【PMM JAPAN CONFERENCE 2026】AI時代_なぜ新規事業はGo-to-Marketで止まるのか__PMM視点で読み解く_売れる前提_の設計

2026/7/13に開催された日本初、プロダクトマーケティングカンファレンスで語られた資料です。
------

『AI時代、なぜ新規事業はGo-to-Marketで止まるのか ─PMM視点で読み解く“売れる前提”の設計』
稲葉 将一／ファインディ株式会社 執行役員 CPO

生成AIの進化により、企画立案やプロダクト開発のスピードは飛躍的に向上しています。一方で、多くの企業が「Go-to-Market（GTM）」の段階で停滞し、事業化に苦戦しているのが現状です。実際に、ファインディが実施した622名への調査では、約8割がGTMフェーズで課題を抱えていることが明らかになりました。

本セッションでは、PMM（Product Marketing Manager）の視点から、「誰に・なぜ・どう届けるか」という"売れる前提"の設計について解説します。単なる機能開発やPoCで終わらず、顧客理解・市場理解・営業/マーケティング連携をどのように接続し、事業として立ち上げていくのか。生成AI時代だからこそ求められる、意思決定とGTMの再設計に迫ります。

また、顧客インサイトや現場知見が組織内で分断され、企画・営業・マーケティング間で共通認識が持てないことによって起きる"事業化の壁"についても掘り下げます。その上で、PMMが果たすべき役割や、事業化の打率を高めるための実践的なアプローチを具体事例とともに紹介します。

新規事業開発、PdM、PMM、事業企画、営業企画、マーケティング責任者など、事業を市場に届ける役割を担う方にとって、AI時代のGTM戦略を考えるヒントとなるセッションです。
*内容は変更になる可能性があります。

▼公式カンファレンスサイト
https://pmmjapanconference2026.prodelia.co.jp/
AI時代、プロダクトの価値は「どうつくるか」から「どう届けるか」へ。
その変化の源泉を感じよう。

Transcript

1. PMM JAPAN CONFERENCE 2026 ｜ KEYNOTE AI時代、なぜ新規事業は Go-to-Marketで止まるのか ─PMM視点で読み解く仮説検証設計 稲葉将一 ファインディ株式会社 執行役員CPO 2026.07.13 東京ポートシティ竹芝 ポートホール
2. 自己紹介 PMM JAPAN CONFERENCE 2026 稲葉 将⼀ 執⾏役員 CPO @bachio178 ファインディ株式会社 早稲⽥⼤学卒業後、新卒でリクルートに⼊社。 国内転職事業‧海外HR事業にて、プロダクトマネジメントや 事業企画等を経験した後、ファインディにジョイン。 2024年より、プロダクトマネジメント室を⽴ち上げ、室⻑と して管掌。インド‧韓国市場⽴ち上げにコミットメント。 2026年より、執⾏役員 CPOとして全社プロダクトを横断して 管掌。
3. 会社概要 PMM JAPAN CONFERENCE 2026
4. サービス紹介 PMM JAPAN CONFERENCE 2026
5. サービス利用社数・契約企業数 PMM JAPAN CONFERENCE 2026
6. ご利用企業 PMM JAPAN CONFERENCE 2026 ⽇本を⽀える産業から、新規価値創出を牽引するスタートアップまで、ものづくりの中枢で活⽤されている 製造‧⾦融‧通信 メガベンチャー‧スタートアップ ※ 2026年1⽉現在 その他 ⼤⼿関連会社
7. コミュニティとのコラボレーション PMM JAPAN CONFERENCE 2026 AI、エンジニアリング、プロダクト企画、事業開発等トレンドに合わせて、⼤規模カンファレンスを実施。 国内外の最新の知⾒をお届けします。 開催実績 10回以上/年 平均申込者数 1,000〜4,000名 ※数値は2025年8⽉末時点のもの
8. AIの爆発的な普及による経営アジェンダの変化 PMM JAPAN CONFERENCE 2026 Every company will become an 'AI factory'. Jensen Huang (NVIDIA社⻑兼CEO) Agentic AI is a new labor model, new productivity model, and a new economic model. Marc Benioff (Salesforce 会⻑兼CEO) In my lifetime, I’ve seen two demonstrations of technology that struck me as revolutionary. Bill Gates (Microsoft創業者) AIと向き合うことが当たり前になった2025年。 技術の進化により“AIと共に働く” 時代への転換期を迎えた。 孫 正義 (ソフトバンクグループ会⻑兼社⻑) 2025年12⽉29⽇ TIME紙
9. AIによってもたらされた環境変化 PMM JAPAN CONFERENCE 2026 あらゆる産業‧企業で、AIによる「変⾰」が求められている。 ビジネス の⾼速化 Scalability の拡張 競争優位性 の変化 AIにより企画‧開発‧検証の反復が⼀気に短縮し、意思決定と実⾏の勝負になる。 ‧ものづくりのハードルが下がることで、速やかに試⾏回数を多く回すゲームに移⾏する。 ‧技術⾰新の変化が早く、新たな技術や競合が⽣まれる流れに追いつき続ける必要。 ‧意思決定のスタイルは、熟考型からよりリアルタイムな即断即決型へ重要度が移⾏する。 企画‧調査やコーディングなどをAIが担い、少⼈数でも価値を量産できるようになる。 ‧海外では数名規模のユニコーン企業が続々と誕⽣。特に知的作業がスケールしやすい状況。 ‧投資の⽐率が「⼈」から「AI」やそれを動かすための「インフラ」に相対的に移⾏する。 ‧”テクノロジー”は、CTOマターではなくCEOを含む経営全体のイシューに。 “機能”がコモディティ化する中で、独⾃のデータやブランドなどのアセットが価値に。 ‧⽣成AIにより、機能や製品の「模倣」のハードルは下がる。AI製の廉価な製品も⽣まれる。 ‧データやドメインの知⾒、信頼性やブランド、オフラインでの関係性などの価値が上昇。 ‧蓄積されたデータや知⾒は、AIをより効果的に働かせるための原資にもなる。
10. 生成AIにより何が変わったのか？
11. つくるスピード
12. 生成AIによる業務変革 PMM JAPAN CONFERENCE 2026 ChatGPTやClaude、Gemini等の普及により、あらゆる業務スピードが劇的に向上 スタンフォード⼤学等のリサーチでは、多様な業務が⽣成AIにより⼤幅に改善する事が⽰唆された。 Hartley, J. S., Jolevski, F., Melo, V., & Moore, B. (2025). 「The labor market effects of generative artificial intelligence 」より⼀部抜粋 ⽣成AI活⽤によるタスク完了時間の差分
13. 95%
14. AIモデルClaudeを提供する Anthropicの事例 PMM JAPAN CONFERENCE 2026 ⽣成AI開発ツール「Claude Code」の約95%のコードは、⽣成AIが⽣成している。 ソフトウェア開発、顧客価値提供のスピードの前提が、⽣成AIにより⼤きく変わろうとしている。 Lenny's Podcast.(2025). "Anthropic's CPO on what comes next | Mike Krieger (co-founder of Instagram)."
15. PMM JAPAN CONFERENCE 2026 アンソロピックCEO「AI⽣成コード⽐率は6ヶ⽉以内に90%、1年で100%になる」 2025年3⽉の予測だが、実際に先端企業のシニアエンジニアは、80%以上のコードをAIで⽣成するケースも AIモデルClaudeを提供する Anthropicの事例
16. PMM JAPAN CONFERENCE 2026 Anthropicの年間収益は、190億ドル(約3兆円)に達し、半年で約6倍の成⻑。 ⽣成AIを活⽤したイノベーションにより、アメリカを中⼼に、巨⼤市場が急速に創造されている。 Tong, A., & Dastin, J. (2025, May 30). Anthropic hits $3 billion in annualized revenue on business demand for AI. Reuters. Anthropicの年間収益推移 150億円 1500億円 4500億円 約3兆円 AIモデルClaudeを提供する Anthropicの事例
17. AI活用による事業・経営への影響 PMM JAPAN CONFERENCE 2026 ⼀⽅で、⽣成AIは「使われている」が、収益には「（まだ）効いていない」 ⽣成AIを使う組織は2年で 33% → 72%と利⽤率は2年で2.2倍。⼀⽅、EBIT改善実感はほぼ横ばい。 出典: McKinsey State of AI 2024–2025 / State of AI Trust 2026
18. AI活用による仮説検証・事業検証への影響 PMM JAPAN CONFERENCE 2026 622名への⼤⼿企業×企画‧事業開発担当におけるAI活⽤リサーチ(2026年3⽉) 業種 N % 製造業 234 37.6% 卸売‧⼩売業 41 6.6% 運送‧輸送業 28 4.5% 消費財メーカー（⾷品‧飲料など） 5 0.8% 情報通信業 314 50.5% 役職 N % 経営者‧役員 13 2.1% 本部⻑‧事業部⻑クラス 23 3.7% 部⻑クラス 96 15.4% 課⻑‧マネージャークラス 156 25.1% 係⻑‧主任‧リーダークラス 154 24.8% 企業規模 N % 100〜499⼈ 137 22% 500〜999⼈ 84 13.5% 1,000⼈以上 401 64.5% AI導⼊ステージ N % 導⼊していない（禁⽌∕未導⼊を含 む） 33 5.3% 検討している（⽅針検討‧情報収集 中） 91 14.6% 試⾏中（個⼈∕⼀部チームでのPoC） 132 21.2% 部⾨として標準化（部⾨内で推奨） 87 14% 全社として標準化（全社で推奨） 255 41% わからない 24 3.9%
19. PMM JAPAN CONFERENCE 2026 AI活用による仮説検証・事業検証への影響 AI導⼊による期待は、情報検索、要約‧整理が約半数を占める。 期待は効率化系に偏り、質系（顧客解像度‧インサイト精度）はわずか10.5%に留まる。 情報検索が速くなる 41.5% 要約・整理が速くなる AI導⼊前の期待効果（複数回答） コストが下がる 23.8% 企画の質（打ち手の幅、独自性）が上がる 19.5% 試作・実証実験（ PoC）が速くなる 16.4% 社内合意形成（説明・説得）が速くなる 16.1% 顧客理解 /インサイトの精度が上がる 10.5% 47.4%
20. PMM JAPAN CONFERENCE 2026 AI導⼊による企画業務活⽤の現状 ⽂字起こしや要約、資料作成の⽐率が⾼く、業務効率改善がメインのユースケース。 市場・競合デスクリサーチ 17.7% PoC計画・仕様落とし込み 18.3% インタビュー・商談・会議音声の 文字起こし 48.1% インタビューやアンケート結果の 分析 25.7% 企画書・仕様書の作成 33.8% 稟議や社内説明のための 資料作成 20.9% 文字起こし要約 29.9% 企画書・仕様書作成 21.9% 稟議・社内資料作成 21.9% インサイト抽出 21.7% 社内事例・過去調査の検索 21.1% 社内事例・過去の 調査結果・意思決定 30.5% 市場・競合の デスクリサーチ 21.2% 試作・実証実験（ PoC）の計画と 仕様策定 20.3% 今後最もAIに任せたい業務（複数回答） ⽣成AIを使っている業務（複数回答） AI活用による仮説検証・事業検証への影響
21. 何がボトルネックなのか？
22. PMM JAPAN CONFERENCE 2026 AI活用による仮説検証・事業検証への影響 事業開発‧商品開発において、Go To Marketにおける社内連携が課題に AIにより多くの機能が提供されるスピードが上がる⼀⽅、社内他部⾨との連携が課題になっている 新規事業開発‧新商品開発における組織課題（複数回答） 初期顧客（ファーストユーザー）を そもそも見つけられない 22% 試作・実証実験（ PoC）は完了したが、 誰に・いくらで提供するか定まらない 33.1% 社内の営業・マーケティング部門との 連携・引き継ぎが上手くいかない 34.6% スケールアップ（横展開・量産）の目処が 立たない 29.9% 有償での初期顧客獲得に苦戦している 23%
23. AI活用による事業への影響 PMM JAPAN CONFERENCE 2026 事業検証において、「市場‧顧客‧課題」を正しく捉えられていない課題 「どこを狙い、誰を相⼿に、どんな課題を解くか」を正確に定めた上で、仮説検証を推進することが、事業 成功率を⾼める上で重要なアプローチです。 新規事業「成功」の壁 投資回収の壁 7% 93%のプロジェクトが 投資回収に⾄らず失敗に 終わる 主⼒事業化の壁 17.1% 豊富なリソースを持つ超 ⼤⼿企業でも低い到達率 PoCの壁（死の⾕） 約9割 プロトタイプ検証段階を 超えられず撤退 主観的成功実感 30.6% 「成功している」と感じ ている企業は僅か3割
24. 部門間での連携が AI時代の事業グロースのボトルネック
25. Go To Marketを停滞させる 2つの連携不足 PMM JAPAN CONFERENCE 2026 ステークホルダーに①何の仮説を②何の⽂脈に沿って検証したいかの連携が不⾜ “売れる前提”をつくるための検証仮説が、PMMに属⼈化。ステークホルダーが巻き込まれていない。 さらに、それを判断する組織ナレッジ‧データも分断されている。 課題 ① 検証仮説の連携不⾜ が 別々に検討 され、統合されていない。 市場規模 顧客課題 価値提案 価格 購買フロー 販売再現性 課題 ② 組織ナレッジの連携不⾜ が 同じ事業判断を共同検証していない 状態。 企画 PdM 営業 マーケ CS 個別のGTM検証が、事業グロースの どのレバーを更 新するのか不明確。 各部⾨が 異なる顧客像と成功条件 を持ち、情報が 別々の資料‧会議‧システムに閉じている。
26. 課題①：検証仮説の連携不足
27. 課題①：検証仮説の連携不足 PMM JAPAN CONFERENCE 2026 AIでものづくりが速くなるが、顧客‧ユーザーの利⽤‧検証キャパは広がりにくい AIにより、つくる能⼒と、検証‧意思決定の間に、新たな⾮対称性が⽣まれている。 アウトプットは増えても、正しい検証設計なしには、必ずしも不確実性は減らない。 サービス供給側 AIにより、作れるアウトプットは増えた 10x 市場調査 プロトタイプ 企画案 PoC メッセージ 営業資料 VS サービス検証側 ⼀⽅、顧客側の検証キャパは増えにくい 1x 顧客接点数 PoC試⾏数 顧客との信頼醸成 経営意思決定 購買機会
28. 課題①：検証仮説の連携不足 PMM JAPAN CONFERENCE 2026 Go To Marketにおける5つの仮説設計 プロダクトグロースにおいて、現在の施策がどの仮説に位置しているのか？その仮説がどう他の仮説と連動 し、事業価値に接続されているか？が整理されていないケースが多い。 CUSTOMER 市場仮説 最初に狙うべき 市場 /顧客 は誰か。 PROBLEM 課題仮説 その顧客に今すぐ 解 決すべき強い課題 が あるか。 VALUE 価値仮説 解決策は 現状や代替 ⼿段より⾼い価値 を ⽣むか。 PURCHASE 購買仮説 誰が、どの予算で、 どのプロセス で買う か。 REPRODUCIBILITY 再現性仮説 同じ価値提供と販売 モーションを繰り返 せる か。
29. 課題①：検証仮説の連携不足 PMM JAPAN CONFERENCE 2026 ①市場仮説：どの市場セグメントで課題が顕在化しているのか。 「いい顧客」「有望な市場」ではなく、誰の‧どんな意思決定を代替するかをシャープに出来ているか。 ▍ 検証すべき問い：例 Q1 最初に名前を挙げて3 社、⾔えるか。 Q2 その1 社の意思決定者は誰か。 Q3 今解決すべき課題 が、仕事の優先順位に⼊っているか。 Q4 購買予算 は 誰の承認で使えるか。
30. 課題①：検証仮説の連携不足 PMM JAPAN CONFERENCE 2026 ②課題仮説：購買を正当化できるほど強い課題を、特定できるか。 課題があることと、予算や⾏動を動かすほど切実である ことは違う。「重要だが緊急でない」と「重要かつ 緊急」を 区別できる検証結果を組織にフィードバックする。 ▍ 検証すべき問い：例 Q1 この課題は 今 3 ヶ⽉以内 に発⽣するか。 Q2 放置した場合、⾦額‧時間‧評判 のいずれが明確に毀損するか。 Q3 顧客は 現状（代替⼿段） に不満を⾔葉にしているか。 Q4 課題は 誰の仕事の優先順位 に常にあるか。
31. 課題①：検証仮説の連携不足 PMM JAPAN CONFERENCE 2026 機能が新しいことではなく、顧客が現在の⽅法‧⼿段を変えるほどの価値差が必要。機能訴求ではなく、 「⽐べたときに何がどれだけ上か」 を、具体的な数字で語れる状態へ。 ③価値仮説：代替⼿段に対する明確な優位性の切り⼝を提供する ▍ 検証すべき問い：例 Q1 顧客が いま選んでいる代替⼿段 は何か。 Q2 ⽐較したときの差分 を、時間‧⾦額‧確度で書けるか。 Q3 使えば必ず届く 結果が、ありますか。 Q4 差分は 「意思決定者の評価軸」 に乗っているか。
32. 課題①：検証仮説の連携不足 PMM JAPAN CONFERENCE 2026 ④購買仮説：意思決定の評価軸と価値仮説の接続 利⽤価値があっても、購買プロセスが成⽴しなければ事業にはならない。 価値は、決裁者の評価基準に依存する。その評価軸 に合わせて提案パッケージを再構成する。 ▍ 検証すべき問い：例 Q1 推進者 と 決裁者 は同じか別の⼈か。 Q2 使われる 予算の出どころ は既存枠の中か、新規申請か。 Q3 購買の フックとなるイベント（監査‧⼊札‧年初）は何か。 Q4 過去の商談で、どこで⽌まった か、類型化されているか。
33. 課題①：検証仮説の連携不足 PMM JAPAN CONFERENCE 2026 ⑤再現性仮説：同じ勝ち筋を、何社に広げられるかを確かめる。 ⼀社の成功では事業は成⽴しない。獲得‧提供‧継続を再現 できて初めてスケールする。成功事例のストー リー化だけでなく、どの条件なら成功が再現するかを明確にする。 ▍ 検証すべき問い：例 Q1 同じ勝ち筋が、別の顧客セグメント にも当てはまるか。 Q2 営業が プロセス化して再現 できるか ∕ 属⼈的になっていないか。 Q3 1 社あたり の収益が、CAC を回収する 構造になっているか。 Q4 次の四半期 で、同じ勝ち筋で何社取れる⾒込みか。
34. 課題①：検証仮説の連携不足 PMM JAPAN CONFERENCE 2026 PMMは、各ステークホルダーを情報提供者から、仮説検証の協同者に変える必要 どの事業レバーを検証する仮説か？そのために何の情報とどんなコミットが必要なのか？ 単なる情報提供ではなく、共に事業グロースを推進する協同者としてステークホルダーを巻き込む。
35. 課題②：組織ナレッジの連携不足
36. 課題②：組織ナレッジの連携不足 PMM JAPAN CONFERENCE 2026 ステークホルダーにまたがるデータは、ローカルフォルダに散在。 同じ企業‧同じ案件を扱っていても、部⾨によって接点‧問い‧成功条件‧データが異なる。同じ事業判断 や仮説検証に接続されていない。 01 事業企画 企画書 / 経営会議資料 市場規模 成⻑性 戦略整合 02 PdM リサーチ / 仕様書 利⽤者 業務フロー 機能要求 03 営業 CRM / 商談メモ 決裁者 競合‧価格 失注理由 04 マーケ MA / 広告データ 到達可能性 反応‧需要 カテゴリー 05 CS 問合せ / 議事録 導⼊障壁 定着‧成果 解約理由 データ： データ： データ： データ： データ：
37. 社内での ナレッジ共有・マネジメントがキーに
38. AI時代の社内ナレッジ連携 PMM JAPAN CONFERENCE 2026 ⽇本発のナレッジマネジメント理論「SECI（セキ）モデル」とは？ 経営学者‧野中郁次郎⽒らによって提唱された、⽇本発のナレッジマネジメント理論。 組織の暗黙知（現場の気づきや経験）を形式知（ドキュメントやナレッジ）に変換するフレームワーク。
39. AI時代の社内ナレッジ連携 PMM JAPAN CONFERENCE 2026 SECIモデル×⽣成AI：共同化の進化 AIが、営業やインタビューを通じたナレッジ‧顧客ニーズを⾃動で集約し、チームで学びを共有。 共同化 表出化 連結化 内⾯化
40. AI時代の社内ナレッジ連携 PMM JAPAN CONFERENCE 2026 SECIモデル×⽣成AI：表出化の進化 AIが、共同化されたナレッジを基に、知⾒や価値仮説を⾃動でドキュメント化。データ標準化‧再利⽤性を ⼤幅に向上。 共同化 表出化 連結化 内⾯化
41. AI時代の社内ナレッジ連携 PMM JAPAN CONFERENCE 2026 SECIモデル×⽣成AI：連結化の進化 AIが、表出化された社内外のナレッジやデータを⾃動で結びつけ、最適な仮説や施策を提案。 共同化 表出化 連結化 内⾯化
42. AI時代の社内ナレッジ連携 PMM JAPAN CONFERENCE 2026 SECIモデル×⽣成AI：内⾯化の進化 AIが、連結化されたデータを基に、個⼈‧チームの学習をパーソナライズし、成功パターンをモデル化‧型 化し、属⼈性を排除し、誰でも即座に実践へ。 共同化 表出化 連結化 内⾯化
43. AI時代の社内ナレッジ連携 PMM JAPAN CONFERENCE 2026 ⽣成AIを活⽤した「仮説検証」×「SECIモデル」の実現 ⽣成AIを活⽤する事で、ナレッジの共有‧分析‧マネジメントをスムーズに実⾏し、形式知化を加速。
44. AI時代の社内ナレッジ連携 PMM JAPAN CONFERENCE 2026 SECIモデル×AIで、⽂脈‧コンテキストデータのナレッジマネジメントを型化 ナレッジや学びが、個⼈ フォルダに格納されてい てシェアされない… ⼊社後のキャッチアップ や⽴ち上がりに時間がか かる… 顧客データ/VoCから、イ ンサイトを導く分析が難 しい‧⼯数がかかる… ユーザーに刺さる企画の 再現性に繋がるポイント がわからない… 4つのプロセスを通じて、個⼈の暗黙知を形式知に転換し、組織での暗黙知に転換していくプロセス
45. AI時代の社内ナレッジ連携 PMM JAPAN CONFERENCE 2026 これまでの仮説検証は、データが資産化されずに属⼈化が進み、再現性が低い状態 4 5 AI時代の仮説検証では、ナレッジをデータとして組織で共有し、AIが分析できる状態にする事が重要 これまでの仮説検証 ⽣成AI時代の組織での仮説検証 経験学習スピードが遅い 組織の知見が再利用されない データ・知見が分散している 仮説・リサーチ結果が共有・蓄積されない ナレッジやデータが属人化 現場の気づきが個人フォルダに閉じる ナレッジをAIとチームで共有 個人の知見をチームとAIで共有 非構造データをAIが分析 テキスト・音声など多様なデータを解析 AIの学習を人に還元 チームの経験をAIを通じて、個人に還元
46. AIドリブンな仮説検証を実現する AIエージェント「 Findy Insights」
47. 仮説検証AIエージェント「 Findy Insights」 PMM JAPAN CONFERENCE 2026 AIドリブンな仮説検証を実現する AIエージェント「Findy Insights」 4 7 AIによるアウトプットと差別化すべく、より深いユーザー接点‧インサイトを基にした仮説検証をサポート AIインサイト マネジメント AIリ サ ー チ マ ネ ジ メ ン ト ユーザー接点深化 仮説検証‧評価 顧客商談 ユーザー 問い合わせ パネル アンケート 社内会議 データ AIドリブン 仮説検証 ペルソナ 設計/管理 リサーチ 設計/管理 インサイト 分析 ソリューション 管理/評価 競合‧市場 分析 戦略‧⽬標 設計/管理 AIソ リ ュ ー シ ョ ン マ ネ ジ メ ン ト 仮説検証型化‧ナレッジ資産化 顧客管理 ツール連携 ユーザー インタビュー
48. PMM JAPAN CONFERENCE 2026 “事業‧プロダクトの⽂脈データを統合” Findy Insights のデータ構造イメージ 様々な部⾨にまたがるデータを統合管理。事業検証‧プロダクトマーケティングに必要なアウトプットを⽣ 成するAIエージェントで分析‧アウトプットを効率化。 コンテキスト データ ファクト インサイトデータ ソリューション 検証‧データ • ファクト(客観的事実) ◦ VoC/顧客ニーズ‧課題 • インサイト(解釈‧仮説) ◦ 顧客ジョブ‧アナロジー • Win/Loss分析 • バトルカード⽣成 • メッセージング設計etc “⽂脈データを基に、顧客インサイトを分析” “インサイトを基に、解決策‧施策を分析” • 事業‧サービス⽅針 • 競合調査結果 • ペルソナ定義 • ユーザーインタビューログ • 社内議事録 • 顧客商談ログ • 顧客問い合わせログ 戦略‧ターゲット データ “⽂脈データを基に、サービス戦略を分析” • 市場‧競合分析 ◦ 3C, 4P, 5Force分析etc • 価値分析 ◦ ペルソナ、リーンキャンバス、 仮説構造マップ 仮説検証AIエージェント「 Findy Insights」
49. PMM JAPAN CONFERENCE 2026 4 9 仮説検証をAIエージェントで⾃動化。ユーザー‧顧客と向き合う時間の最⼤化へ AI時代において重要性が増す、顧客接点‧⼀次情報へのコミットメントを通じた競争優位性の構築へ ①AIリサーチ マネジメント ②AIインサイト マネジメント ③AIソリューション マネジメント AI AI AI 市 場 分 析 F B 反 映 競 合 分 析 外 部 リ サ チ ニ ズ 抽 出 仮 説 設 計 ニ ズ 検 証 企 画 設 計 リ リ ス 検 証 仮説検証プロセス 仮説検証AIエージェント「 Findy Insights」
50. PMM JAPAN CONFERENCE 2026 仮説検証‧プロダクトマーケティングのアウトプットに沿った30以上のAIエージェントを提供。 ⾃社データに沿ったAIエージェントのカスタマイズ提供も可能。 仮説検証‧プロダクトマーケティングのアウトプット別AIエージェント 仮説検証AIエージェント「 Findy Insights」
51. PMM JAPAN CONFERENCE 2026 事業グロースに向けた検証仮説を構造化。今、何の仮説にフォーカスしているかを⾒える化。 AIが、VoCや顧客データを紐づけ、エビデンスをタイムリーに確認可能。 仮説マップ分析 仮説検証AIエージェント「 Findy Insights」
52. PMM JAPAN CONFERENCE 2026 各種データソース（ミーティング、チャットツール等）から、⾃動でVoCを抽出‧分類。 ペルソナ別、ICP別、企業別での要望、不満、称賛、バグ等を管理する事で、意思決定の質を⾼める。 VoC分析 仮説検証AIエージェント「 Findy Insights」 トピック別VoC分類 個社別VoCレポート
53. PMM JAPAN CONFERENCE 2026 仮説検証AIエージェント「 Findy Insights」 データが資産化されない属⼈化を解消し、”組織でのAI活⽤”をレバレッジする必要 5 3 AI時代の仮説検証では、ナレッジをデータとして組織で共有し、AIが分析できる状態にする事が重要 これまでの仮説検証 ⽣成AI時代の組織での仮説検証 経験学習スピードが遅い 組織の知見が再利用されない データ・知見が分散している 仮説・リサーチ結果が共有・蓄積されない ナレッジやデータが属人化 現場の気づきが個人フォルダに閉じる ナレッジをAIとチームで共有 個人の知見をチームとAIで共有 非構造データをAIが分析 テキスト・音声など多様なデータを解析 組織での仮説・検証型化 AIに実装は任せ、人は検証マネジメントへ
54. PMM JAPAN CONFERENCE 2026 個⼈AIから組織AIへ。⽂脈を保持したデータ基盤と分析/検証マネジメントが優位性に 個⼈レベルでのAI活⽤から、組織レベルでの⽣産性向上を⽬指していく必要がある。 個⼈AI 組織AI ① AI分析の型化 アウトプット⼿法の組織標準化。 AI分析スキル化し、統⼀された型化。 ② 検証仮説の構造化 検証仮説の体系化。ステークホルダーへ の意味づけ‧巻き込み。 ③ 仮説検証マネジメント 仮説ツリー‧検証ステップを構造化。 過去のデータ含めて、検証結果を運⽤。 ④ 他部⾨連携前提のデータ基盤 形式知化‧横断検索‧⽭盾検出。 根拠データがトレースできない課題解消。 仮説検証AIエージェント「 Findy Insights」
55. PMM JAPAN CONFERENCE 2026 仮説検証AIエージェント「 Findy Insights」 蓄積された多様なデータをAIがナレッジ化。チームは「顧客接点」に向き合う 顧客の声を正しく検証し、再現性のある事業検証を進めるために、AIのパワーを最⼤限活⽤。 チームがより、顧客接点を増やして、現場や顧客が求めるものへの解像度を⾼めるサポートをします。 AIの分析に向けた多様な 「データ‧ナレッジ」を蓄積 AIが⽂脈に沿ったデータ分析 「インサイト」を発⾒ チームは「顧客」に集中 リサーチ、社内の知⾒、顧客の 声等を統合したデータ分析を⾏ い、ナレッジを蓄積。 ナレッジから、新規‧既存事業 のニーズをAIが分析し、事業価 値への道筋を提案。 AIが分析業務を代⾏し、チーム はインサイトを基に、「顧客満 ⾜度」を上げる実⾏に集中。
56. AIは正解を持っていない 顧客・ユーザーにのみ正解が宿る
57. 組織志向の AIエージェントで ”再現性を追求する仮説検証 ”へ
58. PMM JAPAN CONFERENCE 2026 Thank you！ Let's make it exciting together!