Column

アンケートでは絶対に出てこない「本音」を、AIが大規模に引き出す時代

「なぜNPSが下がったのか」「なぜエンゲージメントが低いのか」——その本質的な理由は、選択肢式アンケートには現れない。571人実験で実証されたAI会話インタビューが、VoC・VoEの収集インフラをどう変えるか整理します。

2026 / 06 / 20 5 分で読める English version →

多数の吹き出しとチャット画面が並ぶ抽象的なイラスト。インタビュアーのアイコンとAIアイコンが会話している

こんにちは。Affectosphere Group の井下です。

マーケティングリサーチやHR担当の方と話していると、こういう不満をよく聞きます。

「NPSが下がっているのに、なぜ下がっているのかがアンケートでは分からない」。

「エンゲージメントサーベイをやると”やや不満”が増えているのは分かる。でも、何に不満なのかが見えない」。

「もっと深掘りしたいけど、1対1インタビューは時間とコストがかかりすぎる」。

定量アンケートと定性インタビューの間には、ずっと埋まらない溝がありました。

アンケートはスケールできるが浅い。インタビューは深いがスケールできない。この二者択一が、顧客・従業員調査の構造的な限界になってきました。

2026年にarXivで公開された研究（Alexander Wuttke, Max Melchior Lang, Christopher Klamm, Quirin Würschinger, Frauke Kreuter、arXiv:2606.20064）は、この制約を突破する試みを571人規模の実験で実証しています。

AI会話インタビューが、「スケーラブルな定性調査インフラ」として機能することを示した研究です。

今日は、HR・市場調査・エンゲージメント管理の現場で「どう使えるか」という観点から整理します。

今日の 3 点

価値: AI会話インタビューが「アンケートでは浮かばない洞察」を大規模に収集する。
研究が示したこと: 571人実験で明らかになった、会話型とアンケートの差。
現場での使い方: VoE・VoC収集にどう組み込むか、具体的なユースケース。

① なぜアンケートでは「本音」が出てこないのか

まず問題の構造を確認します。

定量アンケートには根本的な限界があります。選択肢を設計した時点で、回答の範囲が決まってしまうということです。

「現在の職場環境に満足していますか？　①非常に満足　②やや満足　③やや不満　④非常に不満」。

この設問では「上司との関係性は良いが、成長機会が見えなくて辞めたい」という複合的な感情を捉えられません。「評価制度への不満ではなく、チームの心理的安全性が低い」という本質的な問題も見えてきません。

人間インタビュアーによる半構造化インタビューなら、「そのやや不満は、具体的にどんな場面で感じますか？」と掘り下げられます。でも、それを100人・1000人に対してやるのは現実的ではない。

AI会話インタビューはここに入ります。

② 571人実験で分かったこと

論文はドイツの移民政策をテーマに571人を対象とした実験を設計し、音声インタビュー・チャットインタビュー・ハイブリッド（チャット＋音声）の3形式を比較検証しました。

最も重要な発見は「サブグループ間で異なるメンタルモデルの存在」です。

標準化されたアンケートでは「移民政策への賛否」という単一の軸で参加者を区別する傾向があります。でも、AI会話インタビューの書き起こしを分析したところ、同じ「賛成」でも、そこに至る論理・感情的な文脈・前提となる価値観が、サブグループによって大きく異なることが明らかになりました。

「同じ答えでも、理由がまったく違う」という発見は、アンケートでは出てこないものです。

3形式の比較では、音声・チャット・ハイブリッドいずれも定量アンケートよりリッチな会話データを収集できていましたが、形式によって回答の深さや参加者のコンフォートレベルに違いがありました。この詳細な比較は、現場でどの形式を選ぶかの判断材料になります。

AI会話インタビューは「人間インタビュアーの代替」ではなく「補完」として機能することも強調されています。高度な追加調査や感情的なサポートが必要な文脈では、依然として人間インタビュアーが必要です。

③ 現場でどう使うか — 3つのユースケース

ここからが本題です。

ユースケース1: 年次エンゲージメントサーベイの「理由補完」

多くの企業がやっているエンゲージメントサーベイは、年1回ないし四半期に1回です。

でも「3月に大規模な組織変更があった直後の6月に何が起きているか」は、次のサーベイまで分からない。そこで使えるのが常時傾聴モデルとしてのAI会話インタビューです。

具体的な設計: エンゲージメントスコアが急落した部門・チームに対して、月次でAI会話インタビューを配信。「最近、仕事で何か変化を感じていますか？」という自由回答起点の会話から始め、「その変化はどんな場面で感じますか？」と掘り下げていく。

KPI: 理由が特定できた離職リスク者の割合（従来のサーベイでは理由不明のまま離職していたケースの減少）。

ユースケース2: NPS低下後の「根本原因分析」

顧客のNPSが前四半期比で5ポイント下がった。でもアンケートの自由記述欄を見ても「対応が遅い」「使いにくい」という断片的なコメントしか残らない。

AI会話インタビューを使って、NPS7以下のDetractor顧客100人に対して15分の会話セッションを実施する。「最後に弊社のサービスを使ったとき、どんな体験でしたか？」から始め、「その”使いにくい”というのは、どのステップで感じましたか？」と掘り下げる。

100人の会話ログを自動集約・テーマ分類することで、「UXの問題ではなく、サポート対応の初回解決率の低さが本質」といった根本原因が浮かび上がります。

KPI: 根本原因特定までのリサーチ期間の短縮、次の四半期でのNPS改善率。

ユースケース3: 360度フィードバック後の「行動変容支援」

360度フィードバックを受け取ったマネージャーが「コミュニケーションの改善が必要」というフィードバックを受けたとします。

でも「コミュニケーション」は広すぎる。何を変えればいいかが分からない。

AI会話インタビューをマネージャーとチームメンバーの双方に実施し、「どんな場面でコミュニケーションのすれ違いを感じますか？」と具体的な状況を掘り出す。マネージャー側の認識とチームメンバー側の認識のギャップを可視化することで、「1on1の頻度ではなく、フィードバックのタイミングと質が問題」という具体的な改善仮説につなげられます。

「常時傾聴」という新しいインフラの設計

この研究が示すもっと大きな可能性は、「調査設計のパラダイムシフト」です。

従来の調査はイベント型でした。年1回のエンゲージメントサーベイ、商品購入後のアンケート、新製品リリース前のユーザーヒアリング。すべて「点」の情報収集です。

AI会話インタビューが安価かつ大規模に使えるようになると、「線」の情報収集が可能になります。特定のトリガー（離職面談前・NPS急落後・プロダクト改善後）に自動的に会話セッションを起動する仕組みです。

これは「調査する組織」から「傾聴し続ける組織」への転換です。

実装ハードルは実は高くありません。論文が示す通り、AIが人間インタビュアーの完全代替である必要はない。「深掘りが必要なケースだけを人間インタビュアーに回す」というトリアージとしてAIを使うことで、コストと深さを両立できます。

大規模・低コスト・深い洞察。この3つを同時に求めてきた現場の方に、この研究は一つの答えを出していると思います。

では！

参考論文

Alexander Wuttke, Max Melchior Lang, Christopher Klamm, Quirin Würschinger, Frauke Kreuter (2026). AI Conversational Interviewing: Scaling Up Semi-Structured and In-depth Interviews. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。