既存SaaSへの生成AI導入を振り返る~2年半の試行錯誤と実践知~ （PRODUCT HISTORY CONFERENCE 2025）

PRODUCT HISTORY CONFERENCE 2025の発表資料です。
https://lp-prohis.youtrust.jp/

Transcript

1. 既存SaaSへの生成AI導入を振り返る 
 ─ 2年半の試行錯誤と実践知 株式会社フライル CTO 荒井 利晃
2. 2014~2020：株式会社ビズリーチ エンジニア、PM、採用人事 2020~：株式会社フライル 共同創業者 / 取締役CTO（PO兼任） 主な業務 組織づくり 新規事業の立ち上げ プロダクトの戦略策定 組織の生成AI活用支援 その他 2児の父 Xアカウント名：toshi_moz 自己紹介
3. 業務も含め、普段から生成AIを利用している 生成AIを活用した機能・プロダクトを開発している 生成AIとの関わり方に関するご質問
4. “プロダクトマネジメントSaaS”から “生成AI中心のSaaS”への舵切り
5. 集める 問い合わせ ご要望 アンケート 営業CRM レビュー・口コミ SNS インタビュー 分類・構造化・可視化 活用 製品企画・商品企画 ユーザーの心を掴む 製品開発を可能に CX・サービス企画 NPS・顧客満足度を 改善できる 品質管理・コールセンター 膨大な声から致命的 な課題を検知 マーケティング 収益につながる 顧客インサイトを発見 ポジティブ ポジティブ レビュー レビュー 顧客からの要望 顧客 顧客からの要望 顧客 失注理由 セールス 失注理由 セールス ネガティブ ネガティブ よくあるお問い合わせ CS よくあるお問い合わせ CS キーワード 0 50 100 150 200 250 並び替え 読み込み サーベイ 絞り込み セールス アプリ エラー 投稿 キーワード 0 50 100 150 200 250 並び替え 読み込み サーベイ 絞り込み セールス アプリ エラー 投稿 クリティカル ネガティブ 要望 ポジティブ ニュートラル 不明 4月 5月 6月 7月 8月 250 200 150 100 50 0 クリティカル ネガティブ 要望 ポジティブ ニュートラル 不明 4月 5月 6月 7月 8月 250 200 150 100 50 0 フィードバック ソリューション サーベイ 外部連携 フィードバック ソリューション サーベイ 外部連携 Flyle機能分類 デザイン 運用 フィードバック管理 ソリューション管理 タグ管理 分析・レポート テーマ管理 UI デザインシステム スターター プロフェッショナル エンタープライズ アップグレード ダウングレード 新規受注 要約分類 クリティカル 469 528 380 167 396 672 8 13 672 8 13 35 29 ネガティブ 20 2,019 760 380 110 396 1 28 121 22 1 3 28 ポジティブ 915 5 54 105 639 396 170 121 128 1 396 170 121 テキストデータを生成AIによって構造化 や 発見を支援する 「顧客ニーズ」 「課題」 Flyleについて ↑主にこのプロセスに生成AIを導入
6. 創業以降のプロダクトの歴史 2020.2 コロナ禍で創業 2022.5 プレシリーズAラウ ンドで３億円を資金 調達 2021.5 シードラウンドで 8100万円資金調達 2022.９ 業務委託を含め、従 業員が20名に 2023.7 顧客ニーズプラットフォーム へ方向転換、DX EXPOなど の展示会に出展 現在 日本のエンタープライズ企 業への導入が拡大中 2021.6 製品版リリース 2022.3-10 顧客セグメンテーション、ロードマッ プ・スコアリング機能、Salesforce 連携機能をリリース 2022.12 サーベイβ版を リリース 2023.8 生成を活用した機能 をリリース 2024.4 レポート・ダッシュ ボード機能のリリース 2023.4-7 生成AIを活用した機 能のPOCを開始 現在 顧客ニーズプラットフォームと して必要な機能の拡充 プロダクトマネジメントSaaS 顧客ニーズプラットフォーム 2020.12 β版リリース ↑ここから生成AIへの取り組みが本格化
7. “プロダクトマネジメントSaaS時代”に直面した事業成長の壁 BtoBの事業としての非連続な成長を実現するため、
 単価の向上=エンタープライズ企業の受注が必須だった
 事業成長として狙いたいエンタープライズ企業に対して、
 “プロダクトマネジメント”というこれまでの製品コンセプトが伝わりにくい
 「大量のデータがあるが活用できていない」という明確なニーズに対し、
 解決するための有効なソリューションがなかった →生成AIが上記の課題に有効と判断し、会社をあげて取り組むことに
8. VOCの要約・センチメント分析 VOCの本文から、文中の要素抽出とセンチメン ト分析を行う VOCの自動分類 あらかじめ定められたルールへの分類、複数の VOCにまたがるトピックの自動抽出・分類 顧客の関心が高まった 「プロダクトマネジメントSaaS」と説明するよ りも、展示会などでの反応が良くなり、エン タープライズ企業の契約も増えた 提供している機能（一部）や顧客への影響
9. ”生成AI中心の製品” を実現するまでの試行錯誤
10. 試行錯誤 =「課題設定」と「実現可能性」の探索 ①課題設定 ②実現可能性 ✕ 主観ではなく、本当に顧客にとって解決したい？ 生成AIである理由は？従来の方法でよくない？、など 顧客が期待するアウトプットはだせる？ コストは？事業としての持続性は？、など 当初「生成AIすごい！！なんでもできそう！早速機能作ろう！ 」 根気強い
 継続的な探索
11. 「業務の特性」と「生成AIにとっての代替可能性」を理解する 対象となる業務 業務の特性 生成AIにとって 医療現場での問診 ・高度な専門知識、倫理観、経験が必須 ・誤診が許されない高い責任
 ・有資格者による対面での対応が重要 ・支援は可能：情報提供、回答候補の提示 ・代替は困難：最終診断、信頼関係の構築 広告コピーの草案作成 ・条件に基づくアイデアの迅速な大量生成
 ・創造性と定型業務の組み合わせ ・協業で効率化：多様な案を短時間で大量 生成 ・人間が最終判断と仕上げを行う 経営戦略の策定 ・複合情報に基づく高度な将来予測 ・不確実性が高く、経営層の経験や直感が重要 ・支援は有効：データ分析、シミュレー ション ・代替は困難：最終的な判断、責任の所在 ️顧客フィードバックの 分析・分類 ・大量のテキストデータを一定のルールに基づ き整理・分類 人による作業でも一定のブレが生じる ・代替可能性が高い：大量データの高速・ 正確な処理が得意 以前から問い合わせを受けていた「大量のフィードバックがあるんだけど、Flyleさんでなんとかできない？」というニーズにフィット
12. これまでのSaaS開発と生成AI SaaSとの差分 これまでのSaaSプロダクトは、全顧客にとっての「最大公約数」を見極めた機能開発が重要視 生成AIプロダクトは、従来よりも個社最適な価値提供が可能になった 個社の 満足ライン これまでの
 プロダクト 生成AI
 プロダクト 共通 共通 顧客の「最大公約数」を見極め、 なるべく汎用的な機能開発を行う 生成AIの出力をコントロールし、 個社ごとの期待を満たす ※ただし、生成AIの出力は
 「玉」にも「石」にもなり得ることに 十分に気をつける カスタム カスタム
13. 生成AIの精度に関する顧客との期待値調整 顧客の期待は「これまで人が行ってきた作業と同 じ結果となること」 「xxx」という言葉は「yyy」と解釈できるので〜、と いう会社特有のコンテキストを含むケース 顧客の期待を越えられず、導入は見送りに 精度向上のためのアプローチは色々と考えられたが、 個社最適を行うROIが見合わず 顧客にとっての100点はどこか、生成AIによる出力は何点を目指すのか、何点まで許容できるのか 比較的容易に実現が可能 実現には工夫が必要 実現が難しい 生成AIによる 実現の難易度 実際にあったこと ️ 顧客Bにとっての期待 ️ 顧客Cにとっての期待 ️ 顧客Aにとっての期待
14. 「ChatGPTじゃだめなの？」に答える VOCを集める 分類・構造化・可視化 活用 単一の業務工程のみへの生成AI適用では、代替手段が多く存在する 「顧客のデータやコンテキストを活用する」「自社ドメインにおけるベストプラクティスを組み込 む」など、複合的なアプローチによって顧客にとっての代替可能性を下げる テキスト情報 からの要素抽出 抽出された要素の 自動グルーピング 顧客が定義したルール に則った自動分類 改善アクションに対する 顧客ニーズのレコメンド 一連の業務フローにおいて、複数の生成AIによるサポートを実装
15. 生成AIのコストパフォーマンスとバランス （単純化した表現をすると）コストをかければ、より複雑なタスクが可能となり解決できる顧客課題 も大きくなる 事業・プロダクトとして成立するバランスは機能ごとにも異なり、見極めが難しい 提供価値 コスト 精度
 リスク ⋮ 機能A 機能B 機能B 機能B 機能A 機能A 機能ごと・プロダクト全体でそれぞれバランスが取れているか
16. 生成AIに対する組織の取り組み
17. 新しい時代に追従するため、組織のアップデートも必要 「課題設定」に関連する取り組み 部署横断での生成AIワークショップを通じて「この業務課題って生成AIで解決できないか」 という発想を促す 「実現可能性」に関連する取り組み 様々なツール・最新の技術に触れ続けることで、「これならできるかも」という課題解決の 糸口を探す、など 普段の業務における生成AI活用を当たり前にし、常に試行錯誤が行われる土壌を作る
18. これまでに、下記のようなワークを実施。 ビジネス、プロダクトで1名ずつペアを組む。プロダク トメンバーがビジネスメンバーの普段の業務をヒアリン グし、生成AIを活用したソリューションを提案する 各部門のハイパフォーマーを定義し、生成AIによって業 務をトレースする 画像生成AIを利用して、会社のイメージキャラクターを 作ってみる（かなり盛り上がった）、など 生成AIに対する知見の向上に加え「こんなことできたらい いよね！」という多くのアイデアが生まれた。 全社オフサイトMTGで生成AI題材にしたワークの実施 ビジネス部門とプロダクト部門を混ぜ、組織にお ける発想を促す 生成AIワークショップ
19. 生成AI活用LT会 各部署における生成AI活用事例を共有し、全社に おける生成AI活用レベルを引き上げる ビジネス部門、プロダクト部門、コーポレート部門など 全部署横断で「普段どのような生成AIツールを業務で活 用しているか」をLT形式で共有 「xxさんが紹介してたツールは今まで知らなかったけ ど、自分の業務でかなり使えそう！」というコメントも 多く見られ、社内のAI活用促進に寄与 自分たちの製品に対する着想を得られる
20. 生成AIツールの積極活用 普段からAIツールを触り続けることで、価値や体 験の良し悪しを考える機会を増やす プロダクトチームでは下記のAIツールを日常的に利用。 ChatGPT Gemini Claude Devin Cursor Claude Code また、試したいツールがある場合はカジュアルに試すこと ができるよう、軽量な申請フローを整備。
 4半期に1度AIツールの棚卸しを実施し、「本当に継続して 利用する価値があるか」をチーム内で判断。
21. 毎月1回のFlyleハッカソン 普段の業務を離れ「強制的な発明の場」を設ける もともとはフルリモート環境下におけるチームビルディ ングの一環としてはじめた取り組み
 プロダクトチーム全員が参加 エンジニア QA デザイナー プロダクトマネージャー
 事前にチームとテーマを決め、当日は朝からとにかく手 を動かす。夕方に成果共有会を実施 最新のAI技術をキャッチアップする場としてもワークし ている
22. 2年半でのマーケットの変化
23. 様々な生成AIツールの台頭 【2年前】 プロダクションレベルでの生成AI導入事例は少なく、 先行プレイヤーに大きな関心が集まっていた 日常で主に利用するツールはChatGPTがメイン 【現在】 スタートアップから大企業まで様々なプロダクトに生 成AIが搭載され、業務における生成AIの浸透度合いが 向上 チャット系のツールだけでもChatGPT、Gemini、 Claude、Copilot Chatなど選択肢が多様化し、目的 に応じてツールを使い分けるように
24. モデルの性能UP 【2年前】 OpenAIのGPT-3.5 Turboが主流。精度やトークン数 などの制限も多く、実務に耐えうる出力結果を得るた めには様々なプロンプトエンジニアリングのテクニッ クを駆使する必要があった 【現在】 OpenAIに加え、Google、Anthropicからも次々と新 しいモデルがリリースされ、オープンソースのモデル も利用可能に モデルの基本性能向上、トークン上限の向上、推論モ デルの登場などにより、複雑な業務に対しても精度の 高い回答を得られるようになった（ハルシネーション の問題も緩和） 性能が上がりつつも、以前よりも安価に利用可能に
25. 顧客の変化 【2年前】 生成AIの利用ガイドラインが定まっておらず、生成AI ツールの導入には慎重だった 生成AIに対してまだ懐疑的なケースも 【現在】 各社の生成AI活用ガイドラインが策定されたことで利 用機会が増え、生成AIに対する解像度が向上した
 Microsoft、Googleなど、これまで日常で利用してい たツールに対してAIが搭載され、「これらのツールで できないことは何か？」を問われるように
 AIツールによりソフトウェアの開発コストが下がり、 「自社で作れないか」も検討に上がる
26. “生成AIが珍しい時代” から “生成AIが当たり前の時代” へ 「生成AI技術を使っていれば注目される」という先行者優位な時代は終わり
 大小含めた様々なAIツールが存在する中で顧客から選ばれるために「なぜその製 品を自社が作るべきなのか」という問い
27. プロダクトへの 生成AI導入チェックリスト
28. 1. 顧客価値 「生成AIを“どう使うか”よりも“何 の課題を解決するか”。顧客にとっ て本当に価値がある機能をどう見 極めるか。」 2. 実現可能性 「どのモデルを選び、どのように コストを抑え、サービスとして実 際に動かせるか。ビジネスと技術 を両立させる現実解を探る。」 3. セキュリティ 「顧客が心配するのはデータ漏え い・学習利用・リージョン制限。 安心して使える環境をどう整える か。」 4. 運用 「リリース後が本番。モデルの アップデートやベンダーロックイ ンなど、変化に追随する体制が不 可欠。」 生成AIを活用したプロダクトを事業として成立させるための多くの要求 主要な観点を紹介 （※事業によって前提が異なるため参考程度に。ここでは特にBtoBを対象）
29. 「顧客価値」に関するチェックリスト 目的：価値のある機能を、適切な期待値で顧客に届ける 課題の特定: 生成AIを使うこと自体が目的になっていないか？解決すべき顧客の具体的な課題は明確か？ 期待値コントロール: 顧客は生成AIに過度な期待（例：100%の精度、完璧な文章生成）を抱いていない か？機能の限界や得意なこと・不得意なことを事前に説明しているか？ 顧客セグメントと相性: どの顧客セグメントに最も価値を提供できるか？セグメントごとに調整やチューニ ングは必要か？ 価値の定量化: 提供する機能が、顧客のどのKPI（時間短縮、コスト削減、品質向上など）に貢献するかを 説明できるか？ 継続的な改善体制: 顧客からのフィードバックを収集し、プロンプトや機能を改善するサイクルは確立され ているか？
30. 「実現可能性」に関するチェックリスト 目的：技術的な課題をクリアし、事業として成立するかどうかを見極める モデル選定: 解決したい課題に対して、最適なAIモデル（GPT-4, Claude, Geminiなど）を選定できている か？精度、速度、コストのバランスは取れているか？ コスト・売上試算: 機能提供にかかるAPI利用料やインフラコストを試算し、事業として成立するか確認し たか？赤字リスクを把握しているか？ 安定稼働: APIのレート制限（Rate Limit）や可用性を考慮した設計になっているか？リトライ処理などの エラーハンドリングは実装されているか？ プロンプトエンジニアリング: 期待通りの出力を得るためのプロンプトは十分に検証されているか？データ セットを用意し、試行錯誤できる体制があるか？ パフォーマンス・UX: ユーザーが期待する時間内に応答を返せているか？ストリーミング表示など、体感 速度を向上させる工夫はしているか？
31. 「セキュリティ」に関するチェックリスト 目的：顧客のセキュリティ懸念を解消し、安心して利用してもらう データプライバシー: 入力したデータがAIモデルの学習に利用されないことを顧客に明確に説明できるか？ データ保管場所: データのリージョン（保管国）が顧客のセキュリティポリシーに準拠しているか？特に大 企業向けの要件を確認したか？ 説明責任: セキュリティに関する規約、FAQ、ホワイトペーパーなどの説明資料を準備しているか？ 社内ガイドライン: 生成AIの利用に関する自社のセキュリティガイドラインを策定し、遵守しているか？
32. 「運用」に関するチェックリスト 目的：リリース後も継続的に機能を改善し、安定運用を続ける 出力品質の保守・モニタリング: 不適切な出力やハルシネーション（事実に基づかない情報の生成）を検 知・記録する仕組みはあるか？ コスト管理: 定期的にAPI利用コストを監視し、想定を上回るコストが発生していないか確認しているか？ カスタマーサポート: 生成AI特有の問い合わせ（期待通りの出力が出ない、など）に対応できる知識や手順 をサポートチームに共有しているか？ モデルのアップデート追従: 利用しているAIモデルのバージョンアップ情報をキャッチアップし、サービス への影響を評価・対応する計画はあるか？
33. まとめ
34. 2年半の取り組みまとめ 顧客のニーズに対して生成AIが有効なソリューションになると判断し、
 会社をあげて生成AI活用に対してコミットすることを決めた
 プロダクションレベルで生成AIを活用できるようになるまで、実際の顧客のデータをもとに検 証を行い、精度の向上やリスクの低減など地道に積み重ねてきた
 モデルやツールなどの技術的なアップデートや競合環境をを把握した上で、自分たちが何に注 力すべきか、今現在でも学習と試行錯誤を繰り返している
35. We are hiring !! プロダクト系人材積極募集してます！ https://herp.careers/v1/flyle
36. Thank You