新規事業の生成AI活用｜アイデア出しから社内承認までの進め方とプロンプト例

生成AIの進化は、目が離せないほどのスピードで進んでいます。数ヶ月前まで最先端だったモデルが、いつの間にか一世代前になっている。新しい機能や使い方を追いかけるだけでも、片手間では済みません。

その生成AIを新規事業に実際に活かすとなると、難易度はさらに上がります。どの業務に使えるのか、どこはまだ人の判断に任せるべきなのか。その見極め自体が簡単ではありません。加えて、使い方の手順も定まっていないため、担当者は自分でひとつひとつ調べながら試すしかない状況に置かれています。

本記事では、この2つの難しさを踏まえた上で、新規事業のどの工程に生成AIを使うべきか、そして実際にどのプロンプトをどの手順で使えばアイデア出しから社内承認まで進められるのかを、具体例を示しながら解説します。

新規事業×生成AIをめぐる市場の変化

新規事業担当者が抱える3つの壁

新規事業を任された担当者には、実務経験が乏しいまま任されるケースが少なくありません。成功した新規事業の担当者は事業部長として現場を離れ、また経験の浅い人材がゼロから担当するという構造が、多くの企業で繰り返されていると言われています。

この構造の中で担当者が直面する悩みは、大きく3つに整理できます。1つ目は、アイデアが思いつかないという悩みです。何を新規事業のテーマにすればよいのか、そこで手が止まってしまいます。2つ目は、アイデアを考案できたとして、その次に何をするべきなのかがわからないという悩みです。どのような調査をするべきなのか、本当にこのアイデアは筋がいいのか、今ある情報をどのように解釈をすればいいのか、という状態に陥りがちです。3つ目は、進め方が分かっていても着手できないという悩みです。新規事業を専任で担当できる企業は多くなく、既存業務との兼務の中で、検証や資料作成に割ける工数そのものが不足しているというケースが目立ちます。

この3つの壁を踏まえると、生成AIが新規事業の現場で急速に注目を集めている理由が見えてきます。1つ目と2つ目の壁には、多角的な視点でアイデアの数を担保し、新規事業推進を全体としてどのような順序や優先順位で行うべきなのかのサポートとして機能します。そして、見落とされがちなのが3つ目の壁への効果です。新規事業開発の担当者は、企画書や稟議、資料作成に週3時間以上を費やしている人が61.8%、社内事例や過去調査の探索に週3時間以上を費やしている人が54.6%にのぼります（出典：ファインディ株式会社×株式会社インテージ「AI時代の新規事業開発 実態調査」）。兼務で時間が足りない担当者にとって、この時間を圧縮できるかどうかは、新規事業を前に進められるかどうかに直結します。

新規事業の立ち上げ方全体の流れについては以下の記事も参考にしてください

新規事業の武器としての生成AI市場

新規事業開発の現場でも、生成AIの導入は急速に進んでいます。ファインディ株式会社と株式会社インテージが2026年3月に実施した調査（新規事業開発や商品企画に関わるビジネスパーソン622名が対象）によると、部門または全社レベルでAI活用が標準化されている組織は55.0%にのぼり、試行中の組織を含めると76.2%が何らかの形でAIを導入しています。

ただし、実際の活用内容を見ると、文字起こしや要約といった定型業務が中心で、本格的に活用しているのは約3割にとどまります。アイデア創出や事業性評価など、判断を伴う上流工程での活用はまだ限定的です。全社でAI活用が標準化されている組織においても、その効果を十分に実感できていると回答したのは14.1%にすぎません。

つまり、新規事業開発における生成AIは、導入されているかどうかを競う段階をすでに終え、使いこなせているかどうかが問われる段階に入っています。道具は行き渡ったのに、成果につなげられている担当者はまだ少数派だというのが実情です。

Claudeの進化速度に見る生成AIの現在地

生成AIの進化速度を象徴する出来事が、2026年に入ってから立て続けに起きています。

Anthropicは2026年4月7日、開発した最新モデル「Claude Mythos Preview」について、一般公開を見送ると発表しました。このモデルは、WindowsやmacOS、主要なWebブラウザに潜む未知の脆弱性を、人間の専門家を超える精度で発見する能力を持っていました。実際に、27年間見つかっていなかったOpenBSDの脆弱性や、16年前から存在していたFFmpegの脆弱性を特定しています。公開を見送った理由は、脆弱性の修正を効率化する技術が、そのまま脆弱性の悪用も効率化してしまうためです。安全な運用を約束しない主体が同様の能力を手にするまで、そう長くはかからないという判断があったと説明されています（出典：AI新聞「『危険すぎて公開できない』Anthropicが新AIモデルの一般公開を見送り」）。

このモデルが示しているのは、処理速度が上がったという話ではありません。人間の専門家が何十年も気づけなかった見落としを、AIが見つけ出せるようになったという事実です。

この精密さは、セキュリティ分野だけの話ではありません。ソフトウェアのバグを見つけるのも、事業計画の矛盾を見つけるのも、決められたルールや前提の中から見落としを探すという点では、同じ構造の作業です。新規事業の実務に置き換えると、この精度は、市場に眠る機会を発見することよりも、プログラムのバグを見つけるのと同じ精密さで、自分たちの事業計画に潜む論理的な矛盾や抜け漏れを検出することに活きます。AIが学習しているのは、あくまで市場に存在するデータの範囲であり、そこから逸脱した潜在ニーズを言い当てることはできません。これは学習時点で固定された知識の限界であり、後から検索結果や資料を読み込ませて情報を補うこととは別の話です（この違いは第5章で改めて扱います）。一方で、一人や少人数で練り上げた事業計画には、気づかないロジックの穴や、途中で一貫性が崩れている箇所が紛れ込みがちです。その計画をAIに読み込ませ、どこに穴があるか、どこで論理が崩れているかを検証させれば、人間だけで見直すよりもはるかに精度の高いレビューができます。

2ヶ月後の6月9日、Anthropicは「Claude Fable 5」と、その上位モデルである「Claude Mythos 5」を発表しました。Fable 5は、数日がかりの複雑な作業をこなせる一般提供モデルとして設計されています。Mythos 5は、Mythos Previewで一般公開が見送られたサイバーセキュリティ能力を受け継ぎ、限定された組織にのみ提供されます（出典：Business Insider Japan「アンソロピックの新モデルは『長時間働くAI』。Claude Fable 5が示す企業エージェントの次段階」）。

新規事業の担当者にとって、この「数日がかりの複雑な作業をこなせる」という進化は見過ごせません。市場調査、競合分析、事業計画の策定こそ、数日がかりの複雑な作業だからです。これまで担当者が時間をかけて積み上げるしかなかった工程を、AIに任せられる範囲が広がりつつあります。

わずか2ヶ月の間に、一度は公開を止めたモデルが、制限付きとはいえ実際に使われる段階まで進んだことになります。生成AIの進化速度は、四半期単位ではなく月単位で測るべき段階に入っているといえるでしょう。

Vibe Codingの普及とエンジニアの働き方の変化

生成AIの進化は、エンジニアの働き方そのものも変えつつあります。自然言語で意図を伝えるだけでAIがコードを生成・実行し、対話しながら開発を進める手法はVibe Codingと呼ばれ、2025年2月にAndrej Karpathy氏がX（旧Twitter）で紹介したことをきっかけに急速に広まりました。

ここで区別しておきたいのが、「AIコーディングツールを使う」ことと、開発の主導権をAIに渡す「Vibe Coding」は同じ概念ではないという点です。前者は自動補完やコードレビュー支援なども含む広い言葉で、後者は自然言語の指示でAIに開発そのものを進めさせる、より踏み込んだスタイルを指します。

Stack Overflow Developer Survey 2025によると、AIコーディングツールを使用している、または使用予定と回答した開発者は84%に達し、2024年の76%から上昇しました。一方で、同調査では72%の開発者が「Vibe Codingは自分の専門的なワークフローの一部ではない」と回答しています。広い意味でのAI活用はすでに主流になっている一方、Vibe Codingという特定のスタイルを開発プロセスの中心に据えるべきかどうかは、エンジニアの間でもまだ判断が分かれているということです。GitHub Copilotを利用している開発者に限ると、生成されるコードの46%がAIによるものになっているというデータもあります（出典：GitHub Octoverse）。

この数字が示しているのは、AIが実際のコーディングや開発そのものを担えるレベルに達しつつあるという事実です。専門知識を持つエンジニア自身が、当たり前のようにAIを使って開発するようになったということは、ソフトウェアを形にするという作業の間口が、エンジニアだけのものではなくなりつつあることを意味します。新規事業の担当者にとって、これは他人事ではありません。アイデアを実際に動くものにする作業が、エンジニア以外の手にも届く範囲に入ってきているからです。ただし、最終的なセキュリティ対策やインフラの構築には、依然としてエンジニアの専門知識が欠かせません。間口が広がったのは、アイデアを形にする最初の入り口の部分です。

だからこそ新規事業に生成AIを使うべき理由

ここまで見てきた動きに共通するのは、変化の速さです。セキュリティ分野で人間を上回る発見能力を持つモデルが、公開停止からわずか2ヶ月で実用段階に進みました。エンジニアの8割以上が、すでにAIを使った開発を経験しています。それでいて、新規事業開発の現場でAIの効果を十分に実感できている担当者は、全社導入済みの組織でも14.1%にとどまっています。道具は行き渡ったのに、使いこなせている人はまだ少ないというのが現在地です。

担当者が様子見を決め込んでいる間にも、生成AIの実力と普及は、その想定を上回るペースで進んでいます。

だからこそ、新規事業にも今から生成AIを取り入れるべきです。新規事業の担当者は、多くの場合、専任ではありません。限られた時間の中でアイデアを考え、検証し、社内を説得する必要があります。生成AIは、その時間的制約を埋める道具として機能します。様子見をしている間に、生成AIを使いこなす競合が先にアイデアを形にし、検証を終え、社内承認まで進めてしまいます。「使うかどうか」を迷う段階は、すでに終わっています。残っている問いは、「どこに、どう使うか」です。次章では、この問いに具体的に答えていきます。

新規事業における生成AIの得意・不得意な領域

生成AIを新規事業タスクで採点してみたら

ここから先は、生成AIを実際に使う場面を扱います。本記事ではClaudeを例に説明しますが、ChatGPTやGeminiでも同じことができます。使い慣れているものや、自分に合ったものを選んでください。

新規事業の実務に生成AIを使ってみると、得意な工程と、まだ人に任せるべき工程がはっきり分かれます。

情報整理やリサーチの要約は、生成AIが最も力を発揮する領域です。大量の資料を読み込ませて要点を抽出させたり、複数の視点から論点を整理させたりする作業は、人が半日かけていた工程を数分に圧縮できます。

アイデアの候補出しも、数を出す作業自体は生成AIに任せたほうが速く済みます。ただし、出てくる案の中身には注意が必要です。切り口を変えて数十件出させても、どこかで見たことがあるような案が並びやすく、突飛な、いい意味で予想を裏切るような案はなかなか出てきません。これは生成AIの仕組みに起因します。生成AIは、学習したデータの中でもっともらしい続きを予測して出力する仕組みであり、学習データの範囲を超えた発想は原理的に苦手だからです。

事業計画の策定になると、得意不得意がさらにはっきりします。検討すべき観点を洗い出したり、決まった前提に沿って収益シミュレーションの数字を組み上げたりする作業は、生成AIが得意とするところです。一方で、その数字が現実の市場をどこまで正確に反映しているか、競合の直近の動きや社内の意思決定者が何を重視するかといった、文書化されていない情報を踏まえた判断は苦手です。勝ち筋の戦略を決めるような、責任を伴う意思決定を任せることはできません。

「AIは考えられない」の真意

生成AIがここまで進化しても、埋められない溝があります。国立情報学研究所で「東ロボくん」の開発を率いた新井紀子教授は、AIは意味を理解しているのではなく、膨大なデータから統計的なパターンを抽出しているだけだと指摘しています。

生成AIの仕組みは、直前までの文脈をもとに、次に続く可能性が高い言葉を予測して並べているだけです。この仕組みである以上、生成AIが出す答えは、学習したデータの範囲を超えることができません。いわば、決められた箱庭の中でしか考えられないということです。偶然、人間の想定を超えるアイデアが混ざることはあり得ますが、頻繁には起こりません。

だからこそ、ロジックだけでは説明のつかない、人の感情や琴線に触れるようなアイデアを生み出すことは、今も人にしかできない仕事です。

一方で、その手前の工程は、生成AIに助けてもらう価値があります。人間が一人で思い出せる事例や技術の組み合わせには限りがありますが、生成AIは、その範囲をはるかに超えた組み合わせを、疲れることなく大量に試すことができます。この物量を土台として使い、そこから先の飛躍を人間が担うという役割分担が、実際に機能する使い方だといえます。

この「組み合わせ」という考え方には、古くからの裏付けがあります。オーストリアの経済学者ヨーゼフ・シュンペーターは、20世紀初頭にイノベーションの本質を「新結合」と定義しました。まったく新しい発明ではなく、既存の技術や資源、市場を、それまでになかった形で組み合わせることこそが、新しい価値を生み出すという考え方です。スティーブ・ジョブズも、創造性について同様の趣旨の発言を残しています。創造性とは物事をつなげることに過ぎず、独創的に見えるアイデアも、経験の断片を組み合わせた結果にすぎないという考え方です。

unlockの3要素掛け合わせフレーム

組み合わせが重要だとしても、何と何を組み合わせればよいのかが分からなければ、実務では使えません。unlockでは、新規事業のアイデアを「自社情報」「成長領域」「ビジネスモデル」という3つの要素の掛け合わせとして整理しています。

1つ目の自社情報とは、自社が持つ技術や商品だけを指すのではありません。知見、顧客との関係、取引先、製造力、設計力、営業チャネル、人材、拠点、知名度、信頼、提携先まで、自社にひもづくあらゆる資産を指します。

2つ目の成長領域とは、今後拡大が見込まれる市場や、社会的なニーズが強まっている領域です。

3つ目のビジネスモデルとは、その組み合わせをどのような収益構造で事業化するかという設計です。

この3つの要素のうち、自社でなければ用意できないのは1つ目の自社情報だけです。成長領域や、ビジネスモデルの型は、世の中にすでに存在する情報や知見をもとに整理できるため、生成AIが得意とする領域です。自社情報さえ整理できれば、残り2つの掛け合わせは生成AIに任せられるということであり、ここに生成AIを使わない理由はありません。

この3つを掛け合わせるという発想を持つと、自社情報の棚卸しが最初の一歩になります。特に技術を起点にする場合は、コア技術そのものを洗い出し、その技術が持つ特性を精査し、他の用途に転用できないかを検討するという3段階で進めると、見落としが減ります。

新規事業でAIに任せてよいこと、任せてはいけないこと

ここまでの内容を整理すると、新規事業における生成AIの役割分担が見えてきます。

任せてよいのは、ビジネスモデルや成長領域などの情報整理、アイデアの候補出し、たたき台の作成、壁打ちの相手です。いずれも、正解が一つに定まらず、量を出すこと自体に価値がある作業です。

任せてはいけないのは、事業計画の最終判断、社内の力学を踏まえた戦略決定、そしてリスクを取るという意思決定そのものです。これらは、責任の所在が問われる作業であり、AIが出した答えをそのまま採用してよい領域ではありません。

生成AIは、新規事業を担当者の代わりに進めてくれる魔法の杖ではありません。担当者が本来やるべき仕事に集中できるよう、周辺の作業を引き受けてくれる道具です。次章では、この役割分担を踏まえて、実際に生成AIへ何をどう入力していくかを、手順とプロンプト例で見ていきます。

【実践】生成AIで新規事業アイデアを作る

前章で見た通り、生成AIはアイデアの量出しや情報整理を得意とし、最終的な選別や判断は人が担うことで機能します。ここでは、3要素のうち自社情報を軸にして、実際に生成AIを使ってアイデアを作る流れを、プロンプト例とともに4つのステップで見ていきます。

STEP1 自社情報を5要素で整理する

実際に生成AIへ入力する情報を、5つの要素に分けて整理します。

1つ目は基本情報です。業種、拠点数、従業員数など、会社の輪郭を示す情報です。2つ目はコア・コンピタンスです。自社が最も優位性を持つ経営資源で、技術力とは限りません。例えば電気設備の工事会社であれば、全国に展開する技術者のネットワークや、長年の取引で培った信頼そのものがコア・コンピタンスになり得ます。3つ目は、技術情報とそこから広がる機能や価値です。コア技術を分解し、本来の用途以外にどのような機能や価値を提供できるかを洗い出します。4つ目はネットワークです。販売ルートや取引先を、謙遜せずにすべて書き出します。5つ目は組織です。意思決定の速さやガバナンスの体制、支社網なども、新規事業の実現可能性に関わってきます。

生成AIは長文の情報を読み込む能力が高いため、これらの情報は要点だけに絞らず、背景や具体例を含めて構造的に伝えるほうが、精度の高いアイデアにつながります。長ければよいわけではなく、情報が整理された形で具体的であることが重要です。

STEP2 制約条件を設定する

アイデアを大量に出してもらう前に、除外条件を伝えておくと、後工程が大きく楽になります。過去に検討して失敗したアイデア、社内で通りにくいと分かっているテーマ、法務や倫理の観点で扱いにくい領域などを、あらかじめ箇条書きで生成AIに伝えます。

制約条件を設定するというと、発想の幅を狭めるように聞こえるかもしれません。しかし実際には逆で、新規事業の支援現場でも、まったく自由な状態より、制約がある状態のほうがクリエイティブな発想が生まれやすいという実感があります。この段階では、質の高いアイデアを1つ狙うのではなく、量を出すことを優先します。生成AIは疲れることなく、何十パターンでも提示できるためです。

STEP3 数を出して比較する

自社情報と制約条件を伝えたら、アイデアを複数出してもらいます。1つずつ深掘りするのではなく、まず20から30程度の案を並べ、それぞれを一覧できる形で比較します。

STEP1から3は、実際には1つのプロンプトにまとめて生成AIに渡すのが効率的です。

プロンプト例

「以下は当社の情報です。これを踏まえて、新規事業のアイデアを検討してください。 【当社の情報】 ・基本情報：電気設備工事業、全国5拠点、従業員110名 ・コア・コンピタンス：全国に展開する技術者ネットワーク、30年の取引実績による信頼 ・技術情報と機能・価値：高圧電気設備の設計・施工技術、遠隔監視技術 ・ネットワーク：官公庁、大手ゼネコン、地域工務店との取引関係 ・組織：意思決定は本社の技術担当役員が最終承認 【除外する条件】 ・過去に検討して失敗した『訪問診断サービス』は除外する ・電気工事士の資格がなければ施工できない業務は除外する ・初期投資1億円を超える事業は除外する 【依頼内容】 上記を踏まえ、新規事業のアイデアを30件、一覧の形で出してください。それぞれについて、当社の強みとの近さ、想定される市場規模、実現までの難易度を5段階で評価してください。」

比較の軸は、自社の強みとの近さ、市場規模、実現までの難易度など、いくつか決めておくと選びやすくなります。この段階の目的は、有望な案を1つに絞ることではなく、次の工程に進める候補を数件に絞り込むことです。

STEP4 ターゲット、マネタイズ、プロモーションを具体化する

候補が数件に絞れたら、それぞれを具体化します。ここで欠かせないのが、ターゲット、マネタイズ、プロモーションという3つの視点です。

誰に向けた事業なのか、ターゲットの解像度を上げます。どのように収益を上げるのか、マネタイズの課金形式や単価の見立てを立てます。どうやって顧客に知ってもらうのか、プロモーションの方向性を描きます。

プロンプト例

「案◯（絞り込んだ案）について、以下を具体化してください。 ・ターゲット：誰に向けた事業か ・マネタイズ：どのように収益を上げるか ・プロモーション：どうやって顧客に知ってもらうか」

ターゲット設定の具体的な進め方については以下の記事も参考にしてください

この段階で生成AIから返ってくる回答は、まだ検討が浅い粗いものに過ぎません。表面的な回答をさらに掘り下げるよう、追加の質問を重ねることで、企画書として使える解像度に近づいていきます。

ハルシネーションを防ぐ工夫

生成AIを使う中で注意したいのが、事実に基づかない情報がもっともらしく生成されるハルシネーションです。市場規模や競合の情報など、数値が絡む場面ほど注意が必要です。

対策として有効なのは、根拠を明示するよう求めること、公開されているデータであれば出典のURLを示させることです。ただし、URLが提示されただけで安心してはいけません。生成AIは、実在しないURLをもっともらしく作り出すこともあるため、示されたURLには実際にアクセスし、書かれている内容が本当にそこにあるかを人の目で確認する必要があります。加えて、社内資料や信頼できる情報源を積極的に読み込ませること、そして分からないことは分からないと答えさせることも有効です。それでも、生成AIが示した情報をそのまま使わず、最後は人の目で確認するという工程は省略できません。

※社内資料を読み込ませる場合、学習への利用有無は「法人向けだから安全」といった括りで決まるものではなく、契約しているプランの設定や規約によって変わります。利用している生成AIの利用規約や管理画面の設定を、必ず個別に確認してください。

ここまでのSTEP1から4を一通り試すだけなら、慣れれば数十分で終わります。第1章で見た3つの壁のうち、兼務で時間が取れないという3つ目の壁に対して、生成AIが最も直接的に効くのが、このアイデア創出の初期工程です。

生成AIによる新規事業プロセスの大転換

前章のステップを踏めば、アイデアの解像度は上がります。しかし、アイデアが良いかどうかは、頭の中で考えているだけでは分かりません。次に必要なのは、そのアイデアを実際に形にして、確かめることです。

PoC（概念実証）のあり方を変えるプロトタイピングの高速化

新規事業のアイデアが固まった後、次に立ちはだかるのがPoC、概念実証の壁です。これまでPoCで動くプロトタイプを用意するには、エンジニアやデザイナーへの依頼、あるいは開発会社への外注が必要で、着手から数週間から数ヶ月という期間がかかるのが一般的でした。

この前提を崩しているのが、自然言語で指示するだけでAIがコードを生成し、動くアプリケーションを作り上げる開発スタイルです。Claude CodeやCursor、Lovable、Replit、Boltといったツールを使えば、非エンジニアであっても、Web画面上で実際に動くレベルのモックアップを数日、場合によっては数時間で用意できるようになっています。セキュリティやインフラ周りの設計は別途専門知識が必要ですが、アイデアを触れる形にするまでのハードルは大きく下がりました。

新規事業の担当者にとって、この変化の意味は二重にあります。1つは、プロトタイプ制作にかかる時間そのものが圧縮されたことです。もう1つは、エンジニアではない担当者自身の手で、それができるようになったことです。これまでは、良いアイデアがあっても、それを形にする段階で技術者の手を借りる必要があり、担当者は依頼する側としてしか関われませんでした。今は、担当者自身がプロトタイプに触れながら手直しできるため、外部に依頼していた時間とコストを圧縮できるだけでなく、アイデアの検証プロセスそのものを担当者が主導できるようになっています。

PoCの設計方法については以下の記事も参考にしてください

検証サイクルの高速化

動くプロトタイプが数日で用意できるようになると、次に変わるのが顧客検証のスピードです。

新規事業のアイデアは、思いついた時点では検証されていない仮説にすぎません。仮説である以上、実際の顧客に触ってもらい、反応を確かめて初めて価値が固まります。紙の企画書や口頭の説明では伝わらなかった使用感や不満点も、動くものを見せれば具体的なフィードバックとして返ってきます。

これまで、プロトタイプを1つ作って検証し、修正してまた作り直すというサイクルには、数ヶ月単位の時間がかかっていました。生成AIによってプロトタイプ制作の時間が数日に圧縮されれば、同じ期間の中で検証と改善を何度も回せるようになります。検証の精度は量をこなすほど上がっていくため、このサイクルの高速化こそが、生成AIが新規事業にもたらす最大の変化だといえるでしょう。

モノづくり新規事業にも広がる応用範囲（LP制作、CADデータ形状作成等）

生成AIによる高速化は、Webサービスやアプリだけの話ではありません。ものづくりを伴う新規事業でも、応用範囲が広がっています。

新規事業の多くは、単体のハードウェアだけで完結するのではなく、販売用のLP（ランディングページ）や、顧客とのやり取りを支えるシステムと組み合わさって初めて事業になります。この周辺部分は、これまで見てきた通り、生成AIで大幅に時間を圧縮できる領域です。

製品そのものの設計についても、AIの活用が進んでいます。ジェネレーティブデザインと呼ばれる手法では、強度や重量、コストといった複数の制約条件をアルゴリズムに与えると、条件を満たす設計案を多数自動で提案させることができます。航空機メーカーのAirbusは、機体内部の間仕切り壁の設計にこの手法を活用し、強度を保ちながら部品を大幅に軽量化しました。

新規事業の担当者がCADの専門知識を持っている必要はありません。設計の初期段階でAIに複数案を出させ、そこから専門家と一緒に絞り込むという進め方をすれば、モノづくりの新規事業でも、検討の初速を上げることができます。

新規事業担当者のための生成AI使い分け術

目的別の生成AI使い分け方

新規事業の実務では、複数の生成AIを目的に応じて使い分けることが、成果につながります。

アイデアの壁打ちや、長文の資料を読み込ませた上での深い考察には、文章の一貫性を保ちながら長い対話を続けられるタイプの生成AIが適している傾向があります。Claudeはその代表例です。

最新の情報を踏まえた市場調査や競合の動向確認には、Web検索と連携した生成AIが適しています。ChatGPTやGeminiは検索機能を備えており、情報の出典を確認しながら調べ物を進められます。

資料のたたき台やプレゼンテーション用の文章作成には、複数のAIを試して比較するのも有効です。同じ指示を与えても、AIによって出てくる文章の切り口が変わるため、比較すること自体が発想を広げるきっかけになります。

生成AIで整理した内容を上司に提出する前に、別の生成AIに読ませてレビューさせるという使い方も有効です。1つのAIとの対話だけで完結させると、その癖や見落としに気づけないままになりがちです。別のAIに抜け漏れや矛盾がないかを確認させることが、提出前の最後のチェックとして機能します。

そして、動くプロトタイプを作る段階では、前章で触れたClaude CodeやCursor、Lovable、Replit、Boltといった開発特化のツールが力を発揮します。

1つのAIですべてを完結させようとせず、工程ごとに得意なツールへ切り替えることが、新規事業担当者にとっての生成AI活用の基本です。

孫正義氏に学ぶAI活用術

生成AIとの向き合い方は、経営者の使い方からも学べます。

ダイヤモンド・オンラインの記事によると、ソフトバンクグループの孫正義氏は、あるインタビューでChatGPTをディベートの相手にしており、部下と議論するより面白いと語ったと報じられています（出典：ダイヤモンド・オンライン「孫正義氏もやってる？年商2億円『ひとりメーカー』実践者が教える4つのAI活用法」）。経験豊富な経営者であっても、AIとの対話を思考のパートナーとして取り入れていることがうかがえます。

壁打ちの応用として、AIに特定の役割になりきってもらうロールプレイの手法もあります。性格や思考の傾向が大きく異なる2つの立場をAIに演じさせ、あるテーマについて議論させると、自分一人では気づけなかった視点の違いが見えてきます。新規事業のアイデアを、複数の異なる立場から検討したいときに応用できる手法です。

生成AIで「動くもの」を武器に社内承認を勝ち取る

「動くプロトタイプ」はなぜ企画書より効くのか

新規事業の社内提案でよくある光景に、文章と図だけの企画書が並べられ、決裁者が実感を持てないまま議論が進む、というものがあります。

言葉で説明された事業と、実際に触れる画面とでは、伝わる情報量がまったく違います。決裁者は、実際に動く画面を目の前にすると、使い勝手や見た目の印象について、具体的な感想を口にしやすくなります。抽象的な説明に対する「よく分からない」という反応と比べ、動くものに対する反応は、次の議論につながる具体的な指摘になりやすいという違いがあります。

第4章で見た通り、プロトタイプの制作にかかる時間は数日単位まで縮まっています。企画書を練り込む時間の一部を、動くものを用意する時間に振り向けたほうが、社内提案の説得力は上がりやすいといえます。

プロトタイプを持って想定顧客に話を聞きに行く

動くプロトタイプができたら、社内で発表する前に、まず想定顧客に見せに行くという順番をお勧めします。

社内の会議室で決裁者を説得しようとする前に、実際にお金を払う可能性がある相手に触ってもらい、率直な反応を確かめます。プロトタイプがあれば、口頭では聞き出しにくかった「使うか使わないか」「いくらなら払うか」といった踏み込んだ質問もしやすくなります。

顧客の声はなぜ社内を動かす最強の材料になるのか

想定顧客からのフィードバックは、社内提案における最も強い証拠になります。

担当者がどれだけ市場性を主張しても、それは社内の一意見にすぎません。しかし「実際に見せたお客様がこう言っていた」という事実は、担当者の主観を離れた、外部からの検証結果として扱われます。決裁者が懸念しがちな「本当に売れるのか」という問いに対し、想像ではなく実際の反応で答えられることが、この材料の強みです。

上司や社内の評価者にとっても、実際の顧客の声は、担当者個人の意見より重みを持って受け止められやすい材料です。ただし、これは声の大きさで反論を封じるための道具ではありません。何人に、どのような条件で聞いた反応なのかを明記せずに使うと、少数の声を根拠に押し切るという、第7章で見る「鵜呑み」と同じ構造の問題になってしまいます。企画書には、ヒアリングした人数や対象者の属性もあわせて記載し、その反応がどの程度の裏付けを持つのかを正直に示す必要があります。

企画書の中に、想定顧客の発言をそのまま引用する形で盛り込めば、決裁者は自分自身の判断ではなく、顧客の反応を根拠に意思決定できるようになります。

決裁者の反論をAIに演じさせ、事前に洗い出す

顧客の声に加えて、社内向けの備えとしてAIを使う方法もあります。

決裁の場で出てきそうな反論を、事前にAIに演じさせておくという使い方です。財務担当役員やリスク管理部門の立場をAIに与え、その視点から提案の弱点を指摘させると、想定していなかった懸念点が事前に見えてきます。本番の会議で不意を突かれる前に、想定問答を用意しておくことができます。

社内で通りやすい切り口をAIに分析させる

社内には、会社が向かおうとしている方向性や、評価されやすいテーマの傾向があります。中期経営計画や、過去の社内ビジネスコンテストの募集要項には、こうした方向性が言葉として表れています。

社内ビジネスコンテストを成功させる要因については以下の記事も参考にしてください

これらの資料をAIに読み込ませ、自社が重視しているキーワードや評価軸を抽出させると、提案書の中でどの言葉を使い、どの効果を前面に出すべきかが見えてきます。人が資料を読み込んで傾向を掴むには時間がかかりますが、AIであれば短時間で整理できます。

新規事業の評価基準の設計方法については以下の記事も参考にしてください

新規事業における生成AI活用のよくある失敗と対策

新規事業そのものが陥りやすい失敗パターンについては以下の記事も参考にしてください

ここでは、その中でも生成AIの活用によって起きる、あるいは増幅される失敗に絞って見ていきます。

「作れてしまう」からこそ起きる技術先行の罠

生成AIを使った新規事業で、繰り返し起きている失敗があります。それは、誰のどんな課題を解決するのかを決める前に、機能を作り始めてしまうというものです。

この失敗自体は、生成AI以前から存在する古典的な失敗パターンです。ただし、生成AIの時代には、この罠に陥りやすさが増しています。理由は単純で、以前よりも簡単に、何かが形になってしまうからです。第4章で見た通り、AIに指示を出せば、数日で動くプロトタイプが完成します。作れてしまうという事実が、誰に向けた機能なのかを深く考える前に、着手を後押ししてしまいます。

対策は次の3点です。

– 誰のどんな行動を変えたいのかを一文で書き出しておく

– その一文が曖昧なままなら、いったん手を止めて要件を練り直す

– 機能を作る前に、想定ユーザーに「これがあったら使うか」を一言で確認する

AIが出したアイデアを検証せず鵜呑みにする

2つ目の失敗は、AIが出した市場規模やアイデアの評価を、そのまま真実として受け止めてしまうことです。

第2章で見た通り、生成AIは意味を理解して答えているわけではなく、もっともらしい文章を生成しているにすぎません。市場規模の数字や競合情報が、実際には存在しないデータに基づいていることもあります。AIが自信を持った口調で答えるほど、その内容を疑わずに受け入れてしまうリスクは高まります。

対策は次の3点です。

– AIが出した数字や事実は、必ず一次情報にあたって裏を取る

– 特に市場規模や競合情報は、示された出典URLに実際にアクセスして確認する

– 「その情報の根拠は」とAI自身に問い直す

「隙のない資料」が逆に信頼を失う

3つ目の失敗は、生成AIで作った資料が、整いすぎていることでかえって聞き手の信頼を失うことです。

生成AIを使うと、見た目の整った「綺麗な資料」は簡単に作れます。しかし、聞き手や読み手の側も、そうした資料に触れる機会が増え、「これはAIが作ったのだろう」と見抜けるようになってきました。整いすぎた資料に対して、ある種の飽きが生まれているのが実情です。

この現象の背景には、生成AIが「何が重要か」を選び取れないという仕組みの限界があります。第2章で見た通り、生成AIは学習したデータのパターンをもっともらしくなぞっているにすぎず、要素の間に優先順位をつける判断軸を持ちません。その結果、資料はあらゆる要素を盛り込もうとし、取捨選択や強弱がつけられないまま、すべてが同じ粒度で並ぶ情報過多な状態になりがちです。あえて情報を削り、聞き手からの質問や指摘を引き出す「隙」を作るという工夫も、生成AIにはできません。

整った資料であること自体は、もちろん重要です。しかし、そこに書き手自身の考えや、何を重要と考えるかという重み付けを込められるかどうかこそが、今のAI時代に問われている部分だといえます。

対策は次の3点です。

– 資料の要素を、一旦全て生成AIに出させる

– 一番伝えたい主張を一つに絞り、その他を思い切って50％削減する

– あえて説明を省く箇所を残し、質問や議論の余地を作る

「作って終わり」で止まり、事業として実装されない

4つ目の失敗は、プロトタイプまでは作ったものの、そこで満足してしまい、事業として実装されずに終わることです。

これも、生成AIが安く早くプロトタイプを作れるようになったことの副作用です。以前であれば、プロトタイプ制作に相応の予算と時間を投じていたため、その投資を回収しようという意識が働き、次の工程に進む力が働いていました。生成AIによって制作コストが下がった結果、逆に「作ったこと」自体が目的化し、その先の事業化へ進む動機が弱まりやすくなっています。

対策は次の3点です。

– プロトタイプを作る前に、検証後に何を判断するかの基準を決めておく

– Go・ピボット・撤退の基準を、あいまいな言葉ではなく数値で先に定義する

– 検証結果が出た時点で、次のアクションを即断する

PoCに関する具体的に気をつけるべきことは以下の記事も参考にしてください

判断基準の具体的な設計方法（撤退基準）については以下の記事も参考にしてください

粗い試作品では正しい検証ができず、「検証した」という事実だけが残ってしまうこともあります。MVPの正しい設計方法については以下の記事も参考にしてください

生成AI時代の新規事業に必要な「実行力」

新規事業における生成AIの活用法を、市場の変化から実践的な使い方、社内承認の勝ち取り方まで見てきました。生成AIの進化速度はすでに月単位で測るべき段階に入っており、様子見をしている余裕はありません。同時に、生成AIは新規事業を代わりに進めてくれる魔法の杖ではなく、任せてよい作業と任せてはいけない判断を切り分けて使う道具でもあります。アイデア出しから検証、社内承認まで、生成AIが担当者の工数を圧縮できる場面は着実に広がっています。

それでも、最後に事業を前に進めるのは、AIではなく担当者自身です。AIが出したアイデアの中から何を選ぶか、プロトタイプを持って誰に会いに行くか、社内のどこに切り込んで承認を取り付けるか。これらの判断と行動は、生成AIがどれだけ進化しても、人に残り続ける仕事です。

生成AIによって、アイデアを考えるための土台作りにかかる時間は、大きく圧縮されるようになりました。だからこそ、その先の実行力の差が、新規事業の成否を分ける時代になっています。

新規事業のアイデアを生成AIで大量に出すこと自体は、どの企業でもできるようになりました。だからこそ、そのアイデアが本当に顧客に求められているかを検証し、社内承認まで実行しきる伴走者の価値が、これまで以上に問われています。

unlockの新規事業支援サービスについては以下のページも参考にしてください