手作業のリサーチは、企業の収益性を下げる原因になります。

その理由は次のとおりです。

  1. 単調な繰り返し作業で、進んでやりたい人がほとんどいない
  2. リサーチには多くの時間がかかり、時間はそのままコストになる
  3. 人が担当すると、収集できる情報の質と量にばらつきが出る

これは誰にでも当てはまります。本来の業務ではないにもかかわらず、私たちはGoogleでの情報収集に多くの時間を費やしています。 McKinseyによると、勤務時間の19%が情報検索に使われています[4]。

そこで役立つのがAI Research Agentです。スプレッドシート上のAI検索を大規模化できます。本記事では、基本的な仕組みから、すぐに実践できるユースケースまで詳しく解説します。

📌 お急ぎの方向けの要約

本記事では、AI Agentを活用し、スプレッドシート上でAI検索を大規模に実行するためのポイントを網羅しています。要点だけ知りたい方は、以下をご覧ください。

課題： 手作業によるAI検索は時間がかかり、規模を拡大できません。複数の企業を1社ずつ調べる方法では、何時間もの生産性が失われます。

問題になる理由： 従来の検索は1件あたり約5分、100件なら8.3時間かかります。AI chatbotでも1件あたり約3分、100件なら5時間かかり、どちらもコピー＆ペーストを繰り返す必要があります。

解決策： DatablistのAI Research Agentのようなツールなら、スプレッドシート上でAI検索を大規模化し、100件のリサーチを数時間ではなく15分未満で完了できます。

本記事で分かること： AI検索の基本、AI Research Agentとchatbotの違い、具体的なユースケース、AI検索を大規模化する際の機能と制約を解説します。

AI検索の大規模化にDatablistを使う3つのメリット

  1. 最大10万件のレコードを含むスプレッドシートでAI検索を同時実行できる
  2. リストへ自動的にデータを入力し、手作業のコピー＆ペーストをなくせる
  3. LLMだけでなく、web scraping、API call、paginationなど複数のツールを使って複雑なリサーチを完了できる

本記事で解説する内容

AI Research Agentの仕組み

AI検索を大規模化するメリットを理解するには、まずAI Research Agentについて知る必要があります。そのために、AI検索と従来型検索を簡単に比較してみましょう。

従来型の検索

GoogleやBingなどの検索エンジンが、長年提供してきた検索方法です。現在も非常に便利ですが、問題は検索エンジンがユーザーの本当の目的を理解していないことです。従来型検索は、主に次の要素に依存しています。

  1. キーワード
  2. キーワードの検索意図
  3. キーワードの組み合わせ

ユーザーのゴールを分析して考えるのではなく、一致する情報を探します[1]。

従来型検索が役立つ場面もあります
従来型検索が役立つ場面もあります

AI検索

現在、多くの検索サービスが取り入れている方法です。 AI検索は、まだ答えを知らない相手に質問し、その相手が情報を調べて回答してくれるようなものだと考えると分かりやすいでしょう。

以前のAIは、もっともらしい回答を作り出すだけでした。 現在はAI自身が検索を行い、高い精度で情報を探せるようになっています。AIには次のことができるためです。

  1. 意図やニュアンスを分析する
  2. ゴールを理解する
  3. 複数の切り口から調べる

AI検索の最大のメリットは、情報を自分で探し、分析し、コピー＆ペーストする必要がないことです。AIが数千もの記事、論文、商品ページを確認し、必要な情報を抽出してくれます。

AI検索エンジンの例

  • Claude
  • Perplexity
  • Google AI Mode
  • ChatGPT search

まとめると、AI検索を使えば、次の作業が不要になります。

  • 複数のqueryを実行する
  • 関連ページを探す
  • 複数のタブを開く
  • 情報を抽出する
  • webページを1件ずつ確認する

ただし、AI検索が便利でも、通常は1つのchatbotで1回に1件しか検索できません。

AI検索の仕組み
AI検索の仕組み

DatablistのAI Research Agentを使うメリット

次の情報を調べる必要があると想像してみてください。

  • Anthropic AIの設立時期
  • 創業者
  • 最新のプロダクト
  • そのリリースに対するRedditユーザーの反応

従来の検索エンジンを使う場合、次の作業が必要です。

  1. 複数回検索する
  2. いくつものタブを開く
  3. 記事を読む
  4. すべての情報を手作業でスプレッドシートへコピー＆ペーストする

1社だけでも、少なくとも5分はかかります。100社のリストを調査するなら、500分、つまり約8.3時間のリサーチになります。

リサーチには自動化が必要です
リサーチには自動化が必要です

chatbotのAI検索を使う場合は、次の作業が必要です。

  1. queryを入力する
  2. 回答を待つ
  3. 情報をスプレッドシートへコピー＆ペーストする

適切なpromptを用意できているとしても、1件あたり約3分かかります。100件まで増やすと、300分、つまり5時間のリサーチです。

DatablistのAI Research Agentなら、この作業全体を約15分で完了できます。

  • 明確で効果的なpromptを書くのに5分
  • AI Research Agentがタスクを完了するまでに10分

つまり、485分、約8時間分の手作業を削減できます[2]。

これが可能なのは、DatablistのAI Research Agentが次のように動作するためです。

  1. スプレッドシート上でAI検索を実行する
  2. データのコピー＆ペーストを不要にする
  3. chatbotのように毎回ゼロから作業を始める必要がない

DatablistのAI Research Agentは、大規模なAI検索の実行を前提に設計されています。

これにより、大きな違いが生まれます。

  1. スプレッドシートの各行を新しいqueryとして扱うため、context memoryを保持できる
  2. 同じqueryに同じpromptを繰り返し適用し、高い精度と一貫性を確保する
  3. タスクの完了に使えるツールを、LLM以外にも複数備えている
人とAI Agentの連携方法
人とAI Agentの連携方法

📘 chatbotのAI検索とDatablistの違い

ClaudeやChatGPTなどのchatbotとDatablistのAI検索には、大きな機能差はありません。いずれも従来のLLMを超える機能を備えています。

大きな違いは、DatablistのAI Research Agentなら、最大10万件のリストに同じリサーチタスクを実行できる点です。chatbotでは、1回につき1件しか検索できません。

DatablistのAI Research Agentは万能ツール

DatablistのAI Research Agentは単なる検索ツールではありません。AI検索を大規模化するための多機能なシステムです。スプレッドシート上でClaude、Perplexity、ChatGPTが動作し、次の処理まで行うイメージです。

  1. GoogleとGoogle Newsを検索する
  2. webページを訪問する
  3. 複数ページをpaginationで巡回する
  4. 複数stepのタスクを実行する
  5. API callを実行する
  6. 情報を抽出する
  7. …

DatablistのAI Research Agentがリスト上でAI検索を実行するのに最適なツールである理由は、promptに応じて、各stepでどのツールを使うべきか判断できることです。

人間のresearcherが、より速く、正確かつ一貫して作業してくれるようなものです。

AI ProcessorとAI Research Agentの違い

AI Research Agentをさらに理解しやすくするため、対照的な選択肢であるAI Processorと比較してみましょう。

シンプルな違いです
シンプルな違いです

AI Processor

ExcelやGoogle SheetsのAI extensionを使ったことがある方は多いでしょう。これは、LLM APIを利用し、Excel sheetなどの限定された環境内で動作する基本的なapplicationです。

名前のとおり、こうしたシステムはデータを処理します。環境の外へ出ず、すでに保有しているデータを扱うことに最適化されています。主な用途は次のとおりです。

  1. データの変換
  2. データのクリーニング
  3. データの編集

AI Research Agent

DatablistのようなAI Research AgentはAI Processorと異なり、一定の制約のもとで自律的に動作し、外部の世界とやり取りするよう設計されています[3]。LLMも利用しますが、それ以外のツールも組み合わせることで、次の処理が可能です。

  • インターネットを閲覧する
  • 複数stepのタスクを実行する
  • さまざまな情報源からデータを収集する
  • その他、多数の処理を行う

💡 シンプルに考えましょう

AI Research Agentは、外部データを大規模に調査して取り込むシステムです。一方、AI Processorは、すでに保有しているデータを加工するためのシステムと考えると分かりやすいでしょう。

AI Research Agentが重要な理由

AI Research Agentの重要性は、実際に使うまで気づきにくいものです。そこで、現在もっともよく見られるユースケースであるLead Generation向けのリスト作成を例に、AI検索を大規模化する重要性をご説明します。

Lead Generationの課題

Lead Generationでは、多くの方が次の2つの課題を抱えています。

  1. 返信が少なすぎる
  2. 競合が多すぎる

誰もがLeadを求め、cold outreachを行っているからです。また、多くの方が、大切なのは気まずいpersonalizationではなくrelevanceであることを見落としています。汎用的なデータではrelevanceを高められないため、次の状況に陥ります。

↳ B2B databaseと基本的なscraperだけを使う

↳↳ ほかの企業と同じデータを使うことになる

↳↳↳ 同じprospect層を奪い合うことになる

↳↳↳↳ しかも、誰もが使う同じデータを基に競争する

この方法では、メッセージは初めから相手に関係のないものになってしまいます。

静的なdatabaseでは優位性を得られません
静的なdatabaseでは優位性を得られません

課題の解決策

問題は、原因を理解して初めて解決できます。原因を説明したところで、次はメッセージのrelevanceを高め、以下を実現する方法をご紹介します。

  1. 返信を増やす
  2. 過度な競争から抜け出す

解決策はシンプルです。relevanceの低さを改善します。具体的には次のとおりです。

↳ AI検索を大規模化する

↳↳ 本当に重要なデータを取得する

↳↳↳ 受信トレイの中で目立つ

すでにこの点を理解し、prospectを手作業で調査して、高度にpersonalizeされたメッセージを書いている方も少なくありません。しかし、この作業はもっと簡単かつ迅速に進められます。

相手に関係のないメッセージは避けましょう
相手に関係のないメッセージは避けましょう

Prospect Researchを大規模化する

少し考えてみてください。 皆さまのprospectは一社一社がまったく異なるわけではなく、互いに多くの共通点があります。私たちのprospectも同じです。prospectを見極める際には、常に同じデータポイントや特徴を確認するからです。これはICPの定義とも呼ばれます。

ICPを定義するためのデータポイントは、relevanceの高いメッセージを作る際にも役立ちます。したがって、databaseではなく独自のリサーチからデータポイントを取得すれば、競争上の優位性を得られます。

アプローチしたい企業が数千社あるなら、AI検索を大規模に実行し、関連性と精度の高い情報をまとめて取得するのが効果的です。

大規模AI検索はB2B databaseより優位です
大規模AI検索はB2B databaseより優位です

もちろん、AI検索の大規模化はLead list作成以外にも活用できます。 次のセクションでは、ほかの活用アイデアをご紹介します。

AI Research Agentの活用法

AI Research Agentの用途は、ほぼ無限にあります。基本的には、AI検索でできることなら、何でも大規模に実行できます。 まずは、代表的で効果の高いユースケースから見ていきましょう。

追記：Datablistでは、簡単に始められるpre-built templateも提供しています。

AI Research Agentのユースケース
AI Research Agentのユースケース
  • Contextual Domain Search： 企業名だけでは、正しいwebサイトを特定できない場合があります。「Apollo LLC」や「Pioneer GmbH」のような名前は、数千社を指す可能性があります。業界や所在地などのcontextを与えると、AI Research Agentが人間のように対象を絞り込み、正しいdomainを特定できます。
  • Case Studyのscraping： AI Research Agentが企業webサイトのリストを訪問し、case studyやportfolioページを見つけ、顧客名やプロジェクトの詳細などの重要情報を抽出します。
  • Amazon商品情報の抽出： Amazon商品のリストがあれば、DatablistのAI Research Agentを使って各商品の詳細を抽出できます。

AI検索を大規模化できなければ、上記の作業には何時間もかかります。AI Research Agentで実行する方法は、以下のガイドをご覧ください。

  1. 企業名からdomainを特定する方法
  2. Case Studyをscrapingする方法
  3. Amazonから商品情報を抽出する方法

お客様独自のユースケース

template以外にも、お客様はAI Research Agentをさまざまな独自リサーチに活用しています。実質的な限界は、アイデア次第です。特に興味深かった例をご紹介します。

  • 最新の研究論文を見つける： 特定の企業や研究機関が最近公開した研究論文やpublicationへのlinkを探す。
  • LinkedInに掲載されていない従業員を見つける： 企業webサイト、press release、conferenceの登壇者リストなどからteam memberを特定する。
  • 初めてCEOに就任した人物を特定する： 経歴を調査し、CEO職に就くのが初めてかどうかを判断する。
  • 病院の所有形態を確認する： 医療施設が民間所有か、公的所有かを調べる。
  • 最近のmedia掲載を追跡する： 企業が最近、news記事、press release、業界publicationに掲載されたかを確認する。
お客様によるAI Research Agentの活用例を見たときの反応
お客様によるAI Research Agentの活用例を見たときの反応

具体的な活用方法を確認したところで、次はAI Research Agentの機能と制約を見ていきましょう。

💡 限界を決めるのはアイデアだけです

本記事で紹介した例は、AI Research Agentでできることのごく一部です。アイデアをお持ちなら、それを実現するprompt作成を私たちがお手伝いします。

AI Research Agentの機能と制約

ツールを効果的に使うには、何ができ、何ができないのかを理解することが重要です。DatablistのAI Research Agentが持つ機能と制約を分かりやすくご紹介します。

AI Research Agentでできること

DatablistのAI Research Agentは、人間のresearcherが行う作業を再現し、自動化するよう設計されています。たとえば、次のことが可能です。

  1. AI検索を大規模に実行： スプレッドシート全体に独自のリサーチqueryを実行します。
  2. 情報の品質を評価： 見つけた情報のrelevanceを評価し、不要な情報を除外して重要な内容に絞り込みます。
  3. Confidence Scoreを提示： DatablistのAI Research Agentは結果ごとに0〜100のConfidence Scoreを付けます。特に複雑なリサーチで、信頼性の高い結果をすぐに見極めるのに役立ちます。
  4. 複数stepのタスクを実行： 「採用ページを見つけ、マーケティング職を探し、job titleを抽出して、仕事内容を要約する」など、複数のstepが必要な複雑なゴールを指定できます。
  5. contextを理解： キーワードを一致させるだけではありません。指定されたcontextを理解し、似た名前の企業を区別したり、明記されていない情報を見つけたりできます。
  6. 特定のデータを抽出： 「About Us」ページから企業のmission statementを取得する、Amazonの商品詳細を取得するなど、webページから非常に具体的な情報を抽出するよう指示できます。
  7. 目的に合った回答を作成： raw dataを返すだけでなく、情報を整理し、「この企業はドイツに製造工場を持っていますか？」といった直接的な質問に回答できます。
Datablist AI Research Agentの機能
Datablist AI Research Agentの機能

どのツールにも制約があり、AI Research Agentも例外ではありません。制約を理解しておくと、適切な期待値を設定し、効果的なworkflowを構築できます。

  1. loginの背後にある情報のscraping： usernameとpasswordで保護された情報にはアクセスできません。非公開のSNS profile、会員限定forum、社内dashboardなどが該当します。
  2. 一部webサイトへのアクセス： 自動化ツールやscraperを防ぐ強力な対策を導入しているwebサイトもあります。公開webの大部分にはアクセスできますが、保護レベルの高い一部サイトではblockされる場合があります。
  3. 100%の精度保証： AI Research Agentは高精度でConfidence Scoreも提示しますが、AI systemである以上、情報を誤って解釈したり、細かなニュアンスを見落としたりする可能性があります。特に5〜6以上のstepが必要なタスクでは注意が必要です。
  4. formやCAPTCHAの操作： web formへの入力、データ送信、CAPTCHAの解決はできません。情報の読み取りと抽出を目的としており、対話的なweb操作には対応していません。
AI Research Agentの制約
AI Research Agentの制約

スプレッドシート上でAI検索を大規模化できる今、手作業で検索を続ける必要があるでしょうか。

手作業のリサーチは生産性を損なうbottleneckとなり、結果にもばらつきを生みます。

AI Research Agentなら、この問題を解決できます。 データ収集を自動運転のように進められるためです。必要な情報が極めて複雑で、毎回人による確認が欠かせないものでなければ、AI Agentを使ってリサーチを大規模化する価値があります。

複雑な複数stepのタスクを実行できるAI Research Agentを使えば、次の成果を得られます。

  • 重要なデータを取得： 数千行にわたってAI検索を大規模に実行する
  • 数百時間を削減： 以前は数週間かかっていた手作業を自動化する
  • Personalization： outreachを無視できないものにする独自のデータポイントを集める
  • より質の高いLead listを作成： databaseでは得られない条件に基づいてprospectを評価する
  • あらゆる場所からデータを抽出： codeではなく自然言語を使い、webサイトのリストをscrapingする

皆さまの競合は休みません。私たちの競合も休みません。そして、私たちも休みません。

ツールはすでにそろっています。あとは、誰がもっともうまく使いこなすかです。

AI検索の大規模化に関するよくある質問（FAQ）

AI Research Agentの利用は難しいですか？

いいえ、難しくありません。Datablistのようなplatformでは、希望する内容を言葉で説明できれば、特別なスキルは不要です。Case Studyの検索やContextual Domain Searchなど、一般的なユースケース向けのpre-built templateも用意しています。独自のタスクでも、必要な内容を自然な文章で説明するシンプルなpromptを作成するだけです。

AI Research Agentで連絡先を見つけられますか？

いいえ。AI Research Agentは、webリサーチとwebサイトからのデータ抽出を目的に設計されています。email addressや電話番号などの連絡先を探す場合、DatablistではWaterfall Email Finderなどの専用enrichment toolを提供しています。複数のdata vendorを連鎖的に利用し、取得率を最大化します。

AI Research AgentとChatGPTの違いは何ですか？

どちらもlarge language modelを使用しますが、役割が異なります。ChatGPTは、学習データを基に質問へ回答するconversational AIです。AI Research Agentは、タスクを完了するために現在のインターネットを能動的に閲覧し、特定のwebサイトへアクセスして、新しい情報をリアルタイムで抽出できる実用的なツールです。

AI Research Agentとは何ですか？

AI Research Agentは、ゴールを理解し、インターネットを閲覧して、複数stepのリサーチを行い、情報の検索、抽出、整理まで実行できる自律型systemです。単純なweb scraperとは異なり、contextを理解し、複雑な目的を達成できるよう調査方法を調整します。

効果的なpromptはどう書けばよいですか？

優れたpromptは、明確かつ具体的で、必要なcontextを含んでいます。次のシンプルなframeworkをご活用ください。

  1. ゴールを伝える： Agentに何を見つけてほしいのかを明確に定義します。
  2. contextを与える： 企業webサイトなど、調査の出発点を指定します。
  3. 制約を設定する： 実行することと、実行しないことを伝えます。たとえば、「プロジェクト名だけを提示し、前置きや説明は不要」と指定します。
  4. 出力形式を定義する： データをどの形式で出力してほしいか、正確に指定します。

リスト上でAI検索を実行する方法は？

リスト上でAI検索を実行するには、Datablistのようにスプレッドシート全体へChatGPTのような検索を適用できるAI Research Agentを使用します。データをuploadし、調べたい内容をpromptに記載すると、Agentが各行に同じリサーチqueryを自動実行します。手作業のコピー＆ペーストをなくし、Perplexityのような検索を数千件のレコードへ同時に展開できます。

AI検索を大規模化する方法はありますか？

はい。スプレッドシート上で動作するDatablistのAI Research Agentを使えば、AI検索を大規模化できます。Agentが最大10万件のリスト全体に同じcontext付きリサーチqueryを実行するため、chatbotで1件ずつ検索する必要がありません。手作業のChatGPT検索なら何時間もかかる処理を、わずか数分の自動化された一貫性の高いリサーチに変えられます。

スプレッドシートでPerplexityのような検索を実行するには？

DatablistのAI Research Agentを使えば、スプレッドシート上でPerplexityのような検索を実行できます。Agentがインターネットを閲覧し、webサイトを訪問して、各行に必要な情報を自動抽出します。データと、調べたい内容を説明する明確なpromptを用意するだけです。Agentは各行を個別のcontext付き検索として扱い、手作業なしで一貫した結果を返します。

参考文献