顧客の本音を引き出すMom Testの技術｜顧客インタビューのコツ

こんにちは、株式会社TIMEWELLの濱本です。

新規事業の相談を受けていて、いちばん危ない兆候があります。「顧客に聞いたら、みんな『いいですね』って言ってくれました」という報告です。担当者の顔は明るい。手応えを感じている。でも私は、この報告を聞くたびに背筋が寒くなります。数億円かけた新規事業で、ヒアリングした相手が全員好意的だったのに、半年後にお金を払った人はゼロ。こういう失敗を、何度も見てきたからです。

問題は、聞き方にあります。人は優しいので、目の前の相手が一生懸命作ったものには「いいですね」と言ってくれる。その社交辞令を、事業の証拠だと勘違いした瞬間、検証は止まります。今日お話しするのは、そのお世辞をすり抜けて本音にたどり着くための技術、Mom Test（母親質問）です¹。AIで新規事業や起業を進めたい方に向けて、明日から手を動かせる形で、質問の作り方からAIを使った分析まで一気に書いていきます。

先に、この記事の骨だけ3つ置いておきます。

• 「いいですね」は証拠になりません。証拠になるのは過去の行動、つまり実際に払ったお金や、自己流で工夫した痕跡です
• 良い質問は「過去・具体・相手主役」の3拍子。「もしあったら使いますか」を全部消すところから始めます
• AIは顧客の代わりにはなりません。文字起こしと一次分析を10倍速にする相棒として使うのが実務的です

自分の事業づくりでAIをどこまで使いこなせているか気になる方は、先にAIリテラシー診断で現在地を10分ほどで棚卸ししてから読み進めると、この記事の使いどころが見えやすくなります。

なぜ「いいですね」に喜んではいけないのか

まず、この記事でいちばん大事な話から入ります。「いいですね」「便利そう」「あったら使いたい」という返答は、顧客インタビューにおける最悪の返事です。ポジティブな言葉なのに最悪、というのが直感に反するので、理由を3つに分けて説明します。

ひとつめ。その言葉はノーコストで言えます。相手の財布もカレンダーも1ミリも動いていません。「いいですね」と口にするのはタダですし、むしろ場の空気を良くする社交辞令として便利です。お金を払う、時間を空ける、上司を説得する、といった痛みを一切伴わない賛成に、意味はありません。

ふたつめ。それは未来の話であって、未来の自分ほど当てにならないものはありません。「使うかも」と言った10人のうち、実際に使うのはよくて1人です。人は未来の自分を、実際より意識が高く、行動力があり、格好よく描きます。ダイエット器具を買ったのに使わなかった経験は、誰にでもあるはずです。未来の意向は、ほとんどの場合その通りになりません。

みっつめが、いちばん怖い。賞賛を証拠と誤認すると、そこで学習が止まります。「みんな良いと言ってくれた」と満足した瞬間、人は次の工程へ動き出します。開発に進むか、資金調達に走るか。本当はまだ何ひとつ検証できていないのに、確認できたつもりで先へ進んでしまいます。これが数億円を溶かす失敗の典型です。全員が好意的だったからこそ、誰も立ち止まりませんでした。

だから私は、インタビューで「いいですね」が出たら、内心むしろ警戒します。喜ぶのではなく、「じゃあ、直近で似たものを試したことはありますか」と過去の行動へ話を戻す。この切り返しについては後半で詳しく書きます。

Mom Test（母親質問）とは何か、3つの原則

Mom Testという名前は、起業家のRob Fitzpatrickが同名の書籍で広めた考え方から来ています¹。発想はシンプルです。あなたの母親は、あなたが何を見せても「いいわね、素敵よ」と言ってくれます。愛情があるからこそ、正直な評価はしてくれない。では、その母親にすら本音を語らせるにはどう聞けばいいか。そこまで質問を設計できれば、相手が誰であってもお世辞をすり抜けられる、という逆説的な命名です。

Mom Testの原則は3つです。

ひとつめ、仮定ではなく過去の行動を聞く。「もしこういうものがあったら使いますか」ではなく、「最後にそれをやったのはいつですか、そのとき何をしましたか」と聞きます。未来の意向は嘘になりやすいですが、過去の行動は事実だからです。

ふたつめ、抽象ではなく具体を聞く。「業務で困っていることはありますか」と聞くと、抽象的で当たり障りのない答えしか返ってきません。「先月末の締め作業で、いちばん時間がかかったのはどの作業でしたか」と、特定の場面に紐づけて聞くと、生々しい話が出てきます。

みっつめ、自分のアイデアは最初の30分は隠す。これがいちばん守られません。自分のアイデアを話した瞬間、相手は自分の生活ではなく、あなたのアイデアを評価するモードに入ります。そして優しい人ほど「いいですね」と言う。だから最初は、相手の暮らしや仕事の実態だけを聞く。アイデアの話は、相手の現実を十分に理解してから最後に出します。

言葉だけだと掴みにくいので、NGとOKの早見表を置いておきます。

よくあるNG質問	Mom Testに沿ったOK質問
この課題、面倒ですよね？	昨日その作業をしたのはいつで、何分かかりましたか？
こういうツールがあったら便利だと思いますか？	これまでその作業を楽にしようとして試したことはありますか？なぜ続かなかったのですか？
月5,000円なら払えますか？	直近でその周辺のツールやサービスにお金を払ったことは？いくらでしたか？
将来こういうサービスを使ってみたいですか？	今その用事を、実際にはどうやってこなしていますか？

左の列に共通するのは、未来・抽象・自分のアイデアという3つの毒です。右の列は、過去・具体・相手主役に徹しています。この差が、そのまま得られる情報の質の差になります。

質問を書き換える5つの矢印

とはいえ、原則を覚えても、いざ質問リストを作ると毒が混ざります。そこで私が使っているのが、5本の矢印というチェックです。手元の質問を、次の5つの向きに書き換えるだけで、質は桁違いに上がります。

意見から行動へ。「どう思いますか」ではなく「最後にどうしましたか」。未来から過去へ。「使いますか」ではなく「試したことはありますか」。抽象から具体へ。「困っていますか」ではなく「先週いつ、どこで、何に困りましたか」。自分から相手へ。自分のアイデアの評価を求めていないか、を毎回確認する。そして言葉のYesから行動のYesへ。「払えますか」ではなく「直近でいくら払いましたか」。

架空の事業で具体的に見てみます。地方の中小建設やリフォーム会社の現場監督向けに、現場写真と音声メモからAIが工事日報と顧客向け報告書を自動で作る「ゲンバAI」というSaaSを考えたとします。ターゲットは年商3億から30億円くらいの会社の、40代から60代の現場監督。多くが日報を手書きやExcelで作っている人たちです。

このとき、つい作りがちな質問と、書き換え後を並べます。「日報作成って面倒ですよね」は、誘導と抽象が同居した最悪の質問です。書き換えると「昨日の日報は、いつ、どこで書きましたか。書き始めてから終わるまで何分かかりましたか」。「AIで自動化できたら便利だと思いますか」は、未来の仮定と自分のアイデアの二重毒。書き換えると「これまで日報を楽にしようとして試したこと、たとえばアプリや音声入力、事務員に頼むといった工夫はありますか。なぜ続かなかった、あるいは続いたのですか」。「月5,000円なら払えますか」は言葉のYesを引き出すだけ。書き換えると「直近で現場管理まわりのツールやサービスにお金を払ったことは。いくらで、その予算は誰の財布から出ましたか」。

この書き換え作業こそ、AIに壁打ちさせると速いところです。自分で作った質問リストを、そのまま貼って診断させます。次のプロンプトをClaudeやChatGPTに貼ってみてください。

以下は私が作った顧客インタビューの質問リストです。Rob Fitzpatrick『The Mom Test』の観点でダメ出しし、書き換えてください。

# チェック基準（この5つの矢印で判定）
1. 意見→行動（「どう思う？」でなく「最後にどうした？」になっているか）
2. 未来→過去（「使いますか？」でなく「過去に試しましたか？」になっているか）
3. 抽象→具体（「困ってる？」でなく「先週いつ・どこで・何に困った？」になっているか）
4. 自分→相手（自分のアイデアの評価を求めていないか）
5. 言葉のYes→行動のYes（「払える？」でなく「直近いくら払った？」になっているか）

# 出力
表「| 元の質問 | 問題（どの矢印に反するか） | 書き換え後 |」で全問。
さらにリスト全体で「Yes/Noで終わる質問」「誘導質問（〜ですよね？）」の割合を%で指摘してください。

# 私の質問リスト
【ここに貼る】

こうやってAIに毒抜きを手伝わせると、自分では気づかない誘導や抽象があぶり出されます。ただ最終判断は自分でします。AIは「この質問は誘導です」と機械的に指摘してくれますが、その質問で本当に何を確かめたかったのかは、あなたにしか分かりません。

JTBDで「本当の用事」を掘る

質問を過去と具体に寄せられたら、次は掘る方向です。ここで効くのがJTBD、ジョブ理論（Jobs to Be Done）です²。核心はひとことで言えます。顧客は商品を「買う」のではなく「雇う」。ある用事（ジョブ）を片づけるために、その商品を雇っている、という見方です。

用事には3つの層があります。機能的（Functional）、感情的（Emotional）、社会的（Social）。多くの起業家は機能的な用事しか見ません。「日報作成を速くしたい」は機能的な用事です。でも機能だけを満たすと、「便利だね」で止まって売れない。本当にお金が動くのは、たいてい感情的・社会的な層です。

古典的な例をいくつか。ある朝の時間帯にミルクシェイクがよく売れる理由を調べたら、「通勤中の退屈な運転を紛らわせ、昼まで空腹をもたせる相棒」として雇われていた、という有名な話があります³。味の改良ではなく、この用事の理解が売上を伸ばしました。漆塗りの椀は、単なる食器ではなく「家族への愛情を渡す媒介」として雇われることがあります。ベビーシッターを雇う親の一部は、預ける機能だけでなく「自分は良い母親でないのでは、という罪悪感を解消する」ために雇っている。本当の価値は、機能の外側にあるのです。

ゲンバAIで考えると、機能的な用事は「日報を速く作る」。でも感情的には「夜、家で日報に追われず、家族と過ごしたい」かもしれない。社会的には「若い衆に、昔ながらの根性論ではなく、段取りの良い監督だと見られたい」かもしれない。ここまで掘れると、訴求の言葉が変わります。

掘った用事は、Job Storyという最小単位に翻訳します。フォーマットは「When（状況・きっかけ）, I want to（動機）, so I can（期待する成果）」の3点です。たとえば「現場が終わって事務所に戻る夕方（When）、写真を撮るだけで日報が形になってほしい（I want to）、そうすれば定時で帰って子どもの寝る前に間に合う（so I can）」。顧客の肉声を、そのまま事業の設計図に翻訳できる、便利な器です。

このJTBDの3層分解も、AIに下書きさせると発想が広がります。

あなたはJobs to Be Done（ジョブ理論）の専門家です。私の想定顧客が、私の製品カテゴリで本当に「雇いたい用事」を、機能的（Functional）／感情的（Emotional）／社会的（Social）の3層に分解してください。多くの起業家が見落とす感情的・社会的な役割を、特に深く掘ってください。機能だけ満たしても「便利だね」止まりで売れないためです。

# 入力
- 想定顧客:【ここに書く】
- 製品/サービス:【ここに書く】
- 顧客が今その用事をどうこなしているか（代替手段）:【ここに書く】

# 出力
1. 3層それぞれのJob（各2〜3個、顧客の言葉で）
2. 感情的・社会的な役割から見た「便利だね止まり」になる心理ブロック
3. Job Storyを3本（When〔状況〕, I want to〔動機〕, so I can〔成果〕. の形式でFunctional/Emotional/Social各1本）
4. その感情・社会役割を検証するインタビュー質問を各2問

ただし念を押します。AIが出した3層は、あくまで仮説です。その裏に本当にその感情があるかは、実際に人に会って確かめないと分かりません。ここは次のステップである顧客課題の見つけ方とエンパシーマップとも地続きです。用事を掘る道具はいろいろありますが、行き着く先は「実際の人の、実際の行動」だという点は変わりません。

Polite No（丁寧な拒絶）を見抜き、沈黙を味方にする

過去と具体を聞き、用事を掘っていても、相手は優しさから本音を包んできます。これがPolite No、丁寧な拒絶です。次のような言葉が出たら、ほぼNoのサインだと思ってください。「面白いですね」「機会があればぜひ」「うちは特殊なので」「上に持ち帰って検討します」「個人的にはいいと思います」。どれも角が立たないように断っているだけで、財布は閉じたままです。

Polite Noが出たときに、がっかりして引き下がるのは、いちばんもったいない。ここで「直近で、似たものを試した経験はありますか」と過去の行動に話を戻すと、本音が出てきます。「機会があれば」と言った人に「これまでその機会を作ろうとしたことは」と重ねると、「いや、実は前に無料のを入れたんだけど、結局使わなくて」と、リアルな失敗談が返ってくる。この一言のほうが、100回の「いいですね」より価値があります。

もうひとつ、実践で効くのが沈黙です。示唆に富む発言の半分以上は、沈黙のあとに出てきます。相手が答え終わったように見えても、3秒だけ黙って待つ。すると相手は、間を埋めようとしてもう一歩深いことを話し始めます。インタビュアーがすぐ次の質問をかぶせると、この深い層は永遠に出てきません。話す割合は、インタビュアーと相手で2対8。相手に8割話してもらう。そのために「なぜですか」「具体的には」「他には」の3つを、静かに差し込みます。

ただし、沈黙が万能だと思わないでください。子育て中の親や、現場で手を動かしている職人に、3秒の沈黙は成立しません。相手は忙しく、間が空けば「じゃあこれで」と離脱します。そういう相手には、沈黙で粘るより、時間を30分に区切る、あるいはLINEで何日かに分けて少しずつ聞く、といったやり方のほうが、はるかに本物の配慮です。相手の生活のリズムに、こちらが合わせる。それが結局いちばん深い話を引き出します。

AI時代の検証ワークフローと役割分担

ここからが、AIで事業を進めたい方への本題です。インタビュー自体は人間の仕事ですが、その前後はAIで劇的に速くなります。全体の流れはこうです。まず仮説を文書化する、次にインタビューを録音する、AIで文字起こしする、AIで一次分析する、カード化して仮説と照合する。この流れを1日で回せると、検証のスピードが変わります。

出発点は、聞きに行く前の仮説の文書化です。検証したい仮説を3つと、「何が起きたら、この仮説は間違いだと分かるか」という反証条件を、先に書きます。書けないなら、それは準備不足のサインです。ゲンバAIなら、仮説は「日報作成に1日30分以上かけている」「日報を夜や休日に持ち帰って書いている」「顧客報告書の体裁を整える作業を負担に感じている」。反証条件は「日報作成が平均15分未満」あるいは「特に負担ではないと答える人が8人中5人以上」。ここまで決めてから、AIにインタビューガイドを作らせます。

あなたは新規事業の顧客インタビュー設計のプロです。私が渡す事業仮説をもとに、Rob Fitzpatrick『The Mom Test』の3原則（①仮定でなく過去の行動を聞く ②抽象でなく具体を聞く ③自分のアイデアは最初の30分隠す）に厳密に従った60分のProblem Interviewガイドを作ってください。

# 私の情報
- 事業アイデア:【ここに書く】
- 想定顧客（ICP）:【ここに書く】
- 検証したい仮説3つ:【ここに書く】
- この仮説が「間違いだった」と分かる反証条件:【ここに書く】

# 出力
1. 60分アジェンダ（オープニング/コンテキスト/過去行動の深掘り/代替手段・痛み/クロージングと紹介依頼の時間配分）
2. 質問15問。すべて「最後に〜したのはいつ」「そのとき何を」のように過去・具体・相手主役で。「もし〜あったら使いますか」の類は1問も入れない
3. 各質問がどの仮説を検証するか一言で
4. 私のアイデアを話してよいタイミングの明示
5. 相手が「いいですね」と言ったときの切り返し文例3つ

インタビューが終わったら、録音をNottaやWhisper、tl;dvなどで文字起こしし、その文字起こしをAIに分析させます。ここで大事なのは、要約や言い換えをさせず、発言を一字一句（verbatim）のまま扱わせること。ピッチや企画書に顧客の肉声をそのまま引用できるかどうかが、後で効いてきます。

あなたは顧客インタビュー分析のアシスタントです。以下の文字起こしを読み、構造化してください。要約や言い換えはせず、発言は一字一句（verbatim）のまま扱ってください。

# 前提
- インタビュー種別: Problem / Solution / Pricing のどれか →【指定】
- 私の事前仮説: H1【 】/ H2【 】/ H3【 】
- 想定顧客属性:【 】

# 出力
1. verbatim引用を、感情の動きが強い順に5件（各に「なぜ重要か」1行）
2. Job Storyを Functional/Emotional/Social 各1件（When〜, I want to〜, so I can〜.）
3. 痛みスコア（1〜10）と根拠発言3件（頻度・影響・感情それぞれ）
4. 各仮説を「確認/反証/中立/言及なし」で判定し、根拠発言を添える
5. 【重要】仮説に反する発言（反証）を最低2件。無ければ「該当なし」と明記し、黙って省略しない
6. 「面白いですね」「機会があれば」等のPolite No（丁寧な拒絶）が含まれていないか指摘
7. 次のインタビューで確かめるべき問いを3つ

# 文字起こし
"""
【ここに貼る】
"""

そして、これがいちばん効くかもしれません。AIをあえて反証役、悪魔の代弁者にする使い方です。人は自分に都合よく解釈します。私も油断すると「いいですね」を好意的に受け取ってしまう。だから、集めた結果をAIに渡して、厳しく反証させます。

あなたは私の確証バイアスを壊す「反証役（悪魔の代弁者）」です。私はつい「いいですね」を好意的に受け取り、都合よく解釈しがちです。以下の私のインタビュー結果に、あえて厳しく反証してください。

# 私が渡すもの
- 事業仮説:【 】
- インタビュー結果の要約:【 】（好意的な反応も含めそのまま）

# あなたのタスク
1. 「いいですね/便利そう」等をPolite No（丁寧な拒絶）として洗い出し、なぜ本当のYesでないか説明
2. 私が確証バイアスで拾っている（都合よく解釈している）箇所を指摘
3. この仮説が完全に間違っている可能性を3つ、具体的なシナリオで提示
4. 「行動のYes（過去の支払い・自己流の対処・紹介・前金）」の証拠が結果に含まれるか判定。無ければ「痛みが浅い」と断定
5. 次回インタビューで必ず聞くべき反証質問（Disconfirming Questions）を5つ

ここまでAIに任せておいて言うのも変ですが、役割分担だけは間違えないでください。AIができるのは、文字起こしと一次分析までです。「この人が本当に感じている痛みは何か」「だから次に何を確かめに行くか」は、人間にしか決められません。AIが出す仮説は、地図の下書きにすぎない。竹林を抜ける風の音は、画面の向こうにはありません。実際に会って、聞いて、解釈する。その芯を手放した瞬間、事業は他人事になります。

この「AIを相棒にしながら、判断は手放さない」という感覚を、個人のセンスではなくチームの標準装備にしていくのが、私たちのAIコンサルティングWARPでご一緒している仕事です。プロンプトを配って終わりにせず、事業づくりのどの工程でAIに何を任せ、どこは人間が握るかを一緒に設計します。

やってはいけないアンチパターン集

最後に、現場でよく踏む地雷をまとめます。ひとつでも心当たりがあれば、次のインタビューで直してください。

自分のアイデアを冒頭で説明してしまう。これで相手は評価モードに入り、お世辞が始まります。最初の30分は封印が鉄則です。「もしあったら使いますか」と未来を聞く。人は未来の自分を格好よく描くので、ほぼ嘘になります。「困っていますか」と抽象で聞く。抽象的な答えしか返りません。「いいですね」やPolite Noを本当のYesと誤認して次の工程へ進む。これが最も高くつくミスです。仮説に合う発言だけを拾い、反証を無視する。確証バイアスの典型で、だからこそ分析時に「この仮説に反する発言は」と必ず自問します。

ほかにも、インタビュアーが話しすぎて2対8を守れない、沈黙を待てず深い層を潰す、発言を自分の言葉に要約してverbatimを失う、知人や身内ばかりに聞いて満足する、といった罠があります。知り合いに聞くのは、多くて3人まで。それ以降は、ちゃんとICPに合う他人に当ててください。友人は優しすぎて、あなたの母親と同じことを言います。

そして、AIに丸投げしすぎる罠。「このJobの裏の本当の感情は何か」「次に何を確かめに行くか」までAIに答えさせて、分かった気になる。AIは10倍速のブースターであって、事業のオーナーではありません。判断だけは、必ず自分の手に残してください。

まとめ、明日からの3アクション

顧客インタビューの技術を、Mom Testを軸に一気に見てきました。最後に要点を、次の一歩とセットで置いておきます。

• 「いいですね」は証拠にならない。証拠は行動のYes、つまり過去の支払い・自己流の対処・紹介・前金です
• 質問は5つの矢印で書き換える。意見から行動、未来から過去、抽象から具体、自分から相手、言葉のYesから行動のYesへ
• JTBDで機能・感情・社会の3層を掘り、Job Storyに翻訳して事業の設計図に引き継ぐ
• AIは文字起こしと一次分析、そして反証役として使う。解釈と次の一手は人間が握る

明日からの具体的なアクションを3つだけ。まず、スマホの連絡先から、ICPに近い人を3人選ぶ。次に、そのうち1人にLINEで「売り込みではなく、教えてほしいことがある」と連絡する。そして、この記事のNG/OK早見表を印刷して、机の前に貼る。これだけで、次の会話は変わります。

新規事業づくりの全体像は新規事業フレームワーク完全ガイドに、狙う顧客の決め方は顧客セグメントの決め方に、掘り当てた課題の整理は顧客課題の見つけ方とエンパシーマップにまとめています。あわせて読むと、聞いて終わりではなく、聞いた内容を事業に落とす流れがつながります。

顧客の本音を引き出す設計から、AIをどこまで使うかの線引きまで、自社の事業づくりに合わせて具体的に壁打ちしたい方は、WARPの個別相談でお話を聞かせてください。まずは自社のAI活用の現在地を測りたい方は、AIリテラシー診断からどうぞ。

---

参考文献

Footnotes

1. Mom Test（母親質問）の原典。Rob Fitzpatrick『The Mom Test: How to Talk to Customers & Learn if Your Business is a Good Idea When Everyone is Lying to You』（2013）。 ↩ ↩²

2. ジョブ理論（Jobs to Be Done）。Clayton M. Christensen ほか「Know Your Customers' Jobs to Be Done」Harvard Business Review（2016年9月号）、および『Competing Against Luck（ジョブ理論）』（2016）。 ↩

3. ミルクシェイクの事例。Clayton M. Christensen による講義・著作で広く紹介されるジョブ理論の代表的なケーススタディ。 ↩