Kanoモデルは、商品やサービスの機能・品質要素を、顧客満足との関係から整理する方法です。
生成AIを補助的に使うと、評価機能の具体化、肯定・否定質問の草案づくり、回答結果の整理、セグメント差の要約、商品企画の論点整理を効率化できます。
一方で、生成AIにKanoモデルの分析そのものを丸投げすると、抽象的な機能名のまま質問を作る、肯定・否定質問の条件をずらす、Kano分類を誤る、少数回答から断定する、魅力的品質を最優先と決めつける、顧客セグメント差を無視する、といった危険があります。
この記事では、生成AIをKanoモデルの補助として使う方法を、具体的なプロンプト例、出力の使い方、人が確認すべきポイント、AIの限界まで含めて解説します。
Kanoモデルの基本から確認したい場合は、Kanoモデルとは?を参照してください。具体的な手順は、Kanoモデルのやり方で確認できます。
生成AIを使いやすい6つの場面
生成AIは、次の6つの場面で使いやすいです。
- 評価する機能・品質要素を具体化する
- 肯定的質問・否定的質問の草案を作る
- 回答データをKano分類しやすい形へ整える
- 分類分布とセグメント差を要約する
- 実装優先順位の論点を整理する
- 再調査条件やβ検証項目を洗い出す
重要なのは、AIを「顧客理解の代行者」ではなく、「質問設計や結果整理の補助役」として使うことです。
1. 機能候補を具体化させる
Kanoモデルでは、顧客が同じ機能状態を想像できることが重要です。
プロンプト例
次の商品企画について、Kanoモデルで評価する候補機能を、顧客が利用場面を想像できる表現に具体化してください。
商品:法人向け業務SaaS 候補:
- 自動保存
- CSV一括登録
- 操作履歴
- AI入力補助
- ダークモード
- 権限設定
条件:
- 抽象的な名称だけで終わらせない
- 誰が、いつ、何をする機能かを書き添える
- 入力にない性能値や仕様は作らない
- 最終的な評価対象は決めない
出力の使い方
AIには、たとえば、
自動保存:入力中の内容を一定間隔で保存し、ブラウザ終了や通信断後に入力内容を復元できる機能
AI入力補助:過去の入力内容や設定値をもとに、次に入力する候補を画面上へ提示する機能
のように、評価対象を具体化させます。
正式な機能仕様は人が確認します。
2. 肯定・否定質問の草案を作らせる
Kanoモデルでは、各機能について「ある場合」と「ない場合」を対で聞きます。
プロンプト例
次の機能について、Kanoモデル用の肯定的質問と否定的質問を1組ずつ作ってください。
機能:入力内容を自動保存し、通信断後にも復元できる機能
条件:
- 肯定側と否定側で、機能の有無以外の条件を変えない
- 誘導的な表現を避ける
- 「欲しいですか?」だけで聞かない
- 回答選択肢は変更しない
回答選択肢:
- とても満足
- 当然だと思う
- どちらでもよい
- しかたない
- 不満
出力例
肯定的質問:
入力内容が自動保存され、通信断後にも復元できる機能があったら、どう感じますか?
否定的質問:
入力内容が自動保存されず、通信断後に復元できない場合、どう感じますか?
人が確認すること
AIが肯定側だけ「高精度」「高速」「安全」などの価値を盛っていないか確認します。
3. 回答データを整理させる
回答数が増えると、誰がどの機能へどう答えたかを整理する作業に時間がかかります。
プロンプト例
次の回答データを、Kano分類へ変換する前段として整理してください。
列:
- 回答者ID
- 顧客属性
- 機能名
- 肯定的質問への回答
- 否定的質問への回答
条件:
- 回答内容を変更しない
- 欠損、矛盾、表記ゆれを一覧化する
- Kano分類そのものは、指定した分類表に従う前提とする
- 不明な回答を推測補完しない
出力の使い方
AIには、
- 回答選択肢の表記ゆれ
- 欠損回答
- 同一回答者の重複
- 属性欄の不一致
などを洗い出させます。
正式なKano分類は、使用する分類表へ照合して人が確認します。
4. 分類分布とセグメント差を要約させる
集計後の結果を文章に整理する作業にもAIを使えます。
プロンプト例
次のKano分類結果を、最多分類だけでなく分布全体とセグメント差が分かるように要約してください。
自動保存:
- 当たり前品質 58人
- 一元的品質 22人
- 魅力的品質 8人
- 無関心品質 10人
- 逆品質 2人
AI入力候補:
- 魅力的品質 45人
- 一元的品質 20人
- 無関心品質 28人
- 逆品質 7人
条件:
- 最多分類だけで結論を出さない
- 無関心品質・逆品質も明記する
- 実装判断はしない
出力の使い方
AIには、
自動保存は当たり前品質が中心で、未対応時の不満リスクが高い可能性がある
AI入力候補は魅力的品質が最多だが、無関心品質28人、逆品質7人もあり、全顧客に一様な価値とは言い切れない
といった要約をさせます。
ここで重要なのは、AIの要約を最終判断にしないことです。
5. セグメント別の違いを整理させる
Kanoモデルでは、全体平均だけでなく「誰にとってその品質なのか」を見ることが重要です。
プロンプト例
次の分類結果について、管理者と一般利用者の違いを整理してください。
機能:管理者向け権限設定
管理者:当たり前品質が多い 一般利用者:無関心品質が多い
条件:
- どちらが正しいと決めない
- 役割の違いから考えられる解釈を複数示す
- 入力にない事実は作らない
- 最終的な実装対象は決めない
出力の使い方
AIには、
管理者は権限設計そのものを運用責任として扱うため、不足時の不満が大きい可能性がある
一般利用者は自分に付与された権限だけを使うため、機能の存在を意識しにくい可能性がある
といった解釈候補を出させます。
人は、実際の導入条件や顧客インタビューと照合します。
6. 実装優先順位の論点を整理させる
Kano分類だけで開発順を決めるのは危険です。
プロンプト例
次の機能候補について、商品企画の優先順位を決める前に確認すべき論点を整理してください。
- 自動保存:当たり前品質が中心
- CSV一括登録:一元的品質が中心
- AI入力候補:魅力的品質が多い
- ダークモード:無関心品質が多い
- 権限設定:管理者で当たり前品質が多い
条件:
- Kano分類だけで順位を決めない
- 顧客重要度、対象顧客数、実装コスト、技術リスク、競合状況、事業戦略の観点を含める
- 最終順位は決めない
出力の使い方
AIには、機能ごとに確認すべき論点を整理させます。
たとえば、AI入力候補なら、
- 魅力的品質の比率
- 無関心・逆品質の比率
- 誤提案リスク
- 対象顧客数
- β提供できるか
などです。
通し例|法人向けSaaSの次期機能企画をAIで補助する
ここでは、法人向け業務SaaSの次期リリースを例に、生成AIをどこで使い、どこを人が判断するかを通して見ます。
1. 人が分析目的と対象顧客を固定する
分析目的を、
次期リリースで、本実装・改善・β検証・後回しにする機能を決める
とします。
対象顧客は、従業員100〜500人規模の企業で日常的にSaaSを使う管理部門担当者とします。
ここはAIに決めさせません。
2. AIに機能説明の草案を作らせる
評価候補として、
- 自動保存
- CSV一括登録
- 操作履歴詳細
- AI入力候補
- ダークモード
- 権限設定
を与え、顧客が利用場面を想像できる説明へ具体化させます。
人は、実際の仕様とずれていないか確認します。
3. AIに質問文を作らせる
各機能について、肯定的質問と否定的質問の草案を作らせます。
人は、
- 条件が対称か
- 誘導表現がないか
- 機能の有無以外が変わっていないか
を確認します。
正式な質問票は人が確定します。
4. 人が100人から回答を集める
回答者属性として、
- 管理者/一般利用者
- 利用歴
- 契約規模
を記録します。
AIに架空の回答を作らせて分析したことにはしません。
5. AIに回答データの欠損や表記ゆれをチェックさせる
AIにはデータクリーニング候補を出させます。
ただし、欠損値を勝手に補完させません。
6. 人がKano分類を確定する
指定した分類表に基づいて、肯定・否定回答の組み合わせを分類します。
結果例として、自動保存が、
- 当たり前品質:58人
- 一元的品質:22人
- 魅力的品質:8人
- 無関心品質:10人
- 逆品質:2人
AI入力候補が、
- 魅力的品質:45人
- 一元的品質:20人
- 無関心品質:28人
- 逆品質:7人
だったとします。
7. AIに分布の読み方を整理させる
AIには、「最多分類だけでなく分布全体を見る」条件で要約させます。
自動保存は、当たり前品質が中心で未対応時の不満リスクが高い可能性があります。
AI入力候補は、魅力的品質が最多ですが、無関心品質28人・逆品質7人もあり、全顧客一律の価値とは言い切れません。
8. AIにセグメント差の論点を出させる
権限設定について、管理者では当たり前品質が多く、一般利用者では無関心品質が多いとします。
AIには「なぜ差が出る可能性があるか」を整理させます。
人は、法人導入要件や顧客ヒアリングと照合します。
9. 人が実装方針を決める
最終的に、
- 自動保存:本実装
- 権限設定:本実装
- CSV一括登録:強化
- AI入力候補:一部顧客でβ検証
- ダークモード:後回し
と決めたとします。
この判断は、Kano分類だけでなく、顧客重要度、対象顧客数、実装コスト、技術リスク、競合状況、事業戦略を合わせて人が行います。
10. AIに再調査・β検証項目を整理させる
AI入力候補については、
- 提案採用率
- 誤提案率
- 入力時間短縮
- 利用継続率
などの検証候補をAIに出させます。
正式なKPIや基準値は人が決めます。
人が必ず確認すべきポイント
対象顧客
誰の満足を分析しているのかを人が固定します。AIに「一般的な顧客像」を作らせて代用しません。
機能仕様
AIが入力にない性能、精度、速度、セキュリティ水準を追加していないか確認します。
質問文の対称性
肯定側だけ価値を強調していないか、否定側だけ不便さを強調していないか確認します。
Kano分類
使用する分類表へ照合し、AIの分類結果を人が確認します。
回答分布
最多分類だけでなく、第2分類、無関心品質、逆品質も見ます。
セグメント差
管理者/一般利用者、既存/新規、契約規模などの違いを平均化しないようにします。
実装条件
実装コスト、技術リスク、法令・セキュリティ、競合状況、事業戦略を別途確認します。
最終商品企画判断
AIが「魅力的品質なので最優先」と結論しても、そのまま採用しません。
そのまま使える入力型が必要なら、Kanoモデルテンプレートを使うと、対象顧客、機能、質問、回答、分類分布、セグメント差、優先順位まで整理できます。具体的な適用過程は、Kanoモデルの具体例で確認できます。
よくある失敗を先に確認したい場合は、Kanoモデルで失敗しやすいポイントも参考になります。
生成AIの誤りと限界
生成AIは、次のような誤りを起こす可能性があります。
- 入力にない機能仕様を作る
- 抽象的な機能名をそのまま使う
- 肯定・否定質問の条件をずらす
- 誘導的な質問文を作る
- 回答選択肢を勝手に変更する
- 欠損回答を推測補完する
- Kano分類を誤る
- 最多分類だけで結論を出す
- セグメント差を無視する
- 逆品質を軽視する
- 少数回答から断定する
- 魅力的品質を最優先と決めつける
- 無関心品質を永久不要と断定する
- KPI目標値を勝手に作る
- 最終的な商品企画判断まで断定する
また、AIは顧客そのものではありません。AIへ「この機能は顧客にとって魅力的品質ですか?」と聞いても、実際の顧客調査の代わりにはなりません。
他の顧客理解フレームワークとの使い分けもAIに任せきらない
Kanoモデルは「機能・品質要素が満足や不満へどう効くか」を見る方法です。
一方、ペルソナは「誰を理解するか」、カスタマージャーニーは「顧客体験のどこに課題があるか」を整理するのに向いています。
違いを確認したい場合は、ペルソナとKanoモデルの違い、カスタマージャーニーとKanoモデルの違いを参照してください。
3つを目的別に使い分けたい場合は、ペルソナ・カスタマージャーニー・Kanoモデルの使い分けも参考になります。
生成AIに任せすぎないためのチェックリスト
- 分析目的を人が決めたか
- 対象顧客を人が定義したか
- 機能説明を実仕様と照合したか
- 入力にない仕様をAIが足していないか
- 肯定・否定質問を対にしたか
- 質問条件の対称性を確認したか
- 回答選択肢を統一したか
- 実顧客から回答を集めたか
- 欠損回答をAIに推測補完させていないか
- Kano分類を正式な分類表へ照合したか
- 最多分類だけで判断していないか
- 無関心品質・逆品質も確認したか
- セグメント差を確認したか
- 少数回答で断定していないか
- 実装コストと技術リスクを確認したか
- β検証と本実装を分けたか
- KPI目標値をAIに作らせていないか
- 最終商品企画判断をAIへ丸投げしていないか
まとめ
生成AIは、Kanoモデルの質問設計や結果整理を効率化する補助役として使えます。
特に、機能候補の具体化、肯定・否定質問の草案、回答データの欠損・表記ゆれ確認、分類分布の要約、セグメント差の整理、実装優先順位の論点出し、β検証項目の洗い出しで使いやすいです。
一方で、正式な対象顧客、機能仕様、質問票、実顧客の回答、Kano分類、実装優先順位、KPI基準、最終商品企画判断は人が管理する必要があります。
生成AIに「顧客の代わりに答えさせる」のではなく、「質問の質を上げる」「回答整理の漏れを減らす」「分布やセグメント差を読みやすくする」「実装判断で確認すべき論点を広げる」ために使うと、判断責任を人に残しながらKanoモデルを効率化できます。