コトラ（広報チーム） 
PdMは、市場や顧客を理解し、課題を定義し、開発チームや事業部門と合意をつくりながら、プロダクトの価値を高める役割です。そのため、調査、インタビュー、要件整理、分析、資料作成など、多くの情報を扱う業務が日常的に発生します。
生成AIは、こうした業務における情報収集、整理、要約、比較、文書の下書きを速くする手段になります。ただし、AIは意思決定者ではありません。顧客課題の本質を見極めること、優先順位を決めること、関係者の利害を調整することは、引き続きPdMが担うべき仕事です。
本記事では、調査・要件整理・分析を対象に、PdMがAIを実務に組み込む方法を解説します。すぐに使える質問例、導入を定着させる90日間の進め方、情報管理と検証のチェックポイントも紹介します。
PdM業務でAI活用が求められる背景
調査・要件整理・分析に時間がかかる理由
PdM業務では、顧客の声、営業やカスタマーサポートからの要望、利用データ、競合情報、会議の議事録など、形式も粒度も異なる情報を横断して扱います。情報が多いだけでなく、同じ課題が異なる表現で記録されていたり、背景が書かれていなかったりするため、整理に時間がかかります。
実際に、数百件規模の要望を管理していたプロダクトチームでは、記載方法や粒度のばらつき、表現の違いによる重複が、優先順位付けの大きな障害になっていました。要望の整理に時間がかかるほど、PdMが戦略や価値仮説の検討に使える時間は減ります。
また、要件整理では、顧客の言葉をそのまま機能に置き換えることはできません。「こうしてほしい」という要望の背景にある不便さ、利用場面、対象ユーザー、事業上の目的を分解し、実現方法の選択肢を検討する必要があります。この変換には、情報を構造化する作業と、多面的に考える作業の両方が必要です。
AIで速くできる業務と人が判断すべき業務
AIが得意なのは、大量の文章を短時間で読み、共通点や違いを整理し、複数の案を出す作業です。具体的には、インタビューの質問案作成、議事録の要約、要望の分類、PRDの下書き、分析観点の洗い出し、報告資料の構成案作成などが挙げられます。
一方で、AIの出力には、事実と推測が混ざる可能性があります。顧客の表情や言葉の間から読み取れる違和感、社内の実行可能性、長期戦略との整合性は、入力された情報だけでは十分に判断できません。
PdMは、AIを作業の代行者ではなく、思考を広げ、論点を整理するための補助役として扱うことが重要です。AIに任せる範囲と、人が責任を持つ判断を最初に分けておくと、効率と品質を両立しやすくなります。
業務効率化で目指すべき成果と注意点
AI活用の目的は、資料を速く作ること自体ではありません。空いた時間を、顧客理解、仮説検証、関係者との対話、戦略判断に振り向けることが重要です。
業務改善の成果は、作業時間だけで評価しないようにします。たとえば、以下の観点を組み合わせて評価します。
- 調査や要件整理にかかる時間がどれだけ減ったか
- 見落としていた論点やユーザー群を発見できたか
- 関係者との認識合わせに必要な往復回数が減ったか
- 優先順位の判断根拠を説明しやすくなったか
- 顧客理解や意思決定の質が高まったか
ある大規模なプロダクトチームでは、月あたり約1,000件のユーザーや事業者からの声をAIで分類・要約し、手作業と比べて分析時間を95％削減したと報告されています。ただし、その後に重要になったのは、分類結果をもとに何を優先するかという判断でした。量が多い意見が常に重要とは限らないため、AIによる整理と、人による意思決定の枠組みを組み合わせる必要があります。
調査を速くするAI活用法
市場・競合調査の論点を短時間で整理する
市場調査では、情報を集める前に「何を判断するための調査か」を明確にします。目的が曖昧なまま検索を始めると、情報量だけが増え、結論につながりません。
AIには、まず調査テーマから確認すべき論点を出させます。たとえば、新機能の検討であれば、対象ユーザー、既存の代替手段、競合の提供価値、料金体系、導入障壁、利用頻度、関連する制度や技術の変化などを洗い出せます。
ただし、AIが示す競合情報や市場規模を事実として使う場合は、必ず一次情報や信頼できる公開情報に戻って確認します。AIには論点整理を任せ、根拠の確認は人が行う役割分担が有効です。
顧客インタビューの設計案を作成する
インタビューでは、聞きたいことを並べるだけでは不十分です。相手が実際にどのような状況で行動し、何に困り、どのように対処しているかを引き出す質問を設計する必要があります。
AIには、仮説、対象者、知りたい意思決定を渡し、質問案を作らせます。その際は、「機能への評価」ではなく「過去の具体的な行動」を聞く質問を優先するよう指示します。
たとえば、「この機能があれば使いますか」ではなく、「直近で同じ状況になったのはいつですか」「そのとき、どのような手順で対応しましたか」「最も手間がかかった部分はどこですか」といった質問です。過去の行動を聞くことで、期待や建前ではなく、実態に近い情報を得やすくなります。
インタビュー記録から課題とニーズを抽出する
インタビュー後は、録音や議事録から発言を整理し、共通する課題、異なる利用状況、未解決のニーズを抽出します。この作業は重要ですが、対象者が増えるほど時間がかかります。
AIに記録を渡す際は、単なる要約ではなく、以下のような観点で整理するよう依頼します。
- 発言者が置かれている状況
- 実際に行った行動
- 困ったことと、その影響
- 現在の代替手段
- 明示された要望
- 発言から推測される潜在的なニーズ
- 仮説を支持する発言と、反証する発言
特に、事実として語られた内容と、AIによる解釈を分けて出力させることが大切です。解釈は新しい仮説の材料になりますが、顧客が実際に言った内容と混同してはいけません。
仮説の抜け漏れを確認し、追加調査につなげる
AIは、調査結果に対する批判的なレビューにも活用できます。たとえば、「この調査結果だけでは判断できない点」「反対の結果が出る可能性がある条件」「聞けていないユーザー群」を挙げさせます。
市場や顧客に関する仮説は、支持する証拠だけを集めると偏りやすくなります。AIには、仮説を否定する観点から質問を考えさせる役割を与えると有効です。
追加調査では、すべてを深掘りするのではなく、意思決定を左右する不確実性が大きい論点から優先します。AIが出した論点をそのまま採用するのではなく、事業への影響と検証のしやすさを踏まえてPdMが選びます。
要件整理とPRD作成を効率化するAI活用法
曖昧な要望をユーザー課題と目的に分解する
要望には、解決策の形で持ち込まれるものが多くあります。たとえば、「一覧画面に項目を追加してほしい」という要望だけでは、何を解決すべきか分かりません。
AIには、要望文をもとに、ユーザー、困っている状況、現在の手順、不便さ、求めている成果、想定される解決策を分けて整理させます。これにより、機能の要望を課題の仮説へと戻せます。
重要なのは、AIが出した課題を確定情報として扱わないことです。要望の背景が不明な場合は、「確認すべき質問」として残し、顧客や関係部門へのヒアリングにつなげます。
ペルソナと利用場面を広げて検討する
一つの要望を受けたとき、代表的なユーザーだけで要件を決めると、利用場面の違いを見落とすことがあります。経験が浅いユーザー、利用頻度が低いユーザー、管理者、複数人で作業するチームなど、影響を受ける人はさまざまです。
AIには、対象ユーザーの属性や業務状況を渡し、想定される利用場面を複数出させます。そのうえで、通常の利用だけでなく、例外的なケース、利用開始時、エラー発生時、権限が異なる場合も確認します。
ただし、ペルソナや利用場面は想像だけで増やしすぎると、仕様が複雑になります。実際の利用データや顧客の声と照らし合わせ、優先して考慮すべき場面を絞ることが必要です。
要件の優先順位と判断基準を整理する
要件の優先順位付けでは、AIに評価項目を整理させることができます。代表的な観点は、対象ユーザー数、課題の深刻さ、事業への影響、戦略との一致度、確信度、実現に必要な工数やリスクです。
RICEのように、到達するユーザー数、影響度、確信度、工数を組み合わせる考え方もあります。ただし、スコアが高い施策が自動的に最優先になるわけではありません。重要顧客への影響、法令対応、将来の事業戦略など、数値化しにくい要素もあります。
AIには、各施策の評価根拠が不足している点を指摘させ、判断材料を明確にする役割を任せます。最終的な優先順位は、数式ではなく、チームが合意した判断基準に基づいて決めます。
PRDのたたき台を作成し、関係者との認識をそろえる
PRDは、なぜ取り組むのか、誰のどの課題を解決するのか、何を実現するのか、どう成功を測るのかを関係者と共有する文書です。AIは、散在したメモや調査結果から、PRDの初稿を作る用途に向いています。
AIに渡す情報には、背景、対象ユーザー、課題、目的、非目標、制約、成功指標、既存の仕様や関連資料を含めます。初稿を作らせることで、白紙から書き始める負担を減らせます。
一方で、PRDの中でも特に重要な「なぜやるのか」と「何を実現するのか」は、PdM自身が責任を持って磨く必要があります。AIが文章として整えた内容でも、顧客価値や事業意義が曖昧であれば、開発の判断基準にはなりません。
仕様の矛盾や不足をレビューする
PRDができたら、AIにレビュー役を依頼します。「対象外と書かれている内容が要件に含まれていないか」「成功指標が目的とつながっているか」「例外処理が不足していないか」「ユーザー権限や既存機能との整合性に問題がないか」といった観点で確認できます。
既存コードや仕様書を参照させる場合は、情報の整備状況に注意が必要です。不要なコードが残っていたり、名前と実際の処理が一致していなかったりすると、AIは誤った理解に基づく仕様案を出す可能性があります。
AIに仕様を読ませるほど、正しい情報源を整備する重要性が高まります。古い資料、未更新の仕様、重複した要望が混在している場合は、AI導入と並行して情報管理のルールも見直します。
データ分析と意思決定を速くするAI活用法
分析すべき指標と切り口を設計する
分析では、数字を見る前に「どの意思決定のために分析するのか」を決める必要があります。利用率が下がった理由を知りたいのか、新機能の効果を確認したいのか、解約の兆候を把握したいのかで、見るべき指標は異なります。
AIには、目的とプロダクトの利用構造を渡し、候補となる指標や分解の切り口を出させます。たとえば、利用率であれば、新規と既存、利用頻度、契約プラン、利用機能、登録経路、端末、地域、利用開始からの経過日数などの切り口が考えられます。
AIは分析の候補を広げるのに役立ちますが、相関関係だけで因果関係を判断してはいけません。指標設計では、変更した施策、季節性、キャンペーン、外部環境などの影響も考慮します。
数値変化の要因に関する仮説を出す
数値が変化したとき、AIに考えられる要因を複数出させると、調査の出発点を速く作れます。仮説は、プロダクト内の変更、ユーザー構成の変化、計測の不具合、外部要因、競合状況などに分けて考えると漏れを減らせます。
このとき、AIには「事実として確認済みの要因」と「未検証の仮説」を明確に分けるよう依頼します。仮説の数が多すぎる場合は、影響が大きいもの、短時間で検証できるもの、放置した場合のリスクが大きいものから確認します。
分析におけるAIの価値は、正解を即座に出すことではなく、確認すべき可能性を広げることにあります。
自由記述や問い合わせ内容を分類・要約する
ユーザーアンケートの自由記述、レビュー、問い合わせ、営業メモなどの定性情報は、重要である一方、量が増えるほど活用しにくくなります。AIは、文章の分類、重複する論点の統合、代表的な発言の抽出、傾向の要約に活用できます。
分類の精度を上げるには、先に分類軸を定義します。たとえば、対象機能、課題の種類、要望か不具合か、影響の大きさ、ユーザー属性、緊急度などです。分類軸をAI任せにすると、毎回異なる基準で整理され、継続的な比較が難しくなります。
分類結果は、一部を人が目視で確認し、誤分類の傾向を把握します。分類ルールや具体例を追加して再実行することで、継続的に精度を高められます。
分析結果を意思決定用の資料に変換する
分析結果をそのまま共有しても、関係者が判断しやすいとは限りません。意思決定に必要なのは、数字の一覧ではなく、何が起きているのか、なぜそう考えるのか、次に何をするのかです。
AIには、分析結果をもとに、報告資料の構成案を作らせます。構成は、結論、根拠、解釈、選択肢、推奨案、未解決の論点という順にすると、議論が進みやすくなります。
ただし、AIが作成した資料は、伝える相手に応じて人が調整する必要があります。経営層には事業への影響と判断事項を、開発チームにはユーザー課題と実装上の制約を、営業やサポートには顧客への影響を中心に伝えるなど、相手ごとに焦点を変えます。
AIの出力をうのみにしない検証の進め方
AIを分析に使う場合は、再現性と検証可能性を確保します。特に、SQLや分析コード、計算結果、統計的な解釈を使う場合は、AIの出力をそのまま実行・共有してはいけません。
検証では、以下を確認します。
- 元データの期間、対象、抽出条件が正しいか
- 指標の定義が組織内で合意されているか
- 集計単位や重複除外の方法が適切か
- 比較対象が妥当か
- 数字の変化を別の切り口でも説明できるか
- AIの説明に根拠があるか
- 結論を覆す反対の可能性を検討したか
AIは分析作業の補助になりますが、分析の責任を引き受ける主体ではありません。数字の意味を理解し、意思決定に使える状態にすることは、PdMと分析担当者の役割です。
業務別に使えるAI活用の実践テンプレート
調査前に論点と仮説を整理する質問例
以下は、市場調査や顧客調査を始める前に使える質問例です。自社の情報を入力する場合は、社内ルールに従い、個人情報や機密情報を必要に応じて伏せたうえで使用します。
- 新規機能の検討に向けて、調査すべき論点を整理してください。対象ユーザーは［対象］、検討中の課題は［課題］、意思決定したいことは［判断したい内容］です。市場、顧客、競合、代替手段、実現上の制約に分けて整理してください。
- 次の仮説を検証するために、支持する証拠と反証となる証拠をそれぞれ挙げてください。追加で確認すべき情報も示してください。仮説は［仮説］です。
- この調査計画について、見落としているユーザー群、利用場面、失敗要因を批判的に指摘してください。
インタビュー結果からインサイトを抽出する質問例
インタビュー記録を扱う場合は、顧客名、連絡先、案件固有の情報などを必要に応じて削除または置き換えます。
- 以下のインタビュー記録から、発言事実と解釈を分けて整理してください。発言事実は引用に近い形で、解釈は仮説として記載してください。
- 各発言について、利用状況、行動、困りごと、現在の対処法、求めている成果、未確認事項に分類してください。
- 複数のインタビュー記録を比較し、共通する課題、特定の条件でのみ起きる課題、矛盾する意見を整理してください。
- 次回のインタビューで確認すべき質問を、優先度順に10件作成してください。質問の目的も添えてください。
要件の抜け漏れを点検する質問例
- 以下の要件をレビューしてください。対象ユーザー、利用開始時、通常利用時、例外発生時、権限の違い、既存機能との連携、失敗時の対応、計測要件の観点で不足を指摘してください。
- この要件について、ユーザー課題、事業目的、機能要件、非機能要件、対象外の範囲、成功指標に分解してください。不明な点は推測せず、確認事項として列挙してください。
- このPRD内にある矛盾、前提の飛躍、判断根拠が不足している箇所を指摘してください。修正案ではなく、まず問題点と確認すべき質問を示してください。
分析結果から次の打ち手を検討する質問例
- 以下の数値変化について、考えられる要因を、プロダクト内の変更、ユーザー構成、計測上の問題、外部要因に分けて列挙してください。事実と仮説を明確に区別してください。
- この分析結果をもとに、次に検証すべき仮説を提案してください。各仮説について、必要なデータ、確認方法、判断基準、想定されるアクションを示してください。
- 経営層向けに、結論、根拠、リスク、判断してほしい事項の順で、1ページ分の説明案を作成してください。数値の解釈に不確実性がある箇所は明記してください。
プロンプトの精度を高める前提情報の渡し方
AIの出力品質は、質問の巧拙だけでなく、前提情報の質に大きく左右されます。依頼時には、少なくとも以下を渡します。
- AIに担ってほしい役割
- 作業の目的と最終的に決めたいこと
- 対象ユーザーと利用状況
- すでに分かっている事実
- 現時点の仮説と不確実な点
- 制約条件や対象外の範囲
- 出力形式と、求める詳しさ
- 事実と推測を分けるルール
また、一度の依頼で完成を目指すよりも、論点出し、構造化、下書き、批判的レビューのように工程を分ける方が、内容を確認しやすくなります。AIとの対話履歴を残し、良い結果が出た依頼文を再利用できる形にすることも重要です。
PdMがAI活用を定着させる90日ロードマップ
最初の30日で対象業務と評価基準を決める
最初の30日では、AIを使う業務を広げすぎないことが重要です。調査、要望整理、PRD作成、定性分析、報告資料作成などから、頻度が高く、作業時間を測りやすく、失敗時の影響が限定的な業務を一つ選びます。
対象業務を決めたら、現状の作業時間、成果物の品質、手戻りの回数、関係者の満足度を記録します。AI導入後に何が変わったかを判断する基準になるためです。
同時に、利用できるAIツール、入力してよい情報、確認が必要な情報、成果物の最終責任者を明確にします。個人の試行から始める場合でも、最低限の情報管理ルールは必要です。
次の30日で小さく試し、作業時間と品質を測る
次の30日では、実際の業務でAIを試します。最初から全工程をAIに置き換えるのではなく、要約だけ、分類だけ、下書きだけというように、限定した工程から始めます。
評価では、時間削減だけでなく、成果物の品質を確認します。たとえば、要件整理であれば論点の漏れ、分析であれば誤った解釈、資料作成であれば意思決定に必要な情報の不足を確認します。
AIで短縮した時間と、人による確認にかかった時間を分けて記録すると、実際の効果を把握しやすくなります。確認に時間がかかりすぎる場合は、入力情報や出力形式、対象業務の選び方を見直します。
最後の30日でチームの型として共有する
最後の30日では、個人の工夫をチームで再現できる形にします。成果が出た業務について、利用目的、入力情報、プロンプト、確認手順、利用上の注意点をまとめます。
共有時には、成功例だけでなく、うまくいかなかった例も残します。たとえば、要望データの形式がばらばらで分類精度が上がらなかった、古い仕様書を参照して誤った要件案が出たといった失敗は、次の改善につながる重要な知見です。
チーム内で短時間の共有会を設け、実際の入力と出力を見せながら説明すると、利用のハードルを下げられます。全員に同じ使い方を求めるのではなく、業務ごとに使える型を増やしていく考え方が有効です。
活用事例とプロンプトを再利用できる形で残す
再利用できる形で残すべきものは、プロンプトだけではありません。どのような前提情報を与えたか、どの出力を採用したか、どこを修正したか、最終的にどのような成果につながったかも記録します。
プロジェクトごとに、背景、調査結果、意思決定、下書き、会議メモを整理しておくと、AIも人も文脈を参照しやすくなります。情報を置く場所やファイル名、更新責任者を決めることは、AI活用の土台です。
プロンプトは、用途別に分類します。たとえば、調査設計、インタビュー整理、要件レビュー、定性分析、資料構成、批判的レビューといった形です。使った人が改善案を追記できるようにすると、チーム全体の資産になります。
AI活用で失敗しないためのチェックポイント
機密情報と個人情報を入力する前に確認する
PdMが扱う情報には、顧客の発言、契約に関わる情報、利用ログ、未公開の事業計画、開発中の仕様など、取り扱いに注意が必要なものが含まれます。AIに入力する前に、自社の利用ルール、契約条件、利用するサービスの設定を確認します。
特に、入力内容がAIの学習に使われない設定になっているか、利用するアカウントが会社で管理されたものか、データの保存先や閲覧権限が適切かを確認します。必要に応じて、氏名、企業名、連絡先、契約情報などを匿名化・抽象化します。
顧客から預かった情報は、自社の情報以上に慎重な扱いが必要です。入力してよいか判断に迷う場合は、自己判断で進めず、情報セキュリティや法務の担当者に確認します。
出力内容の事実確認と根拠確認を徹底する
生成AIは、もっともらしい文章を作れますが、正確である保証はありません。市場情報、法律、数値、競合機能、技術仕様などを扱う場合は、必ず根拠を確認します。
確認では、出典が実在するか、情報が最新か、文脈を取り違えていないかを見ます。AIが示した情報をもとに、公式サイト、一次資料、社内の正式な記録に戻る習慣を持つことが重要です。
また、AIに外部情報やアップロードした資料を読ませる場合、資料内に意図しない指示が含まれている可能性にも注意が必要です。AIの出力に不自然な指示や、目的と関係ない提案が含まれていないかを確認します。
AIに任せる範囲と最終判断者を明確にする
AIを使う業務では、「誰が最終的に責任を持つか」を曖昧にしないことが重要です。たとえば、AIが要望を分類しても、優先順位の決定者はPdMです。AIがPRDの下書きを作っても、要件の承認者はチームの責任者や関係部門です。
特に、顧客への回答、公開資料、契約、重要な仕様変更、データに基づく投資判断では、人による確認と承認を必須にします。AIによる効率化は、責任の所在をなくすための仕組みではありません。
役割分担を明確にすることで、チームは安心してAIを使えます。AIには、整理、比較、発散、下書き、レビューを任せ、人には、目的設定、事実確認、優先順位付け、合意形成、最終判断を任せる形が基本になります。
効率化だけでなく顧客理解の深さを評価する
AI活用が進むと、資料作成や分析の速度は上がります。しかし、画面の前で情報を処理する時間が増え、顧客と直接話す時間が減れば、PdMとしての価値が下がる可能性があります。
AIによって生まれた時間は、顧客インタビュー、利用観察、営業やサポートとの対話、現場の業務理解に使うことが重要です。AIは既存情報を整理する力を持ちますが、まだ存在しない一次情報を自ら取得することはできません。
PdMにとって重要なのは、AIを使って速く仕事を終えることではなく、より深く顧客を理解し、より良い意思決定を行うことです。AIを活用するほど、人にしかできない観察、対話、判断、合意形成に意識的に時間を使う必要があります。
