はじめに
AIがGTMの現場に入り、調査や制作、メールの下書きにかかる時間は確実に減りました。では、浮いた時間で事業の成果は変わったでしょうか。
AIによるGTMの変化は、作業時間を減らすことから始まります。その先にあるのは、実行の質と量を高め、顧客理解、戦略の意思決定、プロダクトの改善へ人の時間を振り向けることです。問うべきは、自動化した作業の数ではありません。その結果として何を学び、事業成果をどう変えたかです。
本稿では、2026年9月以降に海外で相次いだGTM関連の発表と実践事例を手がかりに、AI時代のプロダクトマーケティングとGTMの役割の変化を整理します。プロダクトマーケティングは「創る・売る・学ぶをつなぎ、プロダクトが売れ続ける仕組みを創る仕事」と捉え、PMMと、GTMを担う経営・営業・マーケティング・開発の方に向けて書いています。
前提——プロダクトが売れる三つの力
| 要素 | 中心となる問い |
|---|---|
| 戦略性 | 今、誰のどんな課題に向けて、何をつくるべきか |
| プロダクト力 | その人が使いたくなり、使って価値を実感できるか |
| GTM力 | マーケティング・営業・カスタマーサクセスを通じて、価値を届け、売り、継続・拡張につなげられるか |
三つの力は互いに影響し合い、成果を左右します。プロダクト力には、機能だけでなく、使いやすさや導入・利用時の体験も含みます。GTM力には、販売に加えて、顧客獲得から継続・拡張までを含めます。
本稿では、GTMをマーケティング・営業・カスタマーサクセスの三領域で捉えます。GTM力とは、三領域を通じて価値を届け、売り、顧客の成果と継続・拡張につなげる力です。そして各領域で得た学びを、戦略とプロダクトへ戻します。
実行の質と量を高める
GTMの実行を強くする問いは二つあります。「実行の質をどう上げるか」と「実行の量をどう増やすか」です。作業が速くなっても、相手や提案が外れていれば成果は伸びません。一方で、良い提案でも、実行が足りなければ市場には届きません。
GTMの実行力 = 実行の質 × 実行の量
| 観点 | 中心となる問い | 人とAIの役割 |
|---|---|---|
| 質 | 誰に・いつ・何を届けるか | データでシグナルを捉え、ルールとAIで状況を評価する。人が現場の知見を加え、判断する |
| 量 | 必要なアクションを、どれだけ実行できるか | 人が目的・方針を示し、AIが制作・配信・フォロー・記録を実行する |
AIと人で判断の質を高め、AIで実行できる量を増やします。「どう届けるか」のうち、チャネルや伝え方の選択は質に、選んだ方法で実際に届ける作業は量に関わります。AIに任せる範囲を広げても、承認した方針を外れる顧客への送信、価格、契約条件など、外したときの損失が大きいものには人の承認を残します。
実行量の拡大から、学習による質の向上へ
AI活用は、調査や制作を速くする段階から、実行結果を次の判断と改善に使う段階へ広がっています。2026年10月のClayの発表(In the era of agents, GTM alpha means self-learning)でも、実行・記録・改善提案をつなぐ自己学習型の収益システムが前面に出ています。同社は、自己学習が効く範囲を「次に送るメッセージ」「アカウントごとの次の施策」「次の戦略」の三つに分け、いずれも人が承認して反映する形を示しています。
増やすべき量には、送信数や制作本数だけでなく、「検証の回数」を含めます。対象を絞って仮説を試し、結果を比較し、次の実行を変える。量が学習の材料になり、その学習が質を高める。この循環をつくることが目的です。
人の時間のポートフォリオを変える
SaaSを中心とする業務では、人がツールを操作し、入力し、次の作業へつなぐ場面が多くありました。AIを組み込むことで、情報収集、下書き、評価、配信、記録などを連続して任せられる範囲が広がります。ただし、実現できる範囲は、業務やデータ、品質要件によって異なります。
生まれた時間は、顧客の現場を見ること、仮説を検証すること、プロダクトを磨くこと、戦略を選ぶことに使います。ここで気をつけたいのは、時間は放っておくと溶けるということです。個人の作業が少し速くなっても、浮いた時間の使い道を決めていなければ、生産性は上がりません。実行の量だけを増やし、人の確認負荷も増えている状態では、時間の再配分は起きません。例外対応とレビューの設計まで含めて、業務を組み替える必要があります。
質は商談化率・受注率・継続率で、量は対応件数・接点数・検証回数で確かめます。加えて、浮いた時間を顧客との対話や、プロダクト・戦略の改善に振り向けられたかを確かめます。
人の嗅覚とAIの検証を組み合わせる
「リサーチと仮説はAI、意思決定は人」という分担だけでは、人が果たす役割を十分に表せません。現場で得た違和感、顧客の言葉、過去の失敗は、何を調べるか、どの仮説を試すかを決める起点になります。
人の嗅覚で方向をつけ、AIで検証を速め、人が決断する。
| 段階 | 人が時間と責任を持つこと | AIに任せること |
|---|---|---|
| 仮説の起点 | 顧客接点から当たりをつけ、背景・制約・前提を伝える | 別の見方や見落とし、仮説の候補を示す |
| 検証 | 顧客への確認と実験を行い、事実を確かめる | 調査、比較、反証、分析、実験結果の整理 |
| 意思決定 | 何に賭け、何を捨てるかを決め、責任を持つ | 根拠、不確実性、選択肢の違いの整理 |
| 実行と改善 | 任せる範囲と評価基準を決め、重要な変更を承認する | 定めた範囲での実行、記録、改善案の提示 |
前提は、AIが考えるためのジャンプ台になる
AIにゼロから探索させることにも価値はあります。ただ、目的や前提が曖昧なまま任せると、検討が拡散し、一般論に寄りやすくなります。「この顧客の発言が気になる」「この条件では導入が進まない」といった一次情報を渡すことで、検討の焦点を絞れます。一方で、人の仮説も誤りえます。反証や別の説明を、AIに求めることが大切です。
AI上で説明の整合性が高まったことと、顧客・市場で検証されたことは別物です。購買意欲や価値の実感は、実際の会話、利用、提案、販売の実験といった証拠で確かめます。
PMMは、戦略と実行をつなぐ
PMMは、顧客の課題と選ばれる理由を定義し、開発とGTMの三領域をつなぎます。マーケティングの反応、営業の受注・失注の理由、カスタマーサクセスが得た利用・継続の学びを、ICP、訴求、プロダクトの改善へ反映します。AIが参照する前提と評価基準を言葉にしておくことも、PMMの重要な仕事になります。
能力開発も、時間の再配分先の一つです。必要なのは、プロンプトの書き方だけではありません。業務を分解する力、データとシステムをつなぐ理解、AIの出力を評価する力です。AIから支援を得ながらも、人自身が現場の経験と判断力を更新し続ける必要があります。
9月以降のGTM関連イベントに見る論点
ここからは、2026年9月以降の公式発表・開催後の記事と、公式のセッション紹介をもとに整理します。製品の発表やデモは、顧客企業で効果が確かめられた実装事例とは区別して扱います。また、取り上げる材料の多くはClay自身の発信です。自社製品の利用を広げたい立場からの発信であり、第三者による検証は経ていない点を前提に読んでください。
Clay Sculpt(10月8日)——自己学習する収益システム
Clayは、10月8日のSculptの振り返り記事(Sculpt recap: Building the self-learning revenue engine)で「自己学習する収益システム」を掲げました。新しいエージェントは、ICP・ペルソナ・ポジショニングを持つKnowledge Hubを参照して施策を計画し、結果から改善案を出します。人が採用した提案を、次の施策へ反映する設計です。発表時点で、エージェントは早期提供として段階的に展開中、Workflowsはベータと説明されています。
これは、AIが作業を代替するだけでなく、実行の証拠を蓄積し、施策や戦略の更新につなげる方向を示しています。ここでいう自己学習は、結果を記憶やルール、プロンプト、戦略情報へ反映する運用を含みます。基盤モデルの再学習だけを指すものではありません。
現場の仮説を、全社の仕組みにする
Clayの営業実践を扱うライブ配信の公式解説(How Clay uses Clay: Running Cold Outbound to Enterprise Accounts)では、現場の営業が小さく試して成果が出た施策を、GTMエンジニアリングチームが営業組織の全員で使える水準に引き上げる分担が説明されています。データの探し方やアカウントの優先順位づけは共通の仕組みとして固定し、文面は各営業が自分のものとして持つ形です。現場の顧客理解と、中央のチームによる品質・統制を組み合わせる考え方といえます。
戦略と、顧客にとっての関連性を問う
Sculptの公式プログラム(Sculpt 2026)では、BlueprintのJordan Crawford氏が、データやAIの能力が増えても商談が増えない問題をテーマに掲げています。CanvaのRobert Jones氏は、ツールではなく改善すべき仕事を起点にする枠組みを示し、Lucidは専任のGTMエンジニアに頼らない部門横断のチームを取り上げました。いずれもセッション紹介で確かめた論点です。
HubSpot UNBOUND(9月16〜18日)——部門をまたぐ文脈
HubSpot UNBOUNDのセッション(Building the GTM Motion of 2026 With Clay and AI Agents)は、ClayとAIエージェントを扱い、営業とマーケティングの分断、画一的なアプローチ、使われないリードやコンテンツを課題に掲げました。同時期のHubSpotの公式発表(Fall 2026 Spotlight)は、自社の事業・顧客・チームの文脈をまとめて持つ「Growth Context」を土台に据え、AIによる施策の制作や商談の進行を打ち出しています。
各社の発表から読み取れるのは、単体のツール活用から、共通の顧客情報を使い、部門をまたいで実行と改善をつなぐ設計への広がりです。
学習を組み込む実践と、それを支える基盤
Clayの営業メール改善ループ(10月21日公開)——人の修正理由から学ぶ
Clayは、営業施策をソフトウェアのように検証・変更する「GTM CI/CD」を公開しました(In an Agentic GTM Era, Sales Plays Will Ship Like Software)。AIが生成したメールと、営業が修正して送ったメールを比べ、修正の理由を集めて改善の仮説を整理します。安定版と実験版をA/Bテストし、人のレビューを経て本番へ反映します。同社は、見込み客1人あたりの下書き作業が約7分から1分になったと報告しています。
注目したいのは、初期のループがうまくいかなかったことまで公開されている点です。最初のループは、修正の重要度よりも出現頻度を重く見て、文面の品質を悪化させたといいます。改善には、良い文章の基準、過去の学びを引き継ぐ記憶、人が判断しやすいレビュー画面が必要でした。人の経験と評価基準を、仕組みが読める形で運用に組み込まなければ、学習は回らないことを示しています。なお、数値は同社の報告であり、受注への因果効果を示すものではありません。
ClayのInbound SDR Agent(10月8日プレビュー)——接点を学びの場にする
Sculptでは、音声でリードを見極め、顧客の用途に合わせて実際の製品をデモし、適切な担当営業の予定につなぐInbound SDR Agentがプレビューされました(Sculpt 2026 Showcase)。過去のデモや会話から学び、対話の中身からICPやポジショニングの見直しを提案する構想も示されています。発表時点ではプレビューであり、成果が確かめられた顧客事例としては扱いません。
注目点は、AIによる対応が、顧客理解を蓄積する接点にもなることです。対応の速さや件数に加え、その会話から何を学び、戦略やプロダクトへ戻せるか。これが次の評価軸になります。
業務ノウハウを再利用する基盤(10月22日)
Anthropicは、専門知識や業務手順をエージェントに渡す仕組みであるAgent Skillsの標準を、Linux Foundation傘下のAgentic AI Foundationへ寄贈すると発表しました(Donating Agent Skills to the Agentic AI Foundation)。個人が書いた指示文を、その場の会話で終わらせず、手順・参照資料・スクリプトを含む再利用できる資産として扱う動きです。
GTMでは、ICPの評価、営業の準備、顧客課題の分類、コンテンツ制作の基準などを共通化する用途に使えます。ただし、標準化しただけで品質が保証されるわけではありません。自社の証拠に基づいて評価し、更新し続けることが必要です。
自社の知識を、どこに置くか
ここまでの三つの動きを並べると、一つの論点が浮かびます。ClayのKnowledge HubもHubSpotのGrowth Contextも、ICP・ペルソナ・評価の前提を、そのベンダーの製品の中に持つ設計です。一方、Agent Skillsは、特定のベンダーに依存しない標準として公開されています。
学習する仕組みが育つほど、その中に貯まるICP、評価基準、人が直した理由は、自社の競争力そのものになります。それをどの製品の中に置き、どこまで自社で持つか。これはツール選びではなく、経営が判断すべき論点です。
三領域をつなぐGTMエンジニアリング
ここまでの動きを、自社の仕組みとして形にするのがGTMエンジニアリングです。GTMエンジニアリングとは、データ・AI・システムを組み合わせ、GTMプロセスを自動化・最適化することで、再現性のある収益システムへと進化させる活動です。
具体的には、シグナルの検知、評価、アクション、結果の記録をつなぎます。人が持つ戦略やノウハウを実行できる形にし、例外対応と変更のレビューも設計します。目的は自動化を増やすことそのものではありません。自動化を通じて、成果を再現し、改善できる収益システムを育てることです。
GTMは、マーケティングで獲得し、営業で受注して終わるものではありません。カスタマーサクセスで顧客の価値実現と継続・拡張を支え、その学びを次の獲得やプロダクトの改善に戻します。三領域の実行の質と量を高め、引き継ぎと学習をつなぐことが重要になります。
| 領域 | 実行の質を高める | 実行の量を増やす |
|---|---|---|
| マーケティング | 顧客理解、ターゲティング、訴求の精度を高める | コンテンツ、施策、検証を増やす |
| 営業 | 課題と検討状況に合う提案やフォローを行う | 顧客対応、接点、フォローを増やす |
| カスタマーサクセス | 利用の停滞や解約・拡張の兆しを捉え、適切に支援する | 支援できる顧客数と、必要な接点を増やす |
分断が起きやすいのは、領域と領域の継ぎ目です。マーケティングから営業へは、リードの連絡先だけでなく、捉えたシグナル、顧客との会話、優先した理由まで渡します。何をもって「有効な商談」とするかは、渡す側と受ける側で定義を合わせておきます。営業からカスタマーサクセスへも同じく、受注の理由と顧客が期待している成果を渡します。
シグナルから、評価とアクションへ
三領域に共通する構造は、Signal → Evaluation → Actionです。顧客の変化をデータで捉え(Signal)、対応の必要性と優先度を評価し(Evaluation)、適切なアクションにつなげます(Action)。定型的な判断はAIやルールに任せ、重要な判断と例外は人が担います。そして結果を記録し、次の判断と実行を改善します。
改善では、成果(商談・受注・継続)と、仕組みの利用状況(動いたか、出力が採用されたか、人がどこを直したか)を分けて測ります。成果が出ないときは、データが足りないのか、きっかけが違うのか、評価がずれているのか、打ち手が弱いのかを切り分けます。そのうえで、効いた打ち手、断られた理由、人が直した文面、承認で止めた理由を、評価基準や知識として仕組みに書き戻します。先に見たClayの改善ループのように、一周するたびに判断の精度が上がっていきます。
カスタマーサクセスへの適用例
以下は実在企業の成果報告ではなく、同じ構造をカスタマーサクセスに当てはめた設計例です。
利用率の低下、主要機能の未利用、顧客との接点の減少などを検知します。ルールとAIが、会話の履歴や契約・利用の情報から解約の可能性と理由を判定し、優先度と対応案を付けます。人が判断するのは、重要な顧客と、担当者の見立てと判定が食い違う顧客です。それ以外は、承認済みの方針に沿ってAIが一次フォローを行います。利用が広がっている顧客を捉え、追加提案につなげる場合も同じ構造です。
評価するのは、メールの送信数だけではありません。利用の回復、顧客が価値を得るまでの時間、継続率、解約率、担当者の工数を確かめます。施策の前後の変化だけで因果を断定せず、対象の条件や比較群も踏まえて検証します。
三領域の学びを、戦略とプロダクトへ戻す
マーケティングで反応した層と、実際に受注し、継続した層は、一致するとは限りません。受注の理由、導入後の利用、解約の理由をつなげて初めて、狙う顧客や提供価値の仮説を更新できます。その前提として、MA・SFA・カスタマーサクセスの記録が、同じ一社として名寄せされている必要があります。SFAやMAを導入していても、ここがつながっていない企業は少なくありません。学習する仕組みづくりは、この土台を整えるところから始まります。獲得の効率だけでなく、顧客の価値実現と継続まで見て、戦略とプロダクトを磨きます。
PMMとGTMチームへの示唆
AIと人で「誰に・いつ・何を届けるか」を判断し、人が示した目的と方針に沿って、AIが実行を担います。マーケティングは有効な商談の創出まで、営業は商談の進行と受注まで、カスタマーサクセスは価値実現と継続・拡張までを確かめます。人の修正理由と結果を残し、次の判断の質へつなげます。
人の時間は、顧客との対話、仮説の形成、プロダクトの改善、重要な意思決定へ振り向けます。AIが進める実行と検証を、人の嗅覚と判断で方向づけ、その学びを次の施策へ戻す。この循環を動かすことが、AI時代のプロダクトマーケティングの実践です。
どこから仕組みに組み込むべきか判断に迷う場合は、GTMアーキテクチャ診断をご用意しています。現状のGTMプロセスとデータを棚卸しし、どこから着手すれば数字が動くかを整理してお渡しします。お問い合わせはこちら
合わせて読みたい関連記事
- GTMエンジニアリングとは何か——データ・AI・システムを組み合わせ、再現性のある収益システムを創り出すメソッド
- AI-Native PMMはプロダクトマーケティングをどう変えるか——海外動向と日本の課題を読み解く
- 営業の「量」から「精度」へ――購買シグナルを起点にしたB2B営業改革の全体像
参考情報
- Clay「In the era of agents, GTM alpha means self-learning」(2026)
- Clay「Sculpt recap: Building the self-learning revenue engine」(2026)
- Clay「How Clay uses Clay: Running Cold Outbound to Enterprise Accounts」(2026)
- Clay「Sculpt 2026 公式プログラム」(2026)
- HubSpot「Building the GTM Motion of 2026 With Clay and AI Agents」(2026)
- HubSpot「Fall 2026 Spotlight」(2026)
- Clay「In an Agentic GTM Era, Sales Plays Will Ship Like Software」(2026)
- Clay「Sculpt 2026 Showcase」(2026)
- Anthropic「Donating Agent Skills to the Agentic AI Foundation」(2026)