生成AIは、共感マップを自動で完成させるための道具ではありません。ただし、インタビュー記録や問い合わせメモから情報を整理する、See・Hear・Say & Doの候補を分ける、Think & Feelの仮説を出す、Pain・Gainの候補を広げる、次に確認すべき質問を作る、といった補助には使えます。
重要なのは、AIが出した内容をそのまま「顧客の気持ち」として扱わないことです。共感マップでは、観察できる事実と内面の仮説を分け、発言と行動の矛盾を残し、未確認事項を次の調査へつなげる必要があります。
この記事では、生成AIを共感マップの実務に補助的に使う方法を、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の誤りや限界まで含めて解説します。
基本的な意味や構造から確認したい場合は、共感マップとは?を参照してください。人だけで進める基本手順は、共感マップのやり方で確認できます。
生成AIを使うと効果が出やすい場面
共感マップで生成AIを使いやすいのは、主に次のような場面です。
- インタビュー記録から顧客発言を抽出する
- See・Hear・Say & Doの候補を整理する
- 発言と行動の矛盾候補を見つける
- Think & Feelの仮説を複数出す
- Pain・Gain候補を具体化する
- 類似する内容をまとめる
- 未確認仮説を洗い出す
- 次のインタビュー質問を作る
- 行動ログや問い合わせで確認すべき点を整理する
一方で、次の判断はAIだけに任せない方が安全です。
- 顧客が実際に見たもの・聞いたことの確定
- 顧客発言の意図の確定
- 顧客の感情の断定
- Pain・Gainの重要度
- 発言と行動の矛盾の解釈
- 改善施策の採否
- 顧客情報をAIへ入力してよいかの判断
AIは「整理と仮説出し」、人は「事実確認と意思決定」を担います。
1. インタビュー記録から事実候補を抽出する
最初に、AIへインタビュー要約や営業メモを渡し、観察事実と解釈を分けます。
プロンプト例
以下は、法人向けSaaSの初期設定を担当した顧客へのインタビュー要約です。
- 「そんなに難しくはなかった」
- 権限設定のところで20分ほど止まっていた
- FAQを3回開いた
- 翌日に設定を持ち越した
- 営業からは「30分くらいで終わる」と説明されていた
次の形式で整理してください。
- 顧客が実際に言ったこと
- 観察できる行動
- 顧客が聞いたこと
- 解釈候補
- 追加確認が必要な点
条件:
- 解釈と事実を混ぜない
- 感情を断定しない
- 顧客が言っていないことを補わない
出力の使い方
AIが、
- Say:「そんなに難しくはなかった」
- Do:権限設定で20分停止
- Do:FAQを3回開く
- Do:翌日に持ち越す
- Hear:営業から「30分くらいで終わる」と聞いた
と整理したら、人が元の記録へ戻って正しいか確認します。
2. See・Hear・Say & Doを分ける
共感マップでは、見たこと、聞いたこと、言ったこと、したことを混ぜないことが重要です。
プロンプト例
次の情報を、See、Hear、Say、Doに分けてください。
- 初期設定画面に20個の入力項目がある
- 営業から「30分程度で終わる」と説明された
- 顧客は「難しくなかった」と話した
- FAQを3回開いた
- 権限設定画面で20分以上停止した
- 完了までの残りステップ数は表示されていない
条件:
- 観察できる事実だけを分類する
- Think & Feelは出力しない
- 分類に迷う項目は理由を書く
出力の使い方
AIの分類結果を使って、共感マップの事実部分を整理します。
ただし、実際にその顧客が見た画面か、FAQを開いたログが本当にあるかは人が確認します。
3. 発言と行動の矛盾を見つける
共感マップで重要なのは、きれいに一貫したストーリーを作ることではありません。
むしろ、発言と行動の矛盾が深掘りの手がかりになります。
プロンプト例
次のSayとDoを比較し、矛盾候補を出してください。
Say: 「そんなに難しくなかった」
Do:
- FAQを3回開いた
- 権限設定画面で20分停止した
- 翌日に設定を持ち越した
出力:
- 矛盾して見える点
- 断定してはいけないこと
- 次に確認すべき質問
出力の使い方
AIが「実際には難しかった」と断定してはいけません。
人が、
- 何が難しくなかったのか
- なぜFAQを開いたのか
- なぜ翌日に持ち越したのか
を追加確認します。
4. Think & Feelは仮説として出させる
生成AIは内面推定が得意そうに見えますが、ここが最も注意が必要な部分です。
プロンプト例
次の事実から、Think & Feelの仮説候補を3つ以内で出してください。
事実:
- 営業から30分程度と説明されている
- 権限設定画面で20分以上停止している
- FAQを3回開いている
- 初回設定を翌日に持ち越している
条件:
- 「〜と感じている」と断定しない
- 「〜の可能性がある」と書く
- 各仮説に、確認質問を1つ付ける
出力の使い方
AIが、
- 完了条件が分からない可能性
- 権限を間違える不安がある可能性
- 30分という事前期待とのズレに焦りを感じている可能性
などを出したら、そのまま共感マップの事実欄に書かず、「仮説」と明示します。
5. Painを具体化する
「分かりにくい」「不安」「面倒」といった抽象語を、実務判断に使える粒度へ分解します。
プロンプト例
次のPain候補を具体化してください。
Pain候補: 「設定が分かりにくい」
出力:
- どの場面で起きるか
- 何が分からないか
- どんな行動になるか
- どんな影響があるか
- 追加確認すべきデータ
原因は断定しないでください。
出力の使い方
たとえば、
必須項目と任意項目を区別できず、必要以上に設定を進めて時間がかかる可能性
権限設定が正しいか確信できず、完了判断を翌日に持ち越す可能性
と具体化できます。
人はログやインタビューで、実際にそうなのかを確認します。
6. Gainを「困らない」の先まで広げる
GainはPainの反対語だけではありません。
プロンプト例
次のPainから、顧客が得たいGain候補を出してください。
Pain:
- 必須項目と任意項目の区別が難しい
- 権限設定が正しいか確信できない
- 完了条件が分からない
条件:
- 「迷わない」だけで終わらせない
- 顧客が得たい望ましい状態を書く
- 商品機能名を使わない
出力の使い方
AIが、
- 必要な設定だけを終え、当日中に利用開始できる確信を持ちたい
- 自社に近い設定例を参考に、安心して権限設定を完了したい
といった候補を出したら、人が顧客へ重要度を確認します。
7. 事実と仮説をラベル分けする
AIに共感マップ全体を作らせると、事実と仮説が混ざる危険があります。
プロンプト例
次の共感マップ案をレビューし、各項目を
- 事実
- 仮説
- 未確認
の3種類に分類してください。
分類理由も書いてください。
条件:
- 観察・発言・ログで確認できない内面は仮説扱い
- 不明なものを無理に事実へしない
出力の使い方
この使い方は、AIに「正解」を出させるためではなく、混同箇所を見つけるためのレビューです。
8. 未確認仮説から次の質問を作る
共感マップは、作って終わりではなく、次の調査へつなげることで価値が出ます。
プロンプト例
未確認仮説: 「顧客は設定そのものより、正しく完了できたという確信の不足に困っている可能性がある」
この仮説を確認するインタビュー質問を5つ以内で作ってください。
条件:
- 誘導質問を避ける
- 「不安でしたか?」と聞かない
- 実際の行動と判断を聞く
出力の使い方
たとえば、
- どの時点で「設定は終わった」と判断しましたか
- その判断で確認したものは何ですか
- 設定を止めた場面があれば、そのとき何を確認しましたか
- FAQを開いた理由は何でしたか
などを、顧客属性や面談時間に合わせて人が調整します。
9. ログで確認すべき点を洗い出す
生成AIは、インタビューだけでなくログ確認の観点整理にも使えます。
プロンプト例
次の仮説を確認するために、どの行動ログを見るべきか整理してください。
仮説: 「権限設定で正しい設定か確信できず、完了判断に時間がかかっている可能性がある」
出力:
- 確認したいログ
- 期待する観察内容
- 仮説を支持する状態
- 仮説に反する状態
出力の使い方
AIが、
- 権限設定画面の滞在時間
- FAQ遷移回数
- 戻る操作回数
- 保存後の再編集回数
- 初回ログインから完了までの時間
などを出したら、実際に取得可能か人が確認します。
通し例|法人向けSaaSの初期設定をAIで整理する
ここでは、従業員100〜300人企業で、業務SaaSの初期設定を担当する管理部門担当者を例にします。
1. 人が原資料を用意する
インタビュー記録、FAQ閲覧ログ、初期設定画面の滞在時間、営業説明内容を用意しました。
確認できた事実は、
- 営業から「30分程度で初期設定できます」と説明されている
- 顧客は「そんなに難しくなかった」と発言
- FAQを3回開く
- 権限設定画面で20分以上停止
- 初回設定を翌日に持ち越す
でした。
2. AIに事実整理をさせる
AIには、See、Hear、Say、Doに分けさせました。
人が元記録と突き合わせ、
- See:複数の入力項目、必須・任意表示、複数の権限選択肢
- Hear:営業の30分説明
- Say:「そんなに難しくなかった」
- Do:FAQ3回、権限画面20分停止、翌日持ち越し
として整理しました。
3. AIに矛盾候補を出させる
SayとDoを渡すと、AIは「難しくなかった」という発言と、長時間停止・FAQ再訪・翌日持ち越しに矛盾がある可能性を指摘しました。
しかし「実は難しかった」とは決めませんでした。
4. Think & Feel仮説を出させる
AIは、
- 完了条件が分からない可能性
- 権限誤設定への不安がある可能性
- 30分という事前期待と実体験の差を気にしている可能性
を仮説候補として出しました。
人はこの3つを「未確認」として残しました。
5. 人が追加確認する
完了直後インタビューで、
- どの時点で終わったと判断したか
- 権限設定で何を間違えたくなかったか
- FAQを開いた理由は何か
を確認しました。
さらに、FAQ閲覧ログと権限画面滞在時間を確認しました。
6. PainとGainを人が決める
追加確認を踏まえ、最重大Painを、
正しい設定か確信できず、自分で完了判断できない
としました。
最重要Gainは、
必要な設定だけを正しく終え、今日から使えると安心したい
としました。
7. 改善施策へつなげる
改善案として、
- 初回必須項目と後回し項目を分ける
- 完了までの残りステップを表示する
- 顧客規模別の権限設定例を用意する
- 営業の「30分程度」という説明を実態に合わせて見直す
を実施しました。
8. 改善後を確認する
3か月後、同条件の新規顧客で、
- 初期設定完了まで:平均7.2時間 → 3.8時間
- 初月問い合わせ:1社平均3.6件 → 1.7件
- 権限設定FAQ再訪率:38% → 17%
となりました。
ここでAIが行ったのは、情報整理、矛盾候補、仮説候補、質問案の作成までです。Pain・Gainの最終判断、仮説検証、改善施策の採否、結果解釈は人が行いました。
そのまま使える記入形式が必要なら、共感マップテンプレートを使うと、事実・仮説・矛盾・次の検証まで整理しやすくなります。具体的な適用判断を追いたい場合は、共感マップの具体例も参考になります。よくある失敗を先に確認したい場合は、共感マップで失敗しやすいポイントも参照してください。
人が必ず確認すべきポイント
顧客が実際に見た・聞いたこと
AIは入力された情報を整理できますが、その情報が正しいかは確認できません。元記録へ戻ります。
発言と行動の意味
発言と行動が違って見えても、矛盾の理由は複数あります。AIだけで解釈を確定しません。
Think & Feel
内面は原則として仮説です。感情や考えを断定しないようにします。
PainとGainの重要度
AIは重要そうな候補を出せても、対象顧客にとってどれが重要かは顧客確認が必要です。
一人の声を全体化しない
同条件の複数顧客、問い合わせ件数、行動ログなどで広がりを確認します。
個人情報・機密情報
顧客名、メールアドレス、問い合わせ原文、契約情報などをAIへ入力する場合は、自社の情報管理ルールに従います。
生成AIの誤りと限界
顧客が言っていない感情を作ることがある
「20分止まった」から「不安だった」と補うことがあります。
発言と行動の矛盾を過剰解釈することがある
矛盾は手がかりですが、必ずしも隠れた不満を意味しません。
Seeに解釈を混ぜることがある
「入力項目が20個ある」という事実を「画面が複雑」と変換する場合があります。
一般的なペルソナ像を補うことがある
「管理部門担当者ならこう感じるはず」と、実際には確認していない内容を出すことがあります。
Pain・Gainを抽象化しすぎることがある
「生産性向上」「安心感向上」など、判断に使いにくい表現になることがあります。
機密情報の扱いに注意が必要
顧客情報を扱う場合は、利用環境と社内ルールに従います。
他の顧客理解手法との使い分け
共感マップは、特定の顧客・特定の場面で「何を見聞きし、どう行動し、何を考え感じている可能性があるか」を深掘りするのに向いています。
代表的な顧客像そのものを定義したい場合は、ペルソナと共感マップの違いを確認すると整理しやすくなります。
顧客体験を時系列で追いたい場合は、カスタマージャーニーと共感マップの違いが参考になります。
顧客が達成したい「仕事」に焦点を当てたい場合は、JTBDと共感マップの違いを確認してください。
3つの役割をまとめて選びたい場合は、ペルソナ・カスタマージャーニー・共感マップの使い分けも役立ちます。
生成AIに任せすぎないためのチェックリスト
- AIへ渡す前に元のインタビュー記録を残したか
- See・Hear・Say・Doを事実として分けたか
- AIが感情を断定していないか
- Think & Feelを仮説としてラベル付けしたか
- 発言と行動の矛盾を消していないか
- 矛盾の理由をAIだけで決めていないか
- Painを具体的な場面で書いたか
- Gainを望ましい状態まで具体化したか
- 一人の声を顧客全体へ一般化していないか
- 未確認事項を未確認のまま残したか
- 次のインタビュー質問を用意したか
- 行動ログで確認すべき点を決めたか
- 仮説検証後に共感マップを更新したか
- 顧客情報の入力が社内ルールに適合しているか
まとめ
生成AIは、共感マップを効率よく整理・実践するための補助役として使えます。
特に役立つのは、インタビュー記録からの事実抽出、See・Hear・Say & Doの分類、発言と行動の矛盾候補、Think & Feelの仮説、Pain・Gain候補、未確認仮説、追加質問、ログ確認観点の整理です。
一方で、顧客が本当に見た・聞いたこと、発言と行動の意味、内面、Pain・Gainの重要度、改善施策の採否は人が確認しなければなりません。
生成AIに「顧客の気持ちを決めてもらう」のではなく、「事実と仮説を整理し、次に何を確かめるべきかを早く見つける」ために使うことで、共感マップをより効率よく、かつ顧客事実に沿った形で実務へつなげやすくなります。