関数作成・データ整形・分析レポート生成はAIに任せられるようになりました。スプレッドシートのスキルは「関数を書く」から「AIに指示し、出力を検証する」へと移りつつあります。
——「Excelは使えるけれど、VLOOKUPの先が見えない」「毎月同じ集計を、同じ手順で作り直している」「CRMからCSVを落として、結局ピボットテーブルを手で組み直している」。スプレッドシートを日常的に使いながら、関数の壁やピボットテーブルの限界に直面している方は少なくありません。AIの登場で、この壁は低くなりつつあります。
AI×スプレッドシートのデータ分析とは、自然言語の指示から関数・整形処理・集計レポートをAIに生成させ、人間はビジネス上の解釈と検証に集中する分業のことです。ツールを入れれば分析が自動化されるのではなく、「どこまでAIに任せ、どこから人間が判断するか」を先に決めることが出発点になります。AI活用完全ガイドで、AI活用の全体像を把握できます。
Copilot in Excel、Google SheetsのAI機能(Gemini)、そしてClaudeやChatGPTなどの汎用AIチャットを外部から活用する方法——スプレッドシート×AIのアプローチは複数存在し、それぞれに得意な領域があります。本記事は2026年10月時点の情報で、これら3つのアプローチを実務の視点で整理し、関数作成・データ整形・分析レポート生成の自動化パターンを具体的に解説します。料金やプランは頻繁に改定されるため、導入前に各社の公式ページで確認してください。
関連する記事の一覧は生成AI実務活用ガイドをご覧ください。
この記事でわかること
この記事は、AIをスプレッドシート業務にどう組み込み、どこから先を人間の判断に残すかを整理するために書いています。読み進めることで、以下の5点が把握できます。
- 3つのアプローチの使い分け — Copilot in Excel・Google Sheets AI(Gemini)・外部の汎用AIチャットを、シート内完結か・ロジック構築かという軸で整理します。
- 関数生成をAIに任せる依頼の作法 — 「売上を計算して」ではなく、条件・範囲・出力形式まで言語化した依頼が精度を左右します。
- データ整形とレポート生成の自動化パターン — 表記揺れ・全角半角・重複といった、手作業で時間が溶ける領域こそAIが即効性を発揮します。
- CRMデータ分析への応用と、CRM側で持つべき処理の線引き — エクスポートして分析する作業のうち、そもそもCRMに寄せた方がよい部分を切り分けます。
- AI分析の限界と、誤った数字を経営判断に使わない仕組み — 検算・機密データの扱い・データ量の上限を率直に整理します。
日々Excelやスプレッドシートでデータを扱いながら、分析業務の属人化と手戻りに課題を感じている経営企画・営業企画・マーケティング担当の方に向けて書いています。最後まで読むと、自社のどの分析業務からAIを差し込むかを自分で選び、検証の手順まで含めて仕組みとして設計できるようになります。
AI×スプレッドシートで「変わる仕事」と「変わらない仕事」
AIをスプレッドシートに持ち込むとき、最初に整理すべきは役割分担です。ここを曖昧にしたまま「AIで分析を自動化しよう」と進めると、出てきた数字を誰も検証せず、間違った前提で会議が進むという事態が起こり得ます。AI導入の相談を受けたとき、最初に確認すべきなのもこの線引きです。
AIが得意な領域と、人間が担う領域
AIは「計算の速い優秀なアシスタント」であって、「判断を下す経営者」ではありません。この前提を共有しておくと、どこまで任せるかの議論が進みやすくなります。
| AIに任せられる作業 |
人間が判断すべきこと |
| 自然言語から関数・数式を生成する |
その指標を見るべきかどうかの定義 |
| 表記揺れ・全角半角・重複の整形 |
何をもって「同一顧客」とみなすかのルール |
| 集計・構成比・トレンドの算出 |
数字をビジネスの文脈でどう解釈するか |
| グラフ候補の提案、可視化の下書き |
経営会議で何を意思決定するか |
| VBA/GAS/Pythonのスクリプト生成 |
その処理を自動化すべき業務かどうかの判断 |
「作業の自動化」と「判断の自動化」を混同しない
AIが出した分析結果をそのまま経営判断に使うのは危険です。特に集計値(合計・平均・構成比)は、条件の解釈が1つずれるだけで結果が変わります。原データと突合し、ビジネスの文脈で解釈を加える運用にしていただくことをおすすめします。AIに任せるのは作業であって、判断ではありません。
まずは1つの業務から始める
いきなり全社の分析をAI前提に組み替える必要はありません。自社で効果が出そうな業務を1つ選び、そこだけAIを挟んで検証する。うまくいったら隣の業務に広げる。この順番の方が、社内の納得感を得ながら進められます。まずは毎月手作業で作っている定例レポートを1本選ぶところから始めていただければと思います。
3つのAIスプレッドシートツールを用途で比較する
スプレッドシート×AIのアプローチは、大きく3つに分かれます。シート内で完結するCopilot in ExcelとGoogle Sheets AI、そしてデータを外に出して分析するClaude/ChatGPTです。どれが優れているかではなく、どの作業にどれを当てるかという問題として捉えると選びやすくなります。
機能比較表(2026年10月時点)
機能の提供範囲は更新が速いため、下表は考え方の整理として使い、実際の対応状況は各社の公式ページで確認してください。VBA・GASの生成は、シート内のAI機能の説明には含まれておらず、別の手段でコードを生成してから各エディタに貼って使う経路になります。
| 機能 |
Copilot in Excel |
Google Sheets AI(Gemini) |
汎用AIチャット(外部利用) |
| 関数生成 |
自然言語→Excel関数 |
自然言語→Sheets関数 |
プロンプトで関数を生成→手動コピー |
| データ分析 |
ピボットテーブルなどの提案 |
データの分析・傾向の把握、ピボットテーブルの作成 |
CSVアップロード→分析結果を取得 |
| グラフ作成 |
自然言語でチャート生成 |
自然言語の指示でグラフを生成(挿入後は元データと連動しない点に注意) |
分析コードを生成(Python等) |
| データ整形 |
列の追加・変換を支援 |
書式設定・検索と置換・範囲の補完などをシート内から指示 |
整形ロジックを関数/スクリプトで提案 |
| VBA/GAS生成 |
シート内機能とは別経路(VBAはExcelのVBAエディタで扱う) |
シート内のGemini機能とは別経路(GASはApps Scriptエディタで扱う) |
スクリプトのコード生成が可能(実行は各エディタ側で行う) |
| 利用の前提 |
契約により異なる(下記「Copilot in Excelを使う際の前提条件」参照) |
対象の Google Workspace または Google AI プラン |
各サービスの契約(サブスクリプションまたはAPI従量課金) |
用途と選び方の基準
用途ごとに、どの方式が合うかを決める基準を整理します。製品名で決めるのではなく、データの置き場所・ロジックの複雑さ・実行頻度から逆算します。
| ユースケース |
合う方式 |
判断の基準 |
| 日常的なExcel作業の効率化 |
Excel内蔵のAI機能 |
データがすでにExcelにあり、操作の文脈をそのまま渡せるか |
| Google Workspace中心の組織 |
Sheets内蔵のAI機能 |
シートから離れずに完結させたいか |
| 複雑な分析ロジックの構築 |
外部の汎用AIチャット |
分析の手順や考え方まで対話で詰めたいか |
| 大量データの前処理 |
汎用AIチャット+Pythonなどのコード |
行数が多く、シート内機能の処理上限を超えるか |
| 定型レポートの自動化 |
シート内機能、またはGAS・VBA+AI |
毎回同じ手順で繰り返し実行するか |
併用が前提になるケースが多い
実務では、1つに絞り切れないことがほとんどです。シート内で完結する簡単な要約や関数補完はシート内蔵のAI機能に任せ、複雑な分析ロジックやカスタムスクリプトの生成は外部の汎用AIチャットで行う——というハイブリッド運用が現実的です。ただし、ツールを増やすほど「どの作業をどれでやるか」の判断が属人化しやすくなります。組織で使うなら、業務ごとにどのツールを使うかを一覧で決めておくと、引き継ぎがしやすくなります。
関数生成をAIに任せるための依頼の作法
AIに関数を生成させる際のコツは、「やりたいこと」を明確に言語化することです。ここが結構ミソで、依頼の粒度が結果の精度をほぼ決めます。人間の同僚に頼むときと同じで、条件・範囲・出力形式が曖昧なら、返ってくるものも曖昧になります。
良い依頼と悪い依頼の違い
| 依頼の仕方(悪い例) |
依頼の仕方(良い例) |
| 「売上を計算して」 |
「B列の売上金額のうち、A列が"東京"でC列が2025年のデータだけを合計して」 |
| 「重複を探して」 |
「A列のメールアドレスで重複しているセルを赤くハイライトするVBA」 |
| 「グラフを作って」 |
「月別の売上推移を棒グラフで表示し、前年同月比を折れ線で重ねて」 |
違いは、条件(どの列が何のとき)・範囲(どこからどこまで)・出力形式(関数かVBAか、グラフの種類は何か)が明示されているかどうかです。この3点を書く癖をつけるだけで、やり取りの往復が減ります。
よく使う関数パターンとAIへの依頼例
| やりたいこと |
AIへの依頼例 |
生成される関数例 |
| 条件付き集計 |
「部門が営業で、ステージが受注済みの金額合計」 |
SUMIFS |
| データの照合 |
「顧客リストAにあってBにないレコードを抽出」 |
XLOOKUP + ISNA / FILTER |
| テキスト処理 |
「"東京都千代田区..."から都道府県だけ抽出」 |
LEFT + IF / REGEX系関数 |
| 日付計算 |
「契約開始日から営業日で30日後の日付」 |
WORKDAY |
| 動的配列 |
「売上TOP10の商品名と金額を別シートに表示」 |
SORT + FILTER(スピル対応) |
Copilot in Excelを使う際の前提条件
Copilot in Excelでは、セルを選択した状態で自然言語の指示を入力します。
利用の条件(Microsoft公式FAQ): 次のいずれかが必要です。Microsoft 365 PersonalまたはFamilyのサブスクリプション(AIクレジットのプランつき)、Microsoft 365 Premium、商用のMicrosoft Copilotサブスクリプション、Copilot Chat対象のMicrosoft 365またはOffice 365の法人向けサブスクリプション。追加ライセンスの有無で、アプリ内の表示(Premium/Basic)と利用できる優先アクセスの範囲が変わります。法人はテナント側の設定にも左右されるため、導入前にMicrosoftの公式FAQで自社の契約を確かめてください。
活用が特に有効な場面:
- テーブル形式のデータに対するSUMIFS / COUNTIFS等の複合関数
- ピボットテーブルの自動作成と切り口の提案
- 既存データからの新しい列の追加(計算列・分類列)
注意点:
- テーブル形式(Ctrl+T)でフォーマットしたデータで最も効果を発揮します
- 非構造化データ(結合セル、空行あり等)では精度が低下します
- 生成された関数は、使う前に検算する手順を挟んでください
ただし、ここには順序の問題があります。結合セルや空行が混ざった「人間が読むために作られたシート」では、AIの精度は上がりません。AIを使う前に、データを縦持ちのテーブル形式に整える作業が必要になるケースが多い、というのが実態です。裏を返せば、データの持ち方を整えること自体が、AI活用の前提整備になります。
生成された関数は検算をセットにする
AIが生成した関数は、検算とセットで使うようにしてください。特に複雑なSUMIFSや配列関数では、条件の解釈を間違えることがあります。検算の方法としては、手元でわかる小さな範囲(数行分)を手計算して一致するか確認する、条件を1つ外した場合の値と比較する、といった簡易な手順で十分です。この検算手順を運用ルールとして明文化しておくと、担当者が変わっても品質が落ちにくくなります。
データ整形(クレンジング)でAIの即効性が最も高い理由
ここが結構ミソなのですが、データ整形はAIが最も即効性を発揮する領域です。人間が手作業で行うと相当な時間がかかるクレンジング作業を、AIは短時間で処理できます。しかも整形処理はルールが明確なので、AIが判断を誤りにくく、検証もしやすいという特性があります。
データ品質の典型的な問題
| 問題 |
例 |
影響 |
| 表記揺れ |
「東京」「東京都」「TOKYO」 |
集計が正しくできない |
| 空白・改行の混入 |
セル内に不可視の空白やタブ |
マッチングが失敗する |
| 日付形式の不統一 |
「2026/3/14」「2026-03-14」「3月14日」 |
ソート・フィルターが機能しない |
| 全角/半角の混在 |
「0123」「0123」 |
数値として認識されない |
| 重複レコード |
同一顧客が複数行に存在 |
集計が過大になる |
これらは、複数のスプレッドシートで顧客情報を分散管理していると発生しやすくなります。展示会リストと営業の顧客リストと請求用のシートがそれぞれ別に存在し、同じ会社の情報が少しずつ違う形で入っている——という状態です。整形はその場しのぎの対処であって、根本的にはデータの持ち方の問題である、という認識を持っておくと次の打ち手が見えてきます。
3つの整形アプローチ
方法1: Copilot / Geminiによるシート内整形
自然言語で「A列の会社名の表記を統一して」「B列の電話番号をハイフンなしの半角数字に変換して」と指示するだけで、新しい列に整形結果が出力されます。単発の整形にはこの方法が最も手軽です。元の列を上書きせず新しい列に出すようにすると、比較検証ができて安全です。
方法2: 汎用AIチャットを使った一括整形
CSVデータをAIチャットにアップロードし、整形ルールをプロンプトで指示します。
以下のCSVデータに対して、次の整形を行ってください:
1. 「会社名(元)」列は変更せず残し、別の「会社名(照合用)」列を作る。
照合用では「(株)」「(株)」「株式会社」の表記ゆれだけを統一する
(前株・後株の位置は変えない。「株式会社A」と「A株式会社」は別の会社の可能性があるため)
2. 電話番号をハイフンなし半角数字に統一
3. 都道府県名を正式名称に統一(「東京」→「東京都」)
4. 重複の「候補」に印を付ける(会社名(照合用)+電話番号が一致する行)。
行は削除せず、候補の一覧を別に出力する
整形後のCSVと、重複候補の一覧を出力してください。
複数のルールをまとめて適用したい場合、この方法が向いています。重要なのは「会社名(照合用)+電話番号が一致する行を重複候補とする」のように、判定基準を人間が決めて明示している点です。何をもって同一とみなすかはビジネス上の判断であり、AIに丸投げするところではありません。また、元の会社名を残し、削除ではなく候補の印付けにとどめるのは、誤統合を防ぐためです。同名の別法人や、前株・後株で別会社のケースを、人の目で確認してから統合してください。
方法3: AI生成のGoogle Apps Script / VBAで自動化
繰り返し実行する整形処理は、AIにスクリプトを生成させてマクロ化するのが効率的です。毎月同じ整形をしているなら、その手順をスクリプトに落とすことで、担当者の手癖に依存しない処理になります。人の丁寧さに頼るのではなく、仕組みで品質を担保するという考え方です。
整形を繰り返している時点で、上流の設計を疑う
ただし、正直に書くと、毎回同じ整形を繰り返している状況そのものが課題のサインです。表記揺れや重複が発生するのは、データを入力する場所が複数あり、入力ルールが統一されていないからです。AIで整形を高速化するのは有効な対症療法ですが、並行して「そもそもどこでデータを一元管理するか」を考えた方が、中長期の工数は減ります。
分析レポートの自動生成と検証の手順
定例で作っているレポートは、AIとの相性が良い領域です。切り口が毎回決まっているため指示を定型化しやすく、前回の出力と比較することで検証もしやすいからです。ここでは生成の手順と、検証の工程をセットで整理します。
AIで生成できるレポートの種類
| レポート種類 |
内容 |
活用シーン |
| 月次売上レポート |
月別・製品別・地域別の売上推移と前年比 |
経営会議 |
| 顧客分析レポート |
RFM分析、セグメント別動向 |
マーケティング戦略立案 |
| パイプライン分析 |
商談ステージ別の件数・金額・滞留期間 |
営業マネジメント |
| コスト分析レポート |
費目別・部門別のコスト推移と予実差異 |
予算管理 |
| KPIダッシュボード |
主要指標の達成率とトレンド |
日次・週次モニタリング |
汎用AIチャットでの生成手順
Step 1: データのアップロード
CSVまたはExcelファイルをそのままアップロードします。ファイルを読み込める主要なAIチャットであれば、手順は共通です。この段階で、機密情報が含まれていないか、含まれるならどう扱うかを確認しておいてください。
Step 2: 分析の指示
このデータは過去24ヶ月間の営業実績データです(直近12ヶ月と、その前の12ヶ月を含みます)。
以下の分析を行い、経営会議向けのレポートを作成してください:
1. 月別売上推移と前年同月比
2. 製品カテゴリ別の売上構成比の変化
3. 上位10顧客の売上と前年比
4. 営業担当者別のパフォーマンス比較
5. 次月の売上予測(過去トレンドベース)
分析結果はMarkdown表形式で出力してください。
指示のポイントは、分析の切り口を人間側が列挙していることです。前年同月比は、比較する前年の同じ月のデータがないと計算できません。「直近12ヶ月だけ」を渡すと算出できないため、比較対象の期間まで含めて渡し、足りない月がある場合は空欄のままにして、AIに推測で補わせないでください。「良い感じに分析して」と投げると、その月ごとに切り口が変わり、前月との比較ができないレポートになります。切り口を固定するからこそ、定例レポートとして意味を持ちます。
Step 3: 結果の検証と修正
AIが出力した分析結果は、原データと照合して検証します。特に集計値(合計・平均・構成比)は人間の目で確認すべきです。全体の合計値が原データと一致するか、構成比の内訳に過不足がないか、この2点だけでも確認しておくと、大きな誤りを防ぎやすくなります。
Google SheetsのGeminiでデータを探索する
Google Sheets の Gemini では、自然言語の指示で、表や数式の作成、データ分析・傾向の把握、グラフやピボットテーブルの作成ができます(Google公式ヘルプ)。対象は Google Workspace または Google AI の該当プランで、画面や提供範囲は時期によって変わるため、利用前に公式ページで確認してください。生成したグラフは挿入しても元データの変更には連動しないので、更新が要る図は別途つなぎ直す前提で使います。どの切り口で見るべきか迷っている初期の探索段階では、提案を出発点にするという使い方ができます。
レポート生成を定例業務として仕組み化する
一度うまくいった指示は、プロンプトとして保存し、チームで共有してください。毎月同じプロンプトを使い、同じ検証手順を踏む。この形にしておけば、担当者が異動しても同じ品質のレポートが出続けます。個人が「AIをうまく使える人」になるのではなく、組織として再現できる状態を作ることが目的です。
CRMデータの分析:どこまでシートで、どこからCRMで
CRMからエクスポートしたデータをスプレッドシートで分析するのは、多くの企業で日常的に行われています。AIを活用することで、この作業は確かに効率化できます。ただし同時に、「そもそもエクスポートせずCRM側で見られるのではないか」という問いを立てる価値があります。
エクスポートデータの分析例
| 分析テーマ |
必要データ |
AIへの指示例 |
| リードソース別のコンバージョン分析 |
コンタクトリスト(ソース、ステージ) |
「リードソース別にコンバージョン率を計算し、最も成果が高いチャネルを特定して」 |
| 商談の滞留分析 |
取引リスト(現在のステージ、ステージごとの入った日時・出た日時、またはステージごとの滞在時間) |
「各ステージの滞留日数を、入った日時と出た日時の差から計算し、平均を出してボトルネックを特定して」 |
| 顧客のLTV予測 |
取引履歴(金額、頻度、直近取引日) |
「RFM分析を実施し、LTV予測の考え方を整理して」 |
作成日と最終更新日だけでは、各ステージの滞留日数は計算できません(最終更新日はステージ移動以外でも更新されるため)。HubSpotでは、ステージごとの「Date entered」「Date exited」「Latest time in」「Cumulative time in」といったステージ計算プロパティがあり、エクスポートの列に含めると計算できます。新しいパイプラインやステージではこのプロパティが標準でオフになっているため、先に管理者に確認してください。
分析の自動化パイプライン
[HubSpotからCSVエクスポート]
│(手動 or API自動化)
▼
[Google Sheetsにインポート]
│
▼
[Apps Script(AI生成したコードを貼って実行)でデータ整形]
│
▼
[分析関数の自動計算]
│
▼
[Sheets上のGeminiで可視化]
(Copilotを使う場合は、Excelへ移して別経路で実施)
│
▼
[Slack / メールで自動配信]
CRM側に寄せた方がよい処理の見分け方
このパイプラインは有効ですが、工程が多いぶん、どこかが止まると全体が止まります。毎回エクスポートしてから整形しているなら、その処理はCRM側に寄せられないかを検討してみてください。
コンタクト・会社・取引・チケットがリレーションデータベースとして紐づいているCRMでは、ステージ別の件数や滞留日数、リードソース別のコンバージョンといった指標は、ダッシュボードで最新の状態に近い形で見られます(更新の頻度や反映までの時間は、機能と設定によります)。シートに出した瞬間にデータは過去のスナップショットになり、翌日には実態とずれます。判断の頻度が高い指標ほど、CRM側で持つ価値が上がります。
| 処理の性質 |
適した置き場所 |
理由 |
| 毎日・毎週見る定点指標 |
CRMのダッシュボード |
鮮度が必要。エクスポート作業が不要になる |
| 標準機能で出せない複合集計 |
シート+AI |
柔軟な加工が必要。頻度が低ければ手間も許容できる |
| 統計的手法を使う探索的分析 |
外部AI+Python |
シートの表現力を超える処理 |
| 他システムのデータとの突合 |
シート+AI、または連携基盤 |
データソースが複数にまたがる |
なお、これはHubSpotに限った話ではなく、リレーションデータベースを持つCRM全般に当てはまる考え方です。
HubSpotのAI機能で、シート往復そのものを減らす
HubSpot内のデータであれば、AIアシスタントのBreezeに対して自然言語で指示し、レコードの検索や一括更新を行うこともできます。更新結果はそのまま集計やレポートに反映されるため、シートに出して直してから戻すという往復が不要になります。
以下の画面は、Breezeが関連取引4件を一括で「お見送り」更新した結果です。

ただし、すべてをCRM側に寄せればよいわけではありません。他システムのデータと突合する分析や、一度きりの探索的な集計は、シートとAIの組み合わせの方が早いことも多いです。全体フローとしては、コンタクト獲得から取引管理、顧客化、請求までの日常的な定点観測はCRMで、そこから外れる非定型の分析はシート+AIで、という役割分担が現実的です。
高度な活用:スクリプト生成とスプレッドシートの外側
シート内の関数だけでは届かない領域があります。繰り返し処理の自動化と、統計的手法を使う分析です。どちらもAIにコードを生成させることで、専門的な知識がなくても着手しやすくなっています。
VBA / GASの自動生成
AIに業務ロジックを説明するだけで、VBAやGoogle Apps Scriptのコードを生成できます。
| 生成するスクリプト |
説明 |
| 複数シートの統合マクロ |
部門別シートを1つのサマリーシートに統合 |
| メール自動送信スクリプト |
スプレッドシートの特定条件でアラートメール |
| API連携スクリプト |
外部APIからデータを取得してシートに書き込み |
| レポート自動生成 |
月次でデータを集計し、フォーマットされたレポートを出力 |
Pythonスクリプトの活用
スプレッドシートの限界を超える分析(統計的手法、機械学習)には、AIにPythonスクリプトを生成させる方法が有効です。主要な汎用AIチャットには、Excel/CSVファイルをアップロードしてPythonで分析を実行する機能があります。対応状況はサービスとプランで異なるため、公式ページで確認してください。コードの生成と結果の解釈だけを依頼し、実行は手元の環境で行う使い方もできます。
自動化すべき処理の見極め
ただし、自動化には維持コストが伴います。AIが生成したスクリプトは、書いた本人以外が読めないと、仕様変更のたびに作り直しになります。自動化する前に、次の点を確認してみてください。
| 確認項目 |
判断の目安 |
| 実行頻度 |
毎月以上繰り返すなら自動化の価値が高い |
| 処理の安定性 |
手順が毎回変わるなら、自動化より手動+AI補助 |
| 引き継ぎ可能性 |
処理内容をドキュメント化できるか |
| 代替手段の有無 |
CRMや既存ツールの標準機能で済まないか |
一度きりの処理なら、スクリプトを組むより対話で済ませた方が早いです。「自動化できるか」ではなく「自動化する価値があるか」で判断していただければと思います。
正直な限界と、向かないケース
AI×スプレッドシートの活用には、明確な限界があります。導入を検討する段階で把握しておくと、期待値のずれによる失望を避けられます。
技術的・運用上の制約
- AIが生成した関数・計算は検算が必要です:特に複雑なSUMIFS、配列関数では、AIが条件の解釈を間違えることがあります
- 機密データの外部送信リスク:クラウドベースの汎用AIチャットにデータをアップロードする場合、機密情報の取り扱いポリシーを確認する必要があります
- 大規模データには不向きです:スプレッドシート自体に行数制限があり(Excelは約100万行。Google Sheetsは、Googleの公式ヘルプ上、Sheets形式のスプレッドシートで2,000万セルまたは100MBまで)、大規模データの分析にはデータベースやBIツールが適切です
- Copilot in Excelは日本語での指示の精度に差が出る場合があります:英語に比べて日本語での指示が意図どおりに解釈されないケースがあります
- 「AIに任せきり」は危険です:データの文脈やビジネスロジックの理解は人間が補完すべき領域です
この方法が向かないケース
| 状況 |
向かない理由 |
代替の考え方 |
| 毎日更新が必要な定点指標 |
エクスポート作業が毎日発生する |
CRMのダッシュボードで持つ |
| 数十万行を超えるデータ |
環境や処理内容によってはシートの処理性能を超える |
Python(pandas)やBIツールを検討 |
| 外部にデータを出せない情報 |
機密ポリシーに抵触する可能性 |
利用を承認された環境(契約・管理者設定・データの取り扱い条件を確認済みのもの)に限る。画面内で完結することと、データが外部に送信されないことは別 |
| 定義が定まっていない指標 |
AIが何を計算すべきか判断できない |
先に指標の定義を人間側で合意する |
| 複数部門が同じ顧客を別々に管理 |
整形しても元データがずれ続ける |
データの一元管理の設計から着手する |
セキュリティ上の判断は事前に
クラウドAIへのデータアップロードについては、機密データを匿名化してからアップロードする、データがモデル学習に使われない契約形態のサービスを利用する、といった選択肢があります。個々の担当者の判断に委ねるのではなく、組織としてどこまで許容するかを先に決めておくことをおすすめします。
自社に合わせた設計と、最初の一歩の決め方
ここまで方法論を整理してきましたが、どの業務からAIを差し込むかは企業様によって最適な形は異なります。扱うデータの量、機密性、既に導入しているツール、分析を担う人のスキル——これらの条件によって、取るべき順番は変わります。
優先順位のつけ方
まずは自社で効果が出そうなもの、着手しやすいものを見極めて優先順位をつけ、そこからトライしていただければと思います。判断の軸としては、次の4点を見ると整理しやすくなります。
| 軸 |
見るポイント |
| 頻度 |
月次以上で繰り返している作業か |
| 所要時間 |
1回あたり何時間かかっているか |
| 属人性 |
その人しかできない作業になっていないか |
| 機密性 |
外部AIに出せるデータか |
頻度が高く、時間がかかり、属人化していて、機密性が低い作業——ここが最初に手をつけるべき領域です。
個人技ではなく仕組みにする
AI活用が「詳しい人が便利に使っている」状態で止まると、その人が抜けた瞬間に元に戻ります。仕組みとして残すには、次の3つを文書化してください。
- 使用するプロンプト(どのツールに、どう指示するか)
- 検証の手順(何と何を突合すれば正しいと判断できるか)
- 出力の置き場所(誰が、いつ、どこで見るか)
この3点が揃っていれば、新しく入った方でも同じ品質の分析を再現できます。人の力量に頼るのではなく、手順として引き継げる形にすることが、業務効率化を定着させる条件です。
当社での考え方
CRMからエクスポートしたデータの分析は、CRM導入後の相談として典型的なテーマです。以前は手作業でピボットテーブルを組んでいた作業を、AIで関数を生成し分析レポートまで出力できるようになった一方で、押さえておくべきなのは「AIが出した数字をそのまま経営判断に使わないこと」です。原データと突合し、ビジネスの文脈で解釈を加える工程は、これからも人間の仕事として残ります。
そして、エクスポートして分析している作業の何割かは、そもそもCRM側のダッシュボードに寄せられるケースが少なくありません。AIでシート作業を速くする前に、その作業が本当にシートでやるべきものかを一度点検してみてください。
よくある質問
Copilot in Excelを使うにはどのプランが必要ですか?
Microsoftの公式FAQ(2026年10月時点)では、次のいずれかが条件として挙げられています。Microsoft 365 PersonalまたはFamilyのサブスクリプション(AIクレジットのプランつき)、Microsoft 365 Premium、商用のMicrosoft Copilotサブスクリプション、Copilot Chat対象のMicrosoft 365またはOffice 365の法人向けサブスクリプション。追加のCopilotライセンスがなくても標準のアクセスで使える契約があり、追加ライセンスがあると優先アクセスになります。法人ではテナントの設定によっても使える範囲が変わるため、自社の契約は公式FAQで確認してください。導入前に、対象者を全社にするのか特定部門に絞るのかを決めておくと、効果検証がしやすくなります。
Google Sheets AIと外部のAIチャットを併用するメリットはありますか?
あります。シート内蔵のAI機能はシート内での簡単な分析・要約に使え、複雑な分析ロジックの構築やカスタムスクリプトの生成は外部のAIチャットで対話しながら進める方法があります。シート内で完結する作業はシート内蔵の機能、高度な分析やコード生成は外部のAIチャットという切り分けが基準になります。ただし併用する場合は、どの業務でどちらを使うかを事前に決めておかないと、担当者ごとにやり方がばらつきます。
AIが生成した関数が動かない場合、どう対処すればよいですか?
まずエラーメッセージをAIに共有し、修正を依頼してください。多くの場合、セル参照の範囲指定ミス、関数名の言語差異、データ型の不一致が原因です。また、AIに「この関数の動作を1ステップずつ説明して」と依頼すると、ロジックの理解と問題箇所の特定がしやすくなります。自分で説明を理解できない関数は、後で保守できなくなるため、簡単な形に分解してもらうのも有効です。
数千行のデータでも大丈夫ですか?
処理できる行数は、ファイルの列数・数式の量・使うAI機能によって変わるため、一律の目安は示せません。Google Sheetsには2,000万セルまたは100MBという公式の上限があり、Excelにも約100万行の上限がありますが、上限に届く前に動作が重くなることがあります。手元のデータで実際に試し、重い場合はデータ量を絞って確かめてください。行数が多い場合は、Python(pandas)やBIツール(Looker Studio、Power BI)の活用を検討してください。AIにPythonスクリプトを生成させてローカルで実行する方法も有効です。
スプレッドシートのAI分析で、セキュリティ上のリスクはありますか?
主なリスクは、クラウドベースのAIサービスにデータをアップロードする際のデータ漏洩です。対策として、機密データは匿名化してからアップロードする、データがモデル学習に使われない契約形態のサービスを利用する、ローカルで動作するAIモデルを検討する、という方法があります。個人判断に委ねず、組織のポリシーとして明文化しておくことをおすすめします。
まとめ
AI×スプレッドシートのデータ分析は、ツールを導入すれば自動化されるものではなく、「関数生成・データ整形・レポート作成はAIに任せ、指標の定義と数字の解釈は人間が担う」という役割分担を設計して初めて機能します。Copilot in Excel・Google Sheets AI・外部の汎用AIチャットは競合するものではなく、シート内完結か、ロジック構築かという軸で使い分けるものです(2026年10月時点)。
そして、毎回エクスポートして整形している作業があるなら、それはCRM側に寄せられないかを一度点検してみてください。日常的な定点観測はCRMのダッシュボードで、非定型の分析はシート+AIで——この線引きができると、分析にかかる手間そのものが減ります。
まずは、毎月手作業で作っている定例レポートを1本選ぶところから始めてみてください。
- 対象を1つ選ぶ — 頻度が高く、時間がかかり、属人化していて、機密性が低い作業を1つだけ選びます
- AIに1工程だけ任せて検証する — 関数生成かデータ整形のどちらか1工程をAIに任せ、原データと突合して精度を確認します
- 手順を文書化して横展開する — プロンプト・検証手順・出力の置き場所を文書化し、他の担当者でも再現できる形にしてから次の業務へ広げます
CRMを活用した業務効率化やAIとの連携に関するご相談は、CRM特化型コンサルティングのHubSpotゴールドパートナーのStartLinkまでお気軽にお問い合わせください。
あわせて読みたい
外部参考リンク