【2026年最新】AIで顧客の声(VOC)を分析｜アンケート・口コミ活用5プロンプト

「このアンケートの自由記述、誰が読むんだろう…？」

先日、ある小売チェーンの店舗運営担当者と話していて、こんな相談を受けました。毎月のアンケートで自由記述が400件くらい集まるのに、忙しくて誰も全部は読めていない。集計するのは選択式の設問だけ。一番ナマの声が詰まっている自由記述の欄は、スプレッドシートの右端で眠ったまま、四半期に一度ざっと眺めて終わり、というのです。

事例区分：想定シナリオ
以下は、100社以上のAI研修・導入支援で繰り返し見てきた典型的な状況をもとに構成したシナリオです。特定の企業の実データではありません。

これ、正直どこの会社でもあるあるなんです。Googleの口コミ、ECのレビュー、問い合わせメール、解約理由のフリーコメント。テキストの「顧客の声」は社内に山ほど溜まっているのに、人手で全部読んで分類するのは現実的じゃない。だから「なんとなく悪くなさそう」「クレームっぽいのが何件かあった」くらいのフワッとした把握で止まってしまう。せっかくお客さんが時間を使って書いてくれた声が、改善アクションにつながらないまま捨てられているわけです。

でも2026年の今、ここはAIが一番得意とする領域になりました。自由記述のテキストを渡せば、テーマごとの分類、ポジティブ/ネガティブの判定、改善要望の優先順位づけ、経営会議に出せる要約レポートまで、専門の分析ツールを契約しなくても手元のChatGPTやClaude、Geminiでできてしまう。これ、ほんの2〜3年前までは「テキストマイニングの専用ソフトを導入して、分析の専門家が辞書を作り込んで…」という、それなりにお金と人手のかかる世界でした。それが今は、自由記述をコピペして「テーマ別に分類して」とお願いするだけ。中小企業でも、専任の分析担当がいなくても回せる時代になったんです。

そもそも「VOC(Voice of Customer＝顧客の声)」というのは、アンケートの自由記述だけを指す言葉ではありません。Googleや食べログの口コミ、ECサイトのレビュー、問い合わせメールやチャット、SNSでの言及、解約時のフリーコメント、営業やCSが現場で聞いたナマの一言まで、お客さんが残してくれたあらゆる「言葉」が対象です。これらに共通するのは、選択式の設問では拾えない「なぜそう感じたのか」の理由が詰まっていること。数字（NPSや満足度スコア）が「何が起きたか」を教えてくれるなら、自由記述のVOCは「なぜ起きたか」を教えてくれる。改善のヒントは、たいていこの「なぜ」の側に埋まっています。

この記事では、私が研修やコンサルの現場で実際に使ってきた「顧客の声(VOC)分析」の進め方を、コピペできる5つのプロンプトつきで全部公開します。5分で試せるものから順に紹介するので、ぜひ今日のアンケートデータで試してみてください。専門知識はいりません。必要なのは、テキストデータと、AIに正しく指示するための「型」だけです。

まず試したい「5分即効」テクニック3選

理屈は後回しにして、まずは手を動かして「AIってこんなに分類できるのか」を体感してほしいです。手元にアンケートの自由記述や口コミが20〜50件あれば、コピペするだけで効果がわかります。

即効テクニック1：自由記述をテーマ別にざっくり分類する

最初にやるべきは「分類」です。バラバラのコメントを、まずテーマ（カテゴリ）に振り分ける。ここができると、後の作業が全部ラクになります。

あるサービス業の顧問先で、たまった口コミ50件をこのプロンプトに放り込んでもらったら、「接客」「価格」「待ち時間」「商品の品質」「店舗の清潔さ」の5テーマに勝手に整理してくれて、担当者が「これ手作業で半日かかってたやつだ…」と驚いていました。

あなたは顧客の声(VOC)分析の専門家です。
以下は当社サービスへの顧客アンケートの自由記述です。

# やってほしいこと
1. まず、コメント全体を読んで、自然に立ち上がってくるテーマ（カテゴリ）を5〜8個に整理してください。カテゴリは私が指定せず、データから抽出してください。
2. 各コメントを、最も近いカテゴリ1つに分類してください。どれにも当てはまらないものは「その他」にまとめてください。
3. カテゴリごとの件数と、全体に占める割合（%）を表で示してください。
4. 各カテゴリの代表的なコメントを1〜2件、原文のまま引用してください。

# 注意
- 件数と割合は私が後で実データと突き合わせて検算します。数を勝手に丸めたり、推測で水増ししないでください。
- 判断に迷ったコメントは「判断保留」として別枠に出してください。

# アンケートデータ
（ここに自由記述をコピペ。氏名・電話番号・メールアドレスなど個人を特定できる情報は事前にマスキングしてください）

効果：想定シナリオでは、口コミ50件の分類が手作業で半日かかっていたところを、AI実行＋人の確認で30分程度に短縮できました（※件数・割合は必ず実データで検算してください）。

即効テクニック2：ポジティブ/ネガティブの感情分析をする

分類ができたら、次は「で、結局このお客さんは満足してるの？怒ってるの？」を判定します。これが感情分析です。一件ずつ「ポジ・ネガ・中立」を付けてもらうだけで、ネガティブが多いテーマがどこか一目でわかります。

以下の顧客コメントを1件ずつ感情分析してください。

# 出力形式（表）
| No | コメント要約(20字以内) | 感情(ポジ/ネガ/中立) | 確信度(高/中/低) | ネガの場合の主な不満点 |

# ルール
- 感情は「ポジティブ」「ネガティブ」「中立」の3分類。皮肉や遠回しな不満も読み取ってください。
- 判断が微妙なものは確信度を「低」にして、なぜ迷ったかを一言添えてください。
- 最後に、ポジ/ネガ/中立それぞれの件数と割合を集計してください。
- 割合の数字は私が実データで検算します。件数の合計が入力件数と一致しているか必ず確認してから出力してください。

# コメントデータ
（個人情報をマスキングした自由記述をここに貼る）

効果：感情の偏りがテーマ別に見えると、「価格には満足だが待ち時間に不満が集中している」といった構造が一発で掴めます。確信度「低」のコメントだけ人が目視確認すれば、検証コストも最小で済みます。

ちょっとしたコツですが、感情分析は「3分類（ポジ・ネガ・中立）」から始めるのがおすすめです。いきなり「喜び・怒り・不安・期待…」のように細かく分けようとすると、AIの判定もブレるし人間の確認も大変になります。まずは3分類で全体像を掴み、ネガティブが多いテーマだけ「具体的にどんな不満か」を掘り下げる。この二段構えにすると、精度と効率のバランスが取れます。テクニック1の分類結果とこのテクニック2の感情分析をクロスさせて「テーマ×感情のマトリクス」を作ると、どこに手を打つべきかが面で見えてきます。

即効テクニック3：今すぐ直すべき改善点トップ3を出す

分類・感情分析まで来たら、「じゃあ何から手をつける？」を出してもらいます。ここがVOC分析の一番おいしいところ。声を聞いて終わりにせず、アクションにつなげる一歩目です。

以下は顧客アンケートの自由記述（ネガティブ・改善要望中心）です。
当社が今すぐ着手すべき改善点を、優先度の高い順にトップ3でまとめてください。

# 各改善点について以下を整理
1. 改善テーマ（短く）
2. 該当コメント件数
3. 想定される影響（売上・解約・満足度のどれに効くか）
4. 着手のしやすさ（すぐ/中期/大がかり）
5. 根拠となる顧客コメントの引用（2件まで・原文）

# 注意
- 件数は実データに基づいてカウントし、推測で増やさないでください。
- 「声が大きい少数意見」と「件数の多い多数意見」を区別し、件数を必ず明示してください。

# データ
（マスキング済みの自由記述をここに貼る）

効果：「件数」と「影響」と「着手のしやすさ」が並ぶので、会議で「まずどれをやるか」の合意が一瞬で取れます。声の大きさではなく件数ベースで議論できるのが大きいです。

なお、AIエージェントを業務に取り入れる全体像や導入ステップについては、AI導入戦略の完全ガイドで体系的にまとめています。VOC分析はその中でも「すぐ成果が見える」入り口として最適なので、ここから始めるのをおすすめします。

VOC活用は「集める→分類→示唆→改善」の4ステップで考える

個別のプロンプトを使う前に、全体像を頭に入れておくと迷いません。顧客の声の活用は、次の4ステップのループで回します。AIはこの全ステップを手伝ってくれますが、それぞれ役割が違います。

ここで一番大事なのは、AIは「分類」と「示唆出し」までは爆速でやってくれるけど、「改善するかどうかの意思決定」と「件数が本当に合っているかの検算」は人間の仕事だということです。ここを混同して「AIが言ってるから」で動くと、後で説明する失敗パターンにハマります。逆に役割分担さえ守れば、これまで四半期に一度しか見ていなかった顧客の声を、毎月・毎週のサイクルで回せるようになります。

もう一つ補足しておくと、この4ステップは「一回やって終わり」ではなく「ループ」だという点が肝心です。改善を実行したら、次のアンケートや口コミで「その改善が効いたか」をまた集めて分析する。たとえば「待ち時間に不満が集中している」と分かって受付フローを変えたなら、翌月のVOCで待ち時間への言及が減ったかを確認する。この定点観測ができると、顧客の声が「クレーム処理」から「経営の羅針盤」に変わります。AIを使うとこのループを高速で回せるので、これまで年4回だった改善サイクルが月1回、慣れてくれば週1回も現実的になります。サイクルの回転数こそが、VOC分析の競争力なんです。

ちなみに「集める」ステップでデータがバラバラの形式（CSV、メール本文、口コミのコピペなど）で散らばっている場合も、AIに整形を任せられます。「以下の複数形式のテキストを、1行1コメントの統一フォーマットに整理して」と頼めば、後工程の分類がスムーズになります。最初のデータ整形でつまずいて挫折する人が多いので、ここもAIに丸投げしてしまうのがコツです。

部署・業務別の実践テクニック

ここからは、もう一段踏み込んだプロンプトを部署別に紹介します。即効テクニックと合わせて使うと、VOC分析がぐっと実務に効いてきます。

マーケティング部門：口コミから「強み」と「弱み」を抽出する

マーケの人がやりたいのは、「うちの何が刺さってて、何で離脱されてるのか」を言語化すること。これがわかると、広告コピーもLPの訴求も全部変わります。

事例区分：想定シナリオ
以下は研修現場でよく扱う典型例をもとにしたシナリオです。実在の企業データではありません。

あるEC事業者向けの研修で、Amazonと自社サイトのレビューを合わせて200件ほどこのプロンプトにかけてもらったことがあります。すると「梱包が丁寧」という強みが想定以上に多く語られていて、担当者が「そこ全然アピールしてなかった」と頭を抱えていました。逆に弱みは「届くのが遅い」に集中。声をちゃんと読むと、自分たちが思っている売りとお客さんが感じている価値はズレていることが本当によくあるんです。作り手は「品質の高さ」を売りだと思っているのに、お客さんは「対応の速さ」や「ちょっとした気遣い」を評価していた、というのは珍しくありません。このズレを埋めるだけで、同じ商品なのに広告のクリック率や問い合わせ率がガラッと変わることもあります。自分たちの思い込みではなく、お客さんが実際に口にした言葉から訴求を組み立てる。これがVOC分析をマーケに使う最大のメリットです。

以下は当社商品・サービスへの口コミ・レビューです。
顧客視点での「強み」と「弱み」を抽出してください。

# 出力
## 強み（顧客が評価しているポイント）
- ポイント名：言及件数◯件（全体の◯%）／代表的な引用1件
（多い順に5つ）

## 弱み（顧客が不満・改善を求めているポイント）
- ポイント名：言及件数◯件（全体の◯%）／代表的な引用1件
（多い順に5つ）

## マーケへの示唆
- 訴求に使えそうな強みTOP3（理由つき）
- 早急に手当てすべき弱みTOP3（理由つき）

# 注意
- 言及件数は実データを数えて出してください。割合は私が検算します。
- レビュー本文に含まれる氏名・購入者IDなどはマスキング済みです。残っていたら指摘してください。

# データ
（マスキング済みレビューを貼る）

活用例：抽出された強みTOP3を、そのままLPのファーストビューや広告の見出し候補に転用できます。実績：想定シナリオでは、レビュー200件の強み・弱み整理に半日かかっていたものが、AI実行＋人の検算で1時間程度まで短縮できました（件数は必ず実データで確認）。

カスタマーサポート部門：問い合わせを分類してFAQ・改善ネタを出す

CSの現場では、同じような問い合わせが手を変え品を変え何度も来ます。これを分類すると「FAQに足すべき項目」と「そもそも製品・オペレーションを直すべき項目」がきれいに分かれます。

以下は1ヶ月分の問い合わせ内容（要約）です。
カテゴリ分類した上で、対応策を整理してください。

# 出力
1. 問い合わせカテゴリ別の件数ランキング（表・割合つき）
2. 各カテゴリについて、対応策を以下の3タイプに振り分け
   - FAQ追加で解決できる（→FAQ文案も提案）
   - 製品・サービス自体の改善が必要
   - 運用・オペレーションの改善が必要
3. 「件数が多い × FAQで解決できる」上位3件は、すぐ使えるFAQ文案（質問と回答）を作成

# 注意
- 件数は実データに基づくこと。問い合わせ者の個人情報はマスキング済み。
- FAQ文案は当社が確認・編集する前提のドラフトとして出してください。断定的な約束（必ず・100%等）は避けてください。

# データ
（マスキング済みの問い合わせ要約を貼る）

活用例：CSの一次対応負荷を減らしつつ、現場の声を製品改善チームに定量データとして渡せます。「件数が多いのにFAQがない項目」は投資対効果が高いので、まずそこから着手するのが鉄則です。

このプロンプトのポイントは、問い合わせを「FAQで解決できる／製品改善が必要／運用改善が必要」の3タイプに振り分けさせるところです。同じ「使い方が分からない」という問い合わせでも、説明を足せば済む話なのか、そもそも画面が分かりにくいから直すべきなのか、で打ち手はまるで違います。CSは毎日問い合わせをさばいているうちに「これはうちでよくある質問」と肌感では分かっているのに、それが定量データとして経営や開発に伝わっていないことが本当に多い。AIで件数を可視化すると、「肌感」が「根拠ある提案」に変わって、社内での改善の通り方が段違いになります。研修先のCSリーダーが「これでやっと製品チームに数字で物が言える」と喜んでいたのが印象的でした。

経営企画・経営層：会議に出せるVOC要約レポートを作る

分類も感情分析も済んだ後、最後の難関が「で、これを経営会議でどう説明する？」です。生データを延々と見せられても経営層は困る。ここでAIに「経営目線の1ページ要約」を作らせます。

事例区分：想定シナリオ
以下は複数の支援先で共通して見られた状況をもとにしたシナリオです。特定企業の実データではありません。

ある中堅企業の経営企画の方が、毎月の役員会で顧客アンケートの報告に苦労していました。「自由記述を全部印刷して配ってた」というので、このプロンプトを渡したら、翌月から「A4一枚＋裏付けデータ」のスタイルに変わって、役員会での議論の質が上がったと言っていました。経営層が見たいのは生の声そのものじゃなくて「だから何をすべきか」なんですよね。

あなたは経営企画の担当者です。
以下のVOC分析結果（分類・感情分析・件数集計済み）をもとに、
経営会議用の要約レポートを作成してください。

# レポート構成
1. エグゼクティブサマリー（3行以内・最重要メッセージ）
2. 今月の顧客の声の全体像（ポジ/ネガ比率、主要テーマ件数）
3. 注目すべき変化（前月比で増えた不満・評価があれば）
4. 推奨アクション3つ（優先度・想定インパクト・必要リソース）
5. 補足：判断の根拠となった主要コメント（各2件まで・原文）

# トーン・注意
- 専門用語を避け、役員が3分で読める平易な日本語で。
- 数字（件数・割合）は入力データに基づき、推測で作らないこと。私が実データと突き合わせて検算します。
- 不確実な点は「要追加調査」と正直に書いてください。

# 入力データ
（即効テクニック1〜3で得た分類・感情分析・件数集計の結果を貼る）

活用例：毎月の役員会・経営会議の資料作成が大幅に効率化されます。前月のレポートを一緒に渡せば「前月比の変化」まで拾ってくれるので、定点観測の仕組みになります。実績：想定シナリオでは、報告資料の作成が数時間→30分程度に短縮できました（数字は実データで検算が前提）。

【要注意】よくある失敗パターンと回避策

ここからが本題かもしれません。VOC分析でAIを使うとき、現場で実際によく見る「やらかし」を4つ紹介します。これを避けるだけで成果がまるで変わります。

失敗1：個人情報を生のままAIに入力してしまう

❌ アンケートの回答を、氏名・電話番号・メールアドレス・購入者IDが入ったままコピペしてAIに投げる。
⭕ AIに渡す前に、個人を特定できる情報をマスキング（伏せ字化・置換）してから入力する。

なぜ重要か：顧客の個人情報を外部サービスに不用意に入力するのは、情報管理の観点で大きなリスクです。特に無料プランや個人アカウントの生成AIは、入力内容が学習に使われる設定になっている場合があります。VOCデータには「〇〇様、先日はありがとうございました」のように氏名が紛れ込みやすいので要注意。

研修先で、悪気なくアンケートの生CSVをそのまま貼ろうとした担当者を何度か止めたことがあります。マスキングは、スプレッドシートの置換機能や、社内利用が許可された法人向けAI環境（入力が学習に使われない設定のもの）を使うことで安全に運用できます。まずは「個人情報の列を削除してからAIに渡す」だけでも徹底してください。氏名や連絡先の列をまるごと消し、自由記述の本文だけをAIに渡す。これが一番シンプルで確実です。本文の中に「田中ですが」のように名前が紛れ込むケースもあるので、AIへの指示に「個人を特定できる情報が残っていたら、分析の前に指摘してください」と一文入れておくと二重チェックになります。会社として法人向けの生成AIを契約しているなら、入力データが学習に使われない設定になっているかも一度確認しておきましょう。ここはコストではなく信頼の問題なので、最初にきっちり固めておくと後がラクです。

失敗2：AIの分類・感情判定を検証せずに鵜呑みにする

❌ AIが出した「ネガティブ40%」という数字を、確認せずそのまま経営会議の資料に載せる。
⭕ 件数の合計が入力件数と一致しているか検算し、感情判定の「確信度が低い」ものは人が目視で確認する。

なぜ重要か：AIは皮肉や遠回しな表現を取り違えることがあります。「まあ普通でしたね」を中立と取るかネガと取るかで割合は変わる。また、入力件数50件に対してAIが「合計52件」と集計する（数を取りこぼす・重複する）ことも起こります。だからプロンプトには必ず「件数の合計が入力件数と一致するか確認して」と入れ、出力された数字は人が実データで検算するんです。

実際に研修で、AIの集計件数と元データの件数が合わず、原因を追ったら同じコメントを2行に分けて二重カウントしていた、というケースがありました。数字は事業判断の土台になるので、ここの検証は省略禁止です。

失敗3：声の大きい少数意見に引っ張られる

❌ 1件だけ来た猛烈なクレームに反応して、全社で大慌てで対応方針を変える。
⭕ 必ず「件数」と「全体に占める割合」をセットで見て、多数意見と少数意見を区別する。

なぜ重要か：感情的に強いコメントほど印象に残るので、人間は無意識に「声の大きさ」を「件数の多さ」と勘違いします。これがVOC分析で一番怖い罠です。1件の激しいクレームと、50件の地味な「ちょっと不便」では、後者の方が事業インパクトは大きいことが多い。だから今回のプロンプトは全部「件数を明示して」と指示しているんです。

もちろん、少数でも放置すると炎上やコンプラ問題につながる声（安全性・差別・法令違反の指摘など）は別枠で最優先に扱うべきです。「件数で優先順位をつける」と「リスクの種類で例外扱いする」を両立させるのがコツです。具体的には、改善点トップ3を出すプロンプトに「ただし、安全性・法令・人権に関わる指摘は件数に関わらず別枠で最優先に挙げてください」と一文を足しておくと、AIが重大リスクを件数の陰に埋もれさせずに拾ってくれます。

失敗4：分析して満足し、改善アクションにつなげない

❌ きれいな分析レポートができた時点で「分析できた！」と満足し、そこで終わる。
⭕ レポートの最後に必ず「誰が・いつまでに・何をするか」のアクションを1つ以上決めて、次サイクルで効果を測る。

なぜ重要か：これが一番もったいない失敗です。VOC分析の目的は分析そのものではなく、顧客体験の改善です。レポートが美しくても、改善が一つも実行されなければ、顧客の声を聞いた意味がない。むしろ「分析だけして動かない」を続けると、現場が「どうせ言っても変わらない」と感じてアンケートの回答率まで下がります。

顧問先には「1サイクルにつき、必ず1つは実際に直す」をルールにしてもらっています。小さくていいから改善して、次のアンケートで数字が動いたか確認する。この「集める→分類→示唆→改善」のループを回し続けることが、AIを使ったVOC分析の本当の価値です。

もう一つ、現場で効いたのが「改善したことをお客さんに伝える」という一手間です。たとえば「お待たせ時間が長いというご意見を多くいただいたので、受付の動線を変えました」と店頭やメルマガで一言伝えるだけで、「ちゃんと声を聞いてくれる会社だ」という信頼につながり、次のアンケート回答率も上がります。声を集めて、直して、直したことを返す。この往復ができると、VOC分析は単なる社内の効率化ツールから、顧客との関係づくりの仕組みに進化します。AIはこの「返す」ための文面づくりも手伝ってくれるので、ぜひセットで考えてみてください。

導入企業での成果（想定シナリオ）

事例区分：想定シナリオ
以下は、複数の支援先で見られた典型的な変化をもとに構成した想定例です。特定企業の実測値ではなく、AI活用による作業効率の一般的なイメージとして読んでください。

測定対象：月400件の自由記述アンケートを抱える小売・サービス業の運営担当チーム（想定）
測定方法：従来の手作業による分類・集計時間と、AI（生成AI＋人による検算）を使った場合の作業時間の比較
結果のイメージ：自由記述の分類・感情分析・要約レポート化までの一連の作業が、従来「四半期に一度・丸2日がかり」だったものを、「毎月・半日程度」で回せるようになる。頻度が上がることで、改善の反映スピードも四半期単位から月単位へ。

ここで強調したいのは、効果はAIプロンプト単体で出るわけではないということです。「個人情報マスキングの運用ルール」「件数の検算プロセス」「改善を1つは実行するルール」という人間側の仕組みとセットで初めて成果につながります。プロンプトはあくまで道具で、効果を出すのは運用設計の方です。

セキュリティと運用ルール

中小企業がVOC分析をAIで回すとき、最低限おさえておきたい運用ルールを整理します。難しく考えなくて大丈夫、ポイントは3つです。

• 個人情報は必ずマスキングしてから入力する：氏名・連絡先・購入者IDなどは、スプレッドシートで削除・置換してからAIに渡す。可能なら、入力が学習に使われない設定の法人向けAI環境を使う。
• 出力は必ず人が検算・確認する：件数の合計、感情判定の確信度が低いもの、断定的な表現は人がチェック。AIの出力は「下書き」として扱い、そのまま外部に出さない。
• 社内の利用ルールを1枚にまとめる：「どのデータをどのAIに入れてよいか」「マスキング手順」「誰が最終確認するか」を1ページにして共有する。これがないと、現場が我流でリスクのある使い方をしがちです。

逆に言えば、この3つさえ守れば、特別な分析ツールやシステム投資なしで、安全にVOC分析を社内に定着させられます。最初は1部署・1データソースから小さく始めるのがおすすめです。

まとめ：今日から始める3つのアクション

顧客の声(VOC)分析は、もう「専任の分析チームがある大企業だけのもの」ではありません。手元のアンケートと口コミ、それにAIがあれば、今日から始められます。最後に、明日からの動き方を3ステップにまとめます。

1. 今日やること：手元のアンケート自由記述や口コミを20〜50件用意し、個人情報をマスキングしたうえで「即効テクニック1（テーマ別分類）」のプロンプトを試す。まずAIがどれだけ分類できるかを体感する。
2. 今週中：分類した結果に「即効テクニック2（感情分析）」と「テクニック3（改善点トップ3）」を重ねて、上位の改善テーマを1つ選ぶ。そのテーマについてチーム内で「何を直すか」を1つ決める。
3. 今月中：マスキング手順・件数の検算・改善の実行までを「集める→分類→示唆→改善」のループとして1枚の運用ルールにまとめ、毎月回せる仕組みにする。経営会議用の要約レポートも定例化する。

大事なのは、完璧な分析を目指すより、小さく回し始めることです。最初の1サイクルで1つでも改善できれば、顧客の声は確実に事業の力になります。多くの会社が「分析の体制が整ってから」「ツールを導入してから」と構えているうちに、せっかくの顧客の声が古くなって価値を失っていきます。VOCは生鮮食品と同じで鮮度が命。3ヶ月前の不満より、今週届いた声の方が圧倒的に役に立ちます。だからこそ、手元のデータとAIで「今すぐ・小さく」始めるのが正解なんです。

今回紹介した5つのプロンプト（テーマ別分類、感情分析、改善点トップ3、強み・弱み抽出、経営会議用要約）は、どれも単体で使えますが、つなげて使うと威力が跳ね上がります。分類した結果に感情分析を重ね、そこから改善点を出し、最後に経営向けに要約する。この流れをそのまま1つのワークフローにして、毎月決まったタイミングで回す。仕組みにしてしまえば、担当者が変わっても続けられます。AI活用で成果を出す会社とそうでない会社の差は、結局「単発で使うか、仕組みにするか」だけだったりします。

あわせて読みたい

• 中小企業のAIデータ分析完全ガイド — 売上・在庫・顧客データをAIで分析する実践手順
• AIで価格戦略を立てる方法 — 顧客の声を価格決定に活かす考え方

参考・出典

• 情報通信業基本調査・関連統計 — 経済産業省（参照日: 2026-05-24）
• 情報通信白書 — 総務省（参照日: 2026-05-24）
• 情報セキュリティ関連ガイド（個人情報の取り扱い） — 独立行政法人 情報処理推進機構（IPA）（参照日: 2026-05-24）

著者：佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。

ご質問・ご相談はお問い合わせフォームからお気軽にどうぞ。

次回予告：次の記事では「AIで競合のレビューを分析して、自社のポジショニングを見つける方法」をテーマに、さらに実践的なテクニックをお届けします。