提案の質のばらつきは、どこから生じるのか
法人営業の提案書は、担当者によって出来が大きく異なります。業界知識の深い担当者は顧客の課題を的確に言い当て、根拠のある数字で提案をまとめます。経験の浅い担当者は製品説明に終始し、価格の話になると値引きで応じがちです。経営者が気にかけるべきなのは、文章の巧拙そのものよりも、その差が受注率と粗利の差になって表れる点です。
生成AIは、この差を縮める手段として注目されています。過去の提案や社内資料を参照して下書きを作り、商談記録から論点を整理できるからです。ただし、提案を速く大量に作れるようになることと、会社として提案の質が揃うことは同じではありません。本稿では、規模も業種も異なる二つの公表事例を手がかりに、何を揃えれば提案の改善が利益につながるのかを考えます。
三菱UFJ銀行：使ってよい範囲を先に決め、知識を部署に広げる
OpenAIが2026年7月に公表したMUFGの[導入事例](https://openai.com/index/mufg/)によると、三菱UFJ銀行は2026年からChatGPT Enterpriseを段階的に展開し、約3万5,000人の従業員が日常業務で使える体制を整えました。同行でAI推進を担う部門の責任者は、普及を妨げたのは技術ではなく組織の内側にあり、社員が使い方も使ってよい用途も分からなかったことだと述べています。金融機関として情報管理や承認経路、利用してよい範囲のルールが必要だったとし、同社は利用開始前のeラーニング受講を必須にしました。アカウントを付与された社員の研修受講率は100％に達したとされます。
さらに各部署にAI推進役を置き、研修後の4か月で社員は1,800を超えるカスタムGPT（特定の業務向けに設定した専用のAI）を作成しました。行内で「AIバンカー」と呼ばれるものも多く、各部署が業務に合わせて作り、特定の個人に依存していた専門知識を組織内で使いやすくしています。提案業務に引き寄せれば、部署の知識を道具として共有することが、担当者による差を縮める仕組みに当たります。成果としては、AI動向の調査や経営層向けの報告準備など一部の調査業務で、社員の申告による20〜30％の負担減が示されています。注目したいのは、同社が削減時間そのものを価値とせず、顧客訪問や提案の強化、人が責任を持つ判断と承認に時間を振り向けることを目的に掲げている点です。
Proaction：商談の内容から顧客専用のデモを作る
対照的なのが、北米で車両管理ソフトウェアを提供するスタートアップ、Proactionの[事例](https://openai.com/index/proaction/)（2026年9月、OpenAI公表）です。顧客ごとに車両構成も業務の流れも異なるため、自社製品が合うことを示すデモが営業の要でした。しかし技術者の時間が足りず、以前は会話とスライドで説明するしかなかったといいます。
現在は、技術者ではない共同創業者兼COOが、商談の録音、見込み顧客とのメール、先方が共有した表計算データをCodexに読み込ませ、顧客自身の車両や業務に合わせた画面デモを作っています。1件30〜45分で月4〜6件を作成し、技術者が作れば1件約10時間かかるため、月40〜60時間の工数を避けられているというのが本人の見積もりです。初回接触から解決策の検討段階へ進む商談の割合は50〜60％増えたとされます。事例の表題には「売上60％増」とありますが、本文で示されているのはこの商談進捗の推計であり、測定条件は公表されていません。受注後はデモを開発者への参考資料として渡して仕様確認のやり取りを減らしているほか、商談記録の確認や顧客管理システムの案件情報の更新もCodexを通じて行っています。
速くなった提案が、粗利を削ることもある
二つの事例はいずれも、提案の準備時間を減らし、顧客と向き合う時間や提案の具体性を高めることを狙っています。ただ、経営の数字に置き換えると、注意すべき点が見えてきます。以下は説明のための仮定です。
営業担当5人が月に計40件の提案を出し、受注率20％、値引き前の平均受注額300万円、粗利率30％の会社を考えます。AIで提案の具体性が増し、受注率が22％に上がると、受注は月8件から8.8件となり、粗利は0.8件×90万円で月72万円増えます。ところが、競合を意識した提案が増え、受注案件の平均値引きが3ポイント広がると、8.8件×300万円×3％で月79万2,000円の粗利が失われます。受注率の改善は、わずかな値引きの広がりで帳消しになります。反対に、値引き率を据え置いたまま受注率が上がれば、改善はそのまま粗利に残ります。差を生むのは、AIそのものよりも価格判断の管理です。
AIは顧客の要望に沿った提案を手早く作ります。その結果、提案の数と個別対応の幅が広がるほど、標準価格からの乖離や、提供範囲を超えた約束も増えやすくなります。提案の質を測る指標は作成時間や受注率だけでは足りず、案件別の粗利と、見積時点の想定原価と実際原価との差まで見る必要があります。
揃えるべきは文面ではなく、価格と約束の範囲
提案の質を揃えるために最初に定めるべきは、AIが参照する判断基準です。標準価格表、値引きの承認権限、標準で提供できる機能と個別開発になる範囲を一つの基準として管理し、AIに渡す資料もこれに限ります。基準を更新する責任者を決め、価格表や提供範囲の変更は承認を経て反映させます。古い価格表が参照され続けると、提案書は整っていても数字の前提が誤ったままになるからです。
Proactionの事例が示すように、顧客の実データで作ったデモは強い説得力を持ちます。その分、画面で見せた機能は顧客にとって約束と受け取られます。デモや提案書で示した内容と見積書・契約書の範囲を照合する手順を受注承認の前に置き、個別開発を伴う提案は、想定工数を技術の責任者が確認してから提出します。商談の録音や顧客から提供されたデータをAIに読み込ませるなら、録音の同意と守秘義務の範囲を確かめ、利用するサービスの契約条件も情報管理の担当者が確認しておきます。
顧客管理システムの案件段階をAIが更新する場合、その内容は売上見込みの集計に直接入ります。見込みは予算と実績の比較や資金繰りの前提になるため、段階の変更は営業責任者が確認し、変更履歴を残す運用にします。
自社に応用するときの条件
三菱UFJ銀行は数万人規模で研修とルール整備を先行させ、Proactionは少人数の組織で創業者自身が使いこなしています。中小企業が参考にしやすいのは後者の機動力ですが、前者が示した、使ってよい範囲を先に決める手順は規模にかかわらず欠かせません。営業が数人の会社であれば、受注実績の多い一つの商材に絞り、過去の提案書と見積、失注理由を整理して参照資料にするところから始めるのが現実的です。
効果の測り方にも注意が要ります。三菱UFJ銀行の20〜30％は社員の申告に基づく数字で、Proactionの数値も共同創業者の推計です。自社で投資判断の材料にするなら、顧客管理システムの記録から提案の作成時間、受注・失注の結果、値引き率、見積時と完了時の原価を拾い、導入前の同じ時期と比べるほうが確かです。
削減できた時間は、そのままでは費用の減少になりません。顧客訪問や提案内容の検討に振り向けて初めて成果になります。AIの導入を提案の量を増やす施策ではなく、価格と約束の判断を会社として揃える取り組みとして位置づけることが、粗利を伴う営業改善への近道です。