営業リスト作成AIの完全ガイド｜自動作成の手順6ステップ・プロンプト集・精度の見極め方
営業リスト作成AIの完全ガイド｜自動作成の手順6ステップ・プロンプト集・精度の見極め方
営業リスト作成AIとは、企業データベースやWeb上の公開情報からAIがターゲット条件に合う企業を自動で抽出・整形し、見込み顧客リストを作成する仕組みの総称である。専用ツールに搭載されたAIを使う方法と、ChatGPT等の生成AIで素案を作る方法があり、手作業に比べて作成時間を大幅に短縮できる一方、データの鮮度や実在性の検証は人間側の運用に残る。
「新規開拓のリストを作るだけで半日が消える」「買ったリストは重複と廃業企業だらけで、結局1件ずつ調べ直している」「ChatGPTでリストを作ってみたら、存在しない会社が混ざっていた」——営業リスト作成AIを調べる人の多くが、この**「リスト作りに時間を奪われているのに、出来上がったリストの質も信用できない」**という二重の課題を抱えています。
世の中の解説記事は「AIツールおすすめ10選」の比較か「ChatGPTでリストを作るプロンプト例」のどちらかに偏っていて、肝心のリスト作成という業務全体のどこをAIに任せ、どこを人間が握り、出来上がったリストの精度をどう検証するか——つまり明日から自社で回せる運用の設計図は、ほとんど提供されていません。本記事は、営業リスト作成AIを「ツール名を知っている」から「自社の工程に組み込んで精度を担保しながら回せる」状態まで持っていくことをゴールに、手順・プロンプト・チェックリスト・費用対効果の試算式をすべて本文内で完結する形で解説します。
Key Takeaways（要点）
- 営業リスト作成AIは**「企業データベース型」「生成AI型（ChatGPT等）」「エージェント型」の3方式**に大別される。確実性ならデータベース型、コストゼロで試すなら生成AI型、工程ごと自動化したいならエージェント型と、向き不向きがはっきり分かれる。
- AIに任せて成果が出るのは、リスト作成をICP定義→検索軸設定→AI抽出→クレンジング→優先度付け→CRM連携の6工程に分解し、各工程で「AIが効く所」と「人間が握る所」を切り分けた場合。丸投げは精度劣化の最短ルート。
- 生成AIで作ったリストにはハルシネーション（実在しない企業・誤った連絡先）が混入しうる。ChatGPTは企業の実在性を担保できないため、「実在性確認→連絡先照合→重複チェック」の検証3ステップを必ず通す。
- リストの良し悪しはデータ鮮度・網羅性・検索軸の細かさ・重複除外・連絡先取得・CRM連携・無料枠の制約の7軸で○△×評価できる。この記事のチェックリストをそのまま自社の評価表として使える。
- AIでリストを作って終わりではなく、どのリスト属性の企業が商談化したかを計測してICP定義に還流するフィードバックループまで設計して、はじめてリストの精度は上がり続ける。
営業リスト作成AIとは——手作業のリスト作りと何が違うのか
営業リスト作成AIとは、ターゲット条件（業種・地域・従業員数・売上規模など）を指定すると、AIが企業データベースやWeb上の公開情報から条件に合う企業を抽出し、営業リストとして整形・出力してくれる仕組みのことです。専用ツールに搭載されたAI機能を指す場合と、ChatGPTやGeminiのような汎用の生成AIをリスト作成に活用する方法の両方を含みます。
なぜいまこの領域が注目されているのか。背景にあるのは、営業担当者の時間の使われ方です。Salesforceの年次調査「セールス最新事情」第5版（2023年2月発表）によれば、営業担当者が実際の販売活動に費やせる時間は**週のわずか28%にとどまり、残りは案件管理やデータ入力などの周辺業務に消えています（出典: Salesforce「セールス最新事情」第5版）。第6版（2024年9月発表）でも、日本の営業担当者が営業活動に使えている時間は週の平均32%**と報告されており、約7割が本来の営業以外に使われている構図は変わっていません（出典: Salesforce「セールス最新事情」第6版）。ターゲット企業を1社ずつ検索し、会社概要をコピーし、Excelに貼り付ける——この典型的な「非営業時間」を圧縮する手段として、リスト作成のAI化は最も着手しやすい領域です。
手作業のリスト作成とAI活用の違い
手作業とAI活用の差は「速さ」だけではありません。工程ごとに比較すると、差が出る場所と出ない場所がはっきりします。
| 工程 | 手作業 | AI活用 |
|---|---|---|
| ターゲット条件の定義 | 営業の経験則に依存 | 既存顧客データの分析から類似企業を提案できる（ツールによる） |
| 企業の検索・収集 | 1社ずつWeb検索・業界名鑑を目視 | 条件指定で数百〜数千社を一括抽出 |
| 情報の転記・整形 | コピー&ペーストの繰り返し | 表形式・CSVで自動出力 |
| 重複・廃業の除去 | 目視チェック（漏れが多い） | 名寄せ・重複排除機能で自動化（精度はツール差が大きい） |
| 優先順位付け | 担当者の勘 | スコアリングで機械的に並べ替え |
| 情報の鮮度維持 | 作った瞬間から陳腐化 | データベース型は定期更新（更新頻度の確認が必須） |
重要なのは、AIが効くのは「検索・収集・整形」という作業の部分であって、「誰に売るべきか」というターゲティングの判断そのものは依然として人間の仕事だという点です。この分担を曖昧にしたままツールを導入すると、「大量だが刺さらないリスト」が高速に量産されるだけに終わります。
仕組み——AIは何をしているのか
企業データベース型のツールを例にすると、営業リスト作成AIの内部では大きく3つの処理が動いています。
- 収集: 企業の公式サイト、登記情報、求人情報、プレスリリースなどの公開情報をクローリングし、データベースに蓄積する
- 抽出: ユーザーが指定した条件（業種×地域×規模など）に合致する企業を検索し、関連度や成約見込みでスコアリングする
- 出力: 企業名・URL・所在地・連絡先などをリスト形式に整形し、CSVやCRM連携で出力する
生成AI型（ChatGPTなど）の場合は、この「収集」を自前のデータベースではなく学習データとWeb検索結果に頼るため、情報の網羅性と実在性の保証が構造的に弱くなります。この違いが後述する「方式選び」と「精度検証」の出発点になります。
営業リスト作成AIの3つの方式——企業データベース型・生成AI型・エージェント型
営業リスト作成AIは、仕組みの違いで3つの方式に分類できます。方式によって精度・費用・手間がまったく異なるため、ツール名の比較より先にこの分類を押さえるのが選定の近道です。
| 方式 | 仕組み | 精度・鮮度 | 費用感 | 向いているケース | 代表例 |
|---|---|---|---|---|---|
| ①企業データベース型 | 自社保有の企業DBからAIが条件抽出・スコアリング | 高い（運営元がデータを保守・更新） | 月額数千円〜数万円が中心 | 件数と確実性が必要な本格運用 | Musubu、SalesNow、BIZMAPS、FUMA |
| ②生成AI型（自作） | ChatGPT/Gemini等に条件を指定して素案を出力 | 低い（実在性の保証なし・検証必須） | 無料〜月額数千円 | コストゼロで試したい・リストの叩き台が欲しい | ChatGPT、Gemini、Claude |
| ③エージェント型 | AIエージェントが検索→抽出→整形→送信まで工程を連続実行 | 設計依存（組み方で大きく変わる） | ツール月額＋構築工数（外注なら初期費用数十万円〜） | リスト作成を含む工程全体を自動化したい | 生成AI×ローコードの組み合わせ、各社のAIエージェント機能 |
①企業データベース型——確実性を買う方式
運営会社が保守する企業データベースに対して、AIが条件抽出やレコメンドを行う方式です。たとえばMusubu（Baseconnect社）は1,200万件超の企業データを公式に掲げており（出典: Musubu公式サイト・2026年6月時点の表記）、業種・地域・従業員数といった条件での絞り込みに加えて、既存顧客の傾向から類似企業を提案するAI機能を備えています。SalesNowやBIZMAPS、無料で使えるFUMAなども同系統で、収録件数や検索軸の細かさ、連絡先情報の充実度がツールごとの差別化ポイントです（収録件数は各社とも更新・拡大が続くため、更新頻度とあわせて必ず公式サイトで最新値を確認してください）。
この方式の本質は「データの品質管理を運営会社に外注する」ことです。廃業企業の除去や情報更新を自社でやらなくてよい代わりに、月額費用を払う。後述するROI試算で、この外注費が自社の工数削減に見合うかを判断します。
②生成AI型——無料で素案を作る方式
ChatGPTやGeminiに「東京都内の従業員50〜200名のIT企業を20社、表形式で」のように指示してリストの素案を出力させる方式です。費用はかからず、思いついた瞬間に試せるのが最大の利点です。
ただし、この方式には構造的な限界があります。生成AIは「それらしい企業リスト」を作る能力はあっても、各企業が実在し、情報が最新であることを保証する仕組みを持っていません。実在しない企業名や、実在企業でも誤ったURL・電話番号が出力される現象（ハルシネーション）は、モデルが進化した現在でも完全にはなくなっていません。生成AI型を使う場合は、後述の検証3ステップをセットで運用することが前提条件です。逆に言えば、「ターゲット条件の壁打ち」「業界の調査」「リストの整形・分類」のような実在性の保証が不要な工程では、生成AIは無料とは思えない働きをします。
③エージェント型——工程ごと自動化する方式
検索→抽出→整形→CRM登録→（場合によっては）アプローチ文面の生成まで、複数の工程をAIエージェントが連続して実行する方式です。生成AIとローコードツールを組み合わせて自社の工程に合わせたエージェントを構築する例や、SaaSツール側がエージェント機能として提供する例が増えています。リスト作成単体ではなく営業プロセス全体の自動化を視野に入れるなら、AI営業エージェントの全体像もあわせて確認してください。
エージェント型は「うまく設計すれば最も省力、設計を誤れば誤ったリストを高速に量産する」方式です。導入の順序としては、①データベース型または生成AI型でリスト作成の工程と品質基準を自社で言語化し、②再現性が確認できた工程からエージェントに移していく、という段階を踏むのが安全です。
AIで営業リストを作成する6ステップ——どこをAIに任せ、どこを人間が握るか
方式を選んだら、次は工程の設計です。営業リスト作成は「ツールに条件を入れてダウンロードしたら終わり」ではなく、6つのステップからなる一連の業務として設計すると、AIの効果が最大化されます。各ステップで「AIが効く所」と「人間が握るべき所」を明示します。
| ステップ | やること | AIが効く所 | 人間が握る所 |
|---|---|---|---|
| 1. ICP定義 | 理想の顧客像（業種・規模・課題）を言語化 | 既存顧客データの傾向分析、壁打ち相手 | 「誰に売るか」の最終判断 |
| 2. 検索軸の設定 | ICPをツールの検索条件に翻訳 | 条件候補の提案、検索クエリ生成 | 条件の優先順位・絞り込み度合い |
| 3. AI抽出 | 条件に合う企業を抽出 | 一括抽出・類似企業レコメンド | 抽出結果のサンプル検品 |
| 4. クレンジング・名寄せ | 重複・廃業・対象外企業の除去 | 重複検出・表記ゆれの統一 | 除外基準の設定、最終確認 |
| 5. 優先度スコアリング | アプローチ順を決める | スコア計算・並べ替え | スコアの重み付け設計 |
| 6. CRM連携・運用 | リストを営業活動に接続 | 自動登録・更新 | 運用ルール、結果の振り返り |
ステップ1: ICP定義——リストの質はここで8割決まる
ICP（Ideal Customer Profile: 理想顧客プロファイル）とは、自社の商品・サービスが最も価値を発揮し、受注確度と継続率が高い顧客企業の条件を定義したものです。業種・従業員規模・売上規模・地域といった属性に加えて、「どんな課題を抱えているときに自社が選ばれるか」まで言語化します。
ここで最も効くデータは、Web上のどこにもありません。自社の受注実績です。直近1〜2年の受注企業を並べ、業種・規模・受注経緯に共通点がないかを洗い出します。この分析の壁打ち相手として生成AIは優秀で、受注企業の傾向（匿名化したもの）を渡して共通項の仮説を出させると、人間が見落とす切り口が出てくることがあります。逆に、ICP定義をツール任せ・AI任せにして「とりあえず全業種・全国」で抽出を始めると、この後の全工程が薄まったリストの後始末に費やされます。
ステップ2: 検索軸の設定——ICPを「検索できる条件」に翻訳する
ICPはそのままではツールの検索条件になりません。たとえば「DX投資に積極的な中堅製造業」というICPは、「製造業×従業員100〜500名×求人でDX・情報システム職を募集中」のような観測可能な条件に翻訳する必要があります。企業データベース型ツールの検索軸（業種コード・資本金・上場区分・求人動向など）を確認し、ICPの各要素をどの検索軸で近似するかを決めます。この「翻訳」の精度が粗いと、ICPは正しいのに抽出結果がずれる、という事態が起きます。
翻訳の考え方を例で示します。
| ICPの要素（売り手の言葉） | 観測可能な条件（検索軸への翻訳） |
|---|---|
| DX投資に積極的 | 求人でDX・情シス・データ職を募集中／DX関連のプレスリリースあり |
| 成長フェーズにある | 直近の資金調達あり／従業員数が前年比で増加 |
| 営業組織が一定規模ある | 営業職の求人を継続的に掲載／支店・営業所が複数 |
| 既存システムが古そう | 設立から20年以上×IT職の採用実績が少ない（複合条件で近似） |
ポイントは、1つのICP要素を1つの条件で完璧に表そうとせず、複数の弱いシグナルの組み合わせで近似することです。完全一致を狙って条件を増やしすぎると抽出件数がゼロに近づくため、「必須条件2〜3個＋加点シグナル」の構成にして、加点はステップ5のスコアリングで扱うのが実務的です。
ステップ3: AI抽出——全件信用せず、サンプル検品する
条件を設定したら抽出を実行します。ここはAIの独擅場で、手作業なら数日かかる規模の抽出が数分で終わります。ただし抽出直後に必ずやるべきことがあります。ランダムに10〜20社を抜き出して、条件に本当に合致しているか目視で検品することです。検品で合致率が低ければ、ステップ2の検索軸がずれています。リスト全件を信用する前に、サンプルで抽出品質を確かめる——この一手間が、数百件アプローチした後に「リストがずれていた」と気づく事故を防ぎます。
ステップ4: クレンジング・名寄せ——「使えないリスト」の正体はここ
抽出したリストには、重複（同一企業の表記ゆれ・本社と支社の二重登録）、廃業・買収済み企業、既存顧客や取引NG企業が混ざっています。これらを除去する工程がクレンジング（名寄せ）です。データベース型ツールの多くは重複排除機能を持ちますが、自社の既存顧客リストとの突合は自社でしかできません。CRM上の既存顧客・過去失注・アプローチNGのリストと照合し、除外する運用を必ず挟んでください。既存顧客に新規開拓の電話をかける事故は、リストの信頼を一発で失わせます。
ステップ5: 優先度スコアリング——「上から順に電話」をやめる
クレンジング済みリストの全件に同じ熱量でアプローチするのは非効率です。ICPとの合致度（属性スコア）と、行動シグナル（求人を出している・プレスリリースを出した・資金調達したなど）を組み合わせて優先度を付け、上位から集中的にアプローチします。スコアの重み付けは最初から完璧を狙わず、「業種一致＋2点、規模一致＋1点、直近の採用活動＋2点」程度の素朴な加点ルールで始めて、商談化実績で補正していくのが現実的です。
ステップ6: CRM連携・運用——リストを「作って終わり」にしない
完成したリストはCSVのまま個人のデスクトップに置かず、CRM/SFAに取り込んで、アプローチ状況・結果を記録できる状態にします。リスト作成を含む営業プロセス全体の自動化設計は営業自動化の全体像ガイドで詳しく扱っていますが、最低限「このリストからの架電・送付・商談化・受注の件数が後から数えられる」状態にしておくこと。この記録が、後述するフィードバックループとROI検証の材料になります。
ChatGPTで営業リストの素案を作るプロンプト集——コピペで使える6本
生成AI型を実務で使う場合の、用途別プロンプトを6本提供します。前提として2つのルールを必ず守ってください。
ルール1: 機密情報を入力しない。 既存顧客の社名・担当者名・商談内容・未公開の売上数値などを、一般公開モデルのチャットに貼り付けてはいけません。既存顧客の傾向を分析させたい場合は、「業種・規模・受注理由」だけを匿名化して渡します（例: 「顧客A: 製造業・従業員300名・在庫管理の課題で受注」）。会社として生成AIの利用ポリシーがある場合はそちらが優先です。
ルール2: 企業の実在性はAIに担保させない。 以下のプロンプトのうち、企業名を出力させるもの（プロンプト3）は「素案」を作るものであり、出力された企業は後述の検証3ステップを通すまでリストに載せません。
プロンプト1: ICP定義の壁打ち
あなたはB2B営業戦略のコンサルタントです。
当社の受注傾向から、理想顧客プロファイル（ICP）の仮説を3パターン提案してください。
【商材】〔自社の商品・サービスの概要〕
【直近の受注企業の傾向（匿名化済み）】
- 業種: 〔例: 製造業が6割、卸売業が3割〕
- 規模: 〔例: 従業員100〜500名が中心〕
- 受注理由: 〔例: 在庫管理の属人化解消、など〕
各パターンについて「業種・規模・抱えている課題・選定の決め手」を表形式で出力し、
最後に「この仮説を検証するために確認すべきこと」を3つ挙げてください。
プロンプト2: ターゲット業界のリサーチ
〔業界名〕業界について、新規開拓営業の準備として以下を整理してください。
1. 業界の構造（プレイヤーの分類と商流）
2. 直近2〜3年の主要な変化（規制・技術・市場動向）
3. この業界の企業が共通して抱えやすい業務課題を5つ
4. 課題ごとに「その課題を抱えていそうな企業の見分け方（公開情報から観測できるシグナル）」
出力は見出し付きで、4は表形式にしてください。
プロンプト3: リスト素案の生成（要検証）
〔地域〕の〔業種〕で、〔従業員数・設立年数などの条件〕に合致する企業を20社挙げてください。
出力フォーマット: 企業名 | 推定従業員数 | 本社所在地 | 事業内容（1行） の表形式
注意: 確実に実在すると確認できる企業のみを挙げ、
情報が不確かな場合はその旨を備考列に明記してください。
※このプロンプトの出力は必ず検証してください。「実在の確認をAIに指示しても、間違いは混入しうる」前提で扱います。
プロンプト4: 検索クエリ・検索軸の生成
以下のICPに合致する企業を、企業データベースツールやWeb検索で探します。
ICPの各要素を「検索可能な条件」に翻訳してください。
【ICP】〔例: DX投資に積極的な中堅製造業〕
出力:
1. 企業データベースで使う検索条件の組み合わせ（業種×規模×その他の軸）を3パターン
2. Web検索で使う検索クエリを5本（例: "製造業" "DX推進室" 採用 など）
3. 各条件・クエリの「狙い」を1行ずつ
プロンプト5: リストの整形・分類
以下の企業リストを整形してください。
【やること】
1. 表記ゆれの統一（株式会社の位置、全角半角など）
2. 重複の可能性がある行を抽出してフラグを付ける
3. 〔分類軸: 例・業種〕で分類し、分類列を追加する
【リスト】
〔CSVまたは表を貼り付け※社外秘情報・個人名は含めないこと〕
出力はCSV形式で、変更した箇所の一覧を最後にまとめてください。
プロンプト6: 優先度付けの設計
新規開拓リストの優先度スコアリングを設計してください。
【商材】〔概要〕
【ICP】〔条件〕
【リストに含まれる情報】〔例: 業種、従業員数、所在地、求人の有無〕
出力:
1. 利用可能な情報だけで構成する加点ルール表（項目 | 配点 | 根拠）
2. スコア帯ごとの推奨アクション（例: 8点以上は電話、5〜7点はメール）
3. このスコアリングの限界と、運用しながら補正すべきポイント
この6本は「実在性の保証が不要な工程（1・2・4・5・6）」と「保証が必要な工程（3）」を意図的に分けています。生成AIの強みは3よりむしろ1・2・4・5・6にあり、ここだけでもリスト作成の所要時間は体感で大きく変わるはずです。
AIが作った営業リストの精度を見極めるチェックリスト
「AIでリストを作ったが、使い物になるのか不安」——この不安は正しい感覚です。リストの精度は方式・ツール・運用で大きく変わるため、評価軸を持って自分で確かめるしかありません。以下の7軸チェックリストで、いま使っている（または検討中の）リスト作成手段を○△×で自己評価してください。
| 評価軸 | ○の状態 | △の状態 | ×の状態 |
|---|---|---|---|
| ①データ鮮度 | 更新頻度が公開されており、月次以上で更新 | 更新頻度が不明瞭・年単位 | 更新時期の記載なし／生成AI出力（学習時点の情報） |
| ②網羅性 | 自社ターゲット業界・規模の企業が十分に収録 | 大手中心で中小・ニッチ業種が薄い | ターゲット業界の収録が確認できない |
| ③検索軸の細かさ | ICPを近似できる軸（業種細分類・規模・シグナル）がある | 大分類レベルの軸のみ | 業種・地域程度しか絞れない |
| ④重複・廃業除外 | 名寄せ・廃業除去の仕組みが明示されている | 重複排除のみ・精度不明 | 仕組みなし（自力で全件確認） |
| ⑤連絡先の取得 | 電話・問い合わせフォームURL等が取得でき、出所が明確 | 一部のみ取得可能 | 連絡先なし／出所不明の連絡先 |
| ⑥CRM連携 | CSV出力＋主要CRMとの連携機能 | CSV出力のみ | 手作業転記が必要 |
| ⑦無料枠の制約 | 無料で件数・機能の制約を試せて、上限が明確 | 無料枠が極端に小さい | 無料枠なし・トライアル不可 |
使い方の目安: ×が①②④のいずれかに付く手段を本格運用に使ってはいけません（リストの根幹が壊れているため）。△は「自社の使い方なら許容できるか」を個別判断、⑤⑥⑦の×は工数増として後述のROI試算に織り込みます。
生成AI型に必須——ハルシネーション検証の3ステップ
ChatGPT等で作ったリスト素案には、実在しない企業や誤情報が混入しうる前提で、以下の3ステップを通します。
- 実在性確認: 各企業名をWeb検索し、公式サイトの存在を確認する。公式サイトが見つからない企業はその時点で除外（法人番号公表サイトでの登記確認まで行えばより確実）
- 連絡先照合: 電話番号・住所・問い合わせフォームのURLを、必ず公式サイトの表記と照合する。AIが出力した連絡先をそのまま使わない
- 重複チェック: 整形後のリストを既存顧客・過去アプローチ先と突合する（この工程はプロンプト5の重複フラグ＋CRM照合の二段構え）
「せっかくAIで時短したのに検証で時間がかかるなら意味がないのでは」と感じるかもしれません。そのとおりで、生成AI型は件数勝負の本格運用には向きません。生成AI型の正しい使い所は、データベース型を契約する前の小規模な検証や、ニッチすぎてデータベースに載らない領域の素案づくりです。数百件規模を恒常的に回すなら、検証コストを織り込んだうえでデータベース型と比較してください。
ツールの選び方と費用相場——無料でどこまでできるか
選定の手順
ツール選定は「人気ランキングの上から試す」のではなく、前述のチェックリストを使って次の順で進めると失敗しにくくなります。
- ICPを先に固める（ステップ1）。ツールの検索軸がICPを表現できるかが選定の本丸のため、ICPなしの選定は基準を持たない比較になる
- 候補2〜3ツールで同じ条件の抽出を試す。多くのデータベース型ツールには無料枠・トライアルがあるため、自社ICPの条件で抽出し、出てきた企業の顔ぶれを比べる
- 7軸チェックリストで○△×を付ける。特に①鮮度・②網羅性・④重複除外は妥協しない
- 料金は「リスト件数あたり」でなく「商談化あたり」で比べる（後述のROI試算）
方式別・代表ツールの特徴
個別ツールの詳細スペック比較は本記事の主題ではありませんが、検討の入口として方式別の代表的なツールの特徴を整理します（機能・収録件数・料金は変更されるため、必ず公式サイトで最新情報を確認してください。以下は2026年6月時点の公式サイト確認にもとづく概要です）。
- Musubu（Baseconnect）: ①の方式説明で触れた代表的なデータベース型ツール。条件検索に加えて既存顧客の傾向から類似企業を提案するAI機能を持ち、初めてのデータベース型として検討されることが多い（プラン体系・無料枠の有無は公式サイトで要確認）
- SalesNow: 収録件数の多さを訴求するデータベース型。部署や担当者レベルの情報、企業の動向シグナル（採用・調達など）を含む点が特徴で、検索軸の細かさを重視する場合の候補
- BIZMAPS: 独自タグによるターゲティングが特徴のデータベース型。人力リサーチによるデータ整備を訴求しており、ニッチな切り口でリストを切りたい場合に向く
- FUMA: 無料で利用できる企業検索データベース。会員登録なしで使える範囲があり、無料での検証フェーズに向く
- GeAIne（ジーン）: リスト作成にとどまらず、問い合わせフォームへの営業文面送信まで自動化するタイプ。リスト作成と送信工程をまとめて効率化したい場合の候補（フォーム営業には送信先の利用規約・受信側の負担への配慮が必要）
どのツールを選ぶ場合も、判断の根拠は「ランキング順位」ではなく、自社ICPの条件で抽出したサンプルの質と前述の7軸チェックリストです。
費用相場の目安
企業データベース型は、無料枠やトライアルを提供するツールが多く、本格運用では月額数千円〜数万円の価格帯が中心です。取得件数・検索軸・連絡先情報の充実度で価格が変わります。生成AI型は無料〜月額数千円（ChatGPT等の有料プラン）。エージェント型を外部に構築委託する場合は初期費用数十万円〜が一般的なレンジですが、いずれも料金体系は改定が頻繁なため、契約前に必ず公式サイトで最新の料金を確認してください。
無料でできる範囲と限界
「営業リスト作成AI 無料」で探している場合、現実的な選択肢は3つです。
- データベース型の無料プラン・無料DB: FUMAのように無料で検索できる企業データベースや、データベース型ツール各社の無料枠・トライアル。件数制限はあるが、データの出所が明確で検証コストが低い
- 生成AI型（ChatGPT/Gemini無料版）: 件数の制約はないが、前述のとおり検証3ステップが必須。素案・壁打ち用途なら最有力
- 公的データの活用: 国税庁の法人番号公表サイトなど、公開データベースから自力で収集する方法。完全無料だが整形の手間が大きい
無料の限界は「件数」より「運用の継続性」に現れます。単発のリストなら無料で十分作れますが、毎月数百件を安定供給し、鮮度を維持し、CRMと同期する——という運用フェーズに入ると、無料枠では工数が逆転します。その判断材料が次のROI試算です。
ROI試算——手作業 vs AI自動化を自社の数字で比べる
「ツールの月額費用を払う価値があるのか」は、自社の数字を入れれば機械的に判断できます。以下の試算式に自社の値を当てはめてください（数値はすべて記入例であり、自社の実測値に置き換えて使います）。
試算式
【手作業のリスト作成コスト（月額換算）】
A: リスト1件の作成にかかる時間（分） 例: 5分（検索・転記・確認込み）
B: 月に必要なリスト件数（件） 例: 300件
C: 作業者の時給換算額（円） 例: 2,500円
手作業コスト = A × B ÷ 60 × C
記入例: 5 × 300 ÷ 60 × 2,500 = 62,500円/月
【AI活用時のコスト（月額換算）】
D: ツール月額費用（円） 例: 30,000円
E: 検品・クレンジングに残る時間（分/月） 例: 300分（サンプル検品＋既存顧客突合）
F: 作業者の時給換算額（円） 例: 2,500円
AI活用コスト = D + (E ÷ 60 × F)
記入例: 30,000 + (300 ÷ 60 × 2,500) = 42,500円/月
【判定】
削減額 = 手作業コスト − AI活用コスト
記入例: 62,500 − 42,500 = 20,000円/月の削減
試算で見落としがちな2つの項目
この試算式は工数の比較だけですが、実際の意思決定では次の2つも加味してください。
- リストの質の差: 手作業リストとAIリストで商談化率が異なる場合、その差は工数差より大きな金額になりえます。ただし導入前に商談化率の改善幅を予測することはできないため、導入時は工数差で判断し、導入後に「リスト経由の商談化件数」を実測して継続判断に使うのが誠実な運用です
- 機会費用: リスト作成に使っていた時間が商談・フォローに回ることの価値。営業活動時間が週の3割前後しかないという前述の調査結果を踏まえると、「浮いた時間で何をするか」まで決めてから導入すると効果が出やすくなります
営業リスト利用の法的注意点——個人情報保護法と特定電子メール法
AIで効率化できても、リストの取得・利用が適法であることは別問題です。実務で最低限押さえるべきは次の2つの法律です（本セクションは一般的な情報提供であり、個別案件は専門家・所管官庁の一次情報で確認してください）。
個人情報保護法: 企業の名称・所在地・代表電話のような「法人情報」は原則として個人情報に当たりませんが、担当者個人の氏名・メールアドレス等は個人情報です。リストに個人名・個人メールを含める場合は、利用目的の特定や適正な取得（不正な手段で取得しない）等の義務がかかります。リスト購入時は、販売元がデータを適法に取得しているかも確認対象です（参考: 個人情報保護委員会）。
特定電子メール法: 広告・宣伝目的のメール送信は、原則として事前に同意を得た相手（オプトイン）にしか送れません。例外として、自社のメールアドレスをWebサイトで公表している法人・営業を営む個人への送信は同意なしでも可能とされていますが、その場合でも送信者情報の表示義務や、受信拒否の通知を受けたら以後送信してはならない義務があります（参考: 総務省 特定電子メールの送信の適正化等に関する法律）。AIで大量のリストとメール文面を作れる時代だからこそ、「送ってよい相手か」のチェックを工程に組み込んでください。
また、Webサイトからの情報収集（スクレイピング）を伴うツールや自作エージェントを使う場合は、収集先サイトの利用規約に反しないかも確認が必要です。
よくある失敗3パターンと対処——AI導入が空振りする典型例
営業リスト作成AIの導入が期待外れに終わるとき、原因はほぼ次の3パターンに集約されます。いずれも「ツールの性能」ではなく「運用の設計」の問題であり、事前に対処を仕込めば避けられます。
失敗1: ICPが曖昧なまま「とりあえず大量抽出」する
最も多い失敗です。ターゲット像を固めずに「全国・全業種・従業員10名以上」のような広い条件で数千件を抽出し、アプローチの現場が「どこから手を付ければいいのか分からないリスト」を前に止まる。あるいは手当たり次第に架電して接続率・アポ率が下がり、「AIリストは使えない」という結論になる——という壊れ方です。
対処はシンプルで、抽出件数の上限を先に決めることです。「今月アプローチできるのは150件。だから150件に絞り込める条件を作る」と逆算すると、ICPと検索軸を真剣に詰めざるをえなくなります。リストは多いほど良いという感覚は手作業時代の名残で、抽出が一瞬で終わるAI時代には「絞り込みの質」こそが価値になります。
失敗2: 生成AIの出力を検証せずにそのまま使う
ChatGPTが出力した20社のリストをそのまま架電リストに載せ、実在しない企業や代表番号の誤りに現場が気づく——という事故です。電話なら「番号が違う」で済みますが、誤った宛先へのメール送信や、買収済み企業への的外れな提案は、会社の信用に関わります。
対処は本文で繰り返してきたとおり、検証3ステップ（実在性確認→連絡先照合→重複チェック）を工程として固定することです。ポイントは「担当者の注意力」に頼らず、リストのステータス列に「未検証/検証済み」のフラグを設けて、検証済み以外はアプローチ対象に進めないルールにすること。仕組みで防ぐ発想が重要です。
失敗3: リストの結果を振り返らず、毎回ゼロから作り直す
毎月リストを作ってはアプローチし、翌月また同じ条件で作り直す——一見回っているようで、リストの精度が一向に上がらないパターンです。原因は、アプローチ結果（接続率・アポ率・商談化率）をリスト属性と紐付けて振り返る工程がないこと。これではAIは「速い作業者」のままで、「学習するリスト供給源」になりません。
対処は、月次で15分の振り返りを固定することです。見るのは「商談化した企業の共通属性」と「まったく反応がなかったセグメント」の2つだけでも構いません。前者は検索条件の重み付けに反映し、後者は次回の除外条件に加える。この小さなループが3〜4周すると、同じツール・同じ件数でもリストの商談化率は目に見えて変わってきます。次のセクションで述べるDSRの閲覧データまで使えると、この振り返りの解像度がさらに上がります。
作ったリストを成果につなげる——商談データをリスト精度に還流するループ
ここまでの工程でリストの「作成」は完成しますが、リスト作成AIの本当の価値は2周目以降に出ます。どのリスト属性の企業が実際に商談化・受注したかを計測し、ICP定義（ステップ1）に還流することで、リストの精度が運用とともに上がり続けるからです。
このループを回すうえでのボトルネックは、アプローチ後の「商談の中身」が見えないことです。架電結果やメール開封まではSFAで追えても、送った提案資料を相手が読んだのか、社内の誰に共有されたのか、検討がどこで止まっているのかは、従来の営業管理では観測できません。ここを可視化する仕組みがデジタルセールスルーム（DSR）です。
DSRは、提案資料・見積もり・検討材料を顧客ごとの専用ページで共有し、誰が・いつ・どの資料を・どれだけ閲覧したかを記録します。これをリスト作成の文脈で使うと、次のループが回ります。
- AIで作成したリストにアプローチし、反応があった企業にDSRで提案資料を共有する
- DSRの閲覧ログで「資料が読まれた企業／読まれなかった企業」「社内に展開された企業」を識別する
- 商談化・受注した企業のリスト属性（業種・規模・抽出時のスコア）を振り返り、どの属性が当たりだったかをICPと検索軸に反映する
- 更新したICPで次のリストを抽出する——以下繰り返し
「リストを作るAI」と「商談の検討状況を可視化するDSR」を組み合わせると、リスト作成→アプローチ→商談→学習のサイクル全体がデータでつながります。DSRの仕組みと導入方法はデジタルセールスルーム完全ガイドで詳しく解説しています。
よくある質問
営業リスト作成AIとは何ですか？
営業リスト作成AIとは、企業データベースやWeb上の公開情報から、AIがターゲット条件に合う企業を自動で抽出・整形して見込み顧客リストを作る仕組みの総称です。専用ツールのAI機能を使う「企業データベース型」、ChatGPT等で素案を作る「生成AI型」、工程全体を自動実行する「エージェント型」の3方式があり、手作業に比べてリスト作成時間を大幅に短縮できます。
ChatGPTで営業リストを作成できますか？
素案レベルなら作成できます。地域・業種・規模などの条件を指定すれば表形式のリストを出力できますが、ChatGPTは企業の実在性や情報の最新性を保証できないため、実在しない企業や誤った連絡先が混入する可能性があります。出力されたリストは「実在性確認→連絡先照合→重複チェック」の検証を通してから使用してください。ICPの壁打ちや業界リサーチ、リストの整形といった検証が不要な工程では、より安心して活用できます。
営業リスト作成に使えるプロンプトの例はありますか？
用途別に6種類が実用的です。①ICP（理想顧客像）定義の壁打ち、②ターゲット業界のリサーチ、③リスト素案の生成、④検索条件・検索クエリへの翻訳、⑤リストの整形・重複フラグ付け、⑥優先度スコアリングの設計です。本文中にコピペで使える全文を掲載しています。共通の注意点として、既存顧客名や商談情報などの機密を入力しないこと、素案生成（③）の出力は必ず実在検証することの2つを守ってください。
無料でAI営業リストを作る方法はありますか？
3つの方法があります。①FUMAのような無料の企業データベースや、データベース型ツール各社の無料枠・トライアルを使う、②ChatGPT・Geminiの無料版で素案を作って自分で検証する、③国税庁の法人番号公表サイト等の公的データから自力で収集する、です。単発・少件数なら無料で十分作れますが、毎月数百件規模の安定供給や鮮度維持が必要になると検証・整形の工数が膨らむため、有料ツールとの費用対効果比較をおすすめします。
AIが作った営業リストの精度はどのくらい信頼できますか？
方式によって大きく異なります。企業データベース型は運営会社がデータを保守しているため比較的高精度ですが、更新頻度の確認は必須です。生成AI型はハルシネーション（実在しない企業・誤った連絡先の混入）のリスクが構造的に存在するため、そのままでは営業リストとして信頼できません。データ鮮度・網羅性・検索軸・重複除外・連絡先・CRM連携・無料制約の7軸で評価し、生成AI型は実在性確認・連絡先照合・重複チェックの3ステップ検証を必ず通してください。
GeminiでもChatGPTと同じように営業リストを作れますか？
基本的な使い方は同じで、条件を指定してリスト素案を出力させることができます。Web検索と連動した回答が得られる点も近年は両者とも同様です。どちらを使う場合も「生成AI型」の限界——実在性の保証がないこと——は共通のため、検証3ステップが必要な点は変わりません。自社で契約している生成AIサービスのセキュリティポリシー（入力データの学習利用の有無）を確認したうえで使い分けてください。
営業リストは購入とAI自作のどちらがよいですか？
継続的に使うならAI活用（特にデータベース型ツール）が有利な場面が増えています。購入リストは入手時点から陳腐化が始まり、自社ICPに合わせた条件変更もできませんが、データベース型ツールは条件を変えて何度でも抽出でき、データも運営側で更新されるためです。一方、展示会名簿のような特定チャネル由来のリストなど、購入でしか得られないデータもあります。いずれの場合も、販売元がデータを適法に取得しているかの確認は必須です。
AIで作成した営業リストの利用は違法になりませんか？
リスト作成自体が直ちに違法になることはまれですが、2つの法律に注意が必要です。担当者個人の氏名・メールアドレスを含むリストは個人情報保護法の対象となり、利用目的の特定や適正取得の義務がかかります。また広告宣伝メールの送信は特定電子メール法により原則オプトイン（事前同意）が必要で、Web公表アドレスへの送信例外にも表示義務や受信拒否後の送信禁止が伴います。スクレイピングを伴う収集では対象サイトの利用規約も確認してください。
営業リスト作成AIツールの費用相場はどのくらいですか？
企業データベース型ツールは無料枠のあるものから月額数千円・数万円の価格帯が中心で、取得件数・検索軸の細かさ・連絡先情報の充実度によって料金が変わります。生成AI型は無料〜月額数千円程度、AIエージェントの構築を外部委託する場合は初期費用数十万円からが一般的なレンジです。料金体系は改定が頻繁なため契約前に公式サイトで最新情報を確認し、「リスト1件あたり」ではなく「商談化1件あたり」のコストで比較することをおすすめします。
まとめ——AIは「作業」を、人間は「狙い」と「検証」を
営業リスト作成AIは、検索・転記・整形という時間泥棒の作業を確実に圧縮してくれます。ただし成果を分けるのはツール選びではなく、運用の設計です。最後に本記事の要点を整理します。
- 方式は3つ。確実性のデータベース型、無料の生成AI型、自動化のエージェント型。自社のフェーズに合わせて選び、生成AI型には必ず検証3ステップを付ける
- 工程は6つ。ICP定義と検証は人間、抽出と整形はAI。この分担を崩さない
- 精度は7軸チェックリストで自己評価する。鮮度・網羅性・重複除外の×は妥協しない
- 導入判断は感覚でなくROI試算式で。導入後は商談化実績で継続判断する
- リストは作って終わりではなく、商談の結果をICPに還流するループまで設計して初めて精度が上がり続ける
リスト作成の先にある「商談の可視化」と「勝ちパターンの蓄積」まで含めて営業プロセスを設計したい方は、あわせて以下の記事をご覧ください。
