商談化率を上げるAI活用：カギはデータ統合にある

AIを商談化率の向上に活かそうと導入してみたものの、思うような手応えが得られず、原因が「AIの性能」なのか「データ」なのか判断がつかない――そう感じているBtoB企業は少なくない。だが、性能不足が真因であることは実は少ない。真因は、MA・SFA・CRMに散らばったデータが断絶し、かつ精緻でないまま放置されていることにある。AI-readyなデータ基盤とは、平たく言えば「AIに商談の確度を聞けば、MA・SFA・CRMのどこを見ても矛盾のない答えが返ってくる状態」のことだ。具体的には、MA・SFA・CRMの間でデータが連携され、かつ重複や入力不備もない状態を指す。この状態が整っていない限り、AIにどれだけ優れたアルゴリズムを与えても商談化率は上がらない。

Gartnerが2024年第3四半期にデータ管理リーダー248名へ行った調査では、63%が「AIに適したデータ管理体制はない、または分からない」と回答している(2025年2月公表)。これを踏まえGartnerは、AI-ready dataに支えられないAIプロジェクトの60%が2026年までに放棄されると予測した。実際、2026年のCMO調査(CMO・マーケティング責任者401名)でも、「AIリーダーになること」を2026年の重要目標に挙げたCMOは70%に達する一方、AI-ready体制が成熟・整備済みと答えたのは30%にとどまる。つまり、AIへの投資意欲の高さに対して、データ基盤の整備がまったく追いついていないのが実情だ。このギャップを埋めないまま突き進んだ企業から、順にプロジェクトが行き詰まっていく――まさに今、その分岐点に差しかかっている企業は多い。

この状態を放置すると、現場だけでなく経営判断にも影響が及ぶ。AI活用の投資対効果を経営に説明しようとしても、原因がAIの性能なのかデータなのか切り分けられなければ、次の一手を提案しようがない。たとえば、SFA再構築のような大型投資を控えている場合は、AI活用の前提条件を明確にできるかどうかがプロジェクト全体の説得力を左右する――数ある例の一つにすぎないが、投資判断の場面ではこうした違いが説得力を分ける。

では、断絶と不精緻とは具体的に何を指すのか。次章で、AIが機能しなくなる2つの壁を見ていく。

AIを入れても商談化率が上がらない理由──「断絶」と「不精緻」という2つの壁

AI-readyなデータ基盤の有無が、AIの実力を左右する。その理由を、GTM(市場開拓)戦略の論者による整理から見ていく。

『Go-To-Market Strategist』の著者Maja Voje氏は、2026年3月の分析でAIが機能しない要因を4つに整理した。「データの4つの危機」──非構造化・非互換・分断・不完全である(同分析は、Winning by DesignのJacco van der Kooij氏への取材を軸に構成されている)。本稿で重要なのは、そのうち部門間でデータが分断される問題(分断)と、内容自体が誤っている・欠けている問題(不完全)の2つだ。以下ではこれを「断絶」と「不精緻」という2つの壁として見ていく。

壁①「断絶」とは何か──MA・SFA・CRMが孤立している状態

「断絶」とは、MA・SFA・CRMのそれぞれにデータはあっても、システム間で連携されていない状態を指す。たとえばMAで捕捉した見込み客の行動データが、SFA側の商談情報と紐づいていなければ、AIはどちらか一方しか参照できない。

実際にあった例では、MAには見込み客の閲覧履歴や資料ダウンロード履歴が十分に蓄積されていたが、SFAとは連携されておらず、商談を担当する営業はその情報を一切参照できなかった。AIに商談の確度を判定させても、SFA側の乏しい情報だけを根拠にした判断にとどまり、実際の見込み度合いとはかけ離れた優先順位を示すことがあった。データが「無い」のではなく、システムの外に「繋がっていない」まま存在していたために、AIが本来の力を発揮できていないのである。

このような状態では、見込み客や商談の確度・優先順位をAIが自動算出する仕組み(AIスコアリング)も、見えている範囲だけの判断にとどまる。断絶が解消されない限り、AIの性能を上げても商談化率への寄与は限定的だ。

壁②「不精緻」とは何か──統合されていてもデータの中身が汚い状態

「不精緻」とは、システム間の連携は済んでいても、データの中身が重複・入力不備・表記ゆれなどで品質を欠いている状態を指す。断絶とは異なる、もう一つの壁である。

たとえば同じ企業が「株式会社◯◯」「(株)◯◯」「◯◯株式会社」といった表記ゆれで複数レコードに分かれていると、AIはそれぞれを別の会社として扱う。過去の商談履歴が正しく積み上がらないため、本来なら優良顧客に分類されるはずのアカウントが、AIの目には新規の低優先度アカウントとして映ってしまう。

なぜ不精緻なデータがAIの判断を歪めるのか。AIは統計的なパターンを学習するため、誤ったデータや重複したデータが多いほど、その誤りを「正しいパターン」として学習してしまう。少数の入力ミスであっても、AIを通すことでその影響が増幅される点が、人間の判断ミスとは異なるところだ。

冒頭で触れたGartnerの調査が示す通り、データ管理体制の不備を訴える組織は6割を超える。連携さえしていれば良いわけではなく、中身の精度が伴わなければAIは誤った判断を確信を持って下す。前掲のVoje氏も「不完全なデータをAIに与えると、AIは単に的を外すのではなく、積極的に誤導してくる。確信を持って、まったく間違ったセグメントを狙えと指示してくる」と警告している。

不精緻なデータのリスクは、AIの判断ミスだけにとどまらない。Forresterは2026年のB2B予測で、検証の済んでいない生成AI機能の急増と使い手のスキル不足が重なって起きるインシデントにより、株価の下落・訴訟の和解金・罰金を通じて100億ドル超の企業価値が失われると予測している。データの中身を精緻にすることは、AIの精度を上げるだけでなく、ガバナンス上のリスクを抑えることにもつながる。

断絶と不精緻は、互いに影響し合う。断絶を放置したまま精緻化しても、AIが参照できる範囲は狭いままだ。逆に断絶だけを解消すると、汚れたデータが一気に広範囲へ伝播し、かえって被害が広がることもある。この2つは別の壁として、順序立てて向き合う必要がある。

なぜこの2つの壁は見過ごされやすいのか

断絶や不精緻は、日々の業務の中では表面化しない。これが本質的に厄介な点だ。MAはMAとして、SFAはSFAとして、それぞれ単体では正常に動いているように見え、ダッシュボードの数字にも一見異常はない。問題が発覚するのは、AIを重ねてから――つまり、すでに投資を終えたあとという、手遅れに近いタイミングになりやすい。

しかも、断絶や不精緻の解消は地味な基盤整備であり、AI導入のように成果がすぐ目に見える取り組みではない。そのため経営の優先順位からは外れ続け、AIの機能や精度をめぐる議論ばかりが先行する。他社の内部データ基盤の状態と比較する機会はほとんどなく、自社がどれだけ遅れているかに気づく術もない。気づいたときには、競合はすでにデータ基盤を整え、AIを本当の意味で使いこなし始めている――そうなってからでは、その差は簡単には埋まらない。

GTM Partnersの共同創業者Sangram Vajre氏も、2025年11月の分析(『You Cannot Outbuild a Broken GTM with AI』)で「AIは(成果の)天井を引き上げるが、成果を決めるのは依然としてGTM(市場開拓の仕組み)である」「強固なGTMエンジンがあって初めて、AIへの投資は実際の成長に変わる」という趣旨を述べている。AIそのものではなく土台の設計が問われている、という論調は他の業界識者にも共通する。

では、この2つの壁を取り除くと、実際にどれほど商談化率は変わるのか。次章で、海外の実証データを見ていく。

データが統合され、精緻になると何が変わるのか

Demandbaseが2026年3月に発表した『The B2B AI GTM Report』は、24億件超の購買前インタラクションと1,400社超のデータを分析している。対象は30業界以上に及ぶ。この調査によれば、CRM・MA・予測スコアリング・広告ツールを統合した企業は、コンバージョン率が53%増加した。断絶を解消しただけで、これほどの差が生まれる。

なぜこれほど差が出るのか。AIの判断精度は、学習・推論に使えるデータの範囲に比例する。断絶した状態では、AIは商談の一部分しか見ていない「部分最適」の判断しかできない。統合されて初めて、購買グループ全体の動きを捉えた「全体最適」の判断ができるようになる。

同レポートでは、購買グループ全体に組織的にアプローチした企業は、従来型のリード単位のアプローチと比べて受注率が2〜3倍高いという結果も出ている。一方で、停滞しているアカウントに対して単純にアプローチ量を増やしただけの組織は、むしろコンバージョン率が低下したという警告的な知見も示されている。データが統合されていない状態で「量」を追っても、成果には結びつかないということだ。

Gongの『State of Revenue AI』2026年版(グローバルの収益リーダー3,048名への調査と、3,613社・710万件の商談データの分析)も同様の傾向を示す。AIを深く活用しているチームは、担当者1人あたりの収益が、活用していないチームより77%高い。AIをGTM戦略の中核に据えている組織は、勝率を改善できた割合が65%高いという結果も出ている。

同社の別の分析(商談100万件超・1,418組織)では、AIが推奨したToDoをすべて完遂した商談の勝率は、そうでない商談より50%高かった。ただしこれらの数値は、Gong自身が保有する統合済みのデータ基盤(Revenue Graph)の上で、同社製品の利用効果として計測されたものだ。データが断絶していれば、同じAIを使っても同じ効果は出ない。

重要なのは、これらの数値が大規模なシステム刷新の結果ではなく、既存のMA・SFA・CRMを「繋ぎ直す」ことで得られている点だ。新しいツールを追加購入する前に、今あるデータをどう活かすかを見直す余地は大きい。

AIの価値を損益(P&L)の変化に結びつけて説明できる意思決定者は3分の1に満たない、とForresterは指摘する。裏を返せば、断絶と不精緻を解消し、商談化率という具体的な指標でAIの効果を語れること自体が、競合との差別化になる。この視点は、SFA再構築のような大型投資の稟議を経営に説明する場面でも、そのまま武器になる。

変化しているのは売り手側のデータ基盤だけではない。6senseの『2025 B2B Buyer Experience Report』(回答約4,000件)によれば、買い手の58%が「ベンダーのAI機能を評価するため」に従来より早い段階でベンダーと接触したと回答している。購買サイクルも11.3ヶ月(2024年)から10.1ヶ月(2025年)へ短縮した。買い手はすでにAIを前提に動き始めており、売り手側の基盤整備が追いつくかどうかが商談化の分岐点になりつつある。

断絶と不精緻、どちらが自社の壁かを見分けるには

自社がどちらの壁に近いかは、いくつかの症状から見えてくる。AIのレコメンドが現場の肌感覚と大きくズレている、同じ顧客なのに違う担当者が別々にアプローチしている、といった状態は断絶のサインだ(壁①で見た、MAの行動データがSFAに届いていない例と同じ構造である)。一方、AIが同じ顧客を何度も新規として認識する、過去の商談履歴が急に消えたように見える、といった状態は不精緻のサインである(壁②の表記ゆれの例が典型だ)。

多くの企業では、この2つが併存している。では、断絶と不精緻を、それぞれどう解消すればよいのか。次章で、どちらから着手すべきかを含めた実装の順序を見ていく。

断絶と不精緻、それぞれをどう解消するか──実装の順序

断絶と不精緻は、同時に解消しようとすると手数が多くなり、現場が疲弊しやすい。優先順位をつけて段階的に進める方が現実的だ。

断絶の解消：MA→SFA→CRMの連携をどこから繋ぎ直すか

最初に着手すべきは断絶の解消である。データが存在していても連携されていなければ、後段の精緻化にどれだけ力を入れても、AIが参照できる情報自体が欠けたままになる。

具体的には、MAの行動データ(閲覧履歴・資料DL・メール開封等)とSFAの商談レコードを、個人(コンタクト)と企業(アカウント)それぞれの顧客IDで紐づけることから始める。次に、SFAの商談情報がCRMの顧客マスタと連携されているかを確認する。この3層のうち一つでも独立して運用されていれば、AIスコアリングは不完全な入力のまま動くことになる。

この紐づけの土台になるのが、部門をまたいで同一の顧客・商談を一意に識別する「顧客ID」の設計である。BtoBでは、個人(コンタクト)を識別するIDと、企業(アカウント)を識別するIDの2階層があり、どちらか一方だけを整えても不十分だ。個人IDだけでは同じ企業の複数担当者を束ねられず、企業IDだけでは誰が意思決定に関わっているかが見えなくなる。ID設計が曖昧なままシステムを繋いでも、AIは同一の顧客を別人として扱ってしまい、断絶が形を変えて残ることになる。ID設計が甘いまま連携すると、同一の商談が重複してカウントされ、パイプライン全体の数字自体が信頼できなくなるという二次被害も起きる。

断絶の解消は、MAやSFAの管理画面設定だけで完結することもあれば、CRMのデータモデル自体を見直す必要がある場合もある。後者は影響範囲が大きいため、まず影響の小さい領域(特定の商品ラインや部署)で連携を検証してから、全社に展開する進め方が現実的だ。

不精緻の解消：クレンジングと入力ルールの標準化を運用に組み込む

連携ができたら、次はデータの中身を精緻にする。6senseの『2026 State of the BDR Report』(BDR 872名)では、BDR(新規開拓担当)が目標達成に最も重要と回答したのは、AIツールそのものではなく「コンタクト・アカウントデータ」だった。現場の実務者も、AIの性能より先にデータの質を重視している。

名寄せには主に3つの手法がある。表記が完全に一致するデータだけを統合する「完全一致」、編集距離アルゴリズム(レーベンシュタイン距離など)で表記ゆれを吸収する「あいまい一致」、そして業務知識に基づいて統合条件を定義する「ルールベース」だ。たとえば「株式会社◯◯」と「(株)◯◯」は完全一致では別データとして扱われるが、あいまい一致であれば表記の近さから同一候補として検出できる。ルールベースは、電話番号や住所など特定の項目が一致すれば同一とみなす、といった業務ルールを組み込む手法だ。自社のデータの汚れ方に応じて、これらを組み合わせる必要がある。

不精緻の解消は、名寄せ・重複統合・入力ルールの統一を一度きりで終わらせず、日常の運用に組み込むことが要点になる。クレンジングを単発のプロジェクトとして扱うと、数ヶ月後には元の状態に戻ってしまうためだ。新規登録時の入力チェックや、定期的な重複検出のサイクルを仕組みとして組み込むことで、精緻さは維持される。

実装順序：診断→断絶解消→精緻化→AI適用

まとめると、実装順序は「診断→断絶解消→精緻化→AI適用」となる。自社のどこに断絶があり、どこが不精緻かを可視化しないまま個別のツールを導入しても、効果は限定的だ。

実装順序に迷う場合の判断基準はシンプルだ。システム全体に影響が及ぶ断絶を先に解消し、精緻化は優先度の高いデータ領域(主要な既存顧客・進行中の商談等)から着手するとよい。

断絶の解消は数週間〜数ヶ月の設定変更で完了することもあれば、CRMのデータモデル刷新を伴う場合は半年以上かかることもある。所要期間を左右するのは、連携するシステムの数と、すでに蓄積されたデータの量だ。システムが多く、データの蓄積が長いほど、影響範囲の見極めに時間がかかる。精緻化は一度で終わらない運用であるため、初期のクレンジングに加えて、月次や四半期ごとの点検サイクルを組み込むのが現実的だ。

この順序さえ守れば、大規模なシステム刷新をしなくても、既存のMA・SFA・CRMを土台にAIの精度を引き出せる。

診断の段階では、自社だけで判断せず外部の視点を入れることも有効だ。日常的に使っているシステムほど、断絶や不精緻の存在には気づきにくくなるためである。

まとめ：改善していくには何が必要か

改善には、いくつかのステップが必要になる。何よりもまず重要なのは、自社のデータが、MA・SFA・CRMのどこで断絶し、どこが不精緻なのかを可視化し、問題の所在を明確に突き止めることだ。AIをどう強化するかは、その後の話でしかない。

問題の所在が見えれば、次にすべきことは明確だ。断絶の解消を優先してシステム間の連携を整えたうえで、データの中身を精緻にする。

この整理は、現場の実務者だけでなく、投資判断を担う経営層への説明にも使える。「AIの精度が足りない」ではなく「データがどこで断絶し、どこが不精緻か」という具体的な言葉に置き換えるだけで、次に何を承認すべきかが明確になる。

断絶と不精緻を解消した先にあるのは、AIが「なんとなく便利なツール」から「商談化率という数字に効く基盤」に変わる状態だ。AI活用が業界全体でまだ定まった型を持たない今だからこそ、先にこの前提を整えた企業が、商談化率という具体的な成果で一歩先んじることになる。遠回りに見えるデータ基盤の整備こそが、実は商談化率を動かす最短ルートになる。

商談化率を左右するのは、AIの選定でも導入スピードでもなく、地味に見えるデータの土台である。