「ベビーカー 軽量 おすすめ」。これがGoogle時代の顧客の声でした。
同じ人がChatGPTに入力するとこうなります。「ベビーカーを探しています。軽くてコンパクトに畳めて、1歳半の子が寝ても大丈夫なリクライニングと日よけがあって、都心の歩道と少し荒れた道も走れるもの。予算はミドル〜やや上。候補の3機種を比較して、どれが一番合うか、トレードオフも教えて」。
前者からわかるのは「軽さを気にしている」ことだけ。後者には、子どもの年齢、生活環境、重視する機能の優先順位、予算感、すでに比較中の候補、そして「自分では決めきれていない」という迷いまで、すべてが入っています。これは検索ログというより、1対1のインタビューの発話記録に近い。
AI検索のプロンプトがなぜ「パネルインタビューに匹敵する」一次情報になり得るのか、プロンプトを推定・分析して商品戦略に活かすツールや仕組みがどこまで来ているのか、そしてこれから何が起こるのかを整理します。
なぜプロンプトは「本音」なのか。キーワードやアンケートと決定的に違う3点
1. 文脈と制約条件が丸ごと入っている
キーワード検索は、頭の中にある要求を2〜3語に「圧縮」した結果です。AIへのプロンプトは圧縮しません。誰のために、どんな状況で、何を妥協できて何を妥協できないのか、予算はいくらか。従来のリサーチなら深掘り質問を重ねて引き出していた情報が、最初の一文に自発的に書かれています。
実際、OpenAIが2025年11月に公開したChatGPTの「ショッピングリサーチ」機能は、ユーザーの曖昧な要求に対して予算・用途・誰のためかといった確認質問を返し、対話で条件を詰めてから比較ガイドを生成する設計になっています。つまりAI側が「インタビュアー」として振る舞い、条件を引き出す構造が製品として組み込まれている。この対話ログは、まさに構造化された購買前インタビューです。
2. 「見られている」意識がない
グループインタビューやアンケートには、調査者の期待に応えようとする回答バイアス、他の参加者の目、建前が必ず混じります。AIに向かって打つプロンプトにはそれがありません。「安物に見えないやつがいい」「義母に文句を言われない」「正直、手入れが面倒なのは無理」といった、調査会場では出てこない言葉が普通に打ち込まれます。
3. 意思決定のプロセスが時系列で残る
1回の質問ではなく、「候補を出して→この2つに絞って→こっちの欠点は？→やっぱり予算を上げてもいい」というやり取りが一本の会話として残ります。どの情報で心が動き、どの条件が最後まで残ったのか。購買の「決め手」と「離脱理由」が、事後の記憶に頼らずリアルタイムで記録されている。これは従来の定性調査がもっとも苦手としてきた領域です。
海外のEC事業者データを分析した研究では、ChatGPT経由の訪問者はオーガニック検索経由より高い率でコンバージョンしており、その理由を「対話の中で条件を詰めてからサイトに来るため、来訪時点で購買判断に近い」と説明しています。裏返せば、プロンプトには「サイトに来る前に何が決まっていたのか」がすべて書かれているということです。
規模感：すでに「最大の消費者調査母集団」になっている
- ChatGPTは2025年7月時点で1日あたり25億件のプロンプトを処理し、2026年初頭には週間アクティブユーザーが9億人規模に達したとされます
- AI可視化ツールProfoundが2025年半ばに実際の会話を分類したところ、商業目的（商品・サービスの検討）が約9.5%、取引目的（購入直前）が約6.1%。合計で全プロンプトの15%前後が購買に関わる内容でした
- Similarwebの2026年調査では、米国消費者の35%が商品の「発見」段階でAIツールを使っており、従来型検索の13.6%を大きく上回っています
購買関連が15%というと少なく見えますが、母数が1日25億件です。単純計算で毎日3億件を超える「購買前インタビュー」が、世界のどこかで自発的に行われている。しかもそれは、これまで調査会社が数十人を集めて数百万円かけて聞き出してきた内容と同質の情報です。
前提：プラットフォームはプロンプトを開示しない。だから「推定」産業が生まれた
ここで大きな壁があります。OpenAIはショッピングリサーチについて「ユーザーのチャットは小売事業者と共有しない」と明言しており、Google・Anthropicも同様にプロンプトログを外部提供していません。Google Search Consoleが検索クエリを見せてくれるような公式ダッシュボードは、AI検索には存在しないのです。
結果として、2025年以降に急速に立ち上がったのが、プロンプトを「推定」する第三者ツールの市場です。前回の記事（AIO・AEO対策）で触れた「AIに自社が引用されているか」を測るツール群が、その一段手前の「そもそも人は何をAIに聞いているのか」を推定する方向に拡張してきた、というのが現在地です。
現在地：プロンプト推定の3つの方式と主なツール
推定の手法は、大きく3つに分かれます。どの方式かで、データの意味も限界も変わります。
| 方式 | 仕組み | 強み | 弱み |
|---|---|---|---|
| ① 消費者パネル | 同意を得たユーザーのAI会話ログを収集し、統計的に母集団へ拡大推計 | 「実際の発話」が見える。意図・感情・比較対象を含む | 母集団のごく一部（母数の0.1%未満とされる）。日本語カバレッジが薄い |
| ② 検索データからのモデリング | Google側のキーワード・PAA（他の人はこちらも質問）・クリックストリームからAI上の質問を推定 | 既存SEOツールと同じ画面で使える。カバレッジが広い | 「モデルの上にモデルを重ねた」推定。AI特有の長文・文脈は再現できない |
| ③ 自社の一次データ | 自社サイトのAIチャット、サポートログ、GSCの長文クエリ、自社でAIに投げた結果 | 自社の顧客そのもの。無料〜低コスト | 自社を知っている人に偏る。市場全体は見えない |
主要ツールを方式ごとに整理すると、次のようになります（2026年8月時点）。
| ツール | 方式 | 特徴 |
|---|---|---|
| Profound「Prompt Volumes」 | ①パネル | ダブルオプトインの消費者パネルからChatGPT・Gemini・Claude・Perplexityの会話を収集。週次更新、米・英・加・独・仏などをカバー。トピック単位の推定月間プロンプト数、意図・感情の分析 |
| Evertune「Prompt Volumes」 | ①パネル | ブランド・商品・カテゴリごとの推定月間プロンプト数、モデル別シェア、関連トピック。「プロンプトの8割以上はユニーク」という前提でキーワードでなくトピックを追跡 |
| Similarweb「AI Search Intelligence」 | ①パネル（自社保有の行動パネル） | 実ユーザーの会話データをもとに、AI上での言及と、その後のサイト流入・市場シェアの変化まで接続して見せる |
| Semrush「AI Visibility Toolkit」 | ②モデリング＋一部実データ | 2億8,900万件超のプロンプトデータベースを持つ「Prompt Research」機能。既存のSEOワークフローに組み込みやすい。2026年6月には米国1億2,600万件のプロンプトを分析した「AI Visibility Index」を公開 |
| Ahrefs「Brand Radar」／Peec AI／Otterly など | ②または①の組み合わせ | AI回答での引用率・シェアオブボイスの計測が主軸。プロンプト推定は付随機能 |
注目すべきは、パネル型のProfoundやEvertuneが「Google検索のパターンとAI上の質問パターンはほとんど相関しない」と明言している点です。AIに人が投げる言葉には「調べて」「探して」「手伝って」といった行動語が多く、Googleのキーワードデータからは再現できない。②の方式は導入しやすい反面、この本質的な差を埋められないという構造的な限界を持っています。
ツールの限界：現時点で正直に押さえるべき4点
1. 絶対値は信用せず、順位と傾向を使う どのベンダーもプロンプトログそのものは持っておらず、すべて推計値です。パネルが見ているのは母数の0.1%未満とされます。「このテーマは月間200万件」という数字を予算根拠にするのではなく、「AテーマはBテーマの3倍聞かれている」「この半年で伸びている」という相対比較で使うのが実務的です。
2. 日本語データが圧倒的に薄い パネルの多くは米・英・欧州中心で、日本語プロンプトのカバレッジは限定的です。日本市場向けの商品戦略に使う場合、現状は「英語圏での傾向を参考にする」か、後述する自社一次データとの組み合わせが前提になります。逆に言えば、日本語パネルはまだ空白地帯です。
3. 8割以上がユニーク。キーワード単位の発想を捨てる Evertuneが指摘するとおり、プロンプトの大半は一度しか出現しない文です。「軽量 ベビーカー」という単位ではなく、「都市部・1歳児・段差対応・ミドル価格帯」という条件の組み合わせ（トピック）で捉える必要があります。分析の単位そのものが変わる、という理解が重要です。
4. ツールの主戦場はまだ「マーケティング可視化」。商品戦略への転用は未開拓 現在のツールは、GEO／AIO文脈で「AIの回答に自社が出ているか」を測るために設計されています。プロンプトデータを商品企画や事業開発のインプットとして使う用途は、機能としてもコンサルティングとしても、まだほとんど体系化されていません。ここが、この記事の本題です。
商品戦略にどう活かすか：プロンプトから読み取れる6つのインサイト
プロンプトデータを「AIに引用されるためのコンテンツ設計」だけに使うのはもったいない。パネルインタビューと同じ扱いをするなら、少なくとも次の6つの問いに答えられます。
| 問い | プロンプトから読み取れること | 商品・事業への反映例 |
|---|---|---|
| ① 未充足ニーズはどこか | 同時に出てくる制約条件の組み合わせ（「軽い×頑丈×安い」など、既存品が満たせていない三すくみ） | 新商品のコンセプト、既存品のスペック見直し |
| ② 想定外の使われ方は何か | 「〜に使いたい」「〜の代わりに」という用途・シーンの記述 | 新しいターゲット、訴求軸の追加、パッケージ・容量の変更 |
| ③ 顧客は何で比較しているか | 「AとBの違いは」「〜の点で比べて」という比較軸の頻度 | 商品ページの比較表の項目、営業トークの順番、スペック表記 |
| ④ どんな言葉で欲しがっているか | 顧客自身の語彙（業界用語ではない、生活者の言い回し） | 商品名、コピー、商品データの説明文（AIにもそのまま伝わる） |
| ⑤ 価格の受容感はどこか | 「予算は〜」「〜円までなら」という予算の申告と、その後の妥協のしかた | 価格帯の設計、上位モデル・エントリーモデルの分岐 |
| ⑥ 競合はどう認識されているか | 「〜より」「〜は候補から外した」という共起ブランドと除外理由 | ポジショニング、比較訴求、リプレイス提案 |
たとえば冒頭のベビーカーの例なら、「1歳半」「都心の歩道と荒れた道」「ミドル〜やや上」という3条件が同時に語られる頻度が高ければ、それは「都市部の1歳児向け、段差に強いミドルハイ帯」という商品セグメントが顕在化しつつあるサインです。従来なら数十人の定性調査と数千人の定量調査を重ねて仮説検証していたことが、条件の共起分析から先に見えてくる。
Profoundの2026年3月の分析では、ブランド名を含むプロンプトと含まないプロンプトでは、AIの検索挙動そのものが大きく異なる（ブランド指名時はそのブランドのサイトを直接検索する率が40%、非指名時は16%）ことも示されています。指名／非指名の比率は、自社が「候補に入る前」のどの段階で認知されているかを測る指標にもなります。
今すぐできること：ツールを買う前に、自社の一次データを見る
高額なパネルツールを契約する前に、実は多くの企業がすでに「プロンプト」を持っています。
- 自社サイト・アプリ内のAIチャットのログ：AIチャットボットや商品検索アシスタントを導入している企業は、顧客が自発的に打ち込んだ要求文をすでに蓄積しています。FAQ対応の精度改善にしか使っていないなら、それは最も安価な定性調査データの放置です。まず月次で「制約条件」「用途」「比較対象」の3軸で分類してみてください
- Search Consoleの長文クエリ：「〜で〜な〜はどれ」といった10語以上のクエリを正規表現で抽出すると、Google経由でも対話型の質問パターンが見えます。あわせて生成AIパフォーマンスレポートで、どのページがAI経由で表示されているかを確認しましょう
- カスタマーサポート・営業の質問ログ：AIに向かって打たれる質問と、人に向かって発せられる質問には共通の構造があります。サポートログの「事前に知りたかったこと」は、プロンプトの先行指標です
- 自社でAIに投げて、ファンアウトを観察する：自社カテゴリの典型的な質問をChatGPT・Gemini・Perplexityに投げ、AIがどんなサブクエリに分解し、どんな比較軸で回答を組み立てるかを記録します。AIが「顧客はこう比べるはずだ」と学習している構造がそのまま見えます
- パネルツールは「英語圏の先行指標」として試用する：Profound、Semrushなどの無料枠や試用で、自社カテゴリの英語圏トピックの推移を見ておく。日本で半年〜1年後に起きる質問パターンの予告編になることが多いです
これからの可能性：2〜3年で起こりそうな4つの変化
1. プラットフォーム自身がインサイトを「売り」始める ChatGPTは2026年1月に米国での広告テスト開始を発表しました。広告ビジネスが立ち上がれば、広告主向けにカテゴリ単位の需要インサイトを提供するのは、Googleがキーワードプランナーでやってきたことと同じ自然な流れです。個人のチャットは開示しないという原則を守りつつ、集計・匿名化されたトピック別データが公式に出てくる。これが実現すると、第三者の「推定」ツールの立ち位置は大きく変わります。
2. エージェント経由の「構造化された要求」が新しいデータになる Agentic Commerce Protocol（ACP）やUCPのように、AIエージェントが小売側に商品を問い合わせるプロトコルが整備されつつあります。エージェントからの問い合わせは、プロンプトを構造化した「条件のセット」として小売側に届く。これは自社に来た要求データを、パネルに頼らず一次情報として取得できるルートです。ただし、商品データが構造化されていない企業には、そもそも問い合わせが届きません。
3. 日本語パネルと「業界別プロンプト調査」の登場 日本語のプロンプトデータは空白地帯です。海外パネル型ツールの日本展開、あるいは国内の調査会社・広告会社が同意型パネルを組成し、カテゴリ別の「プロンプトレポート」を定期発行する形が、従来の消費者調査レポートの後継として立ち上がってくる可能性は高いと見ています。
4. プロンプト分析と合成パネルの往復 プロンプトから抽出した「実在の条件の組み合わせ」を、LLMで生成した仮想顧客（合成パネル）に投げて反応を試す。実データで仮説を立て、合成データで高速に検証し、実データで答え合わせをする。定性調査の「発見」と定量調査の「検証」の往復が、数週間から数日に短縮されていきます。
商品データへ還流させることが、結局いちばん効く
プロンプトから読み取ったインサイトの出口をどこに置くか。私たちが一貫して主張しているのは、商品データそのものです。
顧客が「1歳半でも安心して寝かせられるリクライニング」という言葉で探しているなら、その言葉と対応する属性が商品データに構造化されて入っていなければ、AIはその商品を候補に挙げられません。プロンプト分析で「顧客の比較軸」と「顧客の語彙」を掴み、それを商品の属性設計・説明文・比較表に反映する。こうして初めて、「顧客が聞いた言葉」と「AIが読む商品データ」がつながり、AIに選ばれる状態が作れます。
インサイトを報告書で終わらせず、商品データに還流させる。これがAI検索時代の商品戦略における、もっとも地味で、もっとも確実な打ち手です。
まとめ
- AI検索のプロンプトは、文脈・制約・意思決定プロセスが自発的に書かれた「購買前インタビュー」であり、質的にはパネルインタビューに匹敵する。しかも母数は1日25億件規模
- ただしプラットフォームはプロンプトを開示しない。現在のツールはすべて「推定」であり、①消費者パネル、②検索データからのモデリング、③自社一次データの3方式に分かれる。実際の発話が見えるのは①だけ
- 限界は4つ。絶対値でなく相対比較で使う、日本語データが薄い、キーワードでなくトピック単位で捉える、そしてツールの主戦場はまだ可視化であって商品戦略ではない
- 商品戦略への活用は、未充足ニーズ・用途・比較軸・語彙・価格受容・競合認識の6軸で読み解ける。まずは自社のAIチャットログ、Search Console、サポートログという「すでに持っているプロンプト」から始める
- 今後はプラットフォーム公式のインサイト提供、エージェント経由の構造化要求データ、日本語パネル、合成パネルとの往復が進む。インサイトの出口は商品データに置く
「顧客の声を聞く」コストは、この2年で桁が変わりました。変わっていないのは、聞いた声を商品に反映できる組織だけが勝つ、という原則です。
