「ChatGPTを全社で使い始めたが、うちの商品のことは全然分かっていない」——。
ChatGPTやGeminiの有料プランを契約し、営業チームに「使え」と指示した。
最初は盛り上がった。
だが半年後、使い続けているのは一部のメンバーだけ。
多くは「結局、うちの業務に合わない」と使用をやめている。
この”汎用AIの限界”にぶつかったとき、浮かび上がる選択肢が「自社専用AI」の構築だ。
結論を先に言う。
すべての企業が自社専用AIを作るべきではない。
だが、ある条件を満たす企業にとっては、「汎用AIで我慢し続けるコスト」の方がはるかに高くつく。
本記事では、営業組織の意思決定者が「SaaSの汎用AIで十分なのか、自社専用AIに踏み出すべきなのか」を判断するための基準と、リアルなコスト感、そして失敗しないためのロードマップを解説する。
この記事を読むと分かること
- 汎用AI（ChatGPT等）の限界がどこにあるのか
- 「自社専用AI」の正体——RAGとファインチューニングの違い
- 構築にかかるリアルなコスト感（PoC〜本番）
- 自社専用AIを「作るべき企業」と「まだ早い企業」の5つの判断基準
- 営業部門が失敗しないための3ステップ・ロードマップ
そもそも「自社専用AI」とは何か——営業部長のための技術翻訳
「自社専用AI」という言葉は、エンジニアの間では当たり前だが、営業畑の人間には曖昧に聞こえる。
まずは、経営判断に必要な最低限の技術理解を「営業の言葉」で整理しよう。
汎用AIと自社専用AIの違い——「百貨店の案内係」と「自社のベテラン営業」
汎用AI（ChatGPT、Gemini、Claudeなど）は、百貨店の総合案内カウンターのようなものだ。
どんな質問にもそれなりに答えてくれるが、あなたの会社の商品ラインナップや、取引先の社内事情、過去に成功した提案のパターンは知らない。
自社専用AIは、あなたの会社に10年いるベテラン営業のようなものだ。
自社の商品カタログ、過去の提案書、受注・失注の履歴、社内マニュアル——これらを「知識」として持った上で回答してくれる。
2つの実装方法——「参考書を渡す」か「塾で教え込む」か
自社専用AIを作る方法は、大きく2つある。
| 主軸 | RAG（検索拡張生成） | ファインチューニング |
|---|---|---|
| 営業的に言うと | 「ベテランに参考書を渡す」 | 「新人を塾で教え込む」 |
| 仕組み | AIが質問を受けると、自社のデータベースを検索し、関連情報を見つけてから回答する | AIモデル自体に自社データを学習させ、「知識」として埋め込む |
| メリット | データの追加・更新が容易。 コストが比較的安い。 ハルシネーション（嘘の回答）を抑えやすい | 特定のタスクに特化した高精度な回答が可能 |
| デメリット | 検索精度に依存。大量のデータ整理が必要 | コストが高い。 データ更新のたびに再学習が必要。ハルシネーションのリスク |
| 費用の目安 | PoC：50〜200万円、本番：300〜1,000万円 | 数百万〜数千万円以上 |
| 営業部門の推奨 | ◎ まずはこちらから | △ 特殊な用途のみ |
営業組織が最初に検討すべきは、ほぼ確実にRAGだ。
理由は明快で、コストが低く、データの更新が容易で、「試して、合わなければ方向転換」がしやすい。
用語メモ：RAG（Retrieval-Augmented Generation＝検索拡張生成） とは、AIが回答を生成する前に、自社のデータベースから関連情報を「検索」して取り出し、その情報を参考にして回答する仕組みのこと。「カンニングペーパーを見ながら回答するAI」と思えばいい。
汎用AIでは限界にぶつかる「5つの壁」
ChatGPTの有料プランは月額3,000〜6,000円程度。
一人あたりのコストとしては安い。
では、なぜ「物足りない」と感じるのか。
営業現場で起きる典型的な5つの壁を整理する。
壁①：「うちの商品」を知らない
症状：自社製品の特徴や強みを質問すると、競合製品の情報が混ざった一般的な回答しか返ってこない。
根本原因：汎用AIは、インターネット上の公開情報を学習しているだけだ。
自社のカタログ、技術資料、過去の提案書のような「非公開の社内情報」は参照できない。
壁②：「うちのお客さん」の文脈を理解しない
症状： A社向けの提案書のたたき台を作って」と指示しても、A社の過去の取引履歴や決裁構造を踏まえた内容にはならない。
根本原因：汎用AIは、あなたの顧客データベース（CRM/SFA）と接続されていない。
顧客固有のコンテキストがゼロの状態で回答している。
壁③：業界特有の専門用語がズレる
症状：
建設業なら「施工管理」、製造業なら「サプライチェーンの二次下請け」——こうした業界固有の用語を含む質問に対し、的外れな回答が返ってくる。
根本原因：
汎用AIは「広く浅く」学習しているため、特定業界の深い文脈を正確に理解できない場合がある。
壁④：セキュリティが不安で本音のデータを投入できない
症状：
顧客名や案件の金額、社内の人事情報など、本当に活用したいデータほど入力をためらう。
根本原因：
汎用AIのクラウドサービスでは、入力データがモデルの学習に使われるリスク（オプトアウト設定をしなかった場合）や、データの保管先が海外サーバーであることへの懸念がある。
壁⑤：「成功パターン」の組織知が蓄積されない
症状：
優秀な営業メンバーがAIをうまく使いこなしているが、その使い方（プロンプトやワークフロー）が個人に閉じており、チーム全体のナレッジとして蓄積されない。
根本原因：
汎用AIは個人の利用を前提に設計されており、「チームのナレッジベース」として機能する構造になっていない。
この5つの壁のうち、3つ以上に「うちもそうだ」と感じたなら、自社専用AIの検討を始めるタイミングだ。
自社専用AIの「リアルなコスト感」——営業部長のための予算表
「自社専用AIを作る」と聞くと、数千万円〜億単位の投資をイメージする人もいるだろう。
確かにフルスクラッチの独自AIモデル開発はそうなる。
だが、RAGベースの自社専用AIなら、中小〜中堅企業でも手が届く範囲に入ってきている。
コスト感の全体像
| フェーズ | 内容 | 費用の目安 | 期間 |
|---|---|---|---|
| ①PoC（実証実験） | 限られたデータで「使えるか」を検証 | 50〜200万円 | 1〜2ヶ月 |
| ②本番構築 | 本格的なデータ投入、UI構築、既存システム連携 | 300〜1,000万円 | 2〜4ヶ月 |
| ③運用・改善 | データ更新、精度チューニング、ユーザーサポート | 月額10〜50万円 | 継続 |
内訳のポイント
コストを左右する主な変数は3つだ。
1. データの整備状態
自社のナレッジ（提案書、マニュアル、商談記録）がデジタルで整理されているか。紙の資料やバラバラのExcelファイルをAIが読める形に変換する「前処理」は、想像以上に工数がかかる。ここがコストの最大変動要因だ。
2. 使用するAIモデル
OpenAIのGPT-4を使うか、Anthropic のClaudeを使うか、あるいはオープンソースのLlama等を使うか。商用APIは従量課金で手軽だが、大量利用時のランニングコストに注意。オープンソースは初期構築コストは高いが、長期的にはAPI利用料を抑えられる可能性がある。
3. 既存システムとの連携範囲
CRM/SFAとの連携、社内チャットツール（Slack、Teams）への組み込み、基幹システムとの接続——連携範囲が広がるほどコストは上昇する。
営業部長の肌感覚メモ：
「PoCで100〜150万円、本番構築で500万円前後、月額ランニング20万円前後」——これが中小〜中堅企業の営業部門でRAGを導入する場合の「よくあるライン」だ。新卒一人の年収よりも安い。ただし、この投資が意味を持つかどうかは、次章の「判断基準」による。
作るべきか、まだ早いか——5つの判断基準
「自社専用AIに投資すべきかどうか」を見極めるための5つの判断基準を提示する。
以下のチェックリストで3つ以上「Yes」なら、具体的な検討を始めるべきだ。
✅ 基準①：汎用AIで3ヶ月以上試し、「限界」を実感しているか
自社専用AIは、汎用AIの限界を「体験した」企業にこそ有効だ。
逆に、ChatGPTすらまともに使っていない組織が自社専用AIを作っても、使い方が分からず投資が無駄になる。
判断ポイント： チームの過半数がChatGPT等を日常業務で使っており、かつ「うちの業務には合わない場面がある」という具体的な不満が出ているか。
✅ 基準②：社内に「AIに食わせるべきナレッジ」が蓄積されているか
RAGの性能は、参照するデータの質と量で決まる。
どれだけ優秀なベテラン営業でも、参考にする資料がなければ的確な回答はできない。
判断ポイント： 提案書のテンプレート、商品カタログ、業界レポート、商談記録、FAQなどが、デジタルで100件以上蓄積されているか。
✅ 基準③：「属人化」が深刻な業務課題になっているか
トップ営業の暗黙知がチームに共有されない。ベテランが退職すると、ノウハウごと消える。この「属人化」に経営課題として取り組む覚悟があるか。
判断ポイント： トップ営業とボトム営業の成績差が2倍以上あり、その差を「個人の才能」ではなく「情報アクセスの差」だと認識しているか。
✅ 基準④：セキュリティ要件が厳しい業界・取引先を持っているか
金融、医療、公官庁、大手製造業——これらの顧客を持つ企業は、「顧客情報をクラウドの汎用AIに入力すること」自体がリスクになる場合がある。
判断ポイント： 取引先から「AI利用に関するセキュリティポリシー」の提出を求められている、または近い将来求められることが想定されるか。
✅ 基準⑤：「AI導入」を推進する人材（または覚悟）があるか
技術の話ではない。「プロジェクトを推進し、現場の抵抗を乗り越え、継続的に改善するリーダー」がいるかどうかだ。外注で構築しても、運用は自社でやるしかない。
判断ポイント： 社内にIT部門がなくても構わない。「やると決めたらやり切る」営業部長か経営者が、このプロジェクトのオーナーになる覚悟があるか。
SaaS vs. 自社構築——二者択一ではない「ハイブリッド戦略」
ここで、よくある誤解を解いておきたい。「SaaSか、内製か」は二者択一ではない。
むしろ多くの企業にとって最適解は、「SaaSをベースにしつつ、自社データを組み合わせる」ハイブリッド型だ。
3つのアプローチ比較
| アプローチ | 概要 | 初期コスト | 運用の手軽さ | カスタマイズ性 | 推奨企業 |
|---|---|---|---|---|---|
| A. 汎用AIそのまま | ChatGPT/Gemini/Claudeの有料プラン | ◎ 安い | ◎ 手軽 | △ 低い | AI活用初期の企業 |
| B. SaaS+自社データ（RAG型SaaS） | RAG搭載型のSaaSサービスを利用 | ○ 中程度 | ○ 中程度 | ○ 中程度 | 中小企業の多く |
| C. フルカスタム構築 | 自社専用のRAGシステムをゼロから開発 | △ 高い | △ 手間大 | ◎ 高い | 大量データ・高セキュリティ要件の企業 |
営業組織の多くにとって、最初のステップは「A→B」の移行だ。
つまり、ChatGPTの個人利用からスタートし、組織のナレッジを活かせるRAG型SaaSに移行する。
「C. フルカスタム構築」は、Bで限界を感じたとき、または最初からセキュリティ要件が厳しいケースに限って検討すべきだ。
KlarnaのSaaS解約が話題になったが—— 欧州のフィンテック大手Klarnaが「SalesforceとWorkdayを解約し、AIで内製する」と宣言して大きな話題になった。しかし、Klarnaのように自社にエンジニアを大量に抱え、内製できる体制を持つ企業は、日本の中小〜中堅企業には稀だ。「Klarnaができたから、うちもSaaSをやめよう」は危険な飛躍である。
失敗しないための3ステップ・ロードマップ
自社専用AIの導入で最も多い失敗パターンは、「大きく始めて、大きくコケる」。営業マネージャーとして管理すべきは、小さく始めて、検証し、拡大するサイクルである。
ステップ1：「汎用AIの全員利用」で土壌を作る（0〜3ヶ月）
やること：
- ChatGPTまたはClaudeの有料プランをチームに導入する
- 週次で「こう使ったら便利だった」「こう使ったがダメだった」を共有する場を作る
- 「汎用AIで解決できないこと」のリストを作成する
目的： AIリテラシーの底上げと、自社専用AI構築時の「要件定義の材料」を集めること。
コスト： 一人月額3,000〜6,000円 × チーム人数
ステップ2：「小さなPoC」で仮説を検証する（3〜6ヶ月目）
やること：
- ステップ1で集まった「汎用AIでは解決できないこと」リストから、最もインパクトの大きい1つを選ぶ
- RAG型SaaSまたは外部パートナーに依頼し、50〜200万円の範囲でPoCを実施
- 限定メンバー（5〜10名）でテスト運用し、「使えるか」「精度は足りるか」を検証
PoCのテーマ例：
- 社内提案書データベースから最適な事例を検索・要約するAI
- 商品仕様書や技術資料に基づくFAQボット
- 過去の商談記録から類似案件の成功パターンを提示するAI
判断基準： 「このAIがあることで、1件あたりの商談準備時間が30%以上短縮されるか」——シンプルにこれだけで良い。
ステップ3：「本番構築」と継続改善（6ヶ月目〜）
やること：
- PoCの結果を踏まえ、本番環境を構築（300〜1,000万円）
- 社内データの本格投入、既存システム（CRM/SFA、チャットツール等）との連携
- 定期的なデータ更新・精度チューニングのオペレーション確立
最大の落とし穴： 「作って終わり」にすること。RAGの精度は、投入するデータの質と鮮度で決まる。月次でデータを更新し、利用者のフィードバックを反映し続ける「運用の仕組み」こそが本体だ。
よくある誤解と本音の回答
Q.「うちにはエンジニアがいないけど、自社専用AIは作れるの？」
A. 作れる。ただし、「構築」は外部パートナーに任せ、「運用」は自社で持つ体制を作る。DifyやAmazon Bedrockのようなノーコードツールで簡易的なRAGを構築するハードルは下がっている。だが、精度を維持するためのデータ管理は、自社の業務を最もよく知る営業メンバー自身がやるべきだ。
Q.「ChatGPT Teamプランのカスタム機能（GPTs）で十分では？」
A. 小規模チームならそれでいい場合もある。 ただしGPTsにはアップロードできるデータ量に制限があり、CRM/SFAとのリアルタイム連携はできない。組織の規模やデータ量が一定を超えると限界にぶつかる。
Q.「ROI（投資対効果）をどう測ればいい？」
A. 営業組織なら、以下の3指標で測れ。
- 商談準備時間の短縮率（例：1件あたり60分→30分）
- 提案書の品質均一化（トップ営業とボトム営業の受注率ギャップの縮小）
- ナレッジの再利用率（過去の提案書や事例がAI経由で参照された回数）
新人一人の年間教育コストが500万円だとすれば、RAG導入で新人の立ち上がり期間が半分になるだけでも、投資は1年で回収できる計算だ。
まとめ：「自社の知」を武器に変える技術投資
汎用AIは「全員に配れるナイフ」だ。便利だが、切れ味は汎用的で、あなたの会社だけの武器にはならない。
自社専用AIは「自社の鋼で鍛えた刀」だ。過去の提案書、商談記録、商品知識——これらの「自社だけが持つ資産」をAIの知識に変換したとき、それは競合が真似できない武器になる。
ただし、刀鍛冶を始める前に、まずはナイフを使いこなす修行が先だ。
Next Action——明日から始める3つのこと
- チームで「汎用AIの不満リスト」を作る。
- 来週のミーティングで「ChatGPTが使えなかった場面」を全員に聞き、リスト化する。それが自社専用AIの「要件定義書の一丁目一番地」になる。
- 社内ナレッジの「棚卸し」をする。
- 提案書、商品資料、マニュアル、商談メモ——AIに食わせるべきデータがどこに、どれだけあるかを把握する。デジタル化されていなければ、まずそこから着手する。
- RAG型SaaSを1つ試してみる。
- フルカスタム構築の前に、RAG機能を持つSaaSサービスで「自社データ×AI」の威力を体感する。この「小さな成功体験」がなければ、社内の合意形成もできない。
コメント