「今回は見送ります」
「社内で検討した結果、タイミングが合いませんでした」
「いったん保留でお願いします」
営業をしていると、こうした言葉で案件が終わることは珍しくありません。
ただ、ここで本当に怖いのは、相手の断り文句を“そのまま事実”として受け取ってしまうことです。
実際には、失注理由はもっと複雑です。
価格が高かったのではなく、価値が伝わっていなかったのかもしれない。
競合に負けたのではなく、そもそも社内稟議に乗るだけの材料を渡せていなかったのかもしれない。
「今じゃない」と言われたのではなく、単に優先順位で負けていたのかもしれない。
最近の生成AIは、長い文脈や複数の情報をまとめて扱う能力が上がっており、商談メモ・議事録・メール・提案内容をまとめて渡し、敗因を多面的に整理させる使い方がかなり現実的になっています。
OpenAIはGPT-5について、長く複雑な複数ステップの指示を一つの依頼にまとめやすくなったと案内しており、AnthropicやGoogleも最新モデル向けに「明確な指示」「十分な文脈」「段階的な分析」の有効性を公式に案内しています。
この記事では、失注案件の「表向きの理由」ではなく、本当の敗因をAIに推測させるための実践プロンプトを紹介します。
なぜ失注分析にAIを使うと強いのか
失注振り返りがうまくいかない理由は、たいてい次のどれかです。
- 営業本人が主観で解釈してしまう
- 失注理由を一つに決めつけてしまう
- 商談全体ではなく、最後の断り文句だけ見てしまう
- 「価格」「競合」「タイミング」で雑に片づけてしまう
AIを使うメリットは、商談の流れ全体を見て、複数の仮説を並べてくれることです。
しかも、最近の公式ガイドでも、良い出力を得るには「タスクを明確にする」「背景情報を渡す」「望む出力形式を指定する」ことが重要だと共通して案内されています。
つまり、失注分析でも、感覚的に聞くのではなく、役割・観点・出力形式をきちんと与えるほど精度が上がりやすい、ということです。
営業の現場で言えば、AIは「正解を断定する機械」ではありません。
自分では気づかなかった敗因仮説を増やす壁打ち相手として使うのが正しいです。
失注案件の敗因分析でAIに渡すべき情報
精度を上げたいなら、最低でも以下は入れたいです。
1. 商談の基本情報
- 商材名
- 顧客の業界・規模
- 初回商談か、再商談か
- 競合の有無
- 失注時点のステータス
2. 商談の経緯
- 初回接点の背景
- 顧客課題
- 提案した内容
- 相手の反応
- 途中で出た懸念
- 最後の断り文句
3. 定性情報
- 相手の温度感
- 決裁者の関与度
- 稟議のハードル
- 営業側が違和感を持ったポイント
4. 使えるなら添付したいもの
- 商談録画の文字起こし
- 議事録
- 提案書
- 失注メール
- CRMの活動履歴
OpenAIは、良いプロンプトには背景情報が重要だと案内しており、Anthropicも「新入社員に説明するつもりで文脈を補う」ことを推奨しています。
失注分析の精度差は、モデル性能以上に投入する文脈量で決まることが多いです。
そのまま使える「失注案件の敗因分析」プロンプト
以下が本題です。
ChatGPT、Claude、Geminiのどれでも使いやすいように、かなり汎用化した形にしています。
あなたはBtoB営業の失注分析に特化した、非常に優秀な営業マネージャー兼案件レビュー担当者です。
これから、ある失注案件の情報を渡します。
あなたの役割は、顧客が表向きに述べた理由を鵜呑みにせず、商談全体の流れから「本当の失注要因」を構造的に推測することです。以下のルールで分析してください。# 目的
- 表面的な断り文句ではなく、真の敗因を特定する
- 営業担当者が次回改善すべきポイントを明確にする
- 再現性のある学びに変換する# 分析ルール
- 顧客の発言をそのまま事実認定しない
- 失注理由を1つに決め打ちせず、複数仮説で考える
- 「価格」「競合」「タイミング」などの言葉で短絡的に片づけない
- 商談の序盤、中盤、終盤のどこで勝率が落ちたかを見る
- 営業側の問題と、顧客側の制約を分けて整理する
- 推測である部分と、与えられた情報から比較的強く言える部分を分ける# 出力してほしい内容
1. この案件の表面的な失注理由
2. 真の失注要因の仮説トップ5
3. それぞれの仮説について、根拠になっている発言・流れ
4. 営業担当者が見落としていた可能性のあるポイント
5. もし初回商談に戻れるなら、どこで何を変えるべきだったか
6. 次回以降の商談で再発防止するための具体策
7. この案件を「価格負け」「競合負け」「関係構築不足」「課題設定ミス」「決裁設計ミス」「提案タイミングミス」などに分類するなら何か
8. 最後に、営業担当者向けに厳しめだが建設的な総評を200文字で書く# 出力形式
以下の形式で出力してください。【表面的な失注理由】
- 【真の失注要因 仮説TOP5】
1.
根拠：
改善策：2.
根拠：
改善策：【商談のどこで勝率が落ちたか】
- 序盤：
- 中盤：
- 終盤：【営業担当者が次回変えるべきこと】
- 【総評】
-では、以下が案件情報です。---
[ここに商談メモ・議事録・メール・提案内容を貼る]
---
このプロンプトのポイント
このプロンプトで重要なのは、ただ「失注理由を分析して」と頼んでいないことです。
1. AIの役割を最初に固定している
単なる要約担当ではなく、営業マネージャー兼案件レビュー担当者として振る舞わせています。
公式ガイドでも、役割や期待する観点を明確にすると出力品質が上がりやすいとされています。
2. 表面的な理由を疑う前提を入れている
失注理由の多くは、顧客が言いやすい言葉に変換されています。
だからこそ「そのまま事実認定しない」と最初に釘を刺しています。
3. 出力形式を固定している
「仮説」「根拠」「改善策」をセットで出させることで、感想文になりにくくなります。
Googleも公式ガイドで、明確で具体的な指示やステップ指定の有効性を案内しています。
さらに精度を上げる追加プロンプト
1回目の分析のあと、次の追撃プロンプトを入れるとかなり深くなります。
追加プロンプト1：営業に厳しく再評価させる
今の分析を、営業担当者に甘さがある前提で再評価してください。
顧客要因に逃げず、営業側の改善余地を最大限厳しく洗い出してください。
ただし、人格否定ではなく、行動改善に落とし込んでください。
追加プロンプト2：マネージャー視点で再分類させる
この案件を営業マネージャーの視点でレビューしてください。
個人の反省ではなく、チーム全体の型・育成・商談設計の問題として見ると、どこに再発ポイントがありますか？
追加プロンプト3：受注できた未来線を描かせる
もしこの案件を受注できていたとしたら、
初回商談、課題設定、提案設計、クロージングのどこが違っていたはずかを、
勝ち筋のシナリオとして時系列で書いてください。
Anthropicは、最新モデルで長い文脈をまたぐ複雑なタスクに対し、段階的に明示した指示が有効だと案内しています。失注分析も一発で完璧を狙うより、初回分析のあとに観点を追加して掘るほうが実務では強いです。
AIに失注分析させるときの注意点
便利ですが、盲信は禁物です。
AIは「真実」を知っているわけではない
出してくるのは、あくまで仮説です。
だからこそ、根拠をセットで出させることが大事です。
入力が浅いと、出力も浅い
「失注しました。理由を教えて」では、ほぼ役に立ちません。
商談の流れ、相手の反応、提案内容まで入れて初めて意味が出ます。
顧客情報の扱いには注意する
社名、個人名、機密情報、録画データの扱いは、自社の情報管理ルールや利用規約に沿って判断する必要があります。
実務では匿名化したうえで使う運用が安全です。
失注分析は「反省会」ではなく「勝ちパターンの逆算」
失注分析というと、どうしても重たくなりがちです。
でも、本質は自分を責めることではありません。
大事なのは、
- どのタイミングで勝率が落ちたのか
- 何を渡せば前に進めたのか
- 次に同じ負け方をしないには何を変えるか
を見つけることです。
その意味でAIは優秀です。
人間だけで振り返ると、「いや価格でしょ」「競合強かったし」で終わる場面でも、AIは別の角度から仮説を出してくれます。
いまの生成AIは、明確な指示、十分な文脈、出力形式の指定によって、かなり実務的な分析に耐える水準まで来ています。だからこそ、営業現場では「文章を作る道具」ではなく、案件レビューの壁打ち相手として使ったほうが価値が大きいです。
まとめ
「検討します」で終わった案件にも、必ず構造があります。
負けた理由は、顧客が最後に言った一言ではありません。
序盤の課題設定かもしれないし、中盤の期待値形成かもしれないし、終盤の決裁設計かもしれない。
だからこそ、失注案件はAIに読ませる価値があります。
表面的な理由ではなく、
真の敗因を仮説として洗い出し、次の受注率を上げる。
そのための一本目として、今回のプロンプトはかなり使えるはずです。
コメント