Clayとは何か──GTMを加速する新思想プラットフォーム

「Clay（クレイ）」という名前を、最近どこかで見聞きした人は多いはずだ。OpenAIやAnthropicといった名だたる企業が使っているらしい。「GTMエンジニアリング」という新しい潮流を語る文脈でも、しばしばその名前が挙がる（GTMは「Go-To-Market」の略で、製品・サービスを市場に届けて収益化するまでの戦略・活動全体を指す。Webでおなじみの「Googleタグマネージャー」とは別物だ）。営業やマーケの界隈でじわじわと話題になっている——けれど、それが具体的に何をするツールなのかは、まだよく分からない。そんな段階の方に向けて本記事を書いている。

先に一文で言えば、Clayとは、外部データとAIを束ねて「必要な情報を集め、営業・マーケの打ち手を自動で回す」ためのGTM基盤である。日本で導入を検討し始めた人が必ず突き当たるのが、「国内の法人データベースを別途契約して足すべきか」という問いだ。結論から言おう。多くの場合、その必要はない。 日本企業のデータも、いまはClay自身が複数の提供元を束ねてカバーできるようになったからだ。成果を左右するのは外部データの追加ではなく、自社にすでにある名刺や商談履歴をClayに取り込み、それを起点に外部データで補強しながら営業・マーケの動きを自動化する——という設計の組み方のほうである。

本記事はまず、Clayが何者で、なぜ世界のトップ企業が集まるのかを解き明かす。次にエンリッチ（外部データによる情報補完。詳細は次章で説明する）の枠を超えた使い方を機能と事例で示し、最後に日本のエンタープライズで成果を出すための設計と実装手順まで踏み込む。

なぜ今、世界のトップ企業がClayに集まるのか

Clayとは何か──"自前DBを持たない"オーケストレーター

エンリッチメントとは、自社が持つリードや企業リストに、外部データで属性（企業規模・業種・役職・連絡先など）を補うことを指す。そしてClayとは、自らはデータベースを持たず、150を超えるデータプロバイダとAIを束ねて「必要なデータを取り、ワークフローを動かし、GTMの打ち手を実行する」基盤である。Clay自身も公式サイトで、あらゆるGTM／AIツールを共通のデータ層につなぐもの——「あらゆるデータを取得し、エージェント型のワークフローを走らせ、GTMの打ち手を実行するためのインフラ」と説明している。

出典：Clay公式サイト（clay.com）

その中心にあるのが「ウォーターフォール」と呼ばれる仕組みだ。たとえば「担当者のメールアドレスを1件埋めたい」とき、Clayは複数のデータ提供元を、あらかじめ決めた順番で照会する。最初に見つかった提供元の値で確定し、次には進まない。1社のデータだけに頼らないので、当たる確率も、正確さも上がる。Clay自身は、この積み上げによって「データの網羅率をおよそ3倍にできる」としている。

日本の企業データについても、事情は変わりつつある。2026年には約75万社規模の日本の法人データがClayに加わり、国内企業の情報も同じ仕組みでカバーできるようになった。「日本市場だから、国内の法人DBを別に契約して繋ぐしかない」という従来の前提は、静かに崩れ始めている。

何がすごいのか──トップGTM組織の"標準装備"に

Clayの評価を裏づけるのは、導入企業の顔ぶれとスピードだ。OpenAI、Anthropic、Mistral AI、Intercomといった成長企業が相次いで採用し、ClayのARR（年間経常収益）は2025年12月に1億ドルへ到達。企業評価額は2026年1月時点で50億ドルに達している。

職種の側から見ても浸透は明らかだ。GTMエンジニアリングの実態調査『The 2026 State of GTM Engineering』（Maja Voje、回答228名）によれば、GTMエンジニアの84%がClayを使用しており（エージェンシーに限れば96%）、これほど若いプラットフォームでの支配率は稀だと報告されている。ここで言うGTMエンジニアリングとは、AI・データエンリッチ・ワークフロー自動化を用いて「再現可能な収益創出の仕組み」を構築する実務であり、Clayはその土台として使われている。

エンリッチだけの道具ではない

Clayを「メールアドレスを補完するツール」と捉えると、その価値の大半を見落とす。実際には、ターゲット企業の抽出、購買グループ（購買に関わる複数の意思決定者）のあぶり出し、CRMデータのクレンジングと名寄せ、採用・資金調達などのシグナル検知、そしてそれらを起点にしたマルチチャネルの打ち手までを、1枚のテーブルの上で連続して扱える。次章では、その「エンリッチを超えた使い方」を具体的に見ていく。

Clayで何ができるのか──"エンリッチの先"にある使い方

Clayの本質は、集めたデータをそのまま打ち手に流せることにある。エンリッチはあくまで入口で、その先に多様な使い方が広がる。ここでは代表的な7つを、データが打ち手に変わっていく順に見ていく——見つける・整える・気づく・振り分ける・届ける・加速する・束ねる、である。

見つける：ターゲット企業と購買グループを洗い出す

Clayは、狙うべき相手をゼロから探し出す起点になる。業種・従業員規模・地域・技術スタックといった条件で企業を絞り込み、ターゲットリストをその場で組み立てられる。このとき優先順位は「フィット（自社の理想像にどれだけ合うか）×インテント（いま動く兆しがあるか）」の掛け算で考えるのがClay流だ。適合度が高くても兆しがなければ育成へ、兆しが強くても的外れなら除外へ、と機械的に仕分けできる。

さらに、1社の中で「誰に当たるか」も広げられる。企業のURLを起点に、購買に関わる複数の意思決定者を洗い出し、決裁者・推進者・利用者へと接点を複線化する。BtoBの購買は関与者が多い。当社ワンマーケティングの『2025年度版 BtoB購買プロセス白書』（全国600名、2025年）で1,000万円以上の案件（該当n=120）を見ると、購買に関わる人数は中央値5人・平均18.3人。平均が中央値の3倍以上に膨らむのは、数十人から数百人が関わる大型案件に引っ張られるためで、実務では「5人前後を標準に、案件が大きくなれば数十人規模もありうる」と捉えるのが実態に近い。いずれにせよ、一人にだけ当てて商談が止まる事態を避けられる意味は大きい。

整える：データを掃除し、意味づけする

見つけたデータは、そのままでは使えないことが多い。Clayは、古くなったレコードの洗い替え、表記の統一、重複の特定までをまとめて実行できる。散らかったCRMを、打ち手に使える状態へ整えるわけだ。

ここでAIが効く。たとえば「この企業はBtoBかBtoCか」「PC中心かモバイル中心か」といった、既存の項目には載っていない主観的な分類を、AIに判定させて自動で付与できる。一度ルールを組めば、以降は人手のメンテナンスなしに全レコードへ同じ基準の"意味づけ"が回り続ける。

気づく：買い手の"兆し"を捉える

相手が動き出す瞬間は、外に小さな兆し（シグナル）として現れる。Clayは、役職者の転職・昇進、資金調達、採用の動き、利用技術の変化、自社サイトへの来訪といった変化を継続的に監視できる。ソーシャル上での自社・競合への言及を拾うこともできるし、既成のメニューに無い切り口でも、任意のデータ項目を起点に独自のシグナルを組み立てられる。

拾った兆しは、そのまま次の動きにつながる。検知をきっかけにCRMのスコアを更新したり、担当者へSlackで知らせたり、次の打ち手を自動で起動したりできる。BtoBでは関心が高まった瞬間を逃すと商機はすぐ冷めるため、「動きが出た会社に、動きが出た瞬間に当てる」運用が効いてくる。

振り分ける：スコアリングして最適な担当へ渡す

Clayは、集めたデータを使ってリードやアカウントに点数を付け、次の担当へ自動で渡すところまでを担う。理想像に照らして自動でエンリッチし、条件を満たすかを判定し、点数順にふさわしい営業担当へ割り当てる。「スコアリングして即アサインする」までがひとつの流れになっている。

前提として、Clayは分断したデータをつなぐ役割も果たす。CRM・データウェアハウス・マーケツール・単発のリストを横断して情報を同期し、バラバラだったスタックを一本化する。点数の根拠になるデータが揃うからこそ、スコアリングが機能する。

届ける：一人ひとりに合わせてパーソナライズする

Clayが評価される理由のひとつが、手作業では不可能な規模のパーソナライズを可能にする点だ。メール・広告・ダイレクトメール・ランディングページに、相手ごとに異なる文面や画像を差し込める。相手固有のデータをもとに、メールやLP、広告のコピーそのものをAIに書き分けさせることもできる。

流入したリードへの初速も上がる。フォームやウェビナー、広告から入ってきたリードをその場でエンリッチし、足りない属性を裏側で補うため、入力項目を減らしても取りこぼさない。作ったオーディエンスはLinkedIn・Meta・Googleの広告にも同期でき、同じデータを起点に複数チャネルへ展開できる。

加速する：営業の「調べる・書く・送る」を自動化する

営業の現場では、Clayは「調べて、書いて、送る」の大半を肩代わりする。リストを作り、エンリッチし、相手ごとに文面を整え、シーケンサーで送信する——この一連を自動で回しつつ、要所だけ人が判断する設計にできる。AIリサーチが、営業が何時間もかけて集めていた商談前のインサイトを先回りして用意してくれる。

前述の兆し（シグナル）と組み合わせれば、タイミングも逃さない。相手の関心が高まった瞬間にアウトバウンドを仕掛けられる。たとえば社内で味方だった担当者が別の会社へ移った直後は、新規の商機になりやすい。

束ねる：ABMとしてひとつに統合する

そしてこれらは、ABM（狙った企業に的を絞る手法）としてひとつに束ねられる。アカウントをフィットで階層化し、コンタクトにAIで点数を付け、兆しに応じてステージを自動で進め、点数に応じたマルチチャネルの打ち手を回す。Clay自身も「優れたABMは優れたデータから始まる」と掲げ、①ターゲットのリアルタイムなデータ、②兆しの追跡、③動的なスコアリングと分類、④マルチチャネルの自動実行、を4本柱に据える。

重要なのは、これが手持ちのリードを"活かす"仕組みでもある点だ。すでにあるリードをアカウントに紐づけ、エンリッチして点数を付け直せば、そのままABMのターゲティング精度が上がる。新規開拓とハウスリストの掘り起こしが、同じ基盤の上でつながる。

事例で見る成果──トップ企業は何を変えたのか

ここまでの使い方は、実際にどんな成果を生んでいるのか。海外の先進企業の事例には、共通する変化が3つ見える。手作業のリサーチが消え、分断していたデータ基盤が一本化し、打ち手のスピードと精度が跳ね上がる、という変化だ。以下の数字はいずれも各社が公表した事例であり、どの会社でも同じ結果が出る保証値ではない点は、あらかじめ断っておく。

手作業のリサーチが消える（OpenAI・Intercom）

まず変わるのは、人がデータを探し回る時間だ。OpenAIは、Clay導入によってリードのエンリッチ網羅率を40%台から80%台へと倍以上に引き上げた。同社のGTMシステム責任者は、トップ営業が手作業でやっていた企業リサーチをエージェントで自動化し、Salesforceを離れずにエンリッチできる状態を作ったと語る。

Intercomの事例はスピードを物語る。同社は1か月で4,000社超を新たに発掘し、21,000件の連絡先をエンリッチ、アウトバウンド由来のパイプラインを140%成長させた。かつて数時間かかっていたリスト作成は5分に短縮されたという。同社のGTM Ops責任者はClayを「解釈でき、監査もできる"ガラス張りの箱"」と評する。そのアカウントがなぜ優良と判定されたのかを、営業が生のシグナルまで遡って確かめられるからだ。精度だけでなく、判断の透明性も評価されている点は見逃せない。

分断していたデータ基盤が一本化する（Anthropic・Mistral AI）

2つ目の変化は、バラバラだったデータの統合だ。Anthropicは、個別に契約していたデータベンダーを整理し、Clay経由で100を超える提供元にアクセスできる形へ切り替えて、エンリッチ網羅率を3倍に高めた。自社のAIモデルをClay上で走らせて業種分類を自動で付与し、CRMへの書き戻しを自動化したことで週あたり4時間の手作業を削減、最上位のデータ契約を解約するまでに至った。

Mistral AIの事例は、基盤構築のスピードとコストを示す。同社はわずか2週間で25,000社超を発掘・エンリッチした（通常なら2か月かかる作業だという）。地域別のオンプレ動向分析は、手作業なら3か月かかるところを3日で終えた。RevOps責任者は「Clayは優れたETL基盤だ。以前はデータ統合に50万ドルを投じていたが、いまはゼロ。6週間で本番稼働した」と述べている。外部データを"足す"以前に、基盤づくりそのものが速く・安くなるということだ。

打ち手のスピードと精度が上がる（Verkada・Sendoso ほか）

3つ目は、集めたデータが打ち手に直結することだ。Verkadaは、シグナルとエンリッチを組み合わせてLinkedIn広告のマッチ率を50%から約2倍へ改善し、企業ごとに出し分けるパーソナライズLPを、キャンペーンごとに600件超自動生成した。手作業なら1週間かかる作業が、数分〜数時間で回るようになったという。

アウトバウンドでも数字は伸びている。Sendosoはポジティブな返信率を20%改善し、100万ドル超のパイプラインを創出、アウトバウンドの生産性を10倍にした。Harmonicは返信率を3倍、SDRのアウトバウンド処理量を2倍に伸ばしながら、月50時間分の手作業をなくしている。

これらの事例が示す本質──"データのリッチ化"の重さが消えた

並べてみると、成果の起点はどれも同じ場所にある。狙う相手を見極めるのも、刺さる文面を書くのも、最適なタイミングを掴むのも、土台となるデータが揃っていて初めて成り立つ。つまり、これらはすべてデータのリッチ化がいかに成果を左右するかを示す事例なのだ。

ところが、そのデータのリッチ化こそが、長らくボトルネックだった。エンリッチも名寄せも、専任チームや外部コンサル、複数のデータ契約に相応の工数とコストを要する領域だったからだ。先のMistral AIが語った「統合コストがゼロになった」という声は、その重さが消えたことの象徴と言える。

Clayが変えたのは、まさにこの"重さ"である。データのリッチ化が成果を決めるという前提は変わらないまま、リッチ化そのもののハードルが劇的に下がった。これまで一部の先進企業しか払えなかった整備コストと工数が圧縮され、多くの企業の手が届くようになった。Clayが急速に広がった本当の理由は、ここにある。

そしてもう一つ、国内の法人データベースとの決定的な違いがある。uSonarやSpeedaといった国内サービスは、整備された企業データを"提供する"ことに主眼がある。使い手は、渡されたデータをそのまま受け取って使う。一方でClayは、データを集めるだけで終わらない。集めた情報をその場でAIに考えさせ、自社の基準で判定し、分類し、次の打ち手まで組み立てる。前章で触れた「BtoBかBtoCか」の自動分類や、購買グループのあぶり出しは、その一例だ。

つまり両者は、似ているようで役割が違う。国内DBが「正しいデータを渡す」サービスだとすれば、Clayは「データを使って考える」基盤である。この違いを踏まえると、「国内DBをClayに足すべきか」という問い自体が、少しずれていることに気づく。Clayを"もう一つのデータベース"として捉えた瞬間に、その本質——自社の問いに合わせてデータを加工し、判断まで動かす力——を見落としてしまうからだ。では、日本のエンタープライズはこの基盤をどう設計すればいいのか。次章で具体的に見ていく。

日本で成果を出す：この基盤をどう設計するか

国内DBを足すという発想がずれているなら、日本のエンタープライズは何を軸に設計すればいいのか。結論から言えば、答えは外に足すのではなく、自社の内側にある。

越えられない"人物データの天井"

まず直視すべき構造がある。企業データは前述のとおりClayで埋まるようになった。だが「誰が」にあたる人物データ——役職者の氏名・ビジネスメール・所属——は、日本市場では取得の天井が低い。

理由は単純だ。ZoomInfoもApolloも、そしてClayが束ねる提供元の多くも、人物データの出どころはLinkedInとWeb上の公開情報である。ところが日本のLinkedIn登録者は約540万人、総人口比で4.4%にとどまる（DataReportal「Digital 2026: Japan」、2025年末時点）。同じ調査の米国は約2億7,000万人で、総人口比77.6%。人口に対する厚みが十数倍違う。原資が薄いのだから、ツールをどれに替えても、拾える人物データの上限は大きく変わらない。

さらに、企業グループの解明にしても、その裏側は海外プロバイダのデータに支えられている。日本企業の資本関係や組織の深いところまでは、同じ精度で追いきれない場面がある。「別の国内DBを足せば人物データが埋まる」という期待は、この構造の前では空振りしやすい。

断片データのままでは、AIも成果に繋がらない

ここで視点を変えたい。仮にデータをかき集められたとしても、それがバラバラなままでは、いま各社が投資するAIは十分に働かない。

Forresterは2026年、意味づけされていないデータは自律的なAIには使えない、と指摘している。文脈のないデータを渡されたAIは推測で動き、データ同士の結びつけを誤り、指標を読み違える、というのだ。ここで言う「意味」とは、要はデータ同士のつながりのことだ。「ある会社の従業員数」「ある人の役職」「先日の商談結果」といった点のデータは、互いにつながって初めて『どの会社の誰が、いまどんな状態か』という像を結ぶ。データは"量"ではなく"つながり"で効く。

数字も裏づける。Gartnerは、AIに適したデータに支えられていないAIプロジェクトの60%が2026年までに見捨てられると予測する（データ管理リーダー1,203名・2024年7月調査）。逆にAI活用が成功していると答えた組織は、データ品質・ガバナンス・人材・変革管理といった基盤に、成果の出ていない組織の最大4倍（売上比）を投じていた（データ・アナリティクス／AIリーダー353名・2025年11〜12月調査）。リッチ化のコストが下がったいま、浮いた工数と予算を向けるべきは、外部DBの追加ではなく、データを"つなぐ"基盤づくりの側なのだ。

差別化の源泉は、自社がすでに持つ接点データ

では、越えられない人物データの天井は、どう埋めるのか。答えは、外部ではなく自社の中にある。名刺、商談履歴、問い合わせ、CRMに蓄えた過去のやり取り——こうした1stパーティデータこそが、日本市場で人物データを補う最も確実な源泉だ。

しかもこれは、単なる穴埋めではない。自社の接点データは、競合が決してお金で買えない資産である。当社の『2025年度版 BtoB購買プロセス白書』では、営業との最初の面談に立ち会う購買担当者（該当n=96）の85%が、その時点ですでに仕入先候補を絞り込んでいた（「ほぼ決まっている」29.2%＋「いくつかの候補に絞り込まれている」56.2%。2020年調査では79%）。営業が会う前に勝負がついているなら、頼れるのは自社が積んできた接点の履歴だ。過去に誰と・どう接触し、どの組み合わせで受注に至ったか——その記録は、購買グループを読み解くうえで外部DBにはない解像度を持つ。

Clayの役割は、この1stパーティデータを起点に据え、外部データとAIで肉付けしていくことにある。海外の先進企業が自社モデルで独自の分類を作り込んだように、日本企業も自社の"勝ちパターン"を基準にデータを意味づけていけばいい。足すべきは外部の国内DBではなく、自社の接点データを軸にした設計——これが、日本のエンタープライズでClayを機能させる核心である。

実践：Clayを自社のCRM/SFAに実装する

では、具体的にどう組むのか。ここからは、Clayを自社のCRMやSFA（営業支援システム）につなぐ際の設計と手順を、実務レベルで示す。ClayはSalesforceやHubSpotをはじめ、MAツールやデータウェアハウスなど多様なシステムと連携でき、双方向でデータをやり取りできる（対応コネクタは公式の連携一覧で確認できる）。

しかもClayは、単に不足を補うだけの道具ではない。外部データ・自社データ・CRM/MA/SFAのデータをClay上で一度組み合わせ、加工したうえでCRMへ書き戻す——いわゆるリバースETL（複数ソースを統合して業務システムへ戻す処理）的な使い方もできる。要はこの往復を、どういう順序と条件で設計するかに尽きる。

そのうえ、この組み立てに専門的な重さは要らない。従来のワークフロー自動化ツールのように、パイプラインを一から設計し、細かく設定し、動作をテストして…という工程を踏まなくても、Clayなら1枚のテーブルの上で、やりたいことをワンストップで、ノーコードのまま形にできる。考えるべきは「何を・どういう条件でつなぐか」であって、つなぐための開発作業ではない。

※注意：利用できるコネクタや連携の範囲は、契約するライセンスのグレードによって異なる。導入前に、使いたいツール（自社のSFA/MA等）が自社のプランで接続できるかを必ず確認したい。

設計の順序：取り込む→意味づける→書き戻す

実装は、大きく3ステップで考えるとよい。

1. 取り込む：まず自社のCRM/SFAから既存のアカウントやリードをClayに取り込む。ここで起点に置くのは、外部データではなく、名刺・商談履歴といった自社の1stパーティデータだ。
2. 意味づける：ウォーターフォールで不足属性を補い、Claygent（AIリサーチ機能）で自社基準の分類やスコアを付ける。ポイントは、Clayでは項目（フィールド）ごとにAIへのプロンプトを設定できることだ。「この列では"BtoBかBtoCか"を判定させる」「この列では想定される担当部署を推定させる」というように、列単位で自社の問いをデータに投げられる。前章までの「整える・気づく・振り分ける」がここに当たる。
3. 書き戻す：条件を満たしたデータだけを、CRM/SFAへ戻す。

最初から全件を自動で書き戻す設定にはしないことだ。導入初期は自動更新をオフにし、まず少量のバッチで試す。Clay上で結果を目視し、想定どおりに名寄せ・分類できていることを確認してから、本番の自動化へ広げる。この慎重さが、次に述べるデータ汚染の事故を防ぐ。

名寄せ（ID解決）と条件つき書き戻し——"つなぐ"を実装する

前章で「データはつながって初めて意味を成す」と述べた。そのつながりを実装で担保するのが、名寄せ（ID解決）である。

Clayは、新しいレコードを作る前に、メールアドレスや会社ドメインで既存レコードを検索する。既にあれば更新し、なければ新規作成する——この「まず照合してから書く」順序が、重複の乱立を防ぐ。Salesforceの場合は、自社側で一意のキー（External ID）を決めておき、それを突き合わせて更新か新規かを判定する。ここを設計せずに書き戻すと、同じ会社・同じ人物が二重三重に増え、かえってデータが汚れる。

書き戻しには、必ず条件を付ける。たとえば「その項目が空のときだけ埋める」「取得したデータが既存より新しいときだけ上書きする」「信頼度が一定以上のときだけ反映する」といった具合だ。条件なしの全件上書きは、営業が手で入力した正しい情報まで機械的に潰しかねない。

1stパーティを主役に据える

技術的な接続以上に大事なのが、何を基準にデータを意味づけるかだ。ここで軸に置くべきは、繰り返しになるが自社の接点データである。

過去の受注案件で、どんな役割の人が・どの順で・何人関わったのか。その"勝ちパターン"を、Clay上でAIに学習・分類させれば、新しいアカウントにも同じ物差しを当てられる。海外企業が自社モデルで独自の業種分類を自動化したのと同じことを、日本企業は自社の商談履歴を教師データにして行えばいい。外部から借りた基準ではなく、自社が勝ってきた型を基準にする——これが模倣されない強みになる。

まとめ：よくある問いへの答え

Q. 日本で使うなら、国内の法人データベースを足すべき？ 多くの場合、もう足す必要はない。企業データはClayが複数の提供元を束ねてカバーし、日本企業のデータも扱えるようになった。外部DBを足すより、自社のデータを軸に据える設計を優先したい。

Q. Clayは結局、データを補完するだけのツール？ いいえ。ターゲットを見つけ、整え、兆しに気づき、振り分け、届け、営業を加速し、ABMとして束ねる——1枚のテーブルで完結する実行基盤だ。データを"提供する"国内DBと違い、AIで"考えさせる"点が本質的に異なる。

Q. 役職者の連絡先など、人物データはどう埋める？ ツールの乗り換えでは越えられない。人物データの多くはLinkedInとWeb由来で、日本ではその原資が薄いからだ。名刺・商談履歴といった自社の1stパーティデータで補うのが最も確実で、かつ競合に模倣されない資産になる。

Q. 導入は難しい？専門知識が要る？ 組み立て自体はノーコードでワンストップに行える。難所は開発ではなく設計だ。名寄せ（照合キー）と、書き戻しの条件を先に決め、小さく試してから広げるとよい。

Q. 使いたいSFA/MAと必ず連携できる？ 連携できる範囲はライセンスのグレードによって変わる。導入前に、自社で使っているツールが対象プランで接続できるかを必ず確認したい。