AI adoptionではprompt-firstよりCRM-firstが勝つ理由

B2B GTMのAI adoptionは、だいたい同じ始まり方をします。誰かがChatGPTを使い始め、1週間ほど良いsubject linesを書き、なぜpipelineが動かないのか疑問に思う。

Prompt layerが問題なのではありません。そこから始めることが問題です。

AIはamplifierです。速いものを速くし、systematicなものをよりsystematicにします。ただし、壊れたsystemを考える力で修理することはできません。ICPが曖昧で、CRMが汚く、pipeline stagesがbuyer behaviourではなく希望を表しているなら、AIは間違ったoutputをより速く、より安く増やします。

それはproductivityではありません。良いcopyを持ったrevenue destructionです。

---

Prompt-first trap

よくある流れです。

GTM teamがAI toolを使えるようになります。最初に触るのは、見えやすく始めやすいwritingです。Email subject lines、LinkedIn posts、sales one-pagers。Outputは以前より良く速い。だからadoptionは成功に見えます。

6か月後、pipelineは動いていません。Sequencesは良く書かれていますが、間違った人に届いています。Personalizationはactual fit signalsではなくjob titleとcompany sizeに基づいています。CRMにはcompany associationのないcontactsが残り、dealsは”Proposal Sent”で止まっています。

AIはsurface layerをきれいにしました。しかし下のstructural problemには触れていません。

そのstructural problemはほぼいつも同じです。Data layerが現実を反映していない。

---

なぜdata layerが先か

GTMにおけるすべてのAI action、enrichment、scoring、sequencing、nurturingは、それが走るsubstrateの質に依存します。

良いAI personalizationは、prospect、role、company、recent activityのsignalsを読み、specific contextを反映したoutreachを作ります。悪いpersonalizationは、悪いinputsから自信満々のtextを作ります。

悪いinputsはこう見えます。

• Company associationのないcontact records
• “mid-market B2B SaaS”以上のspecificityがないICP definitions
• Buyer behaviourではなくseller optimismを表すdeal stages
• 誰も一貫して入力していないsegmentation fields

このinputsにAIを走らせると、間違ったcompany sizeを参照し、間違ったpersona languageを使い、dealsを実際より進んでいるものとして扱います。Outputは賢く聞こえます。Logicは壊れています。

Fixはbetter promptではありません。Better inputsです。

---

正しい順番の3 stages

Stage 1: Data substrate

AI toolがGTM operationsに触れる前に、data layerは現実を反映している必要があります。

必要なのは、歯のあるICP definition、contact quality、pipeline logic、実際に埋まっているsegment fieldsです。ICPはcompanyをscoreして一貫した答えが出るほどspecificであるべきです。

これは派手な仕事ではありません。CRM auditは多くのdataが間違っていることを見せます。ICP workshopはsalesとmarketingの不一致を表に出します。Pipeline cleanupは改善する前にfunnel numbersを下げることもあります。

それでもやるべきです。このstageの前に走るAI projectは、壊れたfoundation上で動きます。

Stage 2: Automated operations

Data substrateがcleanになったら、最初のAI layerはintelligenceではなくautomationです。

New contactsのenrichment、stage trigger logic、data quality monitoring。これは”AI writes your emails”より地味ですが、CRMが成長してもdata substrateをcleanに保ちます。

Stage 3: Intelligent actions

ここでAIは面白い仕事をできます。Outbound personalization、reasoning付きICP scoring、pipeline gap analysis、content personalization。

問いはoperator-levelになります。今週最もscoreが高いaccountsはどれで、なぜ動いたのか。来四半期のriskをpipeline gap analysisはどう示すのか。Sequence underperformanceはtargeting problemなのかmessage problemなのか。

AIはdataを出します。Operatorが読み、決めます。

---

よく見る間違い

TeamsはStage 1を飛ばします。難しく、遅く、地味だからです。そしてStage 3へ進みます。目に見えて、面白いからです。結果は中途半端になり、“AI doesn’t really work for GTM”と結論づけます。

Toolが問題だったのではありません。順番が問題でした。

私はGTM engagementの最初の1時間でこのpatternを確認します。AI toolsの話をする前に、ICP definition、CRM field completion、pipeline stage definitionsを見ます。壊れていれば、先に直します。

---

実務ではどう見えるか

あるengagementの最初の依頼はこうでした。“AI for outboundを使いたい。Sequence toolをセットアップできますか？”

最初の2週間、outboundには触れませんでした。代わりに、

• “SMB/mid-market SaaS”をspecific firmographic and behavioural profileへ書き換えた
• Dead contactsを削除し、orphan recordsをcompanyへ紐づけ、job title segmentationを正規化した
• Pipeline stagesをseller actionsではなくbuyer behaviour中心に再定義した

その後、AI outbound stackは機能しました。ICPがspecificだったのでfit scoresに意味がありました。Recordsがcleanだったのでpersonalizationが正確でした。Stagesが現実を反映していたのでpipeline movementが見えました。

AIは難しい部分をやっていません。難しい部分が先に来ました。AIはclean systemを速くしました。

GTM向けAI toolsを見ていて結果が出ていないなら、答えはたいていtoolsの上流にあります。相談を予約して、toolを増やす前にdata layerをauditしましょう。