ChatGPTに値上げすべきか聞いた。
「はい」と言った。三つの理由。自信満々に聞こえた。
値上げした。売上は22%減。解約率は倍増した。
ChatGPTは間違っていた。でも決める前に知る術はなかった。
あなたのせいではない。ChatGPTは自信に聞こえるように作られており、正確さのためではない。
1つのAIに聞く問題
ChatGPTにビジネスアドバイスを求めると、一つのモデルの意見しか得られない。そのモデルには学習データのバイアスがある。死角がある。計算はしない。あなたの状況を十分に踏まえて推奨を検証することもない。
何より：誰もその論理に異議を唱えない。
本当の戦略はそうは動かない。一人に聞いて全部やるわけではない。複数の視点を集め、前提を疑い、コミット前に数字を回す。
ChatGPTはそれを全部飛ばす。30秒で答えて終わり。
下書きやブレインストーミングには向く。お金がかかる判断では完全に失敗する。
ChatGPTが戦略で失敗する三つの仕方
1. 数字を幻覚する
ChatGPTのようなLLMはパターンから一語ずつ答えを作る。計算はしない。文に合いそうな数字を予測する。
広告費とコンバージョンから顧客獲得単価を推定させれば、数字は返ってくる。それは数学に見せかけた推測だ。
新市場に5万ドル投資するか、二人雇うか一か八かのとき、危険だ。悪い数字は悪い判断につながる。悪い判断は現金を失う。
2. ありきたりのアドバイス
ChatGPTは同じことを言う記事を何百万と学習している。「顧客体験に集中」「関係を築く」「試して改善」。
どれも真実。実行可能ではない。
ダラスかフォートワースかと聞けば、どちらも素晴らしいと言う。調査と顧客との対話を勧める。あなたのモデルにどちらの都市が経済的に合うか、間違っていたらいつやめるかは言わない。
具体性が必要だ。ChatGPTが出すのはモチベーションだ。
3. 対立する圧力がない
戦略的判断は議論で良くなる。CMOは拡大したい。CFOはROIを求める。プロダクトは運用の複雑さを警告する。議論が死角を浮かび上がらせる。
ChatGPTは議論しない。一つの視点を出して止まる。その視点に欠陥があれば、金と時間を使った後で気づく。
本当に効くもの：議論と数学
戦略的判断に必要な二つ、ChatGPTにはない。対立的な圧力と数学的厳密さだ。
対立的圧力＝ぶつかる複数の視点。取締役会はそう動く。良い戦略もそう作られる。「チャーンが上がったら？」と言う人と、「動かないコストは？」と言う人が必要だ。
数学的厳密さ＝確率分布を使った本当のシミュレーション。LLMがでっち上げた数字ではない。前提を1000回ストレステストして結果の範囲を示すコードだ。
両方を組み合わせると、死角を踏まえつつ現実的な財務に根ざした戦略が得られる。
実践ではどう見えるか
実際の判断：第二都市へ展開するか？
ChatGPT流：
「ダラスもフォートワースも素晴らしい市場です！市場調査とローカルパートナーシップを。価値に集中すれば結果はついてきます。」
励ましはする。役に立たない。
多モデル対立＋財務モデル：
7つのAIプラットフォームが議論する。各モデルはハーバードやマッキンゼー型の役割を演じる。CMOはブランドデータでダラスを推す。CFOはキャッシュフローをモデル化する。リスクはダウンサイドを試す。成長戦略は展開の順序を見る。
互いに反論する。CFOはCMOの収益仮説を疑う。プロダクトはフォートワースの複雑さを警告する。ChatGPTが決して言わないトレードオフが出る。
次にPythonが財務を担当。チャーン、CAC、成長の現実的な分布で両都市について1000回のモンテカルロを回す。
出力：「ダラスはNPV27.5万ドル、2年目までに収益性に至る確率73%。フォートワースはNPV18万ドル、54%。推奨：ダラス。出口トリガー：18か月目までにキャッシュフローがプラスならばピボット。」
これは行動に移せる判断だ。どの都市か、なぜか、間違っていたらいつ止めるかが分かる。
なぜ異なるモデルが重要か
ChatGPT、Claude、Gemini、Grok、Perplexityは異なるデータと設計で学習されている。強みと死角が違う。
ChatGPTはデータで楽観的かもしれない。Claudeはリスクで保守的かもしれない。Geminiは他が見逃す運用問題を見るかもしれない。
議論させれば、より完全な絵が得られる。単一モデルが支配しない。弱い仮説は行動前に問われる。
完璧ではない。AIには限界がある。でも一モデルに聞いて祈るよりはるかにましだ。
本当に必要なとき
すべての判断がこの厳密さを要するわけではない。ロゴやランディングの見出しならChatGPTで足りる。
対立的戦略と財務モデルが要るのは次のようなとき：
判断に本当の金がかかるとき。 採用。価格。拡張。数か月にわたる影響。外すと高い。
対立する選択肢があるとき。 ダラスかフォートワース。値上げかティア追加。二人か自動化か。トレードオフがあるなら両側の声が必要だ。
いつ止めるかを知る必要があるとき。 多くの戦略は出口トリガーがないために失敗する。データが止めろと言ってもコミットし続ける。ピボットの明確な指標が要る。
財務データがあるとき。 売上、コスト、コンバージョンがあればモンテカルロは現実的な範囲を示す。直感より無限にましだ。
数学の問題
LLMは算術を信頼できない。バグではなく仕組みだ。
ChatGPTにROIを計算させても式は走らない。学習データの似た文に合う数字を予測する。
時には近い。時には幻覚。確認するまで分からない。
財務判断では受け入れられない。でっち上げの数字にビジネスを賭けられない。
Pythonにはその問題がない。本当の計算、本当の式。期待値27.5万ドル、標準偏差8万ドルは1000回のシミュレーションから来る。
だから本気の戦略プロダクトはLLMの統合と数学計算を分ける。AIはパターン、統合、前提への挑戦に向く。コードが数を担当する。
結果の姿
多モデル対立と財務モデルで得られるもの：
戦略的統合。 六つの視点がトレードオフを議論。楽観と悲観。コミット前の死角。
財務の厳密さ。 モンテカルロ、現実的な範囲、NPV、主要指標の分布。
具体的な行動。 「関係に集中」ではない。「Q1までにダラス営業を雇う。ローカル広告1.2万ドル。6か月目まで顧客15社」という段取り。
出口トリガー。 明確なピボット指標。「9か月目までにCACが800ドルを超えたらダラスを一時停止し再評価」。
すぐ動ける。何を、なぜ、うまくいかないときいつ止めるかが分かる。
本当の比較
従来の戦略コンサルはプロジェクトあたり1万～5万ドル。6～8週間のインタビューとデック。高い。遅い。
ChatGPTは無料。即答。一般的。未検証。重要な場面ではよく間違う。
多モデル対立＋財務モデルはジョブあたり50ドルから。約15分で戦略的議論、数学的厳密さ、具体策。リテイナーなし。ジョブの失効なし。
マッキンゼー3か月ではない。ChatGPTに聞いて運を頼るより無限にましだ。
ChatGPTで足りるとき
ブレインストーミング、初稿、概念説明、素早い調査、コンテンツアイデアには最適。
財務判断、トレードオフ分析、リスク評価、具体的推奨、本当の金がかかることには向かない。
違いを知り、賭けに合わせて方法を選べ。
次にすること
今月戦略判断（価格、拡張、オペレーション、採用）があるなら、ChatGPTの言うだけでは動くな。
複数の視点を集め、数字を回し、出口トリガーを定義せよ。
6人の専門家とデータサイエンティストを調整する時間がないなら、Strategyが自動でやる。7つのAIプラットフォームがあなたの判断を議論し、Pythonが1000回シミュレーション。約15分でNPV、確率範囲、出口トリガー付きレポート。プランはジョブ50ドルから。
完璧ではない。戦略に完璧はない。でも一つのAIに聞いて祈るより無限にましだ。