MENU

生成AIでICEを使う方法|プロンプト例と人が確認すべきポイント

ICEは、Impact・Confidence・Easeの3つの観点で施策やアイデアを採点し、優先順位を比較する方法です。

生成AIは、この採点を自動で決めるための道具ではありません。一方で、比較候補の粒度をそろえる、Impact・Confidence・Easeの根拠候補を整理する、採点理由の抜けを探す、低Confidence案の検証方法を考える、再採点のきっかけを作る、といった補助には使えます。

重要なのは、AIが出した点数をそのまま採用しないことです。市場規模、過去実績、実装工数、営業体制、予算、時期制約など、実際の意思決定に使う事実は人が確認します。また、ICEスコアが高いからといって、必ずその施策を今すぐ実行すべきとは限りません。

この記事では、生成AIをICEの補助に使う方法を、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、誤り・限界まで含めて解説します。

ICEの意味や基本構造から確認したい場合は、ICEとは?を参照してください。人だけで進める基本手順は、ICEのやり方で確認できます。

目次

生成AIを使うと効果が出やすい場面

生成AIは、次のような作業で補助役として使いやすくなります。

  • 比較候補の粒度をそろえる
  • Impactの判断材料を整理する
  • Confidenceの根拠と不足情報を分ける
  • Easeで見るべき工数・関係者・依存条件を洗い出す
  • ICEの仮採点を作る
  • 採点理由を文章化する
  • 同点・近似点の違いを比較する
  • 低Confidence案の小規模検証方法を考える
  • 新しい実績が出た後の再採点候補を作る

一方で、次の判断はAIだけに任せない方が安全です。

  • 3要素の採点基準そのもの
  • 正式な数値や実績
  • 施策ごとの市場・顧客インパクト
  • 実装工数や必要人員
  • 法務・セキュリティ・契約上の制約
  • 実行時期
  • 最終的な優先順位

AIは「候補を広げる」「抜けを探す」「比較しやすくする」役に置き、最終判断は人が行います。

1. まず比較候補の粒度をそろえる

プロンプト例

以下の施策候補を、ICEで公平に比較できる粒度へそろえてください。

目的:次の四半期で新規商談数を増やす

候補:

  • Web改善
  • 休眠リード向けメール配信
  • 業界特化LP
  • 展示会後フォロー標準化
  • 商談前チェックリスト

条件:

  • 大きすぎる候補は実行単位へ分ける
  • 小さすぎる候補は必要に応じてまとめる
  • 施策名だけでなく「何をするか」が分かる形にする
  • 勝手に新施策を追加しない

出力の使い方

AIは「Web改善」のような広すぎる候補を、問い合わせフォーム改善など具体的な単位へ直す候補を出せます。

人は、実際に比較したい意思決定単位と一致しているか確認します。

2. Impactの根拠候補を整理する

プロンプト例

以下の施策のImpactを1〜10で評価する前に、判断材料を整理してください。

施策:休眠リード向けメール配信 目的:次の四半期で新規商談数を増やす

条件:

  • 点数を先に決めず、商談数への影響を判断する材料を列挙する
  • 対象母数、反応率、商談化率、過去実績などを確認する
  • 不明な数字は推測しない

出力の使い方

AIは、

  • 休眠リード数
  • 過去のメール開封率・クリック率
  • 再反応率
  • 商談化率
  • 配信対象の鮮度

などを確認項目として出せます。

その後、人が実データを確認し、Impactを採点します。

3. Confidenceを「自信」ではなく根拠の強さで見る

Confidenceは、担当者の気分や経験年数で決めるものではありません。

プロンプト例

以下の施策について、Confidenceを判断する根拠を「強い根拠」「弱い根拠」「不足情報」に分けてください。

施策:業界特化LP

現状情報:

  • 既存LPのCVRは2.4%
  • 業界別の商談化率データは未取得
  • 営業から特定業界で反応が良いという声がある

条件:

  • 根拠の強さを理由付きで説明する
  • 点数は仮案としてのみ出す
  • 不足情報を埋める方法も提案する

出力の使い方

AIは、既存CVRは参考になるが業界別効果の直接証拠ではない、営業の声は仮説形成には使えるが定量根拠としては弱い、と整理できます。

人は、その整理を見てConfidenceの点数を決めます。

4. Easeを「作る工数」だけで決めない

Easeでは、実装工数だけでなく、関係者調整、承認、データ準備、外部依存、運用負荷まで確認します。

プロンプト例

以下の施策のEaseを判断するために、必要な作業・依存関係・関係者を洗い出してください。

施策:展示会後フォロー標準化

条件:

  • 作成工数だけでなく、営業運用、CRM設定、教育、承認を含める
  • 不明な工数は推測しない
  • Easeを下げる要因と上げる要因を分ける

出力の使い方

AIは、フォロー文面作成だけでなく、対象者判定ルール、CRM設定、営業担当者への周知、テンプレート更新などを漏れなく出す補助ができます。

5. ICEの仮採点を作る

採点基準を人が先に決めた上で、AIに仮採点を作らせます。

プロンプト例

以下の共通基準で5施策を仮採点してください。

Impact:1=影響小、10=商談数への直接影響が非常に大きい Confidence:1=根拠ほぼなし、10=複数の実績・定量根拠あり Ease:1=非常に重い、10=すぐ実行可能

施策:

  • 問い合わせフォーム改善
  • 休眠リード向けメール配信
  • 業界特化LP
  • 展示会後フォロー標準化
  • 商談前チェックリスト

条件:

  • 点数ごとに理由を書く
  • 不明情報は明示する
  • 推測が多い場合はConfidenceを低めに仮置きする
  • 最終点数ではなくレビュー用の仮案として出す

出力の使い方

AIの仮採点を、そのまま採用せず、各点数の根拠レビューに使います。

6. 採点理由の抜けをレビューする

プロンプト例

以下のICE採点をレビューし、根拠が弱い点数、基準が他施策とずれている点、不足情報を指摘してください。

問い合わせフォーム改善:Impact 8 / Confidence 6 / Ease 6 休眠リード向けメール配信:Impact 7 / Confidence 9 / Ease 6 業界特化LP:Impact 10 / Confidence 4 / Ease 5 展示会後フォロー標準化:Impact 8 / Confidence 8 / Ease 7 商談前チェックリスト:Impact 5 / Confidence 9 / Ease 9

出力の使い方

AIは、「業界特化LPのImpact 10に対しConfidence 4なので、効果仮説の根拠を別途確認すべき」といった論点を出せます。

7. ICEスコアを計算する

ICEスコアをImpact×Confidence×Easeで計算する運用なら、AIに計算を補助させられます。

今回の例では、

  • 問い合わせフォーム改善:8×6×6=288
  • 休眠リード向けメール配信:7×9×6=378
  • 業界特化LP:10×4×5=200
  • 展示会後フォロー標準化:8×8×7=448
  • 商談前チェックリスト:5×9×9=405

となります。

ここで重要なのは、448点の展示会後フォロー標準化を自動的に最優先にしないことです。

8. 現実制約を別に確認する

プロンプト例

以下のICE順位に対して、今すぐ実行できない現実制約がないか確認する質問を作ってください。

順位:

  1. 展示会後フォロー標準化 448
  2. 商談前チェックリスト 405
  3. 休眠リード向けメール配信 378
  4. 問い合わせフォーム改善 288
  5. 業界特化LP 200

条件:

  • 実施時期
  • 必要データ
  • 予算
  • 人員
  • 外部イベント日程
  • 法務・承認

を確認する

  • 最終順位は決めない

出力の使い方

この例では、展示会が3か月後なら、最高得点でも今すぐ実行する必要はありません。

人が時期制約を確認した結果、実施順を、

  1. 商談前チェックリスト
  2. 休眠リード向けメール配信
  3. 展示会後フォロー設計
  4. 問い合わせフォーム改善
  5. 業界特化LPの小規模テスト

と変える判断ができます。

9. 同点・近似点では根拠差を比較する

プロンプト例

ICEスコアが近い2施策について、点数そのものではなく、採点根拠の強さと現実制約を比較してください。

施策A:休眠リード向けメール配信 378 施策B:商談前チェックリスト 405

条件:

  • Impact、Confidence、Easeごとに比較
  • 根拠の強弱を分ける
  • 実施時期と必要リソースも確認する
  • 最終判断は人が行う前提にする

出力の使い方

スコア差が小さいときほど、点数の大小より、根拠と実行条件の差を見る方が有効です。

10. 低Confidence案を捨てず、検証案を作る

低Confidenceだからといって、Impactの大きい案をすぐ捨てる必要はありません。

プロンプト例

業界特化LPはImpact 10 / Confidence 4 / Ease 5です。

Confidenceを上げるための小規模検証案を3つ出してください。

条件:

  • 2週間以内
  • 大規模開発なし
  • 1業界で試す
  • 確認指標を明示する
  • 成功条件と再採点条件を提案する

出力の使い方

AIは、1業界だけの簡易LPを作り、流入数、問い合わせ率、商談化率を確認する案などを出せます。

人は、費用やデータ取得可能性を確認して実行案を決めます。

通し例|生成AIをICEの補助に使う

目的は「次の四半期で新規商談数を増やす」です。

候補は、

  • 問い合わせフォーム改善
  • 休眠リード向けメール配信
  • 業界特化LP
  • 展示会後フォロー標準化
  • 商談前チェックリスト

の5案でした。

最初にAIへ候補粒度を確認させ、「Web改善」のような広すぎる表現が混じっていないか整理しました。

次に、Impact・Confidence・Easeを採点するための確認項目をAIに出させました。

人が実績と工数を確認し、仮採点を次のように確定しました。

  • 問い合わせフォーム改善:8 / 6 / 6 = 288
  • 休眠リード向けメール配信:7 / 9 / 6 = 378
  • 業界特化LP:10 / 4 / 5 = 200
  • 展示会後フォロー標準化:8 / 8 / 7 = 448
  • 商談前チェックリスト:5 / 9 / 9 = 405

AIには、採点理由の不足、基準ずれ、低Confidence箇所をレビューさせました。

その後、現実制約を確認すると、最高得点の展示会後フォロー標準化は、展示会自体が3か月後でした。

そのため、スコア順をそのまま実施順にはせず、

  • 商談前チェックリスト
  • 休眠リード向けメール配信
  • 展示会後フォロー設計
  • 問い合わせフォーム改善
  • 業界特化LPの小規模テスト

という順にしました。

業界特化LPは200点で最下位でしたが、Impact 10・Confidence 4という構造です。

そこでAIへConfidenceを上げる小規模検証案を出させ、1業界向けの簡易LPでテストすることにしました。

テスト後、反応率と商談化率に一定の改善が確認できたため、Confidenceを4から7へ見直す候補が生まれました。

仮にImpact 10、Confidence 7、Ease 5なら、ICEは350です。

このように、AIが担ったのは候補整理、確認質問、仮採点、根拠レビュー、検証案の生成です。

人が担ったのは、採点基準、実データ、工数、現実制約、正式点数、実施順、再採点の確定です。

そのまま使える型が必要なら、ICEテンプレートを使うと、Impact・Confidence・Ease、点数根拠、現実制約、最終判断まで整理しやすくなります。

具体的な案件への適用イメージを見たい場合は、ICEの具体例が参考になります。よくある失敗を先に確認したい場合は、ICE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

採点基準

Impact・Confidence・Easeの1〜10が何を意味するかを先に決めます。施策ごとに基準を変えないことが重要です。

事実根拠

市場規模、CVR、商談化率、工数、必要人員などは、AIの推測ではなく実データを確認します。

Confidence

AIが「根拠がありそう」と評価しても、根拠の出所が弱ければConfidenceを上げません。

Ease

実装工数だけでなく、調整、承認、運用、教育、外部依存まで確認します。

現実制約

時期、予算、法務、セキュリティ、担当者の空き、イベント日程などはICEスコア外の制約として別に確認します。

最終順位

ICEは比較を助ける道具です。最終的な実施順は、人が目的と制約を見て決めます。

生成AIの誤りと限界

存在しない数字を補うことがある

対象母数やCVRを与えずに採点させると、もっともらしい数字を作ることがあります。

点数の一貫性が崩れることがある

施策ごとに異なる基準で8点、7点と付ける場合があります。

Confidenceを過大評価することがある

説明がもっともらしいだけで、実証根拠が弱い案を高Confidenceにすることがあります。

Easeを単純化することがある

作業時間だけを見て、承認や運用変更を見落とすことがあります。

ICE順位をそのまま推奨順位にすることがある

イベント時期、依存関係、法務制約などを別に確認しないと、現実的でない順位になります。

機密情報の扱いに注意する

顧客データ、案件単価、施策別実績、原価、人員計画などを入力する場合は、自社の情報管理ルールに従います。

生成AIに任せすぎないためのチェックリスト

  • 比較候補の粒度をそろえたか
  • Impactの共通基準を決めたか
  • Confidenceを根拠の強さで見ているか
  • Easeに調整・承認・運用を含めたか
  • AIが作った数字をそのまま使っていないか
  • 点数ごとの根拠を確認したか
  • 高得点案を自動採用していないか
  • 現実制約を別に確認したか
  • 低Confidence案を検証できないか検討したか
  • 検証後に再採点する条件を決めたか
  • 最終順位を人が確定したか
  • 機密情報を不用意に入力していないか

まとめ

生成AIは、ICEを効率よく使うための補助役として使えます。

特に役立つのは、比較候補の粒度調整、Impact・Confidence・Easeの判断材料整理、仮採点、採点根拠のレビュー、現実制約の確認質問、低Confidence案の小規模検証案、再採点候補の作成です。

一方で、採点基準、正式な数値、根拠の強さ、実装工数、現実制約、最終順位は人が判断する必要があります。

生成AIにICEの答えを決めてもらうのではなく、「比較しやすくする」「抜けを探す」「根拠を言語化する」「検証案を作る」ために使うことで、スコアだけに依存しない優先順位付けを効率よく進められます。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!
目次