営業のための業界リサーチの進め方 — AI×専門家で「問い→ソース階層→検証→翻訳」を回す実践ガイド

商談は明後日、時間はない。生成AIに「〇〇業界の動向をSWOTで」と投げ、返ってきた四象限をそのままスライドに貼る——きれいに埋まっているが、根拠は空のままだ。業界リサーチでつまずく多くのケースは、フレームワークの選び方を間違えたからではなく、順番を間違えるから起きる。枠を先に決めても、流し込む情報の質と出所が曖昧なら、出てくる結論はもっともらしく整っているだけの空箱になる。事前準備をした商談の成功率は61.4%、しなかった場合は28.8%（UKABU2021）——問われているのは、もはや準備の有無ではなく質のほうだ。本稿は、フレームワークの解説から始めない。先に「問いの立て方」と「ソースの階層付け」を決め、検証し、自社の文脈へ翻訳する——この問い→ソース階層→検証→翻訳という順で、商談前30分でも回せる実務に落として示す。網羅と収集はAIに任せられる時代だが、問いを貴社の勝ち筋に寄せ、出てきた材料の真偽を確かめ、自社の言葉へ翻訳するのは人間の仕事だ。その二層分業が、本稿全体の背骨になる。

商談前リサーチの落とし穴 — フレームワークの前に決めるべきこと

商談前のリサーチでつまずく多くのケースは、SWOTや3C、5フォースといったフレームワークの選び方を間違えたから起きるのではない。順番を間違えるから起きる。フレームワークは「考える枠」であって「材料」ではない。枠を先に決めても、そこへ流し込む情報の質と出所が曖昧なら、出てくる結論はもっともらしく整っているだけの空箱になる。商談前にまず決めるべきは、どの枠を使うかではなく、この商談で答えるべき問いは何か、そしてその問いをどの階層のソースで裏づけるか——この二つだ。

典型的な落とし穴は、こんな形で訪れる。商談は明後日。時間がないので、生成AIに「〇〇業界の動向をSWOTで」と投げ、返ってきた四象限をそのままスライドに貼る。きれいに埋まっている。だが「機会」の欄に並んだ市場成長率には出典がなく、「脅威」に挙がった規制の名前は実在を確認していない。枠は埋まったが、根拠は空のままだ。AIの出力は希少・専門・最新の話題ほど出典を捏造しうる——この点は親ピラー「AIリサーチはどこまで信頼できるか」で実証データとともに詳しく論じたので、ここでは繰り返さない。問題は、この丸投げが特殊な怠慢ではなく、現場の構造から生まれる点にある。

株式会社UKABUの『営業準備に関する実態調査』（営業職200名、2021年6月実施）によれば、準備の必要性を感じる営業は82.0%にのぼる一方、常に準備できている営業は33.0%にとどまる。残る67.0%は毎回はできておらず、できない最大の理由は「準備の時間が足りない」（48.0%）だった。1商談あたりの準備時間は平均で約43分。必要だと分かっていても手が回らない——この板挟みのなかで、「とりあえずAIに任せる」も「とりあえずフレームを埋める」も、どちらも問いとソースの質を飛ばした近道として選ばれてしまう。

では準備そのものに意味がないかといえば、逆だ。同じUKABU調査（2021年）では、事前準備をした商談の成功率は61.4%、しなかった場合は28.8%と、約2.1倍の開きがあった。ただしこの数字は「準備の有無」の差であって、準備の質を保証するものではない。そして問われているのは、もはや有無ではなく質のほうだ。海外（Gartner『The B2B Buying Journey』）の調査では、買い手が購買検討の全期間で営業と過ごす時間は全ベンダー合計でわずか17%とされる（日本の購買行動と完全一致と断じるべき数字ではないが、会える時間が痩せていく方向性の傍証にはなる。詳細は親ピラー「日本の営業生産性はなぜ低いのか」に整理した）。会える時間が痩せたぶん、その数分に持ち込むリサーチの精度が受注を分ける。

もう一つ、海外データ（Gartner）が示す厄介な現実がある。複雑なB2B購買の意思決定者は6〜10名にのぼり、その各人が4〜5件の独自リサーチを持ち寄って社内で共有するという。つまり相手側もすでに大量に調べたうえで商談に臨んでくる。汎用フレームを埋めただけの資料では、もう差がつきにくい。差を生むのは、誰でも引ける一般論ではなく、貴社の勝ち筋に寄せた問いと、その問いを支える一段深いソースのほうだ。

フレームワークは、材料の質を保証しない。枠を埋める前に、何を問い、どこに当たるかを決める——順番を一つ入れ替えるだけで、空箱は中身に変わる。

ソースの階層という観点でいえば、最上位にあるのは一次情報、なかでも実務を知る人への直接ヒアリングだ。フレームを埋める前に一次に当たる手段は、実在する。スポットコンサルのビザスク（株式会社ビザスク）には国内外60万人超のエキスパートが登録し、国内エキスパートの約7割が現職者、約5割が上場企業勤務とされる（ビザスク2024年時点の同社開示）。ユーザベース傘下のSPEEDA EXPERT RESEARCH（ミーミル）も、実務経験者・有識者へのインタビューで市場規模や競合の生情報を取れる経路を提供している。特定サービスを推すわけではない。フレームを埋めて満足する前に、まず一次に当たれる入口があると知っておくこと自体が、準備の質を一段引き上げる。検証をどう規律として回すかは、後続のセクションで具体化していく。

だから本記事は、フレームワークの解説からは始めない。先に「問いの立て方」と「ソースの階層付け」を決め、ここさえ外さなければ、その後どの枠を使うかは大きな問題ではなくなる。網羅と収集はAIに任せられる時代だが、問いを貴社の勝ち筋に寄せ、出てきた材料の真偽を確かめ、自社の文脈へ翻訳するのは人間の仕事だ。本記事は、この順番——問い→ソース階層→検証→翻訳——で進める。

ステップ1 問いを圧縮する — 何を知れば商談が前進するか

業界リサーチの第一歩は「調べる」ことではない。「何を知れば、この商談が一歩進むのか」に問いを圧縮することだ。網羅の誘惑は強い。業界全体を見渡せば安心できるし、AIに任せれば資料はいくらでも積み上がる。だが、その安心は商談を前進させない。順序を逆にする——調べてから問いを立てるのではなく、商談を動かす問いを先に決め、そこから逆算して調べる。これが本ガイド全体の起点になる。

なぜ絞る必要があるのか。海外のB2B購買調査（Gartner）によれば、買い手が購買プロセス全体のうちサプライヤーとの面談に充てる時間はおよそ17%にすぎない。残りはオンライン・オフラインでの独自調査や購買グループ内の会議に費やされる。しかもこの17%は検討中の複数社で分け合うため、貴社が得られる接触時間はそのまた一部だ。これは欧米中心の調査で、日本の購買行動を直接測ったものではないが、傾向としての含意は重い——限られた接触時間に、相手がすでに自分で調べて知っている情報を反復しても、価値は生まれない。

さらに、複雑なB2Bの購買では6〜10人の意思決定者が関わり、各人が独自に集めた情報を持ち込む（Gartner）。つまり「業界を調べる」という曖昧な作業は、本来「この稟議で、誰のどの懸念に答える必要があるのか」へ分解できる。問いの宛先——現場・情報システム・財務・経営のどこを動かすか——を先に決めると、調べるべき粒度がはじめて定まる。

この商談の次のYESは、誰が出すのか。その人が首を縦に振るのに、まだ足りていない情報は何か。これを一行で書けたなら、問いは圧縮できている。書けないなら、まだ調べる前だ。

具体に降ろそう。製造業の情シスに提案する営業が「製造業DXの動向」を漫然と検索しても、それは買い手が独自調査ですでに通った領域でしかない。前進させる問いはむしろ「この稟議で財務が最後に詰まるのは投資回収根拠だ。同業の導入後の定量効果の相場観はどこにあるか」だ。後者は相手が整理しきれていない論点であり、ここを埋める情報こそ接触時間に値する。Gartnerは、買い手が大量の情報を整理しきれず迷う状況に着目し、情報の「意味づけ（センスメイキング）」を助ける営業の重要性を論じている。問いを圧縮する目的は、自分が物知りになることではなく、相手の意思決定の詰まりを解くことにある。

3CやSWOTといったフレームワークは、ここでは「問いを並べる箱」として使う。各セルを埋めること自体を成果にしてはならない。箱は抜け漏れのチェックに使い、各項目を「商談を動かす問い」へ翻訳して初めて意味を持つ。フレームワークの完成度と、商談の前進度は別物だ。

そして問いは一度立てて終わりではない。購買は直線で進まず、課題特定・解決策探索・要件定義・サプライヤー選定といった作業の間を何度も行き来する（Gartner）。だから問いはフェーズごとに書き換える。

• 初回訪問前は「課題特定」の問い——相手がまだ言語化できていない困りごとは何か。
• 提案直前は「サプライヤー選定」の問い——自社が要件を満たす証拠を、誰のどの懸念に対して示せるか。
• 一度作った問いリストを使い回さず、いま相手がどの局面にいるかを起点に書き直す。

圧縮された問いができたら、その先の収集——ソース階層を網羅的にたどる作業——は生成AIのDeep Research等に任せられる。だが「どの問いに答えるべきか」を決める設計と、集めた情報の矛盾を捌くセンスメイキングは、人間の仕事として残る。収集はAI、問いの設計と検証・翻訳は人間（専門家）。これが本ガイドが通底させる二層分業の入口だ。なお、AIが「資料に基づく」と称しても出力をそのまま信じてよいわけではない理由は、親ピラー「AIリサーチはどこまで信頼できるか」で実証データとともに論じている。本ステップでは再論せず、そちらに委ねる。

問いを圧縮しておくと、後段の専門家ヒアリングの費用対効果も上がりやすい。SPEEDA Expert Research（ユーザベース）やビザスクのようなエキスパートネットワークを使えば、公開情報では埋まらない残差の問いを限られた1時間に当てられる。問いの設計は、そのヒアリング設計の前工程にあたる。問いを絞れば必ず受注できる、とは言わない。だが、数少ない接触時間を無駄にしにくくなる——その確度を上げることが、このステップの目的だ。

ステップ2 ソースを階層で信頼する（一次/官公庁統計/第三者/専門家ヒアリング）

ステップ1で問いを定めたら、次はその問いに答えるための根拠をどこから取るかを決める。ここで「信頼できるソースとは何か」を一般論として論じても、商談前の数時間は埋まらない。私たちが勧めるのは、ソースを格付け表として眺めることではなく、どの主張を、どの層の根拠で裏づけ、何を人間が原典まで照合するかを着手前に一行ずつ決めてしまう、作業順序としての階層だ。なぜそもそも人間が原典に当たらなければならないのか——その構造的な理由（AIの出典捏造は専門領域ほど悪化する）は親ピラー『AIリサーチはどこまで信頼できるか』に譲り、本節は手順に純化する。

上から降りる四つの層

最上位に置くのは、無料で誰でも当たれる準一次ソースとしての官公庁統計だ。日本の政府統計は総務省が運営するe-Stat（政府統計の総合窓口）に一元化されており、各府省の統計を横断して検索・閲覧・ダウンロードできる。ここで一段だけ意識したいのが、統計の作られ方の区別である。調査や行政記録から直接作られる一次統計と、複数の一次統計を組み合わせて加工した加工統計（国民経済計算や産業連関表、鉱工業指数など）があり、後者を引くときは元の一次統計まで遡ると誤読が減る。とりわけ国勢統計や国民経済計算のような基幹統計は、統計法（2007年全部改正、2009年施行）に基づき総務大臣が指定した特に重要な統計で、報告義務と罰則（基幹統計調査の虚偽報告には統計法第61条で50万円以下の罰金）まで制度で担保されている。AIが返した市場規模や成長率は、それ自体を根拠にせず、まずe-Statの該当統計に一本遡って原典照合する——これが最短の検証ルートになる。

二つ目が一次情報そのものだ。企業の決算・有価証券報告書・IR、官報、業界団体が出す白書や原統計。数字は発行体に直接当たる。AIの要約や第三者のまとめは入口として優秀だが、終点はいつも原典に置く。三つ目が、独立した第三者の検証を経た情報——学術研究や業界調査会社のレポート、SPEEDAのような有料データベースである。ここでは「誰が出したデータか」という利害関係を一行だけ確認しておく。そして四つ目、専門家ヒアリングの層が来る。

統計でも一次情報でも埋まらない「現場の文脈」を補う

統計・一次・第三者を積んでも、「この業務フローのどこに摩擦があるか」「この当事者にとってその数字が何を意味するか」は公開情報の外側に残る。親ピラーが指摘したとおり、AIに欠けているのは文脈・判断・一次情報へのアクセスだ。それを最短で埋める実務装置が、短時間のスポット専門家ヒアリングである。日本にはその道のプロにピンポイントで相談できる仕組みが実在する。ビザスク（VISASQ）は、エキスパート専用サイトを開設した2024年時点で世界190カ国超・60万人超の知見が集まるスポットコンサルのデータベースを公式に掲げており（ビザスク公式2024。なお登録規模はその後さらに拡大している）、ユーザベースのSPEEDA EXPERT RESEARCHには、5名以上の専門家からテキストで24時間以内に回答が届くFLASH Opinionがあり、必要なら深掘りインタビューへ移行できる（ユーザベース）。ただし一人の証言は検証済みではない。専門家ヒアリングは「最上位の一次ソース」ではなく、n=1のバイアスを前提に他の層と突き合わせる読み解きの補助線、と位置づける。

• 官公庁統計（最上位の準一次・無料）: AIの数字はe-Statで原典照合。基幹統計／一次統計か、加工統計かを見分ける。
• 一次情報: 決算・有報・IR・官報・業界白書。数字は発行体に直接当たり、まとめは入口にとどめる。
• 第三者レビュー: 学術・調査会社・有料DB。「誰が出したか」の利害を一行で確認する。
• 専門家ヒアリング: 統計で埋まらない現場の文脈をスポットで補い、n=1として他層と突き合わせる。

買い手側ですら、AIが出した情報を人に検証してもらいたいと動き始めている。だとすれば、商談に持参する手土産の価値は情報量では決まらない。どの層の根拠で、誰が裏取りしたかで決まる。AIが出した「この市場は年率◯%成長」という一文を提案書にそのまま貼らず、e-Statに一本遡るだけで、それが基幹統計由来なのか誰かの推計の孫引きなのかが見える。担当替えで未知の業界に踏み込む朝なら、統計と決算で骨格を組み、最後の一問だけをFLASH Opinionで当事者に聞く——そういう層の重ね方だ。

層を上から下まで「集める・横断する」のはAIに任せてよい。どの層に格付けし、原典へ遡り、専門家の証言を他層と突き合わせるか——その検証と読み解きは、人間の側に残る。

これは本サイトが繰り返してきた二層分業そのものだ。網羅と収集はAIが速く広くこなし、検証・読み解き・翻訳は人間が担う。次のステップ3では、その「人間に残る検証」を個人の良心ではなくプロセスとして設計する作法に進む。なお、誰にどの問いを当て、どの層をどう重ねるかという運用ノウハウこそ、私たちが「貴社専用のシンクタンク」として伴走・内製支援する領域である。

ステップ3 網羅はAI・真偽は人 — 工程を分担する

ここまでで、問いを絞り（ステップ1）、ソースを階層で見立てた（ステップ2）。本章はその先、実際に手を動かす段で「どの工程をAIに渡し、どの工程を人が握るか」を決める。論点は、AIを使うか使わないかではない。AIをどの工程に置くか、である。

入口の置き換えは、もう認めてよい。OpenAIのDeep Researchに代表される自律型リサーチは、5〜30分かけて数十のソースを自分でたどり、出典付きの構造化レポートを返す（OpenAI 2025）。同種の機能はChatGPT・Perplexity・Claudeに実装されている。かつてアナリストが半日かけた一次収集が、いまは数分から30分の作業になった。網羅と速さは、もはや人が抱え込む工程ではない。ここはためらわずAIに渡す。

難所ほどAIは外す — だから網羅と真偽を切り離す

ただし、同じ道具が最難問では大きく取りこぼす。専門分野を横断する難問試験Humanity's Last Exam（人類最後の試験）で、Deep Researchの正答率は26.6%が報告された（Fortune 2025）。従来モデルの数倍に伸ばした「最高記録」とされた数字で、しかもこの試験はWebで調べられる一般知識を含むため検索のできるDeep Researchに有利な面すらある。それでも裏返せば、専門家級の難所では約73%を依然として外している。担当替えで踏み込む未知の業界、まだ誰も整理していない論点——営業リサーチが本当に値打ちを持つ領域ほど、AIの取りこぼしと取り違えは増える。なぜそうなるのか、その逆説と捏造率の一次データは第2ピラー「AIリサーチはどこまで信頼できるか」で扱ったので、ここでは繰り返さない（→詳細は親ピラーへ委譲）。

重要なのは、AIは自分自身をファクトチェックしない、という性質だ。最新の有料学術論文の多くにアクセスできず、自前で真偽を担保しないことは、報道でも指摘されている（TechRadar 2025ほか）。だから出力された出典は、生成元とは別の経路で人が当たる。これは「念のための確認」ではなく、独立した工程として組む。検証を個人の注意力ではなくプロセスで設計する理由は、第2ピラー「AIリサーチはどこまで信頼できるか」が論じたとおりだ。

AIが構造的に届かない層は、専門家ヒアリングで取りに行く

そして、AIが原理的に手の届かない領域がある。有料データベースの中身、未公開の一次資料、現場の利害判断や暗黙知。ここは人が一次情報へ独立にアクセスする工程として置く。日本には、その手段が現実に存在する。ビザスクは実名登録のエキスパートを国内23万人超・海外57万人超（合計約80万人超）抱え、500カテゴリ超の業界・職域をカバーし、年間約12万件のマッチング実績を持ち、1時間単位のスポットインタビューを組める（ビザスク2025）。SPEEDA EXPERT RESEARCH（ユーザベース）のような専門家ネットワークも同様だ。AIで網羅した「論点の地図」を手に、1時間のヒアリングで現場の一次情報を取りに行く。これを工程の一部として最初から織り込む。

工程を割る基準を、要点として置いておく。

• AIに主導させる：ソースの網羅収集、要約、草案づくり、選択肢の洗い出し。網羅性と速さで人を上回る層。
• 人が握る：一次情報への独立アクセス、出典の別経路での裏取り、真偽の照合、自社の事業・顧客・競合の文脈への翻訳、そして意思決定。
• 専門家ヒアリングで補う：有料DB・未公開資料・現場の判断など、AIが構造的に届かない一次知見。ビザスク等のエキスパートネットワークを使う。

なぜここまで真偽と翻訳に人手を投じるのか。出口の現実が、それを要求するからだ。Gartnerの調査（海外・グローバルB2B）では、買い手が購買プロセス全体で潜在ベンダーと過ごす時間は約17%にとどまり、それを全候補で分け合う——一社あたりに割り当てられる時間はさらに細る（Gartner 2020）。日本固有の数値ではないが、商談の細さという傾向は貴社の現場とも重なる場面が多いだろう。その細い時間に出す一行が、AIが貼った網羅情報のままでは負ける。網羅で稼いだ時間を、人が検証と翻訳に投じて初めて、量が「この稟議の決裁者に効く一行」へ変わる。

網羅・収集はAI、検証・読み解き・翻訳は人間。工程をこの二層に割ることが、リサーチを商談で勝てる一行に変える分かれ目になる。

私たちVRIが貴社の商談前ブリーフを組むときも、この二層で動いている。フレームワーク（3C・SWOT・5フォース）は、この工程設計の上に乗る整理の型であって、それ自体が答えを出すわけではない。材料の質と検証の規律に従属させて、初めて役に立つ。具体的な回し方は導入フローから、相談はお問い合わせから確かめてほしい。

ステップ4 自社の文脈へ翻訳する — 提案に効く一行に落とす

ステップ1から3で集め、ソースを階層づけ、一次情報に当てて検証した。それでも、ここまでの成果はまだ「素材」にすぎない。検証済みのデータをそのまま商談卓に並べても、相手の意思決定は前に進まないからだ。最後のステップは、その素材を「だから貴社にとっては○○だ」という一行へ翻訳すること。本稿が一貫して置いてきた、網羅と収集はAI、検証と読み解きは人間という分業の、最後の一段がここにある。

前提として、買い手はもう事実に困っていない。日本の法人決裁者を対象にした調査では、84.2%が営業担当者と接触する前にすでに「購買を決定づける情報」へ到達しており、67%は商談や問い合わせ以外のチャネルで購買意思を固めていた(wib2024／SalesZine報道)。事実の提供という価値は、買い手自身がほぼ自前で埋めてしまっている。第1ピラー「日本の営業生産性はなぜ低いのか」で触れたとおり、営業が買い手と会えるのは購買全期間のごく一部にすぎない。その限られた接点で渡すべきは、もう一つの未加工な事実ではなく、貴社・先方の状況に翻訳された示唆のほうだ。

「事実を足す」より「意味づけを渡す」が成約品質を決める

翻訳に経済的な価値があることは、海外を含むGartnerのB2B購買調査が裏づけている。同社の1,000名超を対象にした調査(Gartner2019)では、B2Bの購買担当者は購買プロセスで触れる情報の89%を「高品質だ」と感じている一方、その量の多さと、サプライヤー間で「信頼できるが矛盾する」情報とに圧倒されていた。情報が足りないのではなく、多すぎて意味づけられないことが意思決定を止めている。海外調査なので日本にそのまま当てはめるべきではないが、買い手が情報に溺れているという構図は、先のwibの数字とも矛盾しない。

同じGartnerの一連の調査では、情報の意味づけを助ける「センスメイキング」型の営業が、高品質で後悔の少ない取引を成約した割合が80%に達した一方、検証済みであっても事実をただ渡す「与えるだけ」の関与ではその割合がおよそ30%にとどまった、と報告されている(Gartner2019)。意思決定に最も強く効いていたのは、買い手が出会った情報への「確信」だった。検証済みの事実を並べるだけでは、買い手の確信はむしろ揺らぐ。事実を貴社の文脈で一行に翻訳して初めて、確信が成約へつながる。

翻訳の型 — 一事実を一文に落とす

抽象論で終えないために、翻訳を具体の一行で示す。たとえば検証済みの市場成長率を渡すとき、悪い例と良い例はこう分かれる。

（×）「市場は年X%成長しています」／（○）「この成長は貴社の主力SKUが属する△△セグメントに偏っており、来期の値上げ交渉の窓は今です」。前者は事実、後者は先方の意思決定に効く一行だ。

フレームワークに化けさせる必要はない。一つの検証済みの事実につき、軽い問いの型を一文で回せば足りる。

• この事実は 誰の・どの意思決定 に効くのか（先方の購買担当か、その上席か、財務か）
• だから提案では 具体的に何が言える のか（タイミング、優先度、リスク回避の根拠）
• その一行は 検証済みの素材 に立っているか（未加工の推測や、出所の怪しい数字に乗っていないか）

ここで一行の土台が崩れていては元も子もない。生成AIは希少で専門的なテーマほど出典を捏造する性質があり、その実証データと検証工程は第2ピラー「AIリサーチはどこまで信頼できるか」に譲るが、翻訳とは検証済みの事実を前提にして初めて成り立つ作業だ、という点だけは押さえておきたい。

翻訳の最後の難所は、現場知で詰める

翻訳でいちばん難しいのは、「この数字は、貴社の業界では現場で実際どう効くのか」という最後の一段だ。机上のデータだけでは、ここは埋まりきらない。日本国内でも複数のエキスパートネットワークが実在し、ビザスクやミーミル／NewsPicks Expert(ユーザベース運営)のように、現場知を持つ専門家へ短時間のスポットで相談できる手段が整っている。売り込みではなく事実として言えば、収集はAIに任せ、意味づけと翻訳は人に委ねるという分業を、こうした手段は現実的に支えている。

網羅と収集、一次調査の速さはAIが得意とする。しかし「だから貴社にとって何を意味するか」という翻訳と、その一行が本物だという保証は、人間の側に残る。先のGartnerが示したとおり、買い手の確信を生むのは情報の量ではなく意味づけの質だ。翻訳の質が確信の質を決め、確信の質が成約の質を決める。VRIが提供するのは、この収集＝AI、検証・翻訳＝専門家という二層を、貴社専用に回し続ける仕組みにほかならない。

SWOT・3C・5フォースは「当てはめ方」より「材料の質」で決まる

SWOT、3C、5フォース。商談前のリサーチで誰もが一度は枠を描く。だが、結論の質を決めるのはフレームワークの当てはめ方ではない。各セルに何を入れたか——材料の階層が、そのまま提案の説得力になる。グローバルのB2B購買調査では、買い手が比較検討中に一社の営業に割く時間は、購買プロセス全体のわずか5〜6%程度にとどまるという（Gartner、海外データ。詳細は親ピラー「AIリサーチはどこまで信頼できるか」に委ねる）。会える時間がそれだけ短いなら、その一席に持ち込む材料が薄いと、貴重な機会を一度きりで使い切ってしまう。だからこそ、枠より材料なのだ。

フレームワークは「埋める枠」ではなく「材料を整理する器」

SWOTがしばしば批判されるのは、データがなくても作れてしまう点にある（海外の方法論批判より、一般則として）。誰が埋めるかで偏り、毎年同じ項目が並び、新しい競争の切り口を生まない——その多くは枠の欠陥というより、入力した材料の薄さに由来する。同じ5フォースの枠でも、「買い手の交渉力」の欄が業界記事の又聞きで埋まっているか、経済センサス由来の事業所数と集中度で裏打ちされているかで、商談で使える結論はまったく別物になる。枠の当てはめ方をいくら磨いても、材料が薄ければ「毎年同じことが書かれたSWOT」にしかならない。

フレームワークは結論を作らない。材料が結論を作り、フレームワークはそれを並べ直すだけだ。

ソース階層を「材料の質」の軸として各セルに通す

そこで、本ガイドで通してきたソース階層を、フレームワークの各セルを測る物差しとして使い直したい。一次情報、官公庁統計、査読・第三者、そして専門家ヒアリング——この順に、表に出にくい経験知へと降りていく。たとえば市場規模や事業所数の足場は、経済センサス‐活動調査が強い。国内の全事業所・企業を同一時点で捉える5年ごとの悉皆調査で、産業分類別・地域別の事業所数や売上を提供し、行政施策だけでなく民間の経営計画の基礎資料としても広く使われている（総務省・経済産業省／データはe-Statで公開）。5フォースの「買い手の交渉力」に印象論ではなくこの一行を入れておくと、商談で「御社の業界は上位数社に需要が偏っていて」と具体に踏み込める。

一方、3Cの競合（Competitor）を公開IRと記事だけで埋めると、調達の実態や現場の温度感といった、表に出ない一段が抜け落ちる。ここを埋めるのが専門家ヒアリングの層だ。日本にもエキスパートネットワークは実在し、ビザスクは登録エキスパートが国内約23万人を含む80万人超、国内エキスパートの約7割が現職者だと公表している（ビザスク、公式サイト時点）。SPEEDA Expert Research（ユーザベース）の「FLASH Opinion」のように、質問に対して24時間以内に5名以上の専門家からテキスト回答を得られるサービスもある（ユーザベース）。該当業界の現職者に1〜2時間あてるだけで、フレームワークの一セルが、又聞きではなく経験知で埋まる。

整理すれば、各セルに対して問うべきは一つだ。

• このセルは、どの階層の材料で埋まっているか——又聞きの記事か、官公庁統計か、現職者の経験知か。
• その材料は、貴社の商談で口に出せる一行になるか——「上位数社に偏っている」「実際の調達はこう動く」と踏み込めるか。
• 埋まっていないセルを、印象論で埋めていないか——空白を放置するほうが、薄い材料で埋めるより誠実なこともある。

最後に二層分業へ接続したい。各セルを網羅的に埋める材料収集は、生成AIのDeep Researchが速い。だが「その材料が一次・官公庁・専門家のどの階層で、日本の貴社の商談にそのまま翻訳できるか」を見極める検証・読み解き・翻訳は、人間にしかできない。網羅・収集はAI、検証・読み解き・翻訳は人間——私たちVRIは、この立て付けで、フレームワークを「埋める作業」から「材料の質を問う規律」へ引き上げる。枠は変わらない。変えるべきは、そこに入れる材料の質のほうだ。

商談前30分でも回す実務チェックリスト

商談前のリサーチに何時間も割ける営業は、現実にはほとんどいない。だからこのセクションは、フレームワークの解説ではなく「30分しかなくても、問い→ソース階層→検証を上から薄く一筆書きで回す」ための具体動作に絞る。時間がないからこそ、網羅は捨てて順番と検証規律だけは守る、という割り切りである。

前提として、貴社が商談で相手と向き合える時間そのものが構造的に短い。海外の調査では、買い手が候補サプライヤーとの面談に充てる時間は購買プロセス全体の約17%、複数社を比較する局面では特定の営業1人に割かれる時間は5〜6%程度まで下がるとされる（Gartner、米国調査のため日本の数値ではない）。日本の商習慣にそのまま当てはまる固定値ではないが、「相手と直接向き合える接点は構造的に短い」という傾向自体は日本のB2B営業にも通じる。だからこそ、その短い接点に持ち込む準備の質が、商談1回の生産性を左右する。

最初の5分 — 検証する問いを1つに絞る

30分で業界を網羅しようとした時点で破綻する。まず「この商談で相手が一番気にしている経営課題は何で、私たちはそのどこを担えるか」を一行で仮置きし、その商談で検証する問いを1つに絞る。網羅を目的にせず、確かめたい仮説を立てるための5分だと考えるとよい。

次の15分 — ソース階層を上から薄く当たる

残り時間の大半は、ソースの「階層」を上から順に薄くなぞることに使う。順番が肝で、信頼度の高い一次情報から当たり、伝聞は最後に位置づける。

• 相手企業の一次情報：IR資料・採用ページ・直近3本のプレスリリース。会社自身が発した言葉から、いま何に投資し何を不安に思っているかを拾う。
• 官公庁の一次統計で業界の粗い大きさ・構造：e-Statや経済センサス‐活動調査（総務省・経済産業省）で、相手業界の事業所規模や市場の粗い大きさを無料の一次統計で当たる。最新年次は調査時点で確認する。
• 第三者の業界記事：ここで初めて伝聞に触れる。記事中の数字は、できるだけ上の一次統計まで遡って裏取りする。

なぜ官公庁統計を真ん中に挟むのか。業界記事で見かけた数字をそのまま信じず、一次統計で裏取りするための中継点になるからだ。メモの取り方も決めておく。数字は必ず出典付きで控え、確認できていない伝聞は「伝聞」と明記して区別する。この一手間が、商談で口にできる事実と、口にすべきでない受け売りを分ける。

その次の5分 — 目の前の1人でなく意思決定グループを想定する

商談相手は1人でも、その背後には意思決定グループがいる。複雑なB2B購買では6〜10人のステークホルダーが関与し、それぞれが独自に集めた4〜5個の情報を持ち寄るとされる（Gartner、米国調査）。だから準備の最後に、予算を握るのは誰か、技術評価をするのは誰か、現場で実際に使って痛むのは誰かを1枚で当てておく。目の前の担当者の言葉が、その人個人の関心なのか、背後の誰かの不安の代弁なのかを読み分ける構えができる。

最後の5分 — 埋まらない問いを「聞く問い」と「外注する問い」に仕分ける

30分で答えが出ない問いは、無理に当てずに二つに振り分ける。規制動向や現場オペの実態など、その場の検索では届かない一次知見が要る論点は、商談中に直接聞く問いとして残すか、商談後に専門家へ外注する候補として置く。即日は難しくても、ビザスク（株式会社ビザスク、国内外のエキスパート60万人超と同社は記載）やSPEEDA Expert Research（株式会社ミーミル／ユーザベース、国内約1万人の専門家、FLASH Opinionは24時間以内に5名以上からテキスト回答と同社は記載）といったスポットコンサルで、N=1の専門家に当てる問いとして仕分けておく。

30分の準備とは、すべてに答えることではない。何を今は答えないと決め、誰に聞けば答えが出るかを仕分けることだ。

この一筆書きを毎回ゼロから人手でやる必要はない。相手企業のIRと業界記事の網羅収集は、生成AIのDeep Researchに先回りさせておけばよい。そのうえで人間は「この数字は一次か、伝聞か」「目の前の商談相手の言葉にどう翻訳するか」という、機械に委ねられない判断だけに30分を使う。網羅と収集はAI、検証・読み解き・翻訳は人間という二層の分業である（この分業の根拠は親ピラー「AIリサーチはどこまで信頼できるか」で詳述している）。

商談前30分のリサーチを属人芸で終わらせず、収集→検証→翻訳の往復として仕組みにできれば、準備の質は担当者の余力に左右されにくくなる。私たちVRIは、この往復を貴社専用のシンクタンクとして内製的に回す設計をお手伝いしている。日本の営業現場で準備時間が確保しづらい構造的背景については「日本の営業生産性はなぜ低いのか」も参照されたい。

よくある質問

業界リサーチの進め方は、結局どの順番でやればいいですか。

フレームワークを選ぶことから始めないのが要点です。本稿が勧める順番は、①問いを圧縮する（この商談の次のYESを誰が出すか、その人に足りない情報は何か、を一行で書く）→②ソースを階層で見立てる（官公庁統計・一次情報・第三者レビュー・専門家ヒアリングの順に降りる）→③網羅収集はAI、真偽の検証は人と工程を分ける→④検証済みの事実を「だから貴社にとっては○○だ」という一行へ翻訳する、の4ステップです。SWOTや3C、5フォースはこの順番の上に乗る整理の器であって、枠を埋めること自体は成果になりません。順番を一つ入れ替えるだけで、空箱は中身に変わります。

AIだけで業界リサーチを完結させてはいけませんか。

完結させるな、という一点に尽きます。網羅と速さはAIに任せてよく、Deep Research型の自律リサーチは数分から30分で出典付きレポートを返します（OpenAI2025）。ただし専門分野横断の難問試験Humanity's Last ExamでのDeep Researchの正答率は26.6%で、これは記録更新の数字ですが、裏返せば最難問では約73%を外しています（Fortune2025）。担当替えで踏み込む未知の業界やまだ誰も整理していない論点ほど、リサーチの値打ちは高く、同時にAIの取りこぼしも増えます。だから収集はAI、真偽の照合と自社文脈への翻訳は人間に残す——この線引きが前提です。なぜAIが専門領域ほど出典を捏造するのかは親ピラー「AIリサーチはどこまで信頼できるか」で実証データとともに論じています。

無料で業界リサーチを始めるなら、まずどこを見ればいいですか。

最上位の準一次ソースとして、官公庁統計から入るのが堅実です。日本の政府統計は総務省のe-Stat（政府統計の総合窓口）に一元化され、各府省の統計を横断して無料で検索・閲覧・ダウンロードできます。市場規模や事業所数の足場には、全事業所・企業を同一時点で捉える5年ごとの悉皆調査である経済センサス‐活動調査（総務省・経済産業省）が強く、産業分類別・地域別の事業所数や売上を提供します。コツは、AIや業界記事で見かけた数字をそのまま信じず、e-Statの該当統計に一本遡って原典照合すること。これだけで、その数字が基幹統計由来なのか誰かの推計の孫引きなのかが見えます。

SWOT・3C・5フォースは、どれを使えばいいですか。

どれを使うかより、各セルに入れる材料の質のほうが結論を左右します。SWOTがしばしば批判されるのは、データがなくても作れてしまい、毎年同じ項目が並ぶ点にあります。同じ5フォースの枠でも、「買い手の交渉力」が業界記事の又聞きで埋まっているか、経済センサス由来の事業所数と集中度で裏打ちされているかで、商談で使える結論はまったく別物になります。各セルに対して問うべきは一つ、「このセルはどの階層の材料で埋まっているか——又聞きの記事か、官公庁統計か、現職者の経験知か」。フレームワークは結論を作らず、材料が結論を作り、枠はそれを並べ直すだけです。

商談前に30分しか取れません。それでも意味のあるリサーチはできますか。

網羅を捨て、順番と検証規律だけ守れば回せます。最初の5分で検証する問いを1つに絞り、次の15分でソースの階層を上から薄くなぞります（相手企業のIR・直近3本のプレスリリース→e-Statや経済センサスで業界の粗い規模→第三者の業界記事の順で、記事の数字は一次統計まで遡って裏取り）。次の5分で背後の意思決定グループ（予算・技術評価・現場の痛点を握るのは誰か）を1枚に当て、最後の5分で30分では答えの出ない問いを「商談中に聞く問い」と「専門家へ外注する問い」に仕分けます。複雑なB2B購買では6〜10人の関与者が各自4〜5件の情報を持ち寄るとされ（Gartner、米国調査）、目の前の担当者の言葉が個人の関心か背後の不安の代弁かを読み分ける構えが効きます。相手企業と業界記事の網羅収集はAIに先回りさせ、人間は「一次か伝聞か」「相手の言葉にどう翻訳するか」だけに30分を使うのが現実解です。