営業でAIエージェントを使うには？任せやすい業務と人が判断すべき業務を整理

「営業でもAIを使ってほしいと言われているが、結局どの業務に使えばよいのか分からない」「企業調査や議事録作成は自動化できそうだが、顧客へのメールまでAIに任せてよいのか不安」。AIエージェントの導入を検討すると、このような判断で止まりやすくなります。

結論から言うと、営業でAIエージェントを活用するときは、営業担当者そのものを置き換えようとするのではなく、情報収集・整理・下書き・記録といった反復業務をAIへ移し、人は顧客理解、関係構築、提案判断、交渉、例外対応へ集中するように設計することが重要です。

インティメート・マージャーが関与した過去セミナーでも、営業組織では「売る以外の業務」に時間を取られ、本来集中すべき顧客とのコミュニケーションや判断に時間を使えないという課題が扱われてきました。

またAIエージェント活用に関するセミナー資料では、データ入力、メール送信、会議設定などの日常的な繰り返し業務をAI側へ移し、人間は戦略的思考、判断、コミュニケーションへ集中するという役割分担が示されています。

本記事では、「AIエージェントは営業で何ができるのか」という機能紹介だけでなく、営業プロセスを分解し、どこまで任せ、どこから人が判断すべきかを実務視点で整理します。

営業で使うAIエージェントとは？生成AIとの違い

営業におけるAIエージェントとは、設定された目的・業務手順・権限に沿って、必要なデータを取得し、複数の処理を連続して実行する仕組みです。

例えば、通常の生成AIでは営業担当者が、

• この企業について調べてください
• 商談で聞く質問を作ってください
• フォローメールを書いてください

と一つずつ依頼します。

AIエージェントでは、あらかじめ設定した営業プロセスに沿って、

1. 企業情報を確認する
2. 過去の接点を調べる
3. 関心テーマを整理する
4. 課題仮説を作る
5. 商談質問を作る
6. 担当営業へ通知する

といった複数工程をつなげられます。

比較項目	一般的な生成AI利用	AIエージェント
実行	人が都度指示する	条件・トリガー・手順に沿って処理する
処理範囲	要約・文章生成など単発作業	検索・評価・生成・通知・記録など複数工程
データ	主に入力された情報	許可されたCRM、社内情報、Web等を参照
人の役割	質問・編集	業務設計、権限、承認、例外判断
注意点	誤情報・要約ミス	誤判断、誤実行、権限、正式データへの誤登録

AIエージェントのポイントは、単に文章生成が自動になることではありません。

「営業担当者が毎回行っていた複数の準備作業を、一つの業務フローとしてつなげる」ことにあります。

営業AIで自動化する前に、業務を5種類に分ける

AIへ任せる仕事を考えるときは、「AIにできるか」で判断するより、営業業務の性質で分けると整理しやすくなります。

業務タイプ	例	AIへの任せやすさ
情報収集	企業情報、過去接点、ニュース確認	高い
整理・変換	要約、議事録、CRM登録候補	高い
候補生成	質問案、文面案、提案骨子	比較的高い
判断	誰に接触するか、何を提案するか	人の確認が必要
対人意思決定	交渉、合意形成、価格、契約	人が中心

特に導入初期は、情報を読む・整理する仕事から始め、顧客へ影響する仕事ほど人の承認を残すと設計しやすくなります。

AIエージェントに任せやすい営業業務

企業・担当者情報の収集

営業担当者が商談前に行っている企業調査は、AIエージェントと相性のよい業務の一つです。

• 事業内容
• 企業規模
• 対象部署
• 最近の事業動向
• 過去の自社接点
• 過去商談の内容
• 現在確認できる関心テーマ

などを複数の情報源から集め、一つの商談準備シートへ整理します。

ただし、公開情報から「この企業は必ず〇〇に困っている」と課題を断定するのではなく、「商談で確認すべき仮説」として出力します。

企業調査そのものの実践方法については、営業リサーチをAIエージェントで自動化する方法も参考にしてください。

商談前の質問・確認事項の作成

企業情報、過去接点、資料請求、ウェビナー参加、CRM記録などを踏まえて、商談で確認する質問候補を作れます。

例えば、

• 現在どの業務を見直しているのか
• なぜ今このテーマを検討しているのか
• 現在はどのような方法で対応しているのか
• 誰が導入判断に関わるのか
• どの条件が揃えば次の検討へ進めるのか

などです。

AIに「顧客の課題を当てさせる」のではなく、顧客へ確認するための質問へ変換することが重要です。

商談内容の要約・議事録整理

商談後は、会話内容から次の項目を整理できます。

• 顧客課題
• 検討背景
• 関係者
• 現在の代替手段
• 導入条件
• 懸念点
• 次回確認事項
• 次回アクション

営業担当者がゼロから議事録を書く時間を減らし、重要事項の確認へ集中できます。

ただし、AIの要約をそのまま正式な顧客情報として確定すると、解釈ミスがCRMへ残る可能性があります。

AIは登録候補を作り、人が確認して正式記録へ反映する運用が適しています。

フォローメール・提案文面の下書き

商談内容に沿って、

• お礼メール
• 質問への回答案
• 次回商談案内
• 関連資料の案内
• 社内共有用の説明文

などを下書きできます。

重要なのは、単に企業名を差し込むことではなく、商談で確認した課題・疑問・次の検討事項を反映することです。

営業タスク・次回アクション候補の作成

商談内容から、

• 資料送付
• 質問への回答
• 社内確認
• 次回商談調整
• 一定期間後の再確認

などを整理し、営業担当者へ候補として提示できます。

CRM・SFAへの入力候補作成

CRMへの入力は営業担当者の負担になりやすい業務です。

AIエージェントで、商談ログから必要な項目を抽出し、入力候補として整形できます。

入力候補	AIが整理する内容
案件ステージ	現在確認できる状態の候補
顧客課題	商談中に確認された内容
検討時期	顧客が示した予定
関係者	利用者・推進者・決裁者等
懸念事項	価格、運用、契約、社内承認等
次回アクション	双方が確認すると合意した事項

ここでも、最終確定は営業担当者が行います。

案件の抜け漏れチェック

案件情報を横断して、

• 次回アクションが設定されていない
• 一定期間更新がない
• 決裁者が確認できていない
• 顧客の懸念事項が未回答
• 営業ステージと記録内容が一致していない

などの案件を抽出できます。

営業責任者が全案件を一件ずつ確認するのではなく、「確認すべき案件候補」をAIに整理させる使い方です。

人が判断すべき営業業務

どの市場・顧客を優先するか

AIは与えられた条件から企業を抽出できます。

しかし、

• どの市場へ注力するか
• どの顧客課題を解決するか
• どの企業を戦略顧客とするか
• どの商材へ営業リソースを配分するか

は事業戦略そのものです。

「AIがスコアを高くしたから狙う」のではなく、人が営業戦略・判断基準を決め、AIはその基準に沿って候補を整理します。

顧客へ実際に接触するか

AIが「今アプローチすべき」と判断しても、そのまま連絡すべきとは限りません。

例えば、

• すでに別担当者が商談している
• 過去に連絡頻度について要望があった
• 直前に別の案内をしている
• 重要顧客である
• センシティブな課題をAIが推測している

場合などは、人が顧客との関係性を踏まえて判断します。

顧客の課題を確定する

AIは過去情報や行動から「この課題がある可能性」を提示できます。

しかし、それは顧客本人が確認した事実ではありません。

AIが作った仮説	避けたい伝え方	人が確認する質問
営業効率化に関心がある可能性	営業効率に課題がありますよね	現在、営業業務で見直している工程はありますか
データ統合に関心がある可能性	データが分断して困っていますよね	顧客データの管理で現在確認されているテーマはありますか
AI導入を検討している可能性	AI導入を進めていますよね	AI活用について現在検討されている業務はありますか

AIが作るのは質問前の仮説であり、顧客との対話によって確かめます。

提案内容を最終決定する

AIは提案骨子や資料候補を作れますが、

• どの課題を優先するか
• 何を提案しないか
• 顧客の社内事情をどう考慮するか
• 誰にどの説明をするか

といった最終判断は営業担当者が行います。

価格・契約条件・約束を決める

価格、値引き、契約条件、納期、提供範囲などは事業・顧客双方へ大きな影響を与えます。

AIが過去事例を整理したり、条件候補を提示したりすることはできますが、正式な提示・合意は人が担います。

交渉・合意形成・関係構築

BtoB営業では、商品説明だけで契約が決まるとは限りません。

顧客側で、

• 利用部門
• 導入推進者
• 責任者
• 決裁者
• 情報システム
• 法務・購買

など複数の関係者が存在する場合があります。

誰へどの情報を渡し、どの懸念を解消するかという合意形成は、人のコミュニケーションが中心になります。

AIと人の役割を営業プロセス別に整理

営業工程	AIエージェントに任せやすい業務	人が担う業務
ターゲット設計	条件別の企業候補整理	市場・顧客戦略を決定
企業調査	公開情報・CRM等の収集と要約	情報の意味を解釈
商談準備	課題仮説、質問、資料候補	仮説の優先順位を決める
顧客接触	文面・トーク案の作成	接触可否、表現、タイミングを判断
商談	記録、論点整理	ヒアリング、関係構築、仮説修正
提案	提案骨子、資料候補	最終提案、価値・優先順位を判断
交渉	過去条件・論点整理	価格・契約・例外を決定
商談後	議事録、メール、タスク候補	内容を承認・顧客へ送付
CRM	登録候補、抜け漏れ検知	正式データとして確定
案件管理	滞留・不足情報の候補抽出	案件戦略・優先順位を変更

「AIに任せるか」を決める4つの判断基準

判断基準が明確か

「この条件ならこの処理をする」と説明できる業務ほど自動化しやすくなります。

反対に、「長年の経験で何となく判断している」という業務は、先に判断基準の言語化が必要です。

間違えたときに戻せるか

社内向けの候補リスト生成は、間違えても修正できます。

一方、顧客へ誤ったメールを送信したり、誤った契約条件を提示したりすると取り消しが難しくなります。

可逆性が低い業務ほど、人の承認を強く残します。

顧客への影響が大きいか

顧客に直接影響する業務は、より慎重に扱います。

リスク	営業業務例	推奨運用
低	企業情報要約、社内資料整理	AI実行＋定期確認
中	質問案、メール下書き、CRM候補	AI生成＋人承認
高	新規メール送信、提案内容変更	原則として事前承認
非常に高い	価格、契約、重要顧客への約束	人が意思決定

AIの判断根拠を確認できるか

営業担当者へ「この企業は優先度92点です」とだけ通知しても、実務では判断しにくくなります。

例えば、

• なぜ対象になったのか
• どのデータを根拠にしたのか
• 何を推測しているのか
• 何が不足しているのか
• 別の解釈はないか

まで提示します。

AIのスコアや自動判定を営業判断そのものとして扱わず、なぜ接触するのかを人が説明できる状態にすることが重要です。

営業AI自動化は3段階で進める

支援型｜AIが作り、人がすべて確認する

最初は、顧客へ直接何かを実行させない段階から始めます。

• 企業調査
• 商談準備
• 質問案
• メール下書き
• 議事録
• CRM登録候補

をAIが作り、人が確認します。

ここで誤りや修正理由を集めます。

承認型｜社内処理を自動化し、外部実行前に承認する

次に、

• 案件候補の通知
• 営業タスクの作成
• CRM登録候補
• フォロー案の生成

などを自動化します。

顧客への送信や正式な更新は人が承認します。

限定自動型｜条件が明確な低リスク業務だけ実行する

運用が安定したら、

• 社内通知
• 承認済み資料の案内
• 候補日時の提示
• 社内タスク登録

など、条件が明確で修正しやすい業務から自動実行範囲を広げます。

「AI営業自動化＝顧客への営業活動を完全自動化すること」ではありません。

営業AIを導入する7つの手順

1. 営業プロセスを棚卸しする
2. 反復作業と判断業務を分ける
3. 一つの対象業務を決める
4. 必要なデータと正本を決める
5. AIが行える操作・権限を決める
6. 人へ戻す条件を決める
7. 営業結果を改善ループへ戻す

営業プロセスを棚卸しする

営業担当者が一週間に行っている作業を書き出します。

例えば、

• 企業調査
• 営業リスト確認
• 過去接点確認
• 商談準備
• メール作成
• 商談
• 議事録
• CRM入力
• 提案資料作成
• 案件会議準備

などです。

最初の対象業務を一つ決める

いきなり「営業活動をAI化する」と考えると範囲が広すぎます。

例えば、

• 商談前の企業要約
• 商談後の議事録整理
• フォローメール下書き
• CRM登録候補作成

など、一つから始めます。

AIが使うデータを整える

AIエージェントが営業を支援するためには、モデル性能だけではなく、利用するデータの状態が重要です。

プロジェクト内のセミナーでも、AI活用が進むほど「そもそも分析・判断に必要なデータが足りない」という課題が顕在化していることが語られていました。

例えば、

• 企業・担当者情報
• 案件ステージ
• 商談記録
• 失注理由
• 過去の営業活動
• 資料請求・ウェビナー等の接点
• 顧客からの要望・注意事項

が正しく管理されているか確認します。

CRMデータの具体的な活用については、インサイドセールスのデータ活用とは？商談化率を高める顧客理解の方法も参考になります。

AIエージェントを営業へ入れるときに決める「人へ戻す条件」

AIエージェントでは、「何ができるか」だけでなく、いつ処理を止め、人へ戻すのかを決めておくことが重要です。

人へ戻す条件	例
情報不足	顧客の役割・案件状況が分からない
情報矛盾	CRMと商談議事録で内容が異なる
重要顧客	戦略顧客、既存大口顧客
センシティブ	経営課題、人事、契約等を推測している
条件変更	価格、提供範囲、納期を変更する
例外対応	通常フローにない相談
信頼度不足	複数の候補があり判断根拠が弱い

AIが判断に迷ったときに無理に処理を続けるのではなく、人へ戻せる設計にします。

営業AIを評価するKPIは「工数削減」だけではない

営業AIを導入すると、「何時間削減できたか」に注目しやすくなります。

もちろん業務時間は重要ですが、それだけでは営業への影響を判断できません。

評価軸	確認する指標例
効率	調査時間、入力時間、商談準備時間
品質	営業担当者の修正率、誤情報率、情報不足率
利用	営業担当者の利用率、承認率
営業プロセス	フォロー速度、次回アクション設定率
成果	商談進行、案件化、受注などとの関連
顧客体験	不要な接触、重複連絡、顧客からの反応

AI導入前後で営業成果が変化したとしても、AIだけが原因とは限りません。

営業人数、商品、価格、市場環境、マーケティング施策なども影響するため、単純な因果関係として断定しないことが重要です。

営業でAIエージェントを使うときの失敗例

営業メールの完全自動送信から始める

顧客へ直接影響する業務から始めると、誤判定や文脈不足がそのまま顧客体験へ影響します。

まず下書き・通知から始めます。

AIへ判断基準まで作らせる

どの顧客を狙うか、何を提案するかは営業戦略です。

AIには判断基準を渡し、その基準に沿って処理させます。

スコアだけを営業へ渡す

「優先度90点」だけでは営業担当者が判断できません。

根拠・事実・仮説・不足情報を合わせて提示します。

CRMのデータ品質を確認せずに導入する

案件ステージや失注理由が不統一であれば、AIも不安定な情報から判断することになります。

AI導入前に正本・入力ルールを整理します。

AIの課題仮説を顧客へ断定して伝える

行動データや公開情報から推測した内容は、あくまで仮説です。

商談では確認質問へ変換します。

効率化だけを目的にする

営業担当者の作業時間を減らしても、その時間が顧客理解や提案品質の向上へ使われなければ、営業成果につながるとは限りません。

AIによって空いた時間を「何に使うか」まで設計します。

営業AIエージェント導入の実務チェックリスト

チェック項目	何を確認するか	不足している場合
対象業務を限定した	営業全体を一度に自動化していないか	1工程へ絞る
現行業務を棚卸しした	何に時間がかかっているか	営業担当者の一週間を可視化する
判断基準が言語化されている	誰が見ても一定の判断ができるか	営業ルールを整理する
利用データが決まっている	AIは何を参照するか	CRM・Web・商談情報を整理する
正式データの正本を決めた	どの情報を正しいと扱うか	CRM等の管理ルールを決める
AIの権限を限定した	どこまで読めて、何を変更できるか	必要最小限の権限にする
人の承認条件がある	どこで人へ戻すか	停止・承認ルールを作る
判断根拠が出る	なぜAIが提案したか分かるか	根拠データを出力させる
AIの仮説と事実を分ける	推測を顧客情報にしていないか	事実・仮説を別項目にする
正式登録前に人が確認する	CRMが自動的に汚れないか	候補登録方式にする
営業の修正理由を残す	なぜAI案を修正したか	修正理由を選択・記録する
改善指標がある	時間削減以外も見ているか	品質・営業成果・顧客体験を追加する

まとめ｜AIエージェントは営業担当者の代わりではなく「判断に集中するための実行役」として使う

営業にAIエージェントを取り入れると、企業調査、商談準備、質問案作成、議事録、フォロー文面、CRM登録候補、案件チェックなど、多くの反復業務を支援できます。

一方、営業で重要なのは作業量を減らすことだけではありません。

AIへ任せやすいのは、

• 大量の情報を集める
• 決められた形式へ整理する
• 候補を作る
• 抜け漏れを見つける

といった業務です。

人が残すべきなのは、

• どの市場・顧客を狙うか
• 顧客へ接触するか
• 顧客が本当に困っていることは何か
• 何を提案するか
• どの条件で合意するか
• 例外にどう対応するか

という判断です。

インティメート・マージャーの過去セミナーでも、AIへ定型・反復業務を移し、人が革新、コミュニケーション、戦略的思考、判断へ集中するという方向性が示されていました。

営業AIの目的は、人を営業プロセスから外すことではなく、人が本来向き合うべき顧客と判断へ時間を戻すことと考えると、導入する業務を決めやすくなります。