プロダクトのAI機能は最初「すごい」と言われるのに、なぜ二度目に使われないのか？

デモの画面に、AIの答えが流れていく。会議室の空気が変わり、「すごいですね」と声が上がる。

翌月、利用データを開く。初回の利用は多い。だが、二度目の利用がほとんどない。

支援の現場で、似た場面を何度も見てきた。とくに、Claude、ChatGPT、Cursor、Geminiのような生成AIツールを除く「いわゆるAIツール」は、機能そのものも、プロダクト全体も、使われていないことが多い。共通しているのは、使う前の期待と、使ってみた実感とのギャップだ。

二度目に使われるかどうかは、3つで決まる。期待が正しい位置にあるか。間違えても、振る舞いが変わっても、信頼が崩れないか。呼びに行く手間なく、いつもの画面にいて、前回を覚えているか。

そして、AI機能は出して終わりではなく、毎日運用するものだ。それが、この記事の答えになる。

前回の記事の最後に、AIプロダクトの無料体験は、最初の驚きの先にある「業務での定着」に向けて設計したい、と書いた。

この記事は、その続きにあたる。

長い記事なので、先に全体の流れを整理しようと思う。

前半は、データと研究で、なぜ二度目が来ないのかを見る。

中盤は、3つの処方と、それを支える毎日の運用。

後半は、測り方、事業のかたちによる違い、よくある反論、立場ごとの打ち手。

最後に、点検シートをまとめているのでぜひチェックしてみてほしい。

「すごい」で止まっているAI機能には、4つのサインがある

まず、よく見る状態を整理しておく。

1つめ：初回の利用は多いのに、二度目が少ない

リリースの直後は、多くの人が触る。だが、同じ人が翌週も使っているかを見ると、数字は一気に小さくなる。

2つめ：試しの依頼ばかりで、業務の依頼がない

「これについて教えて」「試しに要約して」。AIの実力を確かめる依頼は入ってくる。だが、実際の業務を任せる依頼が入ってこない。

3つめ：「便利そう」とは言われるが、「ないと困る」とは言われない

評判は悪くない。だが、AI機能を止めたとしても、誰も困らない状態になっている。

4つめ：成果として、「使った人数」を報告している

AI機能に触れた人数や、初回の利用者数が、成果として報告されている。二度目に戻ってきた人数は、誰も見ていない。

4つに共通するのは、AI機能を「見せるもの」として扱い、「使い続けてもらうもの」として設計していないことだ。

データで見る：AIは、始まりは強いが続かない

この現象は、私の現場の実感だけではない。

市場全体、個人向け、法人向け、日本の数字を順に見ていく。

市場全体は「幻滅期」にいる

米国の調査会社ガートナーは2025年、新しい技術への期待の推移を示す図の中で、生成AIが「幻滅期」に入ったと位置づけた。成熟度の低い組織は、使い道を見つけにくく、非現実的な期待を持ちやすいとも指摘している。

https://www.gartner.com/en/articles/hype-cycle-for-artificial-intelligence

期待が先に膨らみ、実感が追いつかない。それは、個々のAI機能だけでなく、市場全体で起きていることになる。

個人向け：始まりは強く、続かない

米国のベンチャーキャピタル、セコイア・キャピタルは2023年、生成AIアプリの利用データを分析した。

• 1か月後の継続率は、生成AIアプリが中央値42%、既存の人気アプリが63%

• 毎日使われる度合い（月間の利用者のうち、毎日使う人の割合）は、生成AIアプリが14%、既存アプリが51%

この傾向は、2026年になっても続いている。サブスクリプションアプリの課金基盤を提供するRevenueCatの年次報告書によると、AIアプリは、課金した人1人あたりの1年目の収益がAI以外のアプリより41%多い。

だが、年額プランの12か月後の継続率は21.1%で、AI以外の30.7%を下回った。返金率も、AIアプリのほうが高い。

興味深いのは、前年との違いだ。RevenueCatによると、前年のデータでは、AIアプリの継続率は同じ分野の他のアプリと大きく変わらなかった。

AIアプリが当たり前になり、利用者が時間をかけて見極めるようになってから差が開いた、と同社は見ている。

目新しさで選ばれる時期が終わると、続く理由のないアプリから離れていく。そう読める数字だ。

法人向け：渡しても、毎週使うのは4割

既存のプロダクトにAI機能を足した例として、いちばん近いデータがある。マイクロソフトの研究者らが、Microsoft 365 Copilotを対象に行った実地実験だ。

https://arxiv.org/pdf/2504.11443

56社・6,000人超を対象に、Copilotのライセンスを無作為に配り、少なくとも6か月間、働き方の変化を追った。その結果、**ライセンスを渡された人のうち、毎週仕事で使っていたのは平均38%**だった。

さらに、会社ごとの平均は、高いところで75%、低いところで9%まで開いていた。

同じ機能でも、会社によって使われ方がここまで違う。AI機能が使われ続けるかは、機能の出来だけでなく、導入した側の進め方にも左右される。この点は、後の章で詳しく扱う。

日本：「使ったことがある」と「使っている」が、同じ数字に入っている

総務省の『令和7年版 情報通信白書』は、日本で生成AIを「使っている（過去使ったことがある）」と答えた人の割合を26.7%と報告している。

この数字には、1回試しただけの人も、毎日使っている人も、同じように入っている。

社内でAI機能の利用率を報告するときも、同じことが起きやすい。「使ったことがある人」を「使っている人」として数えると、二度目が来ていない問題は見えなくなる。

「すごい」と「また使う」は、別の行動

では、なぜ試してもらえるのに、続かないのか。まず、2つの行動を分けて考える必要がある。

使い続けるかは、期待が確かめられたかで決まる

情報システムを使い続けるかどうかについては、2001年に『MIS Quarterly』に掲載された古典的な研究がある。オンラインバンキングの利用者への調査から、「期待確認モデル」と呼ばれる考え方を示した。

この研究は、使い始めることと使い続けることは別の行動だと指摘した。そのうえで、使い続けるかどうかは、満足と、使い続けたときの有用性で決まる、と示している。満足を左右するのは、使う前の期待が、使ってみて確かめられたかどうかだ。

AI機能に当てはめると、時間軸は4つに分かれる。使う前に期待がつくられ、一度目で驚きが生まれる。二度目で、その期待が確かめられるかが試される。三度目以降は、信頼が保たれ続けるかが問われる。

続いた先では、習慣が意図より強くなる

2007年の同じ『MIS Quarterly』には、続きにあたる研究がある。使い続ける段階に入ると、「使おう」という意図よりも、習慣が行動を左右するようになる、というものだ。習慣の形成は、満足と強く結びついていたという。

つまり、二度目、三度目と満足が重なると、AI機能は「使おうと思って使うもの」から「いつの間にか使っているもの」に変わる。その手前で止まっているのが、多くのAI機能だ。

驚きは能力に向き、価値は仕事に向く

ここで、「すごい」の正体を整理しておきたい。

一度目の「すごい」は、「AIはここまでできるのか」という、能力への驚きだ。二度目に使う理由は、「これで自分の仕事が楽になった」という、仕事への実感だ。

この2つは、向いている先が違う。前者はAIを見ている。後者は、自分の仕事を見ている。驚きがどれだけ大きくても、それだけでは二度目の理由にならない。

二度目が来ない、3つの仕組み

二度目が来ない理由を分解すると、3つの仕組みが見えてくる。

① 期待が、デモと汎用AIで引き上げられている

デモでは、AIがいちばんうまく答える例が選ばれる。そこで生まれた「すごい」が、期待の基準になる。二度目に自分のデータで使うと、デモほどうまくいかない。期待確認モデルでいえば、期待が確かめられなかった状態だ。

もう1つ、見落とされがちな基準がある。顧客が毎日使っている汎用AIだ。

マサチューセッツ工科大学（MIT）のプロジェクトNANDAが2025年に出した報告書は、この点を指摘している。

ChatGPTなどの汎用ツールを高く評価する人ほど、企業向けに作られたAIツールには懐疑的で、もろい、作り込みすぎ、実際の業務に合わない、と評していたという。

https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

報告書は、良いAIがどんな感触かを知っている人ほど、変わらない道具に我慢しなくなる、と書いている。ただし、この報告書は52組織への聞き取りと153人への調査などをもとにした暫定的な研究で、著者ら自身も調査の限界を明記している。

冒頭で書いた私の実感、つまり生成AIツール以外のAIツールほど期待とのギャップが大きい、という話も、ここにつながる。顧客は、プロダクトのAI機能を、自社のデモとだけでなく、手元の汎用AIとも比べている。

② 信頼が、間違いでも、振る舞いの変化でも崩れる

2015年に発表された「アルゴリズム回避」の研究がある。ディートフォースト氏らの研究チームは、人は、同じ間違いでも、人間よりアルゴリズムが犯したときのほうが早く信頼をなくすことを示した。

アルゴリズムのほうが成績が良い場合でも、一度間違いを見ると、避けるようになったという。

https://www.researchgate.net/publication/314745288_Algorithm_Aversion_People_Erroneously_Avoid_Algorithms_after_Seeing_Them_Err

AIの場合、さらに厄介な点がある。得意なことと苦手なことが、でこぼこしていて、予測しにくいのだ。

ハーバード・ビジネス・スクールとボストン コンサルティング グループ（BCG）は、コンサルタント758人を対象に実験を行った。AIが得意な課題では成果が上がった。

だが、AIが苦手な課題では、AIを使った人ほどその分析を信じて、誤った結論に至っていた。研究者らは、この得意・不得意の境目を「でこぼこした最前線」と呼んでいる。

そして、三度目以降には、もう1つの崩れ方がある。振る舞いの変化だ。

マイクロソフト・リサーチは2019年、AIの精度を上げる更新が、かえって人とAIを合わせた成果を下げうることを示した。

利用者は、使ううちに「このAIはどこまで信じていいか」をつかんでいく。更新で、前は正しかった場面で新しく間違えるようになると、その感覚が裏切られ、全体の成果が落ちたという。

AIは、良くしたつもりの変更でも、信頼を崩しうる。ふつうの機能にはない難しさだ。

③ 呼び出すたびに、文脈を入れ直す手間がかかる

先ほどのMITの報告書は、多くの生成AIのシステムは、フィードバックを覚えず、文脈に合わせず、時間がたっても良くならない、と指摘している。

報告書に登場する、ある企業の弁護士は、汎用AIを下書きには使うが、重要な契約には使わないと話している。顧客の好みを覚えず、前回の修正からも学ばず、毎回たくさんの文脈を入れ直さなければならないからだ。

別の回答者の言葉は、このテーマをそのまま言い当てている。

手間は、文脈の入力だけではない。AI機能が、いつもの仕事の流れから離れた場所にあると、使うたびに「呼びに行く」手間がかかる。報告書には、いま使っている業務システムにつながらなければ誰も使わない、という声も紹介されている。

処方①｜期待を、デモではなく「いつもの仕事」で正しく置く

1つめの仕組み「期待が引き上げられている」への処方だ。期待を下げるのではなく、正しい位置に置く。

初回は、用意した最高の例ではなく、自社のデータで迎えてもらう

デモの最高の例で生まれた期待は、二度目に必ず裏切られる。だから、初回から顧客自身のデータと業務で、AIを使ってもらう。

私が提供しているMarketing-OSは、無料体験ではなく、2週間の無料デモを用意している。サンプルデータが入った状態から始まり、そこに自社の実際のデータを入れることもでき、すべての機能と画面に触れられる。そして、CSが伴走する。

サンプルで価値の出た状態を見せたうえで、自社のデータを重ねてもらう。そうすれば、一度目の印象が、二度目に自分の仕事で使ったときの手応えと、大きくずれにくくなる。

できないことも、先に伝える

期待確認モデルに従えば、期待が高すぎるほど、確かめられなかったときの失望も大きくなる。

だから、得意なことと同じくらい、苦手なことも先に伝えておく。AIの得意・不得意がでこぼこしているなら、その地図を顧客に渡しておくほうがいい。どこで任せ、どこで人が確かめるのかが分かれば、間違いに出会っても「想定どおり」で済む。

打ち出すのは「AIであること」ではなく、「どの仕事が変わるか」

伝え方にも、期待を引き上げる要因がある。

ワシントン州立大学などの研究者は2024年、米国の成人1,000人超を対象に実験を行った。同じ商品の説明に「人工知能」という言葉を入れると、購入の意向が下がった。

感情面での信頼が下がったためだという。8つの商品・サービスの分類で試して、結果はいずれも同じだった。

これは個人向けの購入の研究で、法人向けのプロダクトにそのまま当てはまるとは限らない。それでも、「AI搭載」を前に出すほど、使う前の期待と不安の両方が上がる、とは言えそうだ。

打ち出すなら、「AIであること」ではなく、「どの仕事が、どう変わるか」を伝えたい。そのほうが、顧客は二度目に使う場面を思い浮かべやすい。

一度目の終わりに、二度目の用事を決めておく

最後に、一度目の終わり方を設計する。

一度目は、多くの場合「試す」ために使われる。二度目には、「この仕事に使う」という具体的な用事が要る。

だから、一度目の最後に、次にどの業務で使うかを顧客と決めておく。来週の定例会議の分析、月末の振り返り、次の企画のたたき台。用事が決まっていれば、二度目は自然に来る。

処方②｜間違える前提で、確かめられて、直せるようにする

2つめの仕組み「信頼が崩れる」への処方だ。間違えないAIは作れない。だから、間違えたときに信頼が崩れない作りにする。

答えに、根拠を持たせる

Marketing-OSでは、過去のナレッジから最適解を出し、市場の事例やベストプラクティスを裏側で常に調べている。

答えが思いつきではなく、蓄積と事例の上に立っていれば、顧客はその答えを確かめられる。確かめられる答えは、間違っていたときにも、どこが違ったのかが分かる。

人が少し直せる余地を残す

アルゴリズム回避の研究には、続編がある。2018年の研究で、ディートフォースト氏らは、人は不完全なアルゴリズムでも、その出力を少しでも自分で修正できるなら、使うようになることを示した。

AIの答えを、そのまま受け入れるか捨てるかの二択にしない。少し手を入れられる余地があるだけで、顧客は「自分の答え」として使い続けやすくなる。最後に決めるのは人だ、という形を保つことにもなる。

評価を回収して、学習と改善に戻す

Marketing-OSでは、AIの答えに対して顧客満足度を取っている。ダッシュボードでも、チャットでもだ。

満足度が3以上なら、その答え方を学習する。3未満なら、改善案を裏側で処理する。顧客の評価が、そのまま次の答えの質に戻る仕組みだ。

MITの報告書でも、AIツールを選ぶ経営層の66%が「フィードバックから学ぶこと」を求めていた。間違いを減らすだけでなく、間違いから良くなっていく様子が見えることも、信頼につながる。

処方③｜毎日の画面にいて、困ったら呼べて、前回を覚えている

3つめの仕組み「呼び出すたびの手間」への処方だ。

AIの入口を、2つ持つ

Marketing-OSのAI CMOには、入口が2つある。

1つは、トップのダッシュボードだ。顧客が毎日開く画面に、AI CMOがいる。企画、分析、意思決定のために、毎日繰り返し使われている。

もう1つは、チャットだ。困ったときに、こちらから呼べる。CS的なサポートは、すべてここからできるようにしている。

ふだんは、呼びに行かなくても毎日の画面にいる。詰まったときは、すぐに呼べる。二度目を止めていた「呼び出す手間」を、2つの入口で消している。

習慣の研究が示したように、使い続ける段階では、意図より習慣が効く。毎日開く画面にいることは、「使おう」と思わなくても使われる状態をつくる。

割り込むのではなく、見に来る場所にいる

ただし、「向こうから出てくる」ことには、有名な失敗例がある。

1997年からMicrosoft Officeに入っていた、アシスタントのキャラクターだ。日本では、イルカのキャラクターを覚えている人も多いだろう。作業中に自分から現れて、助言を出す仕組みだった。

マイクロソフトは2001年、新しいOffice XPでこの機能を初期設定でオフにすると発表した。新しい機能で使いやすくなったので、もう必要ない、という説明だった。

https://news.microsoft.com/?p=11621

割り込んでくるAIは、嫌われる。顧客が自分から見に来る画面に、そっといるAIは、使われる。同じ「向こうから出てくる」でも、この違いは大きい。

文脈を、入れ直させない

置き場所の次は、記憶だ。

Marketing-OSでは、過去のナレッジと、裏側で続けているリサーチを、答えに使っている。そうすれば、顧客は毎回、自社の状況や前提を一から説明し直さなくて済む。

MITの報告書でも、経営層の63%が「文脈を保持すること」を求めていた。前回を覚えているAIは、二度目以降のほうが、一度目より役に立つ。それが、戻ってくる理由になる。

AI機能は、出して終わりではなく、毎日運用する

ここまでの3つの処方を、下から支えているものがある。毎日の運用だ。

AI機能は、出した後も変わり続ける

ふつうの機能は、一度作れば同じように動く。AI機能は違う。同じ質問にも日によって違う答えを返しうるし、モデルの更新でも振る舞いが変わる。

マイクロソフト・リサーチの研究が示したように、良くしたつもりの更新が信頼を崩すこともある。だから、AI機能は「出した日が完成」ではなく、「出した日から運用が始まる」ものとして扱う必要がある。

2つのモニタリングを持つ

運用の中心は、2つのモニタリングだ。

1つは、利用のモニタリングだ。誰が、どこで止まっているかを見る。

Marketing-OSでは、管理画面で利用状況を常に見ていて、止まりかけた顧客に気づいたら、すぐにサポートの手を打てるようにしている。この考え方は、オンボーディングの記事で書いた。

もう1つは、出力のモニタリングだ。AIが何を答えているかを、人が見る。Marketing-OSでは、管理画面でAIの出力結果を毎日モニタリングしている。

おかしな回答があれば、すぐに指示を出して改善できる体制にしている。モデルの調整と出力も、毎日最適化している。

前者は「顧客が止まっていないか」を見る。後者は「AIがずれていないか」を見る。AI機能には、この両方が要る。

誰が見て、誰が直すかを決めておく

出力を見るのは、手間がかかる。だからこそ、役割として決めておかないと続かない。

誰が毎日出力を見るのか。おかしな答えを見つけたとき、誰が、どこまでの権限で直すのか。どのくらいの速さで直すのか。これが決まっていないAI機能は、出した日がいちばん良い状態で、あとは少しずつずれていく。

AI機能の成果は、初回の利用ではなく「戻ってきたか」で測る

最初のサインの4つめは、「使った人数」を成果として報告していることだった。測り方を変えない限り、二度目の問題は見えてこない。

アクティベーション指標の記事で、入口の数字ではなく、顧客が価値に届いた瞬間を数える、と書いた。AI機能も同じだ。

見る数字を、入口から「戻ってきたか」に移していく。

• 二度目の利用：一度使った人のうち、二度目に戻ってきた人の割合

• 同じ用事での再利用：同じ業務に、繰り返し使われているか

• 毎週の利用：習慣として、業務の中に入っているか

• 回答ごとの満足度：一回一回の答えが、役に立っているか

• 更新後の利用の落ち込み：モデルや出力を変えた後に、使われ方が落ちていないか

• 「なくなったら困るか」：顧客に直接聞く

私が関わるプロダクトでは、90日間使われ続けていることを到達点に置き、毎週の記録が続いているかで、そこに向けて順調かを見ている。AI機能も、その到達点に向けて、毎週使われているかで見たい。

事業のかたちで、気をつける点が変わる

ここまでの処方は、どの事業にも共通する。ただ、事業のかたちによって、気をつける点が変わる。

既存のプロダクトに足したAI機能か、AIが主役のプロダクトか

既存のプロダクトにAI機能を足した場合は、置き場所の問題が大きい。機能の一覧の奥にAIを置くと、呼びに行く手間が生まれる。いつもの画面の中に、どう入れるかが鍵になる。

AIが主役のプロダクトは、比較の相手が汎用AIになりやすい。汎用AIにはない、業務の文脈と記憶を持てるかが問われる。

生成型のAIか、予測・分類型のAIか

ここからは、調査ではなく私の見方だ。

文章や企画のたたき台を作る生成型のAIは、使い道が広く、多少ずれても「たたき台」として役に立つ。

一方、需要の予測や、データの分類、異常の検知といったAIは、「当たったか、外れたか」で評価される。外れたときの失望が大きく、期待とのギャップが出やすい。

冒頭で書いた「生成AIツール以外のAIツールほど使われていない」という実感は、この違いから来ているのではないかと考えている。

法人向けか、個人向けか

法人向けでは、Copilotの実験で見たように、同じ機能でも会社によって使われ方が9%から75%まで開いていた。導入する側が、誰の、どの業務で使うのかを決め、推進できるかで結果が変わる。

だから、法人向けのAI機能は、売って終わりではなく、導入した組織の中で使われる状態まで伴走する価値がある。Marketing-OSでも、専任のCSをつけている。

個人向けでは、RevenueCatのデータが示したように、目新しさで選ばれる時期が終わると、続く理由のないアプリから離れていく。毎日の生活のどこに入るかを、はっきりさせておきたい。

使う頻度の低い業務

月に一度の業務や、年に数回の業務で使うAI機能は、習慣になりにくい。毎日の画面に置いても、その日が来なければ使われない。

こうした場合は、業務のタイミングに合わせて、AIの側から「今月の振り返りの準備ができています」と知らせる形が合っていると考えている。ただし、割り込みにならないように、知らせる回数と場所は絞りたい。

AI機能を巡る、よくある4つの反論

反論1｜「モデルが良くなれば、自然に解決する」

性能が上がれば、間違いは減る。だが、マイクロソフト・リサーチの研究が示したように、精度を上げた更新でも、利用者がつかんでいた感覚を裏切れば、信頼は崩れうる。

しかも、期待のずれと、呼び出す手間は、性能では消えない。モデルが変わっても、期待の置き方、置き場所、毎日の運用は、自社で設計するしかない。

反論2｜「まずは話題づくりで十分だ」

AI機能のリリースは、話題になりやすい。集客の入口としては役に立つ。

だが、RevenueCatのデータが示したとおり、最初に選ばれることと、使い続けられることは別だ。話題づくりで終わらせるなら、それは機能ではなく、広告として予算を考えたほうがいい。

反論3｜「使われないのは、利用者のリテラシーの問題だ」

同じCopilotでも、会社によって使われ方が9%から75%まで開いていた。利用者一人ひとりのリテラシーだけでは、この差は説明しにくい。

導入する側の進め方と、プロダクトの側の設計で、使われ方は大きく変わる。リテラシーのせいにした時点で、打てる手がなくなる。

反論4｜「『AI搭載』と打ち出さないと、売れない」

AIであることを伝えるのは、悪いことではない。だが、ワシントン州立大学などの研究では、「人工知能」と書くだけで、購入の意向が下がっていた。

伝えるなら、「AIであること」ではなく、「どの仕事が、どう変わるか」を前に出したい。そのほうが、売るときにも、使い続けてもらうときにも効く。

立場によって、AI機能で変えられることが違う

経営者

AI機能の成果を、「使った人数」から「戻ってきたか」に置き直す。AI機能を、出して終わりの投資ではなく、毎日の運用に人を割く事業として扱う。

プロダクト責任者

入口と置き場所を設計する。毎日の画面にいて、困ったら呼べる形にする。出力を毎日見る役割と、直す権限を決めておく。

マーケティング

「AI搭載」ではなく、変わる仕事で伝える。デモの最高の例で期待を上げすぎない。

営業・CS

初回に、二度目に使う用事を顧客と決める。チャットに届く声と満足度を、プロダクトの改善に戻す。

AI機能を見直すための点検シート

全部に一度に手をつける必要はない。最初に見るなら、一度使った顧客のうち、二度目に戻ってきた人の割合だと思う。

驚きは、入口にすぎない

AIは、人を驚かせるのが得意だ。デモでは、それがいちばんの武器になる。

だが、驚きは長く続かない。二度目に顧客を連れ戻すのは、驚きではなく、自分の仕事が楽になったという実感だ。その実感は、期待の置き方、信頼が崩れない作り、毎日の画面の中の置き場所、そして毎日の運用から生まれる。

AI機能は、驚かせるために作るものではない。戻ってくる理由をつくるために設計し、運用するものだ。

この問いに、顧客の言葉で答えられるか。

答えられるなら、その用事に向けて、置き場所と運用を設計できる。答えられないなら、まず二度目に戻ってきた顧客に、何のために使ったのかを聞くところから始めたい。

「戻ってくるAI機能」から、一緒に設計する

「AI機能をリリースしたが、最初しか使われない」「AIの出力の質を、どう管理すればいいか分からない」「『AI搭載』と打ち出したのに、期待とのギャップで顧客が離れていく」——そんなご相談を受けています。驚かせるAIではなく、顧客が戻ってくるAIへ。その設計を、意思決定の編集者として、経営者と並んで進めています。顧問・アドバイザリーとして請けているほか、noteとあわせて、毎週配信中のニュースレター（theLetter）では、こうした思考を継続的に届けています。

ニュースレターのご案内

経営やマーケティングの現場で見てきた「マーケティング」「ブランディング」「新規事業」「事業グロース」等の話を、構造化して書いていきます。

事業成長ノウハウとブランディング・マーケ・PRの事例や、世の中の最新トレンドもお届けしています。

「Business Growth Letter」

お知らせ

📝Business Growth Club

SNSに出せない経営・マーケティング・ブランディング・事業グロースの裏側、業界の構造、顧問・アドバイザリーとして見てきたリアル——を、毎週書いています。Business Growth Club に入れば、過去記事含めすべて読み放題です。メンバー限定のSlackにも参加可能です。

→ Business Growth Club に参加する

🏢 個別の壁打ちを求める経営者の方へ

法人向けに、個別の壁打ちや経営支援が必要な方はこちらプランへ。「ブランディング・マーケティングの判断・実行プロセスの改善」も含めて、現場で一緒に考えます。月1回のオンライン壁打ちの他、専用のSlackチャネルで随時チャットで日常相談も可能です。（有料の過去記事も読み放題→社内共有も可能）。

→ 法人向けグロース顧問支援プラン

📚 著書『設計と編集シリーズ』

──設計と編集シリーズ（全5作）。生成AI時代のマーケティングと、事業グロースの設計について書いた書籍シリーズです。

・PDF版無料配布中
・Kindle版99円で販売中
・POD（ペーパーブック）版1,980円で販売中

🚀 Marketing-OS

書籍『設計と編集』シリーズ連動の、マーケティングの意思決定を構造化するAI CMO搭載SaaS（BPOプランもあり）。

サイト・CRM・SFA・広告・SNSのデータを横断して観測・分析し、KPIや施策の矛盾を診断、判断を蓄積する。AI CMOを搭載した、マーケティング組織を強化するためのOSです。

その他、相談・依頼はこちら

まずは気軽に、HPやオフィシャルウェブサイトをご覧いただき ご連絡ください。各種SNSのフォローやDMも大歓迎です。

Start-X ,Inc.（HP）

山口偉大（Takehiro Yamaguchi）：オフィシャルウェブサイト