AIによるネクストアクション提示｜商談ステージ・履歴から最適なネクストアクションを推薦する
公開日 ・ 更新日 ・ 読了 16分
商談が終わったあと、次に何をすべきか。誰に、いつ、どんな内容で連絡するのか。この判断が担当者の勘や記憶頼りになっていると、フォローが後回しになり、有望な案件ほど放置されがちになります。AIによるネクストアクション提示は、SFA（営業支援システム）やCRM（顧客関係管理）に蓄積した商談ステージや活動履歴から、次にとるべき具体行動を推薦する機能です。この記事では、AIがどのようなデータから次アクションを導くのか、その仕組みと精度を左右する条件、現場での使い方、そして推薦を過信しないための判断基準までを、営業実務者の視点で整理します。
AIによるネクストアクション提示とは
AIによるネクストアクション提示とは、AIが商談ステージ・活動履歴・類似案件のデータをもとに、次にとるべき具体的な行動（対象・タイミング・内容）を優先度付きで示す機能です。「この案件は1か月動いていないので再アプローチが必要」「この段階の案件は決裁者への接触が抜けている」といった形で、担当者が見落としがちな次の一手を先回りして提示します。ここで重要なのは、AIが営業の仕事を丸ごと代行するわけではない点です。あくまで人が判断するための材料を整える、判断の支援であると捉えると、実務での使い方を誤りません。以下では、この機能が解決する課題と、混同されやすい他のAI機能との違いを掘り下げます。
ネクストアクション提示が解決する現場課題
営業現場でネクストアクション提示が効くのは、主に3つの詰まりです。1つ目はフォロー漏れです。商談件数が増えると、返信待ちのまま止まっている案件や、次回連絡日を決めそびれた案件が自然に発生します。人の記憶に頼るほど、こうした案件は静かに放置されます。
2つ目は優先順位のばらつきです。どの案件から手をつけるかの判断は、担当者の経験や気分に左右されがちです。AIが受注確度や停滞状況をもとに順位を示せば、限られた時間を確度の高い案件に振り向けやすくなります。
3つ目は属人化です。「この状況ならこう動く」という判断は、多くの場合ベテランの頭の中にしかありません。ネクストアクション提示は、蓄積されたデータからその判断の型を引き出し、経験の浅い担当者でも一定の水準で動けるようにします。属人化の解消は、データの一元化とプロセスの標準化という両輪で成り立ちますが、ネクストアクション提示は後者の「誰がやっても一定の質で動ける」状態づくりに寄与します。
「作業の自動化」と「次の一手の推薦」は別物
AIによる商談支援には複数の役割があり、それぞれ担う仕事が異なります。混同すると期待値がずれるため、線引きしておきます。
議事録の作成やメール文面の下書き、提案資料の生成は、人が行っていた作業そのものをAIが肩代わりする「作業代替」です。一方、ネクストアクション提示は、次に何をすべきかという判断のための仮説を示す「判断支援」です。前者は成果物を出しますが、後者は行動の方向を示すにとどまります。
たとえば商談後の議事録から要点を抽出する処理は作業代替に近く、その内容から「次はこの相手にこの提案をすべき」と導くのが判断支援です。この記事では判断支援であるネクストアクション提示に絞ります。
AIが次アクションを推薦する3つの根拠
AIのネクストアクション推薦は、大きく3つの根拠から生まれます。商談ステージ由来、活動履歴由来、類似案件由来です。この根拠を理解しておくと、AIが示した推薦の妥当性を自分で判断できるようになります。根拠によって推薦の信頼度の傾向も異なり、事実にもとづく履歴由来は堅く、将来を推し量る類似案件由来は当たり外れが出やすい、といった性質の違いがあります。以下で3つを順に見ていきます。
商談ステージ由来｜フェーズの停滞・抜けから導く
案件がどのフェーズにあり、そこでどれくらい滞留しているかは、次アクションを導く最も基本的な根拠です。あるフェーズに想定より長くとどまっている案件は、何かが詰まっているサインです。AIはこの停滞を検知し、催促や状況確認のアクションを促します。
例えばMazrica SalesのようなSFA/CRMでは、案件ごとに「フェーズ滞留日数」を指標として持ち、各フェーズにどれだけとどまっているかを可視化します。フェーズごとの必須項目やコメントが未入力の場合も、抜け漏れとして拾えます。提案フェーズに入っているのに見積提示のアクションが記録されていない、といった状態は、ステージ由来の推薦が最も得意とする領域です。フェーズの構造が明確なほど、この種の推薦は精度が上がります。
活動履歴由来｜前回接点・経過日数から導く
最後に顧客と接点を持ってから何日経っているかは、フォローの要否を判断する堅い根拠です。事実として記録された日付にもとづくため、3つの根拠のなかでも信頼度が高い部類に入ります。
例えばMazrica SalesのようなSFA/CRMでは、案件をフェーズごとにカンバン表示する「案件ボード」で、直近のアクション状況を色分けします。青が1週間以内、黄が1か月以内、赤が1か月以上アクションなし、という具合です。赤で表示された案件は、放置されている再アプローチ候補として一目で分かります。AIはこうした経過日数のデータをもとに、「この案件は動きが止まっているので再連絡を」という推薦を組み立てます。前回どんな内容の商談だったかという履歴も、次の連絡内容を決める材料になります。
類似案件由来｜過去の成功・失敗パターンから導く
過去に受注できた案件、あるいは失注した案件と似た動きをしている案件に対して、そのパターンから次の一手を示唆するのが類似案件由来の推薦です。勝ちパターン・負けパターンの再現・回避を狙う根拠であり、蓄積データの厚みがものを言います。
例えばMazrica SalesのようなSFA/CRMでは、AIインサイトという機能で、進行中の案件と似た過去案件（成功・失敗パターン）を参照できます。あわせてAI予測として、受注確度・契約日・受注金額をAIが算出します。ただしこれらはあくまでAIが過去データから推定する値であり、確定値ではありません。予測が外れることも当然あります。AIインサイトはプランによって利用できる範囲が異なり、Mazrica SalesではGrowth以上で利用できます。類似案件由来の推薦は将来の見立てを含むぶん、3つの根拠のなかでは当たり外れが出やすいため、後述する「過信しない」観点とあわせて使うのが前提になります。
ネクストアクション提示の精度を左右するもの
AIの推薦精度は、蓄積された商談データの量と質、そして活動記録の入力粒度でほぼ決まります。どれだけ高度なAIでも、材料となるデータがなければ推薦を出せません。SFA/CRMが器で、AIがその中身を読み解く頭脳だとすれば、器が空なら頭脳は働きようがない、という関係です。精度に不満が出るとき、原因はAIのアルゴリズムではなく、多くの場合データ側にあります。以下では、精度を落とす3つの要因を具体的に見ます。
記録されていない活動は推薦材料にならない
当たり前ですが、AIは記録されたデータしか読めません。電話で顧客と話した、口頭で次回提案の合意を得た、といった活動がSFA/CRMに入力されていなければ、その情報は推薦に反映されません。
現場でよくあるのは、活動はしているのにアクション記録やフェーズ更新が追いついていない状態です。この場合、AIは「1か月アクションなし」と判定して再アプローチを促しますが、実際にはすでに接点を持っているため、推薦がずれます。精度を上げる第一歩は、AIの調整ではなく、アクション記録とフェーズ更新を最低限そろえる入力習慣です。入力粒度が細かいほど、AIは状況を正確に読み取れます。
表記ゆれ・重複データが精度を下げる
同じ企業が異なる表記で複数登録されていたり、同一の担当者が重複して存在したりすると、活動履歴がバラバラに分散します。AIは分散したデータを一つの案件として認識できず、「接点が少ない」と誤って判断しかねません。
例えばMazrica SalesのようなSFA/CRMには、重複や表記ゆれをAIが検知して統合候補を提示するAI名寄せの機能があり、Mazrica SalesではGrowth以上で利用できます。統合先・統合元を選んでデータを一元化することで、履歴が正しく1つの案件にひも付き、推薦の土台が整います。データのクレンジングは地味な作業ですが、精度への影響は大きい部分です。
データ量が少ない立ち上げ期の現実的な期待値
導入直後は、蓄積データがほとんどありません。とくに類似案件由来の推薦は過去の案件パターンを参照するため、案件数が少ない立ち上げ期には精度が出にくいのが現実です。ここで「AIが使えない」と結論づけるのは早計です。
立ち上げ期は、履歴由来の推薦（経過日数によるフォロー提案）から使い始めるのが現実的です。これは案件1件ごとの記録さえあれば機能し、蓄積を待たずに効果が出ます。運用を続けてデータがたまるにつれ、ステージ由来・類似案件由来の推薦も精度を増していきます。AIによる推薦は、運用のなかで育てていく機能だと捉えておくと、初期の期待値のずれを避けられます。
現場でAIの次アクション推薦を使いこなす手順
AIの次アクション推薦は、最初から全社・全工程で使おうとすると定着しません。詰まっている1工程に絞って小さく始め、徐々に仕組み化していく順序が失敗しにくいやり方です。ここでは、放置案件のフォローという分かりやすい詰まりを起点に、4つの手順で運用の立ち上げ方を示します。総論的な導入ステップは親ピラーに譲り、ここではネクストアクションに特化した動かし方に絞ります。
手順1｜フォローが抜けやすい工程を1つ特定する
まず、自分やチームで最もフォローが抜けやすい工程を1つだけ選びます。多くの現場では、初回商談後の追客か、提案後の返信待ち案件のどちらかが詰まりやすい工程です。全部を一度に改善しようとせず、対象を1つに絞ることで、AI推薦の効き目を見極めやすくなります。ここが定まらないまま機能を使い始めると、どの推薦を見ればよいかが曖昧になり、結局使わなくなります。
手順2｜アクション記録・フェーズ更新の入力を最低限そろえる
選んだ工程について、アクション記録とフェーズ更新の入力ルールを最低限そろえます。前述のとおり、AIは記録されたデータしか読めません。「商談したらその日のうちに実施結果を1行残す」「フェーズが動いたら必ず更新する」といった、守れる範囲の最小ルールを決めます。名刺OCRや手書きメモのテキスト化など、入力負荷を下げる補助機能があれば活用します。完璧な入力を求めるより、続けられる粒度を優先するほうが、結果的に精度につながります。
手順3｜AI推薦を朝一のタスクリストとして使う
入力がそろってきたら、AIの推薦を毎朝のタスクリストとして使う運用に落とし込みます。案件ボードを開いて赤（1か月以上アクションなし）の案件を確認し、AIインサイトの示すリスクや次アクションに目を通す、という確認を朝の数分のルーティンにします。推薦を「見にいく」のではなく「毎朝必ず見る」流れに組み込むことが、定着の分かれ目です。ここまでくると、フォロー漏れが仕組みとして減っていきます。
手順4｜推薦の的中/外れをふり返り、入力運用を調整する
運用を数週間続けたら、AIの推薦がどれだけ役に立ったかをふり返ります。「赤表示だったが実は接点があった」というずれが多ければ、入力運用に穴があるサインです。逆に「推薦どおりフォローしたら商談が動いた」という成功が積み重なれば、その工程は仕組み化できたと判断できます。推薦の精度はAI任せで上がるものではなく、入力運用の調整とセットで育ちます。1工程が回るようになったら、次の詰まりに対象を広げていきます。
AIの次アクション推薦を過信しないための判断基準
AIの推薦は正解ではなく、あくまでデータから導いた仮説です。導入すれば自動的に成果が出るものではなく、実行前に人が文脈で検証する工程を挟むことが欠かせません。AIは記録されたデータしか見ておらず、顧客の最新の温度感や社内事情、担当者との関係性までは把握していません。ここを飛ばして推薦を鵜呑みにすると、機械的なフォローで顧客の心証を損ねる、といった失敗が起きます。以下では、過信を避けるための具体的な判断の枠組みを示します。
AI推薦を「実行／補正／却下」に振り分ける
推薦を受け取ったら、そのまま実行するのではなく、3つのどれに当たるかを一度考えます。判断の観点は、顧客の最新状況・関係性・タイミングの3つです。
- 実行：推薦の前提が現状と合っており、そのまま動いてよいもの。例えば「1か月連絡していない案件へフォロー」で、実際に接点が途切れていて再連絡が自然な場合。
- 補正：推薦の方向は正しいが、内容やタイミングを人が調整すべきもの。例えば再連絡の必要はあるが、直前に先方の繁忙期だと分かっているので時期をずらす場合。
- 却下：推薦の前提が崩れているもの。例えばすでに別ルートで話が進んでいて、AIが把握していない事情がある場合。
この振り分けを習慣にすると、AIを使いながらも最終判断を人が握る状態を保てます。推薦を無批判に消化するのでも、無視するのでもない、中間の使い方が実務では最も効きます。
AI予測・生成情報は推定であることを前提にする
受注確度・契約日・受注金額といったAI予測は、AIが過去データから推定した値であって、確定した数字ではありません。「受注確度80%」と表示されても、それは80%で受注するという保証ではなく、似た案件がそう推移してきた傾向にすぎません。
予測を意思決定の参考値として扱うのは有効ですが、これを固定した事実のように社内で共有すると、達成できなかったときに認識のずれが生じます。予測はレンジで捉える、外れる前提で複数の見立てを持つ、といった扱いが安全です。AIが生成・推定した情報である旨は、チーム内で共有する際にも明示しておくとよいでしょう。
機密情報・個人情報の取り扱いに線引きする
AIに営業情報やデータを読み込ませて推薦を得る以上、どのデータをどこまで扱わせるかの線引きは事前に決めておく必要があります。顧客の機密情報や個人情報が含まれるデータについては、社内のセキュリティ方針や顧客との契約範囲を確認したうえで運用します。
ツールを選ぶ際にも、通信の暗号化や認証・監査ログといったセキュリティ対策の水準を確認しておくと安心です。AIの利便性とデータ保護は両立させるべき論点であり、便利だからと無条件にデータを預けるのは避けます。
現場が「AIに管理される」と感じさせない運用
AIの推薦を、担当者の行動を監視・評価する道具として使うと、現場の反発を招き、入力が形骸化します。推薦はあくまで担当者を助ける支援であって、動きが遅い担当者を炙り出すための評価指標ではありません。
運用を設計する側は、「AIが赤と言った案件を放置している」と個人を責めるのではなく、「なぜ止まっているのか」を一緒に考える材料として使う姿勢が欠かせません。AIに管理されていると感じさせない運用にできるかどうかが、機能を定着させられるかを左右します。
AIネクストアクション機能の選び方
AIネクストアクション機能を選ぶときは、搭載機能の多さで判断しないことが肝心です。優先すべきは、既存のSFA/CRMのデータと連携できるか、推薦の根拠が可視化されるか、現場が使い続けられるか、の3点です。この順で確認していくと、導入後に「使われないまま終わる」失敗を避けやすくなります。以下で3つの観点を掘り下げます。
既存の商談データを活かせるか
すでに何らかのSFA/CRMを運用している場合、そこに蓄積した商談データを活かせるかどうかが最初の分かれ目です。AIの推薦精度はデータの量と質で決まるため、過去の履歴をゼロから作り直すのは大きな損失になります。
新たにAI機能を導入するなら、既存データとの連携方式やインポートの可否を確認します。SFA/CRMそのものにAI機能が組み込まれている場合は、蓄積データがそのまま推薦の材料になるため、連携の手間が省けます。すでに使っているツールを起点に検討するか、統合型に乗り換えるかは、既存データの規模と移行コストを見て判断します。
推薦の根拠が説明されるか
AIが「この案件にフォローを」と示すだけで、なぜそう推薦したのかが分からないと、現場は推薦を信頼できません。根拠がブラックボックスのままでは、前述の「実行／補正／却下」の振り分けもできず、結局使われなくなります。
選ぶ際は、推薦の根拠が可視化されるかを確認します。「1か月アクションがないため」「類似の失注案件と同じ動きをしているため」といった理由が添えられていれば、担当者はその妥当性を自分で検証できます。根拠が見えることは、AIを信頼して使い続けるための前提条件です。
現場の入力負荷と使いやすさ
どれほど高機能でも、入力が面倒で現場が使わなければ、データがたまらず推薦も出ません。名刺のOCR取り込み、モバイルからの記録、テンプレートによる入力補助など、日々の記録負荷を下げる仕組みがそろっているかを確認します。
また、推薦を確認する画面が直感的に分かるかも、定着を左右します。案件の状況が色分けで一目で分かる、推薦が優先度付きで並ぶ、といった見やすさは、毎朝のルーティンに組み込めるかどうかに直結します。よく比較される観点として汎用の表計算ツールで代替しようとするケースもありますが、活動履歴の自動集計やAI推薦までを含めると、専用ツールのほうが運用しやすい場面が多くなります。導入前にトライアルで現場の担当者に触ってもらい、使い続けられそうかを見ておくのが確実です。
まとめ｜どの工程からAIの次アクション推薦を効かせるか
AIのネクストアクション推薦は、抱えている課題によってどの根拠から使い始めるべきかが変わります。フォロー漏れが多いなら、経過日数から再アプローチを促す履歴由来の推薦から始めるのが手堅い選択です。案件の優先順位づけに悩んでいるなら、フェーズの停滞を検知するステージ由来から入るとよいでしょう。ベテランの勝ちパターンを組織で再現したいなら、蓄積データがたまってから類似案件由来の推薦を効かせていく順序になります。
いずれの場合も、AIの推薦は仮説であって正解ではありません。実行前に顧客の文脈で検証する工程を挟むこと、そしてデータの入力運用とセットで精度を育てることが、機能を活かす前提です。最初の一歩は小さくて構いません。今日、直近1か月アクションのない案件を1件だけフォローしてみる。この小さな着手から、フォローを仕組みで減らす運用が始まります。
よくある質問
Q AIのネクストアクション提示はどこまで自動でやってくれますか？
AIが担うのは「次に何をすべきか」の推薦までで、実際にそのアクションを実行するかどうかは人が判断します。推薦にもとづいてメールを送る、電話をかけるといった実行部分は、担当者が顧客の状況を踏まえて動くのが基本です。一部のツールでは、条件を満たしたときに通知やステップメールを自動で送る自動化機能も併せて提供されますが、これは事前に設計したルールにもとづく処理であり、AIが独断で顧客対応を進めるものではありません。
Q データが少ない導入初期でもAIの次アクション推薦は使えますか？
使えますが、根拠によって立ち上がりの早さが異なります。経過日数から再アプローチを促す履歴由来の推薦は、案件1件ごとの記録さえあれば機能するため、導入初期から効果が出ます。一方、過去の案件パターンを参照する類似案件由来の推薦は、蓄積データが少ないうちは精度が出にくく、運用を続けてデータがたまるにつれて精度が上がります。初期は履歴由来から使い始めるのが現実的です。
Q AIが提示した次アクションが間違っていることはありますか？
あります。AIは記録されたデータしか見ておらず、顧客の最新の温度感や社内事情、AIが把握していない別ルートの進行状況までは分かりません。実際には接点があるのに「1か月アクションなし」と判定されるようなずれも起こります。だからこそ推薦は仮説として受け取り、実行・補正・却下のどれに当たるかを人が判断する運用が前提になります。
Q 小規模な営業チームでもネクストアクション提示は効果がありますか？
効果があります。むしろ人数が少ないチームほど、一人が多くの案件を抱えてフォローが抜けやすいため、抜け漏れを機械的に拾える仕組みの価値は高くなります。ベテランに判断が依存しがちな小規模チームでは、AIの推薦が経験の浅いメンバーの動きを底上げする面もあります。始め方は規模を問わず、詰まっている1工程に絞って小さく導入するのが定着しやすい方法です。
Q AIのネクストアクション提示とSFA/CRMのリマインド機能は何が違いますか？
リマインド機能は、あらかじめ人が設定した日時やルールにもとづいて通知するもので、通知の中身は設定した内容そのものです。これに対しAIのネクストアクション提示は、商談ステージ・活動履歴・類似案件といったデータを読み解き、状況に応じて「何をすべきか」を推薦します。単なる時間の通知ではなく、案件の状態から優先度や具体行動を導く点が違いです。
Q AIに次アクションを任せると営業スキルは育たなくなりませんか？
推薦の根拠が見える形で使えば、むしろ判断の型を学ぶ材料になります。「なぜこの案件を今フォローすべきなのか」という理由が添えられていれば、経験の浅い担当者はベテランの判断パターンを追体験できます。推薦を鵜呑みにするのではなく、実行・補正・却下を自分で振り分ける習慣を持つことで、AIを使いながら判断力を鍛えられます。AIは判断を奪う道具ではなく、判断の練習台として使うのが健全な向き合い方です。