使っているAIを自社の数字で賢くする｜学習ではなくつなぐだけ

「使っているAIを自社の業務に役立てたい。でも、そのためには自社のデータを学習させないといけない」。そう思って、なかなか手をつけられずにいる人は多いはずです。検索で調べても、出てくるのは「RAG」「ファインチューン」「独自GPTs」といった開発前提の解説ばかり。読むほどに腰が重くなります。ですが、やりたいことが「自社の売上の数字を理解してほしい」だけなら、学習は過剰装備です。必要なのは学習させることではなく、手元のAIに自社の数字を「つなぐ」こと。つなぐだけで、AIは自分の数字を読んで答えるようになります。この記事の唯一の仕事は、「AI活用＝学習させること」という思い込みを外すことです。

この記事のまとめ#

1. AIを「賢くする」のに、学習は必須ではない

   売上の数字を理解してほしいだけなら、学習させるのではなく「つなぐ」だけで足りる。作り込みは用途を選ぶ

2. 学習させる方法（RAG等）は社内文書のような用途に向く

   RAGやファインチューンが得意なのは、大量の文書からの検索や文体の再現。優劣ではなく用途が違うだけ

3. 「賢くする」とは、自社の数字を参照できるようにすること

   AIに記憶させるのでも学習させるのでもない。質問のたびに最新の数字を読ませる。だから毎回ズレない

4. 「つなぐだけ」が成立するのは、つなぐ先が数字を開放しているとき

   その開放口を自作するのは結局開発。すでにAIへ売上データを開放している入口を使えば、その日から読ませられる

1.「学習させる」か「つなぐ」か、何が違うのか#

結論: 「AIを賢くする」には2つの道があります。1つは自社のデータをAIに学習させる道、もう1つは手元のAIに自社の数字をつなぐ道です。売上の数字を理解してほしいだけなら、後者の「つなぐ」だけで足ります。学習は、必要になったときの選択肢です。

「AIを自社に活かす」と聞くと、多くの人が「自社のデータを覚えさせる」ことを思い浮かべます。だからこそ、RAGやファインチューンといった言葉が最初に目に入り、「開発が必要そうだ」と身構えてしまう。ですが、学習とつなぐはまるで別の作業です。学習は、データをAIの中に取り込んで、その内容を踏まえて答えられるようにする仕込みの作業。対してつなぐは、AIの外側にある数字を、質問のたびにその場で読ませる設定です。中に入れるか、外から読ませるか。この違いが、手間と鮮度を大きく分けます。

図のように、学習側の3手法はいずれも開発を伴い、データが変わるたびに更新の手間がかかります。一方でつなぐは、一度設定すれば、あとはAIが最新の数字をその都度読みにいきます。そもそもAIが一般論しか返さないのは、あなたの数字を知らないからです。その理由は別の記事で掘り下げています（AIが一般論しか返さない理由）。まず押さえたいのは、「賢くする＝学習させる」ではない、という一点です。

2.学習させる方法（RAG・ファインチューン・独自GPTs）は何に向くか#

結論: RAG・ファインチューン・独自GPTsは、どれも「向いている用途」がはっきりあります。大量の社内文書からの検索や、決まった文体・手順の再現には有効です。ダメな手法ではなく、売上の数字を読むという用途には過剰、というだけです。

それぞれの得意を整理します。RAGは、社内マニュアルや問い合わせ履歴のような大量の文書を検索して、その中から答えの根拠を引いてくる用途に向きます。ファインチューンは、決まった言い回しや分類の型をAIに覚え込ませたいときに効きます。独自GPTsは、特定の役割や口調をあらかじめ設定しておく用途に便利です。つまり、覚えさせる・型にはめるという仕事には、学習側の手法が正解になります。社内文書をAIに扱わせたいなら、RAGはむしろ第一候補です。

問題は鮮度です。学習させたデータは、学習した時点のスナップショットです。昨日の注文も、今朝の売上も、覚え込ませ直さなければ反映されません。だから、日々動く数字を学習で扱おうとすると、更新のたびに作り込みが要り、しかも古い数字で自信満々に答えるズレが起きます（AIが自信満々に間違った数字を答えるとき）。売上のように毎日変わる数字は、そもそも覚えさせるものではなく、その都度読ませるものです。用途が違えば、正解の道具も変わります。

3.売上の数字を知りたいだけなら、つなぐだけで足りる理由#

結論: ここで正直に言葉を定義します。この記事でいう「賢くする」とは、AIに記憶させることでも学習させることでもなく、自社の数字を参照できるようにすることです。売上を知りたいだけなら、参照できれば十分。だから学習は要らず、つなぐだけで足ります。

具体的に見てみましょう。何もつながないAIに「今月、うちのECで動きが出ている流入はどこ?」と聞いても、返るのは「季節要因を確認しましょう」「アクセス解析を見てみましょう」という一般論です。仮に先月の売上を一度覚えさせたAIでも、答えは覚えた時点で止まっていて、今月の変化までは映りません。ここで自社の数字をつなぐと、同じ質問に「ここ数日でClaude経由の訪問あたりの売上が伸びています」と、その場で最新の数字を読んで答えます。（こうしてAIに外部の数字を読ませる仕組みをMCPと呼びます[1][2]。）大事なのは、AIが数字を覚えたわけではないことです。質問のたびに最新の数字を読みにいくので、昨日の注文も今朝の売上も、覚え込ませ直さなくてもそのまま反映されます。

学習と違って、つなぐには作り込みがいりません。SQLを書くことも、レポートを整える必要もなく、「うちの売上、どのチャネルが効いてる?」と話し言葉で聞くだけです。この「毎回最新を読む」という鮮度こそ、日々動く売上を扱ううえでの決め手になります。学習は時が経つほど古びますが、つなぐ側は聞くたびに更新されます。まず何をつなぐべきかは、EC向けにこちらで整理しています（ECがAIに最初につなぐデータ）。集客を伸ばしたい段階での使い方はこちら（AIに聞いて流入を増やす始め方）も参考になります。

RevenueScopeの解決策

結論: RevenueScope は、「学習させないと使えない」「結局は開発が要る」という手前の壁を取り払う入口です。すでにAIへ売上データを開放してあるので、読み取り専用で、ChatGPT・Claude・Gemini・Microsoft Copilotの4つのAIにそのままつなげます[5]。学習も開発もなしで、その日から自社の数字をAIに読ませて質問できます。

「つなぐだけ」が本当に成立するのは、つなぐ先が最初から数字を開放しているときだけです。その開放口を自分で用意しようとすると、認証を通し、仕様変更のたびに直し——結局は開発になります。RevenueScope は最初からその開放口を持っています。だから使う側は、学習のためにデータを整える作業も、つなぐ口を作る作業も飛ばして、「読ませて聞く」だけで済みます。渡すのは読み取り専用の範囲で、正式な入口（OAuthという仕組み）を通して許可します[3][4]。AIにできるのは読むことだけで、注文や在庫を書き換える操作はできません。

実際の見え方を、見本ECのデータで示します。AIに「うちの売上、どのAI経由が効いてる?」と聞くと、RPS（訪問1回あたりの売上）まで含めてこう返ってきます。

見本EC（90日）AIアシスタント別の流入と売上

※サンプルデータのフィクションEC（RevenueScopeデモ）の数値です。この表はAI経由の流入を計測したもので、数字をつなぐ先のAI（ChatGPT・Claude・Gemini・Copilot）とは別の話です。

一般論なら「AIを使いましょう」で終わりますが、つなぐと"どのAI経由の流入がいくら売ったか"まで自社の数字で読めます。たとえばこの見本では、セッション数が最も多いのはChatGPT（210）ですが、訪問1回あたりの売上ではClaude（2,336円）がChatGPT（622円）を大きく上回ります。訪問の多さと、1回あたりの実り方は、まるで別の指標なのです。ただし少数のAI経由はRPSが1件の注文で振れやすいため、母数が小さいうちは断定せず、傾向として追う前提になります。どのAIに手をかけるべきかは、こうして自社の数字を並べて初めて判断できます。

ここで正直に線を引きます。RevenueScope が読ませるのは、売上・セッション・RPS・AOV・CVRと、チャネルやページ別の内訳、AI流入の売上までです。読み取り専用なので、データを書き換えることはありません。そして、粗利やLTV（顧客生涯価値）、在庫、商品ごとの売上は出しません。そこは別の道具の領域です。GA4の置き換えでもなく、あくまで補完です。作り手側の技術比較（主要AIクライアントのMCP対応比較）とは別に、この記事は「学習させずに、自社の数字を読ませる初日」をいちばん軽くする話に絞っています。

見本サイトは登録なしで触れます。まず、つないだAIがどう答えるかを確かめてみてください（AIが自社の数字を読む画面を見る）。

5.FAQ#

Q. 「AIを賢くする」って、結局は学習させることですよね?

A. いいえ。この記事でいう「賢くする」は、自社の数字を参照できるようにすることです。AIに記憶させるのでも学習させるのでもありません。質問のたびに最新の数字を読ませるので、昨日の注文も今朝の売上も、覚え込ませ直さずにそのまま反映されます。売上のように毎日変わる数字は、覚えさせるより読ませるほうが向いています。社内マニュアルのような動かない文書を扱いたいなら、そのときはRAGなど学習側の手法が候補になります。

Q. お金をかけずにAIへ数字を読ませる方法はありますか?

A. 手元の数字をコピーしてAIに貼りつける方法なら、費用はかかりません。ただしこれは補助的な手段です。都度貼り直す手間があり、貼り忘れも起きますし、貼った時点の古いデータで答えるズレも避けられません。継続して最新を読ませたい用途には向きません。ノーコードで自作する手もありますが、そちらもセットアップの工数が残ります。日々の数字を安定して読ませたいなら、対応済みの入口を使うのがいちばん軽い選択です。

Q. つなぐ口（MCPサーバー）を自分で作れば、無料で済みませんか?

A. 「つなぐだけ」が成立するのは、つなぐ先が最初から売上データを開放しているときだけです。その開放口を自作するのは、設計・認証・仕様変更への追従が続く——結局は開発です。無料に見えても、作って保守する時間というコストがかかります。すでにAIへ売上データを開放している入口を使えば、その工数がゼロになり、初日から読ませて聞けます。

まとめ#

AIを自社の数字で賢くするのに、学習は必須ではありません。RAGやファインチューンで作り込まなくても、売上の数字を理解してほしいだけなら、手元のAIに読み取り専用でつなぐだけで足ります。ここでの「賢くする」は、記憶や学習ではなく、自社の数字を参照できるようにすること。質問のたびに最新を読ませるので、覚え込ませ直す必要もありません。ただし「つなぐだけ」が成立するのは、つなぐ先が数字を開放しているときだけです。その開放口の自作は結局開発になるので、すでに主要AIへ対応済みの入口を使い、見本サイトで「つなぐと答えがどう変わるか」を体験するのが、いちばん軽い一歩です。なお、この種の記事は検索の表示回数では効果が測りにくく、AIを使い始めた人が実際に自社の数字へたどり着いたかで見ていく前提です。

参考文献#

• [1] Anthropic「Introducing the Model Context Protocol」 2024
• [2] Model Context Protocol「What is the Model Context Protocol (MCP)?」 2026
• [3] Model Context Protocol「Specification (2025-06-18)」 2025
• [4] Anthropic Help Center「About Custom Integrations using Remote MCP」 2026
• [5] Gemini CLI「MCP servers with the Gemini CLI」 2026