「ChatGPTってすごいらしいけど、結局なんなの？」
——この疑問に、あなたはチームメンバーにどう答えるだろうか。
「便利なチャットツールだよ」では、半分も伝わっていない。
「AIの一種だよ」では、何も言っていないに等しい。
この問いに対して「70年の歴史の中で、なぜ今このタイミングで”使えるAI”が生まれたのか」を語れるかどうかが、これからのリーダーの分岐点になる。
本記事は、営業現場のリーダーに向けた「AIの教養」である。
技術の詳細ではなく、
「なぜ今なのか」
「過去に何が起き、何が変わったのか」
を営業視点で読み解く。
読み終えた後、あなたはAIに対する「漠然とした不安」を「根拠ある確信」に変えているはずだ。
AIは「突然現れた魔法」ではない。70年の試行錯誤の結晶である
まず、最も重要な事実を伝える。
生成AIは、ある日突然空から降ってきた技術ではない。
1950年代から始まった人工知能研究が、3度のブームと2度の「冬の時代」を経て、ようやくたどり着いた到達点である。
営業に置き換えれば分かりやすい。
「昨日まで売れなかった新人が、いきなりトップセールスになった」——そんな話はない。
売れる営業マンの裏には、必ず無数の失敗と試行錯誤がある。
AIもまったく同じだ。
この歴史を知ることに、2つの実利がある。
- 「また一過性のブームでは？」という疑念に、自分で答えが出せるようになる
- AIの「できること」と「できないこと」の境界線を、自分の頭で判断できるようになる
順に、70年の物語を辿ろう。
第1次AIブーム（1950〜1970年代）：「考える機械」への夢と、最初の挫折
始まりはひとつの問いだった
すべては、1950年にイギリスの天才数学者アラン・チューリングが発した問いから始まる。
「機械は、考えることができるか？」
この問いに触発されたアメリカの計算機科学者ジョン・マッカーシーが、1956年の「ダートマス会議」で「Artificial Intelligence（人工知能）」という言葉を生み出した。
ここがAI研究の公式なスタートラインである。
「推論」と「探索」——コンピュータが初めて「考えた」
この時代のAIは、「推論」と「探索」が中心だった。
迷路の解き方を見つける、定理を証明する、チェスの最善手を探す。
コンピュータが「考える」ということの第一歩だ。
1966年には、対話型プログラム「ELIZA（イライザ）」が誕生した。
簡単なキーワードを拾って定型文で返すだけの仕組みだが、当時の人々はまるで「機械と会話している」と驚いた。
今日のチャットボットの原型である。
営業に例えると：「ロープレだけのルーキー」
この時代のAIを営業に例えるなら、ロールプレイだけは完璧にこなすが、実際の商談では何もできない新人だ。
「定理の証明はできるが、現実世界の複雑な課題は解けない」——この限界が「トイ・プロブレム（おもちゃの問題）」と揶揄され、1974年頃から研究資金が激減。
第1次「冬の時代」に突入する。
【営業リーダーの学び①】
「新しいツールを入れれば全部解決」という幻想は、70年前からあった。
重要なのは、ツールの限界を正確に見極め、「何に使えて、何に使えないか」を判断する力だ。
第2次AIブーム（1980年代）：「知識を詰め込めば賢くなる」という仮説と、その崩壊
エキスパートシステム——「マニュアル人間」のAI版
1980年代、AIは再び脚光を浴びる。きっかけは「エキスパートシステム」の登場だ。
発想はシンプルだった。
「専門家の知識をすべてコンピュータに入れれば、コンピュータも専門家のように振る舞えるはずだ」——つまり、「マニュアルを完璧に覚えれば、誰でも専門家になれる」という考え方である。
医療診断を支援する「MYCIN」、化学物質を特定する「DENDRAL」など、特定領域では目覚ましい成果を上げた。
日本政府も570億円を投じて「第五世代コンピュータ」プロジェクトを推進した。
「知識の壁」に激突する
しかし、このアプローチには致命的な弱点があった。
世の中のあらゆる知識を、人間がひとつひとつ手作業でコンピュータに入力しなければならなかったのだ。
想像してほしい。あなたの営業チームの全ノウハウを、「もしAなら→Bをする。もしCなら→Dをする」というルールですべて書き出す作業を。
しかも、書いたルール同士が矛盾し始めたら？——これが実際に起きたことだ。
知識量が増えれば増えるほどルール同士が矛盾し、曖昧なケースには対応できず、新しい知識を追加するコストは雪だるま式に膨れ上がった。
1990年代半ば、期待はまたも失望に変わり、第2次「冬の時代」が訪れる。
営業に例えると：「マニュアル至上主義」の限界
このエキスパートシステムの失敗は、営業組織にとって極めて示唆に富む。
「営業マニュアルを完璧に作れば、誰でも売れるようになるはずだ」——多くの営業部長がこう考え、分厚いマニュアルを作った経験があるだろう。
しかし現実の商談は、マニュアル通りには進まない。
顧客の感情、業界の文脈、タイミング、人間関係……無数の変数が絡み合う。
「知識を入れれば賢くなる」というアプローチの限界は、AIも営業も同じなのだ。
【営業リーダーの学び②】
SFAに情報を入力させるだけでは、営業力は上がらない。知識（データ）を「どう活かすか」の仕組みがなければ、高額なシステムも「第五世代コンピュータ」と同じ運命を辿る。
暗黒期を支えた「静かな革命」（1990〜2000年代）：3つのピースが揃い始める
冬の時代は、「何も起きなかった時代」ではない。むしろ、後の大爆発を準備するための「仕込みの時代」だった。
営業で言えば、「受注はゼロだが、重要な見込み客との関係構築を粛々と進めていた時期」に相当する。
この時期に揃い始めた3つの要素が、後の生成AI革命を決定づけた。
ピース①：ビッグデータ——インターネットが「知識の壁」を壊した
インターネットの爆発的普及により、人類史上かつてないスケールのテキスト、画像、データがオンラインに蓄積され始めた。
第2次ブームの「知識の壁」を覚えているだろうか。「人間がひとつひとつ手入力する」必要があったルールやデータが、インターネット上に自然発生的に、膨大に、しかも無料で蓄積されていったのだ。
ピース②：計算能力の飛躍——GPUという「エンジン」
もともとゲーム用のグラフィック処理チップだったGPU（Graphics Processing Unit）が、AI研究者たちによって「大量のデータを超高速で並列処理するエンジン」として転用された。
NVIDIAの株価がこの数年で爆騰しているのは、まさにこの文脈だ。
AIの「エンジン」を作っている会社だからである。
ピース③：機械学習——「自分で学ぶ」AIの誕生
そして最大の転換点。
「人間が知識を入れる」のではなく、「AIが自分でデータから学ぶ」というパラダイムシフトが起きた。これが機械学習（Machine Learning）だ。
1997年、IBMのチェス専用コンピュータ「ディープブルー」が世界チャンピオンに勝利したニュースは世界を驚かせた。
しかし、真の革命はこの先にあった。
2012年：ディープラーニングの衝撃
2012年、画像認識コンテスト「ImageNet」で、トロント大学のジェフリー・ヒントン率いるチームがディープラーニング（深層学習）を用いて圧倒的なスコアで優勝。
このニュースがAI研究者たちの間を駆け巡った。
ディープラーニングとは、人間の脳の神経回路を模倣した「ニューラルネットワーク」を何層にも重ねた学習モデルのことだ。
データを与えれば、AIが自分で「何が重要か（特徴量）」を見つけ出す。
人間がルールを書く必要がない。
これが、第2次ブームの「知識の壁」を根本から解決した。
【営業リーダーの学び③】
「ブームが去ったから終わり」ではない。水面下では次のブレイクスルーが準備されている。SFA導入が「失敗」に見えた時期にも、蓄積されたデータは将来のAI活用の資産になり得る。
「今は成果が見えなくても、データを貯め続ける」ことの価値を、歴史が証明している。
「すべてを変えた論文」——2017年、Transformerの誕生
ここからが、生成AIの核心だ。
2017年、Googleの研究チームが一本の論文を発表する。
タイトルは「Attention Is All You Need（注意機構こそがすべて）」。
この論文で提案されたTransformer（トランスフォーマー）というAIモデルが、現在の生成AIの「設計図」となった。
Transformerは何が画期的だったのか？
技術的な詳細は営業パーソンには不要だが、「何が変わったのか」だけは理解しておく価値がある。
それまでのAIは、文章を「1単語ずつ、順番に」処理していた。
人間が本を1文字ずつ指でなぞりながら読むようなものだ。
当然、長い文章になると前半の内容を忘れてしまう。
Transformerは、文章全体を一度に見渡し、「どの単語とどの単語が重要な関係にあるか」を瞬時に判断できる。
人間が本のページ全体をパッと見渡して要点をつかむ感覚に近い。
これにより、2つの革命が起きた。
- 処理速度が桁違いに速くなった（並列処理が可能になった）
- 文脈の理解力が飛躍的に向上した（長い文章でも「話の筋」を見失わない）
ChatGPTの「GPT」は、Transformerの頭文字
ChatGPTの正式名称は「Generative Pre-trained Transformer」——直訳すれば「事前学習済みの生成型Transformer」である。
つまり、ChatGPTとは「Transformerという設計図で作られ、インターネット上の膨大なテキストで事前学習を済ませた、文章生成AI」なのだ。
営業に例えると：「属人的なスキル」が「再現可能な仕組み」になった瞬間
Transformerの登場は、営業で言えばこうだ。
それまでの営業組織では、「あの人だから売れる」「あの人の商談力は真似できない」という属人的な世界だった。
だが、もし「トップセールスの商談の全パターンを、チーム全員が瞬時に参照・活用できる仕組み」が生まれたとしたら？
Transformerがもたらしたのは、まさにそれだ。
「言語」という営業の最重要武器を、AIが本格的に扱えるようになったのである。
2022年11月30日：ChatGPTが「世界の景色」を変えた日
そして迎えた2022年11月30日。
OpenAIがChatGPTを公開した。
リリースからわずか5日で100万ユーザー、2ヶ月で1億ユーザーを突破。
これはInstagramの30倍、TikTokの10倍を超えるスピードだった。
なぜ、これほどの衝撃だったのか。
それは、70年間のAI研究で初めて「専門知識ゼロの一般人が、AIと自然に会話できるようになった」からだ。
プログラミングもいらない。
コマンドもいらない。ただ「日本語で質問する」だけでいい。
「第4次AIブーム」は、過去3回とは決定的に違う
ここで、冒頭の問いに立ち戻ろう。
「また一過性のブームでは？」——この疑問に、歴史は明確な答えを出している。
過去3回のブームとの最大の違いは、「実際にビジネスで使える成果を、誰もが出せるようになった」ことだ。
| 第1次ブーム | 第2次ブーム | 第3次ブーム | 現在（第4次） | |
|---|---|---|---|---|
| 時期 | 1950〜70年代 | 1980年代 | 2000〜2010年代 | 2022年〜 |
| 核心技術 | 推論・探索 | エキスパートシステム | 機械学習・深層学習 | 生成AI（Transformer） |
| できたこと | 迷路を解く・定理の証明 | 特定領域の専門家を模倣 | 画像認識・音声認識 | 自然言語での対話・文章生成・分析 |
| 使えた人 | 研究者のみ | 大企業のIT部門 | エンジニア中心 | 誰でも |
| 冬が来た理由 | 現実の問題に対応不可 | 知識入力コストの爆発 | 一般人には使えなかった | → まだ来ていない |
注目すべきは最後の行だ。過去のブームが終わった理由は、いずれも「期待に対して、実用性が追いつかなかった」ことにある。しかし現在の生成AIは、すでに実用レベルに達し、日々進化を続けている。
ある企業では、ChatGPT Enterpriseの全社導入から3ヶ月でアクティブ率80%を達成し、月間17,600時間の業務削減を実現した。
これは「バズワード」ではなく、「経営指標に表れる実績」だ。
なぜ営業パーソンが「AI歴史」を学ぶべきなのか？——3つの理由
理由①：「思考停止の導入」を防げる
AI歴史を知る人は、「AIを入れれば全部解決する」とは絶対に言わない。
70年間、人類はその幻想を2回壊してきた。歴史を知るリーダーは、「このAIツールの限界はどこか」「何をAIに任せ、何を人間がやるべきか」を冷静に設計できる。
理由②：「様子見」の危険性に気づける
過去の「冬の時代」は、「技術が期待に追いつけなかった」から来た。
しかし今回は、技術がすでに実用域に達している。
つまり、「様子見」をしている間に、競合が生成AIを武器に営業の型を変えてくるリスクがある。
歴史が教えるのは、「冬が来るかどうか」ではなく、「今この瞬間が、最も参入障壁が低いタイミングである」ということだ。
理由③：チームを「正しく」導ける
AIの歴史を語れるリーダーは、チームに対して「なぜ今AIを使うのか」を論理的に説明できる。「上が言ってるから」「流行ってるから」ではなく、「70年の技術進化がここに集約されていて、今がもっとも恩恵を受けやすいタイミングだから」と伝えられる。
これは、チームのAI活用率を根本的に変える。
「理解する」と「使える」の間を埋める——営業パーソンの実践ステップ
歴史を学んだ後に必要なのは、「では、明日から何をするか」だ。
ステップ1：まず、自分の業務を1つだけAIに任せてみる
提案書の叩き台、商談前の企業リサーチ、議事録の整理——どれでもいい。
「AIに完璧を求める」のではなく、「自分の60%の出来をAIに一瞬で出させ、残り40%を人間の判断で仕上げる」という使い方を体験してほしい。
ステップ2：プロンプト（指示の出し方）を「型」にする
1人の成功体験を、チーム全体に展開するには「プロンプトの型化」が不可欠だ。
エースの商談トークをスクリプト化するのと同じ発想である。
例えば、商談前リサーチのプロンプト：
あなたは法人営業の戦略アドバイザーです。
以下の条件で、商談前の企業分析レポートを作成してください。
【対象企業】〇〇株式会社
【業界】〇〇業界
【商談目的】△△の提案
以下の項目を調査・整理してください：
1. 企業の直近の業績トレンド（売上・営業利益の傾向）
2. 中期経営計画や注力領域
3. 業界全体の課題やトレンド
4. 想定される先方の課題仮説（3つ）
5. 提案時に刺さりそうなキーメッセージ案（2つ）こうした「勝てるプロンプト」をチームの共有資産にすること——これが、AI時代の営業マネジメントだ。
ステップ3：「プロンプトの型」を組織の仕組みにする
個人の工夫に任せると、活用度に必ずバラツキが出る。営業組織として「誰が使っても一定以上のアウトプットが出るプロンプト集」を整備し、SFAやナレッジベースに組み込むことが、真の生産性革命につながる。
まとめ：歴史を知る者が、AIを制す
最後に、70年のAI歴史が営業リーダーに伝えるメッセージを整理する。
1. AIは「魔法」ではない。70年の試行錯誤の上に、ようやく「使えるもの」になった。過度な期待も過度な恐怖も不要だ。
2. 今回は「冬」が来る前に動け。過去3回の冬は「技術が追いつかなかった」から来た。今回は技術が先に実用域に達している。様子見のコストは、過去のどのブームよりも高い。
3. 「AI」ではなく「AI×人間」で勝て。エキスパートシステムの教訓が示すように、AIだけでは限界がある。最強の組み合わせは「AIの処理速度」×「人間の判断力・共感力」だ。
4. 個人の工夫を、組織の仕組みに変えろ。プロンプトの型化、ナレッジの共有、活用プロセスの標準化——これが「AI時代の営業マネジメント」だ。
Next Action：今日からやるべきこと
① この記事をブックマークし、チームの朝会で「AIの歴史」を3分で共有する。「なぜ今AIなのか」を語れるリーダーは、チームの巻き込み力が違う。
② ChatGPT（無料版で十分）を開き、上記のプロンプトで自社の主要顧客を1社分析してみる。百聞は一見に如かず。「使ってみる」が最速の学びだ。
③ Sales AI Compassの他の記事で、自分の業務に最も近いプロンプトを1つ見つけて使う。歴史の次は、実践だ。
歴史は、過去を学ぶためにあるのではない。未来を読むためにある。70年のAI進化史は、「今」が最大のチャンスであることを、明確に指し示している。
コメント