マーケティングへの質問と回答

質問文（版 5）

あなたはAIモデルとして、AIツール全体（あなた自身と、あなたや他のモデルを組み込んだ製品・サービスを含む）によって、ある職種の仕事に必要な人の時間が、今・1年以内・5年以内にどれだけ減るかを見積もる。日本の読者向けの職業情報サイトに、あなたの回答がそのまま、あなたのモデル名と回答日付きで掲載される。読者はこの職種で働く人で、自分の仕事のどこがどれだけ変わるかを知りたい。

測るもの
- 「人の時間が要らなくなる割合」: 今と同じ量の仕事を、今と同じ品質で終えるのに必要な人の時間のうち、AIツールを使うことで要らなくなる割合（整数の%）。AIの結果を人が確認・手直し・承認する時間は、人の時間として残す。例: 100分かかっていた仕事が、AIの結果を5分確認するだけになれば95%。
- 「今」は今あるAIツールを、この職種の職場が十分に使った場合の値。まだ使っていない職場が多いことは、この値を下げる理由にしない。「1年以内」「5年以内」はその時点であると見込むツールを十分に使った場合の値。
- 仕事の量（需要）の増減はこの割合に入れない。別の問いで答える。
- 業務ごとに、仕事時間に占める比重（全業務の合計を100）と、その業務で人の時間が要らなくなる割合を出す。職種全体の割合は比重で重みづけした合計にする。業務の数で割る計算はしない。

見立ての立て方
- 人に残るとする部分にも、AIに移るとする部分にも、同じ基準で理由を書く。理由の種類は両側とも「技術」「制度・契約」「費用」「相手の受け入れ」の4つ。人に残る側なら、技術が足りない／制度や契約が人を求める／AIに任せると高くつく／顧客や相手が人を求める。AIに移る側なら、技術が足りている／制度や契約が妨げない／AIに任せると安い／顧客や相手が受け入れる。
- どちらの見立てにも、それが崩れる条件を書く。人に残るとした部分がAIに移る条件と、AIに移るとした部分が人に残る条件の両方を書く。
- 人が最終的な責任を負うことは、それだけでは人の時間がどれだけ要るかを決めない。責任を負うために、誰が何をどれだけ確かめるかで見積もる。逆に、AIが成果物を出せることは、それだけでは人の時間がなくなることを意味しない。確認・手直し・例外への対応にかかる時間を数える。
- 業務の中で人に残る部分は、次の5つの層で示す。作業（自分で手を動かす）、品質の確認（出来を確かめ直す）、例外の発見（いつもと違うことに気づく）、実行の承認（進めてよいかを決める）、目的と制約の設定（何をどこまでやるかを決める）。並びに順序や難易度の意味はない。どの層も人に残ることがあり、どの層もAIに移ることがある。残る層には、その層に人の時間がはっきり残るものだけを挙げる（5つ全部が残るのは、本当にそうである業務だけ）。その層で人が何をするかは、要点の文に書く。
- 根拠は下の資料と、あなたが知っている今のAIツールの機能、あなたが見込む今後の進歩。今できることと将来の見込みを分け、業務ごとに確信の度合い（高・中・低）を添える。人に残る時間が少ないという答えも、ほとんど変わらないという答えも認める。仕事の量の見立ては「不明」でもよい。
- 言い切れるところは言い切り、根拠の弱いところは弱いと書く。確信の度合いは項目で示し、「推定である」「統計値ではない」のような断り書きは文章に書かない（掲載時にあなたの見立てとして示す）。
- 研究や統計の数字、企業が公表した効果の数字を引用しない。人名を挙げない。ツールや製品の名前は挙げてよいが、企業の意図や方針を推測しない。
- 文章は日本語。業務を指すときは、番号や記号ではなく業務の内容を書く（読者は番号付きの一覧を見ない）。
- この会話にある情報と、あなた自身の知識だけで答える。ウェブを検索しない。過去の会話、保存された記憶、他のAIモデルの回答を参照しない。
- 返す前に、業務の数が一覧と同じこと、比重の合計がちょうど100であること、各業務で 今 ≤ 1年 ≤ 5年 であること、職種全体の3つの値が比重による重みづけの合計を四捨五入した値と一致することを確かめる。
- JSONだけを返す。

職種: マーケティング（米国の職業分類では 市場調査・マーケティング担当、SOC 13-1161）

この職種の業務（米国 O*NET の業務記述の日本語訳）:
1. 企業が市場での自社の位置を把握するための情報を探して提供する
2. マーケティング・統計・世論調査の専門家と協力し、消費者の意見とマーケティング戦略を調査する
3. 顧客の属性・好み・ニーズ・購買習慣のデータを集めて分析し、見込みのある市場と需要に影響する要因を見つける
4. 競合のデータを集め、価格・売上・マーケティングと流通の方法を分析する
5. マーケティング・広告・コミュニケーションの施策と戦略の効果を測る
6. 集めたデータを分析し、マーケティングと販売の傾向を予測・追跡する
7. 調査・世論調査・アンケートなどのデータ収集の方法と手順を考えて評価し、既存のデータの入手を手配する
8. 調査結果の報告書を作り、データを図で示し、複雑な結果を文章にする
9. 業界の統計と業界誌の動向を追う
10. 顧客と従業員の満足度を測り、評価する
11. 会議に出席し、製品やサービスの販促・流通・設計・価格について経営陣に情報と提案を出す

この職種で使われているAIツール（各社の公式ページの説明。判断材料の一部）:
- HubSpot Breeze（HubSpot）: ページ、ブログ記事、CTAなどの文章を生成し、既存の文章の長さや調子を直す。ブログ記事からSNSの投稿も作る。
- Jasper（Jasper）: ブランドの文体や指針に沿って、キャンペーンの文章や画像、長い記事を生成する。画像の背景の差し替えや切り抜きもする。
- Yabble Virtual Audiences（Yabble）: 実際のデータにもとづくAIのペルソナに、商品のアイデアや見た目のコンセプト、広告の画像を見せて反応を確かめる。

問い
1. 上の一覧のすべての業務について、一覧の順に次を答える。
   a. 比重: この職種の仕事時間に占める割合（整数の%。全業務の合計を100にする）。
   b. 今・1年以内・5年以内に、その業務で人の時間が要らなくなる割合（整数の%。今 ≤ 1年 ≤ 5年）。
   c. 5年後もこの業務で人の時間がはっきり残る層（作業／品質の確認／例外の発見／実行の承認／目的と制約の設定 から。層の名前だけを配列で。何も残らなければ空）。
   d. 5年後も人の時間が残る理由の種類（技術／制度・契約／費用／相手の受け入れ から、当てはまるものすべて。人の時間が残らなければ空）。
   e. 5年後にAIに移る理由の種類（同じ4つから、当てはまるものすべて。何も移らなければ空）。
   f. 5年後の見立ての要点と、それが崩れる条件（150字以内。人に残る部分がAIに移る条件と、AIに移る部分が人に残る条件を1文ずつ）。
   g. 確信の度合い（高／中／低）。
2. 職種全体で人の時間が要らなくなる割合（今・1年以内・5年以内）。1の比重で重みづけした合計を、整数に四捨五入する。
3. 2の理由。どの業務のどの層がAIに移り、どの種類のツールが引き受けるか（200字以内）。
4. 5年で、この職種への仕事の量（需要）はどう変わるか（増える／ほぼ同じ／減る／不明）と、その理由（150字以内）。
5. この職種は5年でどう変わるか。次の3つにそれぞれ答える（各200字以内）。
   a. 何が残るか: 人が担う業務と層。残るとした理由と、それが崩れる条件に触れる。
   b. 誰が残るか: 4の仕事の量の見立てと合わせて、担当者の人数・構成・経験の変化。
   c. 求められる力: 残る人に新たに求められる力。

出力（JSON）
{"tasks": [{"no": 1, "weight": 0, "now": 0, "year1": 0, "year5": 0, "human_layers": [], "blockers": [], "enablers": [], "outlook": "", "confidence": ""}], "share_now": 0, "share_year1": 0, "share_year5": 0, "reason": "", "demand": "", "demand_reason": "", "remains": "", "who": "", "skills": ""}

Claude Fable 5.1

Claude のモデル名の表示は「Claude Fable 5.1」。回答日 2026年10月21日。取得の条件: Claude Code のサブエージェントが回答（アプリではない）。職種ごとに新しい文脈で、入力は質問文のファイル1つだけ。ウェブ検索と他のファイルの読み込みを禁じた。他の職種・他モデル・版4の回答、モックの数値は渡していない。Claude Code の既定のシステム指示とプロジェクトの AGENTS.md が文脈に入る。検査に落ちた回答は新しい文脈で聞き直した（経理・財務と金融専門職の各1回。research/opinions/v5-2026-10-21/rejected/）。

仕事の量（5年）: ほぼ同じ。分析と報告が安くなると、より細かい顧客区分や施策ごとの検証が求められ、調査と分析の件数は増える。一方で一件あたりの人の時間は大きく減るため、職種として求められる仕事の量は差し引きでほぼ同じと見る。

{"tasks": [{"no": 1, "weight": 8, "now": 35, "year1": 45, "year5": 60, "human_layers": ["品質の確認", "例外の発見", "目的と制約の設定"], "blockers": ["技術", "相手の受け入れ"], "enablers": ["技術", "費用"], "outlook": "市場での位置づけに要る情報の収集と整理は検索・要約型のツールが大半を担い、人は情報源の信頼性の確認と、経営が何を知りたいかの絞り込みに残る。社内の非公開データまで横断して引けるようになれば残りも移る。逆に、出所不明の情報が混ざる事故が続けば人の収集に戻る。", "confidence": "中"}, {"no": 2, "weight": 7, "now": 15, "year1": 20, "year5": 35, "human_layers": ["作業", "実行の承認", "目的と制約の設定"], "blockers": ["相手の受け入れ", "技術"], "enablers": ["技術", "費用"], "outlook": "外部の専門家との共同調査は、設計や解釈のすり合わせが人の対話で進むため、AIは資料準備と議事整理に留まる。専門家側がAIの合成回答を調査の代替として受け入れれば移る。逆に、合成データの偏りが問題になれば人の協議がむしろ増える。", "confidence": "中"}, {"no": 3, "weight": 14, "now": 40, "year1": 50, "year5": 65, "human_layers": ["品質の確認", "例外の発見", "目的と制約の設定"], "blockers": ["技術", "制度・契約"], "enablers": ["技術", "費用"], "outlook": "属性・購買データの集計、セグメント分け、要因の仮説出しはBI連携のエージェントが担い、人は結果の妥当性の確認、異常値への気づき、問いの設定に残る。データ基盤が整いエージェントが直接集計できれば残りも移る。個人情報の扱いの規制が厳しくなれば人の関与が戻る。", "confidence": "中"}, {"no": 4, "weight": 9, "now": 40, "year1": 50, "year5": 65, "human_layers": ["品質の確認", "例外の発見"], "blockers": ["技術", "制度・契約"], "enablers": ["技術", "費用"], "outlook": "競合の価格・売上・流通の情報は公開情報の収集と比較表の作成までAIが担い、人は情報の真偽の確認と、見落としがちな新規参入の発見に残る。非公開の取引条件まで推定できる精度になれば残りも移る。収集先のサイトがAIによる取得を制限すれば人の収集に戻る。", "confidence": "中"}, {"no": 5, "weight": 12, "now": 35, "year1": 45, "year5": 60, "human_layers": ["品質の確認", "例外の発見", "目的と制約の設定"], "blockers": ["技術", "制度・契約"], "enablers": ["技術", "費用", "制度・契約"], "outlook": "施策効果の測定は集計、アトリビューション、レポート生成までAIが担い、人は計測設計の妥当性の確認、計測漏れへの気づき、何を成功とみなすかの設定に残る。計測基盤に直結するエージェントが普及すれば確認も減る。媒体や個人データの規制で計測が変われば人の設計が増える。", "confidence": "中"}, {"no": 6, "weight": 9, "now": 35, "year1": 45, "year5": 60, "human_layers": ["品質の確認", "例外の発見"], "blockers": ["技術"], "enablers": ["技術", "費用"], "outlook": "傾向の予測と追跡は時系列モデルとエージェントの定期レポートが担い、人は予測の前提の確認と、市場の構造変化のような想定外への気づきに残る。異常検知の精度が上がれば発見も移る。予測が外れて損失が出る事例が続けば人の確認が増える。", "confidence": "中"}, {"no": 7, "weight": 7, "now": 20, "year1": 30, "year5": 45, "human_layers": ["品質の確認", "実行の承認", "目的と制約の設定"], "blockers": ["技術", "制度・契約", "相手の受け入れ"], "enablers": ["技術", "費用"], "outlook": "調査設計はAIが質問票や標本設計の案を出し、人は偏りの確認、調査会社との契約や倫理面の判断、何を知るために調べるかの設定に残る。AIの合成回答者が実調査の代替として信頼されれば大きく移る。合成回答の偏りが露見すれば実調査の設計に人が戻る。", "confidence": "低"}, {"no": 8, "weight": 12, "now": 45, "year1": 55, "year5": 70, "human_layers": ["品質の確認", "目的と制約の設定"], "blockers": ["相手の受け入れ", "技術"], "enablers": ["技術", "費用", "相手の受け入れ"], "outlook": "報告書の図表作成、文章化、要約の下書きはAIが担い、人は数字と図の整合の確認と、読み手に合わせた論点の絞り込みに残る。分析から報告書まで一貫して生成できる製品が普及すれば確認も減る。生成文の誤りで経営判断を誤る事例が出れば人の執筆に戻る。", "confidence": "高"}, {"no": 9, "weight": 5, "now": 50, "year1": 60, "year5": 70, "human_layers": ["例外の発見"], "blockers": ["技術"], "enablers": ["技術", "費用"], "outlook": "業界統計と業界誌の追跡は要約・監視型のツールがほぼ担い、人は自社に影響する変化を拾う判断にだけ残る。影響度の判定まで学習すれば残りも移る。有料媒体がAIの取得を制限すれば人が読む時間が戻る。", "confidence": "高"}, {"no": 10, "weight": 6, "now": 30, "year1": 40, "year5": 55, "human_layers": ["品質の確認", "実行の承認"], "blockers": ["制度・契約", "相手の受け入れ"], "enablers": ["技術", "費用"], "outlook": "満足度調査は設計、配信、自由回答の分類、集計をAIが担い、人は結果の確認と改善につなげる判断に残る。従業員調査の匿名性や個人情報の制約が整理されれば移る。回答者がAI主導の調査に反発すれば人の設計に戻る。", "confidence": "中"}, {"no": 11, "weight": 11, "now": 10, "year1": 15, "year5": 25, "human_layers": ["作業", "実行の承認", "目的と制約の設定"], "blockers": ["相手の受け入れ", "制度・契約"], "enablers": ["技術"], "outlook": "経営陣への提案は、資料の下書きと数字の裏づけをAIが用意し、人が会議での説明、質疑、提案の決定を担う。経営陣がAIの分析をそのまま判断材料として受け入れ、会議自体が減れば移る。AIの提案根拠が不透明で信頼を失えば人の説明がさらに増える。", "confidence": "高"}], "share_now": 33, "share_year1": 42, "share_year5": 56, "reason": "データの集計と分析、競合・業界情報の収集、報告書の作成では「作業」の層がBI連携の分析エージェント、検索・要約ツール、文章・図表の生成ツールに移る。満足度や消費者調査でも配信と自由回答の分類が調査プラットフォームのAIに移る。人には確認、異常への気づき、問いの設定、経営陣との対話が残り、全体では半分強の時間が要らなくなる。", "demand": "ほぼ同じ", "demand_reason": "分析と報告が安くなると、より細かい顧客区分や施策ごとの検証が求められ、調査と分析の件数は増える。一方で一件あたりの人の時間は大きく減るため、職種として求められる仕事の量は差し引きでほぼ同じと見る。", "remains": "データの妥当性の確認、想定外の変化への気づき、何を知るために調べるかという問いの設定、経営陣への説明と提案の決定が人に残る。理由は、経営陣が判断材料として人の説明を求め続けること、個人情報や調査の倫理で人の責任ある判断が要ることにある。経営陣がAIの分析結果を直接の判断材料として受け入れ、規制がデータ利用を緩める方向に進めば、残る時間はさらに減る。", "who": "仕事の量はほぼ同じでも、集計や報告書作成を担う若手を多く抱える構成は保てず、担当者の人数は減る。残るのは、事業と顧客を理解し経営陣と対話できる経験者と、データ基盤とAIツールを使いこなす少数の分析者になる。未経験者が集計作業を通じて育つ道が細るため、採用は分析か事業のいずれかの経験を持つ人に偏る。", "skills": "AIの集計や予測の前提と誤りを見抜く統計とデータの基礎、問いを立てて調査を設計する力、経営陣の意思決定に合わせて論点を絞り説明する力。加えて、データ基盤とAIツールを組み合わせて分析の流れを自分で組む力と、個人情報や調査倫理の制約を踏まえた判断が求められる。"}

GPT-6 Astra

ChatGPT のモデル名の表示は「GPT-6 Astra」。回答日 2026年10月21日。取得の条件: Codex のタスク（gpt-6-astra 指定）が回答。ChatGPT アプリの一時チャットではなく、1つのタスク内で35職種をファイル名順に逐次処理（職種ごとの新しい文脈ではない）。そのタスクの文脈には版4の確認、版5草案の批評、Claude の取得記録と回答例の読み取りが含まれ、他モデルの回答を見せないという条件を満たさない。実行時のモデル名は独立に確認されていない。ウェブ検索はしていない。保存後に研究開発と映像・動画制作の「何が残るか」の文章を同じタスクが1語ずつ直した（数値の変更なし。research/opinions/v5-2026-10-21/astra-2026-10-21/corrections.json）。

仕事の量（5年）: 増える。調査と分析の費用が下がり、小さな市場や頻繁な施策変更についても検討しやすくなる。比較案や作り分けは増えるとみる。一方、経営が実行できる施策には限りがあり、分析件数の増加が専門職の人数へ直結するとは限らない。

{
  "tasks": [
    {
      "no": 1,
      "weight": 8,
      "now": 50,
      "year1": 62,
      "year5": 80,
      "human_layers": [
        "品質の確認",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "市場情報の検索と整理はAIに移り、人は比較範囲と出典を確かめるが、同じ条件で比較できれば確認も減る。古い情報や市場の定義の違いがあれば、検索結果から人が選び直す。",
      "confidence": "中"
    },
    {
      "no": 2,
      "weight": 8,
      "now": 20,
      "year1": 30,
      "year5": 48,
      "human_layers": [
        "作業",
        "品質の確認",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術",
        "相手の受け入れ"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "調査案と論点整理はAIが助け、人は専門家と方法を決めるが、調査条件を共有して検証できれば協議も減る。対象者や質問の意図がずれる場合は、案の作成から人が調整する。",
      "confidence": "低"
    },
    {
      "no": 3,
      "weight": 15,
      "now": 40,
      "year1": 52,
      "year5": 72,
      "human_layers": [
        "品質の確認",
        "例外の発見",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術",
        "制度・契約"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "顧客データの集計と分類はAIに移り、人は偏りと需要の解釈を点検するが、実際の購買で検証できれば分析も縮む。記録されない顧客や行動の変化があれば、分類方法から人が見直す。",
      "confidence": "中"
    },
    {
      "no": 4,
      "weight": 10,
      "now": 50,
      "year1": 62,
      "year5": 82,
      "human_layers": [
        "品質の確認",
        "例外の発見"
      ],
      "blockers": [
        "技術"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "競合情報の収集と比較はAIに移り、人は販売条件の違いを確かめるが、出典と条件を照合できれば点検も減る。非公開の取引や価格改定を捉えられなければ、自動比較にも人の調査が残る。",
      "confidence": "中"
    },
    {
      "no": 5,
      "weight": 12,
      "now": 35,
      "year1": 48,
      "year5": 68,
      "human_layers": [
        "品質の確認",
        "例外の発見",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "施策の集計と比較はAIに移り、人は因果と計測の不足を点検するが、介入の効果を検証できれば判断も減る。季節や他の施策の影響を分けられなければ、通常の効果測定から人が設計し直す。",
      "confidence": "中"
    },
    {
      "no": 6,
      "weight": 10,
      "now": 40,
      "year1": 52,
      "year5": 70,
      "human_layers": [
        "品質の確認",
        "例外の発見",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "傾向の追跡と予測案はAIに移り、人は前提の変化を確かめるが、新しい環境でも評価できれば監視も縮む。競争や購買行動が急変すれば、自動予測に使うデータも人が選び直す。",
      "confidence": "低"
    },
    {
      "no": 7,
      "weight": 10,
      "now": 25,
      "year1": 38,
      "year5": 58,
      "human_layers": [
        "品質の確認",
        "実行の承認",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術",
        "制度・契約"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "質問票と収集手順の案はAIが作り、人は測りたいものと標本を決めるが、偏りと回答品質を検証できれば設計確認も減る。誘導的な質問や対象の欠落があれば、収集方法から人が組み直す。",
      "confidence": "中"
    },
    {
      "no": 8,
      "weight": 10,
      "now": 60,
      "year1": 72,
      "year5": 88,
      "human_layers": [
        "品質の確認",
        "実行の承認"
      ],
      "blockers": [
        "技術",
        "相手の受け入れ"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "図表と報告の下書きはAIに移り、人は解釈と留保を確かめるが、主張を元データへ照合できれば編集も減る。因果の断定や都合のよい切取りがあれば、報告の構成も人が修正する。",
      "confidence": "中"
    },
    {
      "no": 9,
      "weight": 5,
      "now": 55,
      "year1": 68,
      "year5": 85,
      "human_layers": [
        "品質の確認",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "業界動向の検索と要約はAIに移り、人は自社への意味を選ぶが、情報の新しさと条件を検証できれば読解も減る。出典の取り違えや重要な変化の見逃しがあれば、資料選びから人が入る。",
      "confidence": "中"
    },
    {
      "no": 10,
      "weight": 5,
      "now": 35,
      "year1": 48,
      "year5": 68,
      "human_layers": [
        "作業",
        "品質の確認",
        "例外の発見"
      ],
      "blockers": [
        "技術",
        "相手の受け入れ"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "回答の集計と不満の分類はAIに移り、人は背景を聞くが、言葉と実際の経験を照合できれば調査も減る。回答しない人や言いにくい不満を捉えられなければ、集計だけでは足りず人が対話する。",
      "confidence": "低"
    },
    {
      "no": 11,
      "weight": 7,
      "now": 20,
      "year1": 30,
      "year5": 48,
      "human_layers": [
        "作業",
        "実行の承認",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術",
        "相手の受け入れ"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "提案資料と比較案はAIが作り、人は事業の制約と合意を扱うが、影響を共有して選べれば協議も減る。部門の利害や実行条件が抜ければ、資料の準備から人が調整する。",
      "confidence": "低"
    }
  ],
  "share_now": 39,
  "share_year1": 51,
  "share_year5": 70,
  "reason": "現在は市場情報の収集、集計、図表と説明文の作成で時間が減る。1年では社内の顧客データとの連携が進み、5年では調査設計の案と施策の比較まで広がる。AIのペルソナによる反応を、そのまま実際の消費者の行動とは扱わない。人には標本や質問の設計、計測の偏りと因果の点検、経営への提案の承認が残り、現実の購買や利用で確かめる時間を含めて見積もる。",
  "demand": "増える",
  "demand_reason": "調査と分析の費用が下がり、小さな市場や頻繁な施策変更についても検討しやすくなる。比較案や作り分けは増えるとみる。一方、経営が実行できる施策には限りがあり、分析件数の増加が専門職の人数へ直結するとは限らない。",
  "remains": "何を調べ、どの顧客を対象にするかを決める仕事が残る。人はデータの偏り、質問の誘導、計測漏れを点検し、施策の効果が別の要因によるものではないかを確かめる。結果を事業の制約と合わせ、実行する案を選ぶ役割も続く。実際の購買や利用を通じて仮説を検証でき、関係者が条件を理解して使えるなら、分析の確認と協議の時間は減る。",
  "who": "調査需要が増えても、資料の収集と報告書の整形だけを担う人数は減りやすい。一人が企画、分析、検証まで扱う範囲が広がり、調査設計と事業理解に強い人の比重が上がる。若手には生成された報告を読むだけでなく、顧客に聞き、予想と違う結果の原因を調べる経験が必要になる。増えた分析をすべて採用せず、判断に必要な検証へ時間を配分することが重要になる。",
  "skills": "事業の問いを測定と調査の設計へ落とし、必要な対象者とデータを選ぶ力が要る。AIの集計では母集団、期間、比較条件を確認し、相関と因果を区別する。仮想的な反応と実際の購買を突き合わせ、予測が外れた理由を調べる力も重要になる。結果の成立条件を経営陣へ説明し、次に試す施策と判断を変える条件を具体化することが求められる。"
}