクトすべてについて、直ちに算出が必要というわけではありません。

例えば以下のような場合

• ワークフローの処理量が不明な場合。

• 現在の工数やコストが不明な場合。

• 期待される改善効果が、顧客からのインプットのない推測に過ぎない場合。

• ビジネス上の成果が不明確な場合。

• 顧客が、どのワークフロー上の問題が最も重要であるかについて合意していない場合。

• 見積もりに注力すると、より重要な発見から注意がそれてしまう。

潜在的な影響を見積もるために必要な基礎的な証拠を収集することを次のステップとします。

方向性のメリットとROIを区別する

方向性のメリットの推定値は、潜在的な影響の規模を把握するのに役立ちます。ROIを算出するには、それ以上の情報が必要です。

何かをROIと呼ぶ前に、次のような前提条件が必要です：

• ソリューションのコスト

• 導入および統合コスト

• 導入支援、定着、および変更管理のコスト

• 期間

• 予想される導入率

• ベースラインのパフォーマンス

• 節約された時間が、コスト削減、収益力の向上、サービスの改善、あるいはリスク低減につながるかどうか。

• 継続的な運用およびサポートコスト

• リスク調整と信頼水準

この区別が重要なのは、節約された時間が自動的にコスト削減につながるわけではないからです。

プロジェクトごとに特化した価値ストーリーの構築

価値ストーリーとは、プロジェクトのステークホルダーがそのまま口にできる簡潔な説明です。

これには、収集したエビデンスを反映しつつ、プロジェクトの機会を十分に明確にし、議論、検証、そして進展につなげられるようにすべきです。

価値ストーリーをまとめる

• ほとんどのプロジェクトには複数のステークホルダーが関与しているため、プロジェクトの担当者は財務責任者、業務責任者、技術責任者、経営層・投資家、あるいは業務フローの責任者にそのプロジェクトを説明する必要があるかもしれません。

• 価値ストーリーの範囲が広すぎると、その担当者はそれを正確に伝えるのに苦労する可能性があります。技術的な内容ばかりだと、ビジネス担当者はその重要性を理解できないかもしれません。また、早い段階で財務的な話ばかりに偏ると、関係者は検証されていない仮定に対して異議を唱える可能性があります。

関係者の立場に合わせて価値を説明する

AI導入で期待する成果は、関係者の立場や役割によって異なります。

重要なのは、同じ事実や検証結果をもとに、それぞれの関係者が重視するポイントを明確に伝えることです。

立場によって異なる評価の視点

例えば、カスタマーサポートの場合

AIによって問い合わせ対応を効率化する場合でも、関係者によって注目する成果は異なります。

• 経営者： 顧客満足度の向上や事業全体への貢献

• 財務責任者： 対応1件あたりのコスト削減や、人員増加を抑えられる可能性

• 業務部門の責任者： 対応時間の短縮や、上位担当者への不要な引き継ぎの削減

• 情報システム責任者： 社内情報への安全なアクセスと適切な運用管理

• 現場担当者： 必要な情報を素早く見つけ、安心して回答に利用できること

これらは異なる成果を期待していますが、検証の基礎となる事実は共通しています。

重要なのは、相手に合わせて都合のよい効果を主張することではありません。

実際の業務課題や検証結果に基づき、それぞれの立場にとって何が価値になるのかを説明することで、組織全体でAI導入の意義を共有しやすくなります。

価値提案が十分に具体的かを確認する

AI導入の価値提案は、関係者が内容を理解し、次に何をすべきかが明確になっていることが重要です。

単にAIの可能性を説明するのではなく、期待される改善効果と、それを確認するための具体的な行動を示す必要があります。

価値提案をまとめたら、次の3つを確認しましょう。

1. 関係者に説明できるか？
担当者が、経営者や他部門の責任者にも導入の目的と期待する成果を説明できるか。

2. 検証すべきことが明確か？
どのようなデータや結果を確認すれば、期待する改善効果を判断できるか。

3. 次のアクションが明確か？
誰が、何を、どのように検証し、次の導入判断につなげるか。

この3つが明確であれば、AI導入の構想は、具体的な検証を進められる段階にあると考えられます。

重要なのは、AIについて議論を重ねることではなく、根拠を確認しながら、実際のビジネス成果につながるかを見極めていくことです。