AIはリサーチャーを代替するのか？ シニアリサーチャー2名が語る

データスペース（Dataspace）がAIエージェントベースに刷新されました。リサーチをよく理解しているAIをつくることは、決して技術だけの課題ではありませんでした。オープンサーベイのリサーチャーたちが2011年から積み上げてきた深いドメイン専門性があったからこそ実現できたことです。その専門家たちはデータスペースAIがより良い回答を返せるようにする過程に加わり、ローンチ後は自らの業務でも積極的に使っています。市場では今も「AIがリサーチャーを代替するのではないか」という問いが行き交っていますが、すでにリサーチ業務でAIを活発に使っているオープンサーベイのリサーチ専門家たちの見方は少し違います。今回は、19年目のリサーチャー、サンチェス（イム・ソンジュン）と、13年目のリサーチャー、ジュン（キム・ヒヨン）に話を聞きました。

Part 1. AI時代のリサーチャーの働き方

データスペースAIをローンチし、その発信を進めるなかで、お二人にお越しいただきました。まずは簡単に自己紹介をお願いします。

サンチェス： こんにちは。リサーチャー19年目のサンチェスです。クライアントのビジネス課題をリサーチクエスチョンに変換し、実際に行動につながるインサイトにたどり着けるよう支援するのが私の仕事です。事業グループのなかでリサーチプロセスのどこかにボトルネックが生じた場合には、それを解消したり、チームがより良く働けるようにサポートしたりもしています。

ジュン： こんにちは、ジュンです。リサーチの仕事に携わって13年ほどになります。その間、多くのクライアント企業のリサーチプロジェクトを担当してきましたが、最近はオープンサーベイと長期的な関係を築いている企業を中心に対応しています。

シニアリサーチャーの仕事が具体的にどのようなものか気になります。一日の流れを簡単に紹介していただけますか。

ジュン： 出社したらまずメールを確認します。クライアントとのやり取りはそこで行われるからです。そのあとは優先順位に沿って、自分でアンケートを設計したり、データを分析したりと必要な業務を進めます。それ以外は社内外のミーティングが多いですね。クライアントとのミーティングは大きく二つに分かれます。リサーチプロジェクトについて話し合う場と、データスペースのサブスクリプション契約のクライアントがプラットフォームをより活用できるよう支援する場です。社内では主にセールスや製品に関するミーティングで、私が把握したクライアントのニーズをデータスペースでどう解消するかを考え、解決策を議論しています。

オープンサーベイは職種を問わずAIを積極的に使う文化ですが、リサーチャーであるお二人は実際の業務でどのように活用していますか。

ジュン： 業務全般で積極的に使っています。リサーチプロセスに沿ってもう少し具体的にお話しすると、アンケートの設計は最初から自分で行いますが、設問のワーディングや選択肢の構成といった細かい作業ではAIの助けを借りています。収集したデータをクリーニングするときはデータスペースAIの機能を活用します。分析ではAIの回答を参考にデータ全体を把握し、クロス集計やレポートの整理のように手間のかかる部分でもよく使っています。

サンチェス： ジュンは比較的早く技術を受け入れたほうですが、私は正直なところ最初はあまり使っていませんでした。AIが出す成果物に誤りが多かったからです。その後モデルの性能が大きく向上してからは、AIなしでは仕事がしづらいと感じるほど使いこなしています。リサーチプロジェクトについてはジュンと似た使い方をしていますし、それに加えて私の役割上、アカウントマネージャー（AM）にアドバイスをする機会が多いので、そこでも役立っています。クライアントの課題がアンケートに適切に反映されているかを確認する際、以前は質問票を一つひとつ目で追う必要があり、複雑なアンケートだと半日以上かかることもありました。今はまずAIに設問構造を分類させて全体像をつかんでからレビューを始めるので、はるかに速く処理できます。

AIによってリサーチ業務の効率がかなり上がっているのですね。それでも、AIには絶対に任せない仕事はありますか。

ジュン： クライアントにどんな調査を提案するかを決める段階では、AIをまったく使いません。調査テーマだけを踏まえてプロジェクトの方向性を提案するのではなく、クライアントのビジネス状況、社内での意思決定の進め方、各組織が担っている役割、見積もりまで、すべてを考慮して提案するからです。たとえばRFPだけを見れば定性調査が必要でも、クライアントの組織特性上、定性調査を実施しにくい場合もあります。そうした文脈をAIに一つひとつ説明するより、自分が持っている背景知識ですぐに判断するほうがはるかに速く、正確です。この段階は人にしかできない領域だと考えています。

特定の領域を除けばAI活用の強みが大きいだけに、リサーチャーという職種についても考えることがあったのではないでしょうか。

ジュン： 私はAIを使い始める前に、一歩先にリサーチャーという職業について考え、ある程度の結論を出していました。データスペースの前身であるフィードバック（feedback.io）がリリースされた頃に考え始めたんです。企業が自分たちでリサーチできる製品をつくったわけですから、私のように企業の外にいるリサーチャーは今後どうすればいいのだろう、と思いました。

ただ、製品のリリース後に運用しながら二つのことに気づいて、その悩みは整理できました。一つ目は、製品があっても専門家が必要な領域は確実に存在するということです。自分たちでデータを扱った経験のある企業は、データをさらに多く活用するようになり、そこからより複雑なリサーチにも挑戦するようになります。リサーチャーが必要になる地点が改めて生まれるわけです。二つ目は、製品が高度化し完成度を高めていくには、専門家のインプットが継続的に必要だということです。AIも良質なデータと知識を学習させ続ける必要がありますよね。結論として、リサーチのハードルが下がっても専門家には専門家としての役割が残ると考えるようになりました。AIも同じ流れだと感じたので、大きな不安なく自然に受け入れられました。

サンチェス： 私は少し違いました。分析プロセスを支援していたオープンアナリティクス（現在はデータスペースの分析機能に統合）やフィードバックを使っていた頃は、「いいな、革新的だな」と思う程度でした。ところが、データスペースをAIエージェントベースに刷新し、リサーチのノウハウを内在化させていく過程を間近で見るうちに、シニアリサーチャーとしての役割をもっと真剣に考えるようになりました。

正直に言えば、その問いはまだ完全には終わっていません。ただ、AIと働くことに慣れてくると、AIに任せることとシニアリサーチャーである自分がやることを明確に切り分けられるようになりましたし、AIがどれだけうまく仕事をこなしても、最終的な判断は人がしなければならないと感じています。「これは良い成果物か」を見抜く目がかつてないほど重要になっていて、それは経験から生まれるものです。この部分が、先ほどジュンが話していた「リサーチャーが必要になる地点」の一つなのだと思います。

Part 2. 自分のノウハウが詰まったAIを使うということ

データスペースAIには、オープンサーベイが蓄積してきたリサーチの暗黙知とノウハウがナレッジベースとして学習されています。自分の専門性が製品に溶け込んでいく過程に立ち会って、どのような思いがありましたか。

サンチェス： 別の組織にいた頃から、自分の経験を伝える試みは続けてきました。以前は人に伝えていたものが、今はその相手がAIになったということですね。社内でベストプラクティスを共有するセミナーを開いたり、マニュアルを共有したりといった一連の活動は、結局ノウハウを広める仕事です。ただ、こうした取り組みは一度きりで、そのまま消えてしまうように感じていました。1対1で教えるか、プロジェクトを一緒にやるのでなければ、多くの人に体得させるのは事実上不可能でした。

データスペースAIを使う前に、リム（ソン・ギョンリム COO）が、私を含む社内のリサーチ専門家がドキュメントやSlackに残したリサーチノウハウを学習させた「サンチェスボット」をつくり、オープンサーベイの社内で活用していました。ジュニアリサーチャーが簡単な質問をサンチェスボットで一次的に解決できるようになり、私はより本質的な問いに集中できました。同じようにデータスペースAIも、クライアントの初期段階の疑問を解いてくれて、簡単だけれど手間のかかる仕事を引き受けてくれるので、オープンサーベイ社内の専門家はより深い問いやビジネス課題に時間を使えます。リサーチャーの立場から見て、良い面が大きいと思います。

クライアントの立場でも、オープンサーベイが15年以上にわたってリサーチのドメインで積み上げたノウハウをデータスペースAIにつなげたことは大きな利点です。意図的に知識を探しにいかなくても、データスペースAIを使う過程で自然と身についていきますから。リサーチやデータ活用に関する知識が、かつてないほど厚くなっていくと思います。

一方で、個人のノウハウがデータスペースAIに移っていくぶん、リサーチャーとして別の力をもっと強化しなければと感じました。「自分はどんな役割を果たすべきか」をより積極的に考えるようになりましたし、現状に安住しないようにリサーチの方法論やトレンドにアンテナを張るきっかけにもなりました。統計をよく知っていて、質問票やレポートをうまく書けることにとどまるのではなく、クライアントのビジネス課題をリサーチでどう解くかをより深く考えるようになり、その過程でAIをより効果的・効率的に使うことが、リサーチャーである自分にとってこれから重要になる力だと感じています。

多くの試行錯誤と社内検証を経て、2026年4月にデータスペースAIが世に出ました。現場のリサーチャーとして実際に業務で使ってみて、いかがでしたか。実務で最も役に立つ瞬間も気になります。

ジュン： 最も大きく変わったのは、アンケートを設計し分析する業務の動線です。今はアンケートをつくるときにわざわざExcelを使わず、編集画面でデータスペースAIのサイドバーを横に開いて作業しています。いちばん良いのは、スペース（データスペース上のワークスペース）にすでに実施したアンケートがあれば、それを参照して新しいアンケートをつくれることです。以前つくった設問がどの調査に入っていたかを思い出す必要がなく、データスペースAIに聞けばすぐに見つけてくれます。

分析でもデータスペースAIをよく使っています。ローンチ直後の話ですが、担当していたプロジェクトの設問数があまりに多く、結果ページで直接分析するのが不便なほどでした。このとき複数のデータを比較分析するのにデータスペースAIを使ったところ、別途のマージ作業なしにすぐ比較でき、本当に役立つと感じました。データスペースAIにかなりの量の仕事をさせたのですが、終わってみると有料プランのアカウントの6か月分のクレジットを使っていました。おかげでプレゼンも無事に終えられました。

クライアントの立場では、リサーチに慣れていない方はリサーチを始める段階で多くの助けを得られるでしょうし、リサーチに慣れている方は分析の領域で効用を大きく感じられると思います。以前は必ず担当AMを通す必要があった分析が、今はデータさえあればデータスペースAIと直接できるようになりましたから。アンケート作成も分析も、データが蓄積されるほど活用度が高まり、より賢く使えるようになります。

リサーチ業務には汎用LLMも使えると思いますが、データスペースAIを選ぶ特別な理由はありますか。

ジュン： 何よりもワークフローの中に組み込まれていることだと思います。LLMの性能が全体的に底上げされてからは、アクセスのしやすさが決め手になりました。たとえばGoogleドキュメントに何かを書くときは自然とGemini（ジェミニ）を使うようになりますが、リサーチも同じです。データスペースの編集画面でアンケートをつくり、結果ページでデータを分析するときは、そこに組み込まれているデータスペースAIを使うのが最も効率的だと感じます。私もClaude（クロード）のような汎用LLMを使うことはありますが、データスペースAIが対応していない一部の分析手法が必要なときだけです。

サンチェス： 私は比率で見ると汎用LLMのほうが少し多いかもしれません。クライアントの課題を聞いて適したリサーチ方法論を探したり、初期の探索をしたりする仕事が多いので、その目的では幅広い情報を見渡せる汎用LLMをよく使います。それ以外の領域ではデータスペースAIを使います。オープンサーベイとのリサーチ履歴があるクライアントの場合、過去のリサーチを参照したり、過去のインサイトをもとに次のリサーチを進めたりする必要があるのですが、そこでデータスペースAIが本当に助けになります。質問票、結果データ、インサイトレポートなどをもとに答えてくれますから。結果データにざっと目を通すときや、レポートを書きながら分析の切り口に迷うとき、つまりデータをもとに何かをしなければならないときには、データスペースAIを使っていますね。

多くのクライアントがデータスペースの分析機能を気に入っています。データスペースAIでデータを分析するとき、汎用LLMとの違いを感じた点はありますか。

サンチェス： データスペースAIはとても正直です。データを拡大解釈せず、保守的な面もあります。たとえば汎用LLMは、統計的に有意な差がないのに自信を持ってストーリーをつくってしまう傾向があります。リサーチに詳しくなく、データ分析を難しく感じる実務担当者からすると検証が難しいので、危険な回答です。データスペースAIで分析すると、そういうことがありません。この特性のおかげで、分析の出発点を定める羅針盤の役割をうまく果たしてくれると思います。

ジュン： そうですね。データスペースAIは誇張したり、無理に起承転結をつくったりしません。クライアントのプロジェクトで自由記述の設問を分析した経験があります。汎用LLMでは「製品モデルごとに満足・不満足の理由が異なる」という分析が出てきました。同じデータをデータスペースAIで分析したときには出てこなかった内容です。そこでデータスペースAIに改めて確認してみたところ、「回答のなかで明確にモデルに言及して評価しているものは3件しかないため、満足・不満足の理由がモデルによって異なるとは解釈できない」と返ってきました。

汎用LLMは何を聞いても豊かに答えてくれます。一見するとどれももっともらしい。ただ、リサーチはデータに基づいて意思決定をする仕事なので、消費者データの範囲を超えて物語をつくってはいけません。見方によっては、データスペースAIの答えは汎用LLMに比べて物足りないと感じるかもしれません。それでもデータという基準を置いて、決して線を越えないんです。私にとっては、むしろそれがデータスペースAIを信頼できる理由です。

Part 3. 代替ではなく、能力を広げるAI

長くリサーチのキャリアを積んできたお二人にとって、リサーチをよく知るデータスペースAIはどんな存在になりましたか。

ジュン： 信頼して使える助手です。先ほど申し上げたとおり、汎用LLMは数字を扱うときに間違えることが多く、常に丁寧な検証が必要です。一方でデータスペースAIは、数値が間違っているという心配をしません。ローンチ初期は分析を依頼するたびに検証していましたが、一度も間違っていませんでした。ですから私にとっては信頼できる助手です。これはリサーチにおいて、特に分析段階のツールとして非常に大きな強みだと思います。

サンチェス： リサーチの伴走者だと感じます。リサーチ経験が豊富な人にも、少ない人にも、消費者リサーチに必要な知識と手続きのハードルを大きく下げてくれます。ビジネスの課題をデータで解こうとする誰にとっても大きな助けになるはずです。私たちの事業グループのAMたちがAIを使いながらリサーチの基礎スキルを伸ばし、考えるレベルを高めてきたのと同じように、データスペースAIは消費者をデータで理解する水準を引き上げてくれると思います。

最後に、これからAIとともに働くリサーチャー、そしてリサーチを始めようとしている人たちに一言お願いします。

サンチェス： 自分のリサーチのデータが気になる方には、あと少しだけ踏み出してデータスペースAIを体験してみてほしいです。実務担当者はデータの活用を難しく感じますが、データスペースAIは対話型なので、汎用LLMを使うのと同じくらい簡単です。短い質問でも投げかけてみれば、新しい世界が開けると思います。

ジュン： まず、リサーチャーではないけれど定期的にリサーチをしなければならず悩みが多い担当者の方は、データスペースAIで感じる効用がとても大きいはずです。専門知識がなくてもAIがうまく導いてくれますから。数字よりも文章やチャートでデータを見るほうが慣れている方が多いと思いますが、データスペースAIが複雑な数字を代わりに読んで整理してくれるので、データ活用のハードルがぐっと下がります。そして私のようなリサーチャーには、最近ローンチした合成消費者機能がいちばんの驚きになると思います。セグメントプロファイルをつくり、そのペルソナと直接対話しながら探索するのは、データを分析するのとは次元の違う体験です。より多くの疑問を解消でき、新しい発想を広げられます。職種に関係なく、データで消費者を理解したいと思うなら、まずはデータスペースに触れてみることをおすすめします。

AIがリサーチャーを代替するという話が出ています。しかし二人は、AIはリサーチャーの席を奪うのではなく、むしろ本物の専門家の判断が必要な領域をより鮮明にしてくれると言います。リサーチをよく知るAIのおかげで、リサーチャーは重要な領域に集中でき、リサーチを必要とする非専門家は、裾野が広がるなかで消費者データをより積極的に活用できます。その変化の中心にあるデータスペースAIに、ぜひ触れてみてください。