営業メールのAI全自動化に失敗。再設計で返信率0.5%→3%を実現した秘訣

はじめまして。雄喜晃株式会社（ゆうきこう）代表取締役の木戸雄一（きど ゆういち）と申します。

前職のICK株式会社ではマーケティング部長として、前職を含め500社以上のSNS・マーケティング運用支援に携わってきました。2025年10月に神戸で雄喜晃株式会社を創業し、現在は中小企業のマーケティング内製化支援と、コスト削減コンサル「削減ラボ」を運営しています。

この記事は、自社の新規開拓営業メールをClaude APIで自動化しようとして、一度盛大に頓挫し、そこから「AIに何を任せ、人をどこに残すか」を組み直して運用に乗せるまでの、リアルな試行錯誤の記録です。結論を先に言うと、私が学んだのは「全自動はゴールではない」ということでした。

私が運営するコスト削減コンサル「削減ラボ」は、新規開拓の入口が営業メールです。相手企業の状況を調べ、その会社に合った提案を一通ずつ書いて送る。この地道な作業が、立ち上げ期の生命線でした。

ただ、ここに大きなボトルネックがありました。1企業あたり、リサーチと文面作成で約1時間かかっていたのです。相手のホームページや事業内容を読み込み、どんな課題がありそうかを考え、それに合わせて文面を組み立てる。質を上げようとすれば一社に時間がかかり、数を出そうとすれば文面がテンプレ化して刺さらない。「質か、量か」の二者択一に、毎日のように悩まされていました。

私はもともとAI活用を自社の強みにしたいと考えていたので、「この営業メール業務こそ、AIで自動化できないか」という問いを立てました。

使ったツールは、Claude API ＋ Googleスプレッドシート ＋ GAS（Google Apps Script）というシンプルな構成です。特別なSaaSは使わず、手元で組めるもので一気通貫のパイプラインを作りました。

そして最初に狙ったのは「全自動」でした。つまり、

1. 相手企業のリサーチ
2. 提案文面の作成
3. メールの送信
4. 返ってきた返信の判定
5. 返信への対応

この1から5まで、全部AIに任せるつもりだったのです。人は一切タッチせず、リストを入れたら勝手に営業が回っている──そんな状態を理想に掲げていました。スプレッドシートに企業リストを流し込めば、GASがClaude APIを叩いて文面を生成し、そのまま送信まで走る。返信が来たらまたAIが判定する。仕組みとしては美しく、最初は「これで営業が自動化できる」と本気で思っていました。

理想の全自動パイプラインは、運用してみるとあっさり頓挫しました。原因は大きく2つです。

最初にAIが生成した文面は、一見それっぽいのに、肝心なところがズレていました。自社の事業（コスト削減）で相手のどんな課題を解決できるのか、という提案の芯がないのです。挨拶と一般論を並べただけの、いかにも「自動送信されたメール」。これでは相手の心は動きません。

転機になったのは、文面生成のプロンプトに自社の事業内容をしっかり文脈として入れ込むことでした。「削減ラボはこういう課題を、こういう形で解決できる」という情報をAIに正しく持たせ、その上で相手企業の観察結果と掛け合わせる。実際には、次のようなプロンプトで文面を生成しています。

このように自社の提供価値を文脈として持たせると、文面は相手の状況に対して「うちならこう解決できます」と具体的に提案する、自然な文体へと変わっていきました。文面の質は、AIの賢さではなく「自社情報をどれだけ正確に文脈として渡せたか」で決まる、というのが最初の学びです。

もっと冷や汗をかいたのが、返信判定です。全自動では、返ってきた返信もAIが「対応すべきか／不要か」を仕分けていました。ところがある時、見込み客からの前向きな返信を、AIが「不要メール」と誤判定して放置しかけたのです。

これには焦りました。営業で最も大事な瞬間は、相手が「話を聞いてみたい」と言ってくれた瞬間です。そこをAIが取りこぼせば、それまでのリサーチも送信もすべて水の泡。しかも、取りこぼしたことにすら気づけない。効率化のために組んだ自動化が、一番守るべき成果を捨てかけていたわけです。

2つの壁から腹落ちしたのは、次の一文でした。

全自動にできることと、全自動にすべきことは、違う。

工程を一つずつ見ていくと、性質がまったく異なります。リサーチや文面のドラフトは「量を生む工程」で、多少のブレがあっても数でカバーできる。AIが圧倒的に強い領域です。一方、「この企業に・この文面で送っていいか」という送信判断や、前向きな返信への対応は、間違えたときのコストが非対称に大きい。失礼な誤送信は信頼を一発で損なうし、前向きな返信の取りこぼしは成果そのものを失う。

つまり、自動化の設計で問うべきは「AIにできるか」ではなく、「間違えたときに、誰が・どれだけ困るか」だったのです。コストが対称的（やり直せばいい）な工程はAIへ、非対称（取り返しがつかない）な工程は人へ。この境界線の引き方こそが、私が試行錯誤の末に得た「分業設計」の視点です。

現在は、全自動をきっぱり諦め、AIと人の分業で運用しています。フローはこうです。

1. リスト×観察（AI）：相手企業のホームページ・採用ページ・公開情報をAIが読み込み、「マーケティング／営業／オペレーション」の3観点で観察メモを機械的に生成する。
2. 診断PDFの生成（AI）：観察結果から、その企業の課題仮説と改善余地を1枚にまとめる。
3. 1通目の作成・送信（AI＋人）：文面ドラフトはAIが作るが、送信のGO判断は人が行う。Googleスプレッドシート×GASで配信し、文面には相手企業の固有情報を必ず差し込む。
4. ナーチャリング（AI）：返信がなければ、2〜3通目をAIが自動で送る。

使っているツールはClaude API・Googleスプレッドシート・GASの3つだけです。観察（ステップ1）は、次のようなプロンプトでAIに生成させています。

この観察結果に、先ほどの文面生成プロンプト（壁1で紹介）を掛け合わせて1通目のドラフトを作り、最後に人が「送ってよいか」を判断する流れです。

これを「AIに任せる／人が残る」で整理すると、きれいに4つに整理できます。

• 文面ドラフト ＝ AI
• 送信判定 ＝ 人
• 返信仕分け ＝ AI
• 対応 ＝ 人

送信判定を人に残した理由は明確です。壁1で痛感した通り、「自社の事業で相手の課題を本当に解決できる提案になっているか」は、最後に人の目で確かめるべきだからです。ここをAIに任せきると、いつの間にかテンプレ化した文面が量産されてしまう。逆に、観察・ドラフト・仕分けというAIが得意な工程をしっかり任せることで、人は「判断」だけに集中できるようになりました。

この分業設計に切り替えた結果、数字は明確に変わりました。

※返信率は2026年4月〜5月末に実施したA/Bテストの結果です。計1,000通を対象に、従来型の汎用的な文面（500通）と、リサーチを効率化して相手企業ごとに最適化した文面（500通）を比較しました。

文面作成は約12倍の速さになり、同じ時間で圧倒的に多くの企業へアプローチできるようになりました。さらに、A/Bテストでは、従来の汎用的な文面の返信率0.5%に対し、リサーチを効率化して相手企業ごとに最適化した文面は3%と約6倍に伸びました。同じ「営業メール」でも、相手の課題に合わせて「効く」文面を、しかも短時間で出せるようになったのが大きな変化です。

「速くなった」だけでなく「返ってくるようになった」。これは、AIで量をこなしつつ、質を決める判断を人が握る分業にしたからこそ得られた結果だと考えています。

最後に、AIで業務を自動化しようとしている方に、3つだけ持ち帰っていただきたいことを書きます。

1. 「全自動」を最初のゴールに置かない。まず業務を工程に分解し、それぞれを「AIに任せる／人が残す」で仕分けるところから始める。理想は全自動ではなく、最適な分業です。
2. 境界線の基準は「間違えたときのコストの非対称性」。やり直せる工程はAIへ、取り返しがつかない工程（送信のGO判断、前向きな返信への対応など）は人が握る。「AIにできるか」ではなく「間違えたら誰が困るか」で線を引く。
3. AIの文面の質は「自社情報を文脈に入れ込めるか」で決まる。 汎用的なテンプレを埋めさせるのではなく、自社が解決できる課題を正しくAIに持たせる。賢いプロンプトより、正確な前提情報のほうが効きます。

AIで業務を「速くする」こと自体は、もう誰にでもできる時代です。問われているのは、AIに任せる工程と、人が判断として残す工程を、どう設計するか。私自身、全自動を狙って一度大きく躓いたからこそ、いまはこの分業設計の考え方を、企業のマーケティング内製化支援の現場で最も役立つノウハウとしてお伝えしています。

同じように「すべてをAIで自動化しよう」として手が止まっている方が、一歩進むきっかけになれば幸いです。