1. イントロダクション —— 準備の精度が、AIの精度を決める

AIは「言葉」ではなく「構造」で理解します。
Vol.1では、営業の現場で日常的に使われるChatGPTやGeminiなどのAIが、どのように人の思考の整い方を読み取っているのかを解説しました。

今回のVol.2では、その思想を「実際の準備データ」に落とし込みます。
つまり、AIが仮説を立て、提案を作り、振り返りを行う前段階、「Beforeフェーズ（接触前）」に整えるべき情報を具体的に見ていきます。

多くの営業は、AIを使ってリストを作らせたり、情報を検索させたりといった「使い方」から入ります。
それ自体は決して誤りではありませんが、AI活用の本質はそこではありません。
AIが高精度に動けるかどうかは、入力側（あなた側）の構造設計力にかかっています。

たとえば、どんなに優秀なAIでも、Driveの中が「最終版」「最新版」「本当の最新版」だらけであれば、何を参照すればいいか判断できません。
AIに「リストを作って」と頼む前に、AIが読める形で情報を整える。
これが、AIを鍛える営業への第一歩です。

AIが理解できる「構造」は、どんな現場でもつくれます。
CRMやSFAがなくても、スプレッドシートとDrive、チャット履歴があれば十分です。
重要なのは、AIが探せる・読める・再利用できる形で情報を置いておくこと。
それだけで、仮説づくりや顧客理解の精度は見違えるように変わります。

本記事では、営業のBeforeフェーズに焦点を当て、次の3つの視点から整理していきます。

1. AIを動かす前に整える「現場の土台」
2. AIがファイルをどう「読む」のかを理解する
3. 「リサーチ／リスト／準備資料」をAIに読まれる構造で整える

Vol.1で紹介した「AIに読まれる構造を整える思想」を、実際の情報設計・環境整備・データ準備へとつなげる導入編です。

では次のセクションから、CRMやSFAがない現場でも実践できるAIを動かす前に整える「現場の土台」について詳しく見ていきましょう。

2. AIを動かす前に整える「現場の土台」

AIを動かす前にまず必要なのは、情報の棚を整えることです。
どんなに高性能なAIを使っても、情報が散らかったままでは正確に判断できません。
営業現場でのAI活用を支えるのは、実は最新ツールではなく、整った情報環境なのです。

2-1. CRMがなくても、AIは動かせる

AIを営業で活用すると聞くと、多くの人はまず「CRMやSFAの導入」を思い浮かべます。
しかし、AIが必要としているのはシステムそのものではなく、整理された情報構造です。

GoogleやMicrosoftのクラウド上の共有ドライブやメール、Teams、Slack、スプレッドシートといった、すでに現場にあるツールでも十分にAIは機能します。
ポイントは、「どこに、どんな情報が、どのような形式で存在しているか」を、AIが判断できるようにしておくことです。

こうした整備をしておくだけで、AIが「どの情報を参照すべきか」を理解しやすくなります。
ドライブの中身を「AIが探せる棚」にしておくことが、CRMの代わりになる最初の一歩です。

2-2. 非デジタル情報の整形も前処理のうち

営業現場では、まだ紙の資料や手書きのメモが残っていることも少なくありません。
AIを活用するには、これらをAIが読める形に変換しておくことが重要です。

スマートフォンのカメラ機能やOCR（文字認識）ツールを使えば、メモや議事録も簡単にテキスト化できます。
Google LensやiPhoneのライブテキストを使って画像を読み取り、「議事録2025-03-15商談メモ.txt」といった形で共有ドライブに保存しておくだけで、GeminiやClaudeが要約や検索に活用できるようになります。

AIは内容の正確さよりも、「構造の明示」を重視します。
つまり、完全な文章よりも、いつ・誰が・何のために書いた情報なのかが分かる状態の方が強いのです。

たとえば、以下のようにメモを変換しておくと、AIは即座に理解できます。

date: "2025-03-15"
type: "商談メモ"
client: "ABC株式会社"
summary: "AI需要予測ツールの導入を検討。ROIを重視している様子。"
next_action: "4月上旬に再打ち合わせ予定。"

「整った雑さ」は「散らかった完璧さ」よりもAIにとって価値があります。
情報を完璧にまとめようとするより、まずはAIが読める粒度で置いておくことが大切です。

2-3. AIが探せるとはどういうことか

AIにとって「探す」とは、私たちが想像する検索とは少し異なります。
AIは共有ドライブやコミュニケーション履歴のすべてを自由に閲覧しているわけではありません。
実際には、ファイル名・更新日・所有者・フォルダ構造などのメタ情報を手がかりに、関連性の高いファイルを絞り込みます。
そのうえで、必要に応じて本文を取得し、内容を解析します。

このとき、AIが「どの資料を優先して読むか」は、

• ① メタ情報の整い方（命名規則・更新日・分類構造）
• ② ファイル内容の関連性（セマンティックスコア）
• ③ ユーザーの質問文との一致度
  の3つの要素で決まります。

つまりAIに読まれるというのは、単に「ファイルを共有する」ことではなく、メタ情報で文脈を整えることでもあるのです。

AI活用を始める際に必要なのは、新しいツールの導入ではなく、秩序の設計です。
共有ドライブやコミュニケーション履歴を「AIが読める棚」に変えるだけで、後の工程（Vol.3〜7）で扱う「構造化」「リスト化」「仮説形成」が驚くほどスムーズになります。

AIに仕事を任せる前に、まずAIが仕事を始められる環境を整える。
それが、営業AI活用における本当のスタートラインです。

次のセクションでは、その「AIが読む」という行為そのものをさらに掘り下げます。
ChatGPT、Claude、Geminiといった代表的なAIがファイルをどのように読み取っているのか。
Googleドライブ参照・直接入力・直接アップロードの違いを理解することで、AIの精度を決める「読み方の設計」について整理していきましょう。

3. AIがファイルを読むとはどういうことか

AIに「資料を読んで要約して」と頼むと、あたかも人間が文章を読むように理解しているように見えます。
しかし実際のAIは、私たちのように順番に文章を読んでいるわけではありません。
AIが行っているのは、「情報を構造として再構築する」ことです。

つまり、AIが見ているのは文章そのものではなく、「この文章の中にどんな項目があり、どう関係しているか」という構造のパターンなのです。

3-1. 「読む」と「解析する」は違う

AIがファイルを扱うとき、内部では次の3ステップが行われます。

AIはこのように、「検索→取得→解析」という手順で動きます。
したがって、「読む」というよりも「構造化して再構築する」という方が正確です。

3-2. ファイル名と構造がAIの理解を左右する

このとき最初にAIが頼りにするのがメタ情報です。
とくにファイル名やフォルダ構造の整理具合は、AIの精度を大きく左右します。

たとえば、こんな2つの例を比べてみましょう。

❌ よくある構成

提案書_最新版.pdf
提案書_最終版.pdf
提案書_本当の最終版.pdf

✅ 整った構成

2025-09-30_proposal_A社_v1.pdf
2025-10-02_proposal_A社_v2.pdf
2025-10-05_proposal_A社_final.pdf

昔から言われる「どれがFixデータなの？」問題はAIにおいても同様なのです。
AIもまた「最終版」「最新版」といった曖昧な表現を解釈できません。
しかし、ファイル名に日付・社名・バージョンが含まれていれば、メタ情報の段階で「どれを読むべきか」を高精度に判断できます。

同じことはフォルダ・ディレクトリ構造にも言えます。

/営業資料/提案書/A社/2025/
/営業資料/議事録/A社/2025/

と整理されていれば、AIは「提案関連」「議事録関連」といった関係性を自然に把握します。
つまり、AIが読む前に、文脈をフォルダで設計することが最初の理解支援なのです。

3-3. ファイルの中でAIが注目している要素

AIは本文の中でも、「どこに何が書かれているか」を重視して解析します。
特に以下の3要素は、AIの理解精度を大きく左右します。

これらはYAMLやMarkdown、JSONといった構造的フォーマットの考え方に近く、AIは「どの情報が、どの役割で置かれているか」を優先的に解析します。

たとえば、次のような提案書の冒頭を比較すると

❌ 書き方1（散文）

A社向けのサービス改善提案です。
課題としては顧客対応の遅延とリード管理の煩雑さが挙げられます。
そのため、CRM統合を含む改善策を提案します。

✅ 書き方2（構造明示）

client: "A社"
issues:
  - 顧客対応の遅延
  - リード管理の煩雑さ
proposal: "CRM統合による業務効率改善"

AIが後者を読むときは、「顧客名」「課題」「提案」がそれぞれの役割として一瞬で認識され、要約・抽出・比較といった処理が格段に早く、精度も高くなります。

3-4. 「読みやすさ」ではなく「読ませやすさ」を設計する

AIにファイルを読ませるうえでもっとも大切なのは、人間にとっての読みやすさ＝AIにとっての読みやすさではないという点です。

人間にとって心地よい文章は、文脈を補いながら理解できる余白があります。
しかしAIは、曖昧な部分を補うのではなく、構造を基に推論します。
つまり、AIにとっての「読みやすさ」とは「構造が整っていること」なのです。

💡 まとめ

• AIがファイルを読むとは、「構造を抽出し、再構築する」こと。
• 「検索→取得→解析」という工程のうち、検索段階での整備（メタ情報）が最重要。
• 「ファイル名・フォルダ構造・見出し・ラベル化」の4点を整えるだけで、AIの精度は驚くほど変わる。
• 人間の読みやすさではなく、「AIにとっての読ませやすさ」を設計することが、Beforeフェーズの最初の整備です。

次のセクションでは、実際に営業現場でAIを活かすための「リサーチ／リスト／準備資料」の整え方を具体例とともに紹介します。
AIが読める情報とは何か、その構造を実務レベルで設計していきましょう。

4. リサーチ・リスト・準備資料をAIに読まれる構造で整える

AIを営業で活用するうえで最初に整えるべき情報は、「Beforeフェーズ（接触前）」にあります。
つまり、リサーチ（情報収集）／リスト（顧客整理）／準備資料（提案の前段階）の3領域です。
これらは営業活動の出発点であり、AIの仮説生成や提案精度を左右する「燃料」となります。

では、それぞれをAIが「読める構造」に整えるには、どんな工夫が必要なのでしょうか。

4-1. リサーチ：AIが「文脈」をつかみやすい情報整理

AIに市場分析や顧客調査を依頼するとき、多くの人は検索キーワードを渡すだけで終わってしまいます。
しかし、AIにとって重要なのは「調べる対象」だけでなく、「調べる文脈」です。

たとえば次のような入力を比較してみましょう。

❌ 曖昧な依頼

A社の情報を調べて

✅ 構造的な依頼

target: "A社"
industry: "製造業"
purpose: "商談前の事前調査"
focus:
  - 経営課題
  - 最新ニュース
  - 競合比較

後者のように目的や視点を分けて構造化しておくと、AIは検索範囲と抽出基準を自動的に最適化します。
つまり、「何を知りたいか」よりも「どう分類しておくか」が成果を決めるのです。

また、AIが過去の調査結果を再利用できるよう、クラウド上の共有フォルダでは以下のような整理をおすすめします。

/リサーチ/
　├─ 業界別/
　│　├─ 製造業/
　│　└─ 不動産/
　├─ 顧客別/
　│　├─ A社/
　│　└─ B社/
　└─ トピック別/
　　　├─ AI導入事例/
　　　└─ 競合比較/

このように、業界・顧客・テーマの3軸で分類しておくと、AIは検索の際に「どこを参照すべきか」を判断しやすくなります。

4-2. リスト：AIが扱いやすい表構造で整える

AIが得意とするのは、表やリストといった構造化データの解析です。
そのため、顧客リストやターゲット候補をAIに読ませる際には、項目のラベルと粒度を整えることが欠かせません。

たとえば、次のようなExcel／スプレッドシートを想定しましょう。

AIにとって理想的なのは、1セル＝1情報の原則が守られ、さらに英語ラベルを併記している状態です。

- company: "A社"
  contact: "田中"
  industry: "製造業"
  scale: "enterprise"
  status: "proposal"
  updated: "2025-10-01"

こうしておくと、ChatGPTでもGeminiでも同様に理解できます。
特に「industry」「status」「scale」のような共通語彙は、AIの学習済みモデルと整合しやすく、リスト間の比較・分類・要約精度が大幅に向上します。

また、フォルダやファイル名も次のように整理しておくとよいでしょう。

/リスト/
　├─ 2025-10_target-list.yaml
　├─ 2025-09_existing-clients.csv
　└─ 2025-08_lost-clients.csv

AIはファイル名の時系列や文脈をもとに、自動的に「どのリストが最新か」「どの属性に属するか」を判別できます。
英語のラベリング方法や参考例などはVol.3で改めて紹介します。

4-3. 準備資料：AIに「理解される」提案の前段階

最後の要素は、準備資料（下書き・骨子・比較表・想定質問リストなど）です。
AIに提案書を作らせるとき、最初に渡すこの資料が整っていないと、出力精度は大きくブレます。

提案前の下準備資料をAIが読める構造に整えるには、次のような工夫が効果的です。

AIはこれらの「役割タグ」を基準に要約や比較を行います。
たとえば「提案書を改善して」と依頼したときも、issues と solutions のような明確な区分があるだけで、AIはどこを残し、どこを修正するかを正確に判断できるのです。

4-4. Beforeフェーズ全体をつなぐ「構造マップ」

最後に、リサーチ・リスト・準備資料の3要素を俯瞰したBeforeフェーズ構造マップを示します。

この3つを「同じ構造設計思想」で整理しておくことで、AIがデータ間の関連性を認識しやすくなります。
たとえば、リサーチ結果のindustryタグと、リストのindustry列が一致していれば、AIは自動的に両者を紐づけ、提案資料の補強に利用できます。

💡 まとめ

• Beforeフェーズの中核は 「リサーチ／リスト／準備資料」 の3要素。
• それぞれをAIが理解できる構造（フォルダ、ファイル、ラベル）で整える。
• 業界×顧客×目的の3軸を意識して整理することで、AIの仮説精度が劇的に上がる。
• YAML・Markdown・スプレッドシートなど、形式は違っても「構造の一貫性」が鍵。

次のセクションでは、Beforeフェーズ全体を締めくくり、「AIを鍛える営業」は準備の精度で決まるという思想に立ち返ります。
AIを動かす前のこの整備が、Vol.3以降の「実践的データ設計」につながっていきます。

5. まとめ —— 「AIを鍛える営業」は準備で決まる

AIが正しく動くかどうかは、どんなプロンプトを使うかではなく、どんな情報を渡しているかで決まります。
営業活動における「Beforeフェーズ（接触前）」は、まさにその準備の領域です。

AIが理解するのは言葉ではなく「構造」。
そして、構造を生むのはツールではなく、あなたの整理の仕方です。

準備の精度が、AIの思考の精度を決める

Vol.1でお伝えしたように、AIは人の思考を「構造」として読み取ります。
つまり、あなたの整え方がそのままAIの出力品質になります。

フォルダの階層、ファイルの命名、データの粒度、語彙の統一。
これらは一見些細な作業ですが、AIにとっては文脈を理解するための座標です。

もし共有ドライブ内に「最終版」「本当の最新版」「前回修正版」などが散乱していれば、AIはあなた以上に迷子になります。
AIを正しく動かすためには、AIが「どこを探せばよいか」「何が最新か」を判断できる環境が必要なのです。

それが、Vol.2で扱ってきた「現場の土台づくり」の本質です。

「整える力」は、すでにAIリテラシーの一部になっている

AIをうまく活用できる営業とそうでない営業の差は、「ツールの知識量」ではなく「情報を整える力」にあります。

整理されていないドライブやフォルダ構造では、どんなに優秀なAIでも力を発揮できません。
逆に、構造が整った環境では、AIが自ら関連資料を見つけ、要約し、仮説を立ててくれるようになります。

AIに「探させる」ために、まずは「探せる構造」を設計する。
それが、AI時代の営業における新しい基本リテラシーです。

Beforeを整えることは、Afterを変えること

「準備なんて地味な作業」と思うかもしれません。
しかし、AIが活きるのはまさにその地味な部分です。

整ったBeforeがあれば、商談中（During）にAIがリアルタイムで支援できるようになり、Afterでは成果や学びを自動的に再利用できます。

つまり、Beforeの設計は単なる準備ではなく、営業サイクル全体を循環させる起点なのです。

次のVol.3は「顧客属性データの整備法」

次のVol.3では、Beforeフェーズの中核となる「顧客属性データの整備法」を扱います。
AIに顧客を理解させるための「語彙の統一」と「構造の設計」を、YAML形式と実際のデータを例に解説していきます。

AIを「使う」営業から、AIに「読ませる」営業へ。
その第一歩が、情報を整える力＝AIを鍛える力です。

💬 最終チェック —— AIとの壁打ち、あなたの「準備」はここまで整っているか？

• ☐ フォルダやファイル名に、誰が見ても分かるルールを持たせているか？
• ☐ 「最新版」「最終版」など曖昧な命名を避けているか？
• ☐ AIが「どこを探せばいいか」分かるように、クラウド上の構造を整理しているか？
• ☐ リサーチ・リスト・準備資料が、同じ構造設計思想で整っているか？
• ☐ AIにファイルを読ませたとき、誤解されない粒度とラベルで情報が書かれているか？
• ☐ あなたの共有ドライブを、AIがそのまま仮説の地図として使える状態にしているか？

🧩 3秒まとめ