デジタルツインは“顧客”まで再現する時代へ｜国内外8事例と新規事業

デジタルツインとは？「モノの再現」から「意思決定の再現」へ

デジタルツインとは、現実にあるモノや人、業務の状態をデジタル空間に再現し、観測や予測、シミュレーションに使う仕組みです。工場の設備を仮想空間に写し、故障や生産量を予測する使い方がよく知られています。

いま起きている変化は、再現する対象が設備から顧客へ広がったことです。購買履歴や問い合わせ、調査回答、行動ログなどを使います。そのデータから、顧客が商品や価格、広告、サービス変更にどう反応するかを仮想的に試します。これが顧客デジタルツインです。

ただし、AIが作った人物像をすべてデジタルツインと呼ぶと、判断を誤ります。固定されたプロフィールを話し相手にするだけなら、AIペルソナです。実際のデータで状態を更新し、予測を現実の結果と照合して初めて、デジタルツインに近づきます。

本稿の結論は明確です。顧客デジタルツインの勝敗は、任せてよい判断を検証できるかで決まります。 人間を置き換えることが目的ではありません。新規事業では、もっともらしい回答を作る機能より、実データとの誤差を測る仕組みに価値が残ります。利用範囲を制御できることも重要です。

顧客デジタルツインと合成ユーザーは何が違うか

この領域では、合成ユーザー、AIペルソナ、合成回答者、顧客デジタルツインという言葉が混在しています。違いは名称ではありません。使うデータ、更新頻度、任せる判断の重さにあります。

合成ユーザーは、実在しない仮想参加者です。商品案への反応を聞いたり、インタビューの質問を磨いたりする用途に向きます。一方、顧客デジタルツインは、実在する顧客や顧客群の状態をデータで更新し、将来の行動を予測する運用基盤を指します。

両者は別々の市場ではありません。合成ユーザーを入口に、企業固有のデータを接続し、結果を継続的に照合すると、顧客デジタルツインへ近づきます。反対に、実データとの接続も検証もないまま「顧客を再現した」と説明するサービスは、精巧なAIペルソナにとどまります。

なぜ今、顧客の意思決定をシミュレーションするのか

背景には、商品開発の速度と顧客理解の速度が合わなくなったことがあります。生成AIで案を大量に作れても、人へのインタビューや調査には募集、設計、実査、集計の時間が必要です。そのため、候補を人に見せる前の「0次検証」が詰まりやすくなりました。

顧客デジタルツインは、この前工程を速くします。例えば、50案の名称を5案へ絞れます。インタビューで聞くべき反論や、価格変更で不満が出る顧客層も仮説にできます。ここでは正解を決めるのではなく、人へ確かめる問いを良くします。

もう一つの要因は、企業が持つ顧客データの増加です。CRMには商談と問い合わせ、CDPにはWebやアプリの行動が蓄積されています。コールセンターには顧客との会話があります。データが分断されたままでは過去の集計で終わります。AIで文脈を読み、仮想顧客との対話に使えれば、施策前のシミュレーションへ進めます。

一方で、技術が進んでも現実の顧客は完全には再現できません。景気、競合、流行、家族の会話、店頭体験など、データにない出来事が意思決定を変えるからです。したがって価値は「予言」ではなく、仮説を早く広く試し、外れ方を把握することにあります。

市場の現在地は「独立市場」ではなく3市場の交差点

顧客デジタルツインだけを切り出した、信頼できる市場規模はまだ定まっていません。調査会社が示す数字も、合成データ、マーケティングリサーチ、CDP、デジタルツインのどこまでを含むかで大きく変わります。

このため、異なる定義の予測を一本のグラフにすると、市場を大きく見せるだけになります。事業判断では、市場金額より、誰の予算が移るかを見る方が有効です。

支出元は大きく3つあります。第一は、アンケート、インタビュー、コンセプトテストなどの調査予算です。第二は、CRM、CDP、データ統合、AI基盤などのIT予算です。第三は、商品開発、広告、CX改善など、施策を実行する事業部の予算です。

合成ユーザーの初期サービスは調査予算を取りやすい一方、単発利用で終わりがちです。顧客デジタルツインとして継続収益を得るには、IT基盤へ接続し、施策の事前検証や運用へ組み込む必要があります。その代わり、個人情報、モデル更新、誤差、権限管理の責任が重くなります。

デジタルツインを顧客理解に使う国内外8事例

主要事例を見ると、各社は同じ「AI顧客」を売っているわけではありません。大量の案を絞るもの、調査データを補うもの、生活者と対話するもの、施策結果を予測するものに分かれます。

表から分かるのは、仮想顧客への対話と、継続的な顧客予測が同じ段階ではないことです。以下では、8事例の提供内容と、事業として読むべき点を順に解説します。

電通は、1億人規模のPeople Modelを調査の前工程へ入れた

電通は2025年、独自の大規模調査データを基に「People Model」を開発しました。2025年11月には、同モデルを使う「People Research」の社内本格運用を開始しています。

特徴は、任意の質問から生活者セグメントを抽出し、その層を代表するAIペルソナへ追加質問できる点です。電通は、新商品開発で多数のコンセプトや表現案を絞る用途など、複数のプロジェクトで利用したと説明しています。

ここでの価値は、人間調査をなくすことではありません。実査へ進める候補と質問を早く絞り、プランナーの探索量を増やすことです。公開情報だけでは、個別案件の予測精度や外部提供条件までは分かりません。

電通デジタルは、企業固有データからカスタマーツインを作る

電通デジタルの「∞AI Customer Twin」は、企業が持つ顧客データや対話データ、調査データを統合するサービスです。統合データから仮想顧客AIを作ります。AIペルソナとの対話を通じて、施策の仮説検証や分析を支援します。

People Modelが幅広い生活者の基盤であるのに対し、こちらは企業固有の1stパーティデータへ寄せる設計です。「∞AI Customer Data Hub」で顧客カルテを更新し、企画やメディア、CXの支援機能へつなげる構想になっています。

新規事業の示唆は、顧客像を作る機能だけでは差別化しにくいことです。データ統合、更新、施策ツールへの接続まで持つ企業ほど、日常業務へ入り込めます。

博報堂は、7,000タイプのバーチャル生活者を発想支援に使う

博報堂は、独自の生活者調査データベースを基に、7,000タイプの「バーチャル生活者」を開発しています。利用者は仮想の生活者と対話できます。価値観や生活行動を踏まえた発想を得る仕組みです。

さらに2025年には、その知見を使って、実在する販売員の個性を反映する「バーチャル販売員」の試作を発表しました。これは顧客を模倣するだけでなく、接客する側のデジタルツインへ応用した例です。

同社の事例は、合成ユーザーが調査部門だけの道具ではないことを示します。商品開発、企画、接客設計へ広げられますが、サービスプロトタイプと本番導入を分けて評価する必要があります。

Qualtricsは、合成回答者を既存の調査基盤へ組み込んだ

Qualtricsは、同社の調査プラットフォームでSynthetic Panelsを提供しています。公式サポートによると、現時点の対象は米国の一般人口で、英語に限られます。利用できない設問形式や複雑な機能もあります。

重要なのは、独立したAIチャットではなく、質問票、配信、回答、分析を扱う既存基盤の中に合成回答を置いたことです。利用者は、人間の回答と合成回答を区別しながら、同じ業務の中で扱えます。

この形は導入しやすい一方、提供範囲を超えた利用に注意が必要です。米国一般人口向けのモデルで、日本の専門職や高齢者、希少疾患患者を代表できるとは限りません。

Fairgenは、ゼロから人物を作らず、少数回答を補う

Fairgenの「Fairgen Boost」は、企業が集めたアンケート回答を基に、少数セグメントの合成回答を増やすサービスです。対象は閉じた質問の定量データです。自由な会話型インタビューとは役割が違います。

同社は、入力データの一部でモデルを作り、残りを正解データとして比較するホールドアウト検証を説明しています。評価するのは、回答分布、設問ロジック、データ処理の流れです。

新規事業で学ぶべき点は、「何でも答えるAI」より利用範囲を狭くしたことです。未知の人物を作るのではなく、実データが少ない層を補うことで、検証可能性を高めています。

Synthetic Usersは、仮想参加者とのインタビューをAPI化した

Synthetic Usersは、AIで作った仮想参加者へインタビューできるプラットフォームです。対象となる属性や課題を設定して使います。調査テーマ、提示する解決案、対象者、対話、分析を一つの流れで管理できます。

公式ドキュメントでは、PythonとTypeScriptのSDKも提供されています。これにより、プロダクト開発の工程へ合成ユーザー調査を組み込めます。単発のチャットより、調査設計と結果管理を標準化しやすい形です。

ただし、同社の結果はあくまでAIが生成した反応です。自社の顧客インタビューやサポート履歴で根拠づけ、実際の利用者による確認を残すことが前提になります。

AaruとAccentureは、個人回答より集団の反応を予測する

Aaruは、多数のAIエージェントで消費者集団の行動や反応をシミュレーションする企業です。Accentureは2025年3月、同社への投資と協業を発表しました。Aaruの予測基盤を、新商品、マーケティング、顧客戦略などへ組み込む計画です。

この事例は、一人の仮想顧客に質問する使い方から、顧客同士の影響まで再現する方向を示します。値上げ、新商品、広告が口コミや模倣を通じてどう広がるかを扱える可能性があります。

一方、発表には提供企業側の評価が含まれます。どの市場で、どの程度の誤差で、実績と一致したかは案件ごとに確認すべきです。

IpsosとStanfordは、売る前に妥当性を共同検証する

Ipsosは2025年、Stanford大学の研究チームとの共同研究を発表しました。実在回答者のデジタルツイン・パネルを作り、合成回答の有効性と限界を検証します。Ipsosが持つ人間のパネルを基準にする点が特徴です。

この姿勢は重要です。Stanfordの別研究では、1,052人への詳細なインタビューからAIエージェントを作り、本人の再回答と比べました。一定の再現性が示されています。一方、後続の大規模研究では、164項目で人とツインの相関が平均約0.2にとどまりました。個人の回答や全体平均の予測には慎重さが必要です。

同じ「デジタルツイン」でも、設問、対象者、学習データ、評価指標で性能は変わります。したがって、平均精度の一数字ではなく、自社が使う判断ごとの誤差を見る必要があります。

事例から見える、勝てるデジタルツインの4条件

8事例を横断すると、勝負はモデルの大きさではありません。企業が意思決定に使うには、根拠、誤差、更新、業務接続の4条件が必要です。

1．発言の根拠をたどれる

AIの回答が、どの調査、購買履歴、問い合わせ、公開統計に基づくかを確認できることです。根拠が分からない回答は、会議の刺激には使えても、投資判断の証拠には使えません。

2．実在顧客との誤差を測れる

合成回答と人間の回答を同じ質問で比べ、どの属性やテーマで外れるかを測ります。全体の一致率だけでは不十分です。価格、感情、未知の商品、少数派など、重要な場面ごとに誤差を見ます。

3．環境変化に合わせて更新できる

過去の調査から作った人物像は、制度、景気、競合、流行が変わると古くなります。入力データの基準日、更新頻度、再学習の条件を契約に含める必要があります。

4．結果を次の業務へつなげられる

PDFを出すだけでは単発の調査で終わります。商品候補の絞り込み、インタビュー設計、CRMの施策案、広告テストなど、次の工程へ結果を渡せることが継続利用の条件です。

顧客デジタルツインの価値連鎖と空白市場

価値連鎖は、計算基盤、モデル、データ整備、シミュレーション、業務実装、検証・監査に分かれます。生成AIのAPIだけを包む部分は参入しやすい反面、模倣も容易です。

大手クラウドや基盤モデル企業は、計算と汎用AIを押さえます。広告会社や調査会社は、長年の生活者データと顧客接点を持ちます。CRMやCDPの企業は、企業内データと業務フローを押さえています。新規参入企業が正面から同じ資産を作るのは難しいでしょう。

一方、まだ空いている場所があります。第一は、日本語や国内商習慣に合う業界別の評価データです。第二は、人間の調査と合成調査を同じ設計で比べる検証サービスです。第三は、入力データ、モデル、出力、利用者を記録する監査基盤です。第四は、調査結果を商品開発や営業の判断へ変える導入・運用支援です。

参入余地が大きいのは、仮想顧客を作る層より、信じてよい範囲を証明する層です。 業界固有の正解データと評価手順を蓄積できれば、モデルが入れ替わっても価値が残ります。

新規事業で狙う4つの参入ルート

新規事業の入口は、本体プラットフォームだけではありません。自社の顧客、データ、調査能力、業務システムへの接続力から選びます。

参入ルート1．商品開発の0次検証サービス

最初の顧客は、消費財、SaaS、金融、モビリティなどの商品企画部門です。多数のコンセプト、名称、訴求案を合成ユーザーで比較し、人間調査へ進める候補を絞ります。

売上は、案件単位の調査設計と利用料から始められます。必要な資産は、対象業界の顧客理解、質問設計、実査との比較データです。AI基盤は外部と組めますが、結果の解釈と採否基準は自社で持つ必要があります。

止める条件は、人間調査との比較で順位が安定しない場合です。新規性が高い商品や、感情、文化、身体感覚が強いテーマは、0次探索に限定します。

参入ルート2．少数セグメントの合成回答補完

最初の顧客は、調査会社、製薬、金融、B2B企業など、対象者を集めにくい組織です。既存の回答を基に、不足する層を統計的に補います。

売上は、データ量や案件数に応じた利用料、調査会社への組み込み提供で作れます。必要なのは、統計モデル、調査票の構造理解、ホールドアウト検証、監査記録です。

止める条件は、元データが少なすぎる、偏りが大きい、未知の変化を含む場合です。個人を再現するのではなく、集団の傾向を補う用途に限定します。

参入ルート3．業界特化の顧客デジタルツイン運用

最初の顧客は、継続的な顧客接点と1stパーティデータを持つ企業です。小売、通信、金融、サブスクリプション事業などが候補になります。

提供物は、顧客データの統合、仮想顧客群の構築、施策の事前テスト、結果の更新までを含む運用基盤です。売上は初期構築費と年間利用料、運用支援で作ります。

必要な提携先は、CDP、CRM、クラウド、セキュリティ、法務です。データ処理の目的、学習への利用、アクセス権、削除、再学習、誤予測時の責任を契約で分けます。

止める条件は、顧客IDを安全に統合できない、正解データを継続取得できない、施策結果を戻せない場合です。静的な顧客像しか作れないなら、継続課金の根拠が弱くなります。

参入ルート4．評価・監査・ガバナンス基盤

最初の顧客は、顧客デジタルツインを導入する企業と提供ベンダーです。入力データの来歴、モデル版、質問、出力、承認者、実査との差を記録します。

売上は、評価設計、監査、継続モニタリング、業界別ベンチマークから作れます。技術だけでなく、調査、個人情報、AIガバナンス、現場運用を横断する力が必要です。

この領域は、基盤モデルの性能向上だけでは消えません。むしろ利用範囲が広がるほど、説明と再現性の需要が増えます。独自の正解データを蓄積できない場合は、汎用チェックリストにとどまり、価格競争になりやすいでしょう。

最大の懸念は「もっともらしい誤差」を経営判断に使うこと

生成AIの回答は、自然な文章であるほど正しく見えます。しかし、顧客デジタルツインでは、文章の自然さと予測の正しさは別です。主な懸念を、導入前に責任分界へ落とす必要があります。

未知の商品ほど過去データが効かない

学習データに似た商品なら、回答の型を作りやすくなります。反対に、既存カテゴリにない商品は、過去の常識から誤って評価される可能性があります。革新的な案を平均的な反応だけで落とす使い方は避けます。

少数派と強い感情が薄くなる

AIは典型的で協調的な回答へ寄りやすく、少数派の体験や矛盾した感情を平らにすることがあります。Stanfordの大規模比較でも、ツインの回答は人間よりばらつきが小さいと報告されています。

個人情報を外部AIへ渡す責任が残る

CRMや問い合わせには個人データが含まれます。個人情報保護委員会は、生成AIへ個人データを入力する場合の注意点を示しています。利用目的の範囲と、サービス提供者が機械学習へ使うかを確認する必要があります。

匿名化したつもりでも、複数の属性を組み合わせると個人を推測できる場合があります。誰のデータを、何の目的で、どこへ送り、いつ消すかを先に決めます。

差別や不利益を自動化する恐れがある

顧客像を使って価格、与信、採用、医療などの重大な判断を自動化すると、過去の偏りを拡大する可能性があります。顧客デジタルツインは、仮説を作る用途と、個人へ処遇を決める用途を分けるべきです。

誰が誤差を説明するか曖昧になりやすい

モデル提供者は「参考情報」と説明し、導入企業は「AIの出力」と説明しがちです。しかし、最終的に施策を決めるのは利用企業です。モデル、データ、調査設計、業務判断の責任を契約と運用で分けます。

事業判断を4つに分けて考える

参入：業界固有の顧客データと正解データがある

0次検証、合成回答補完、業界特化運用から選びます。

提携：顧客接点はあるがAI・統計基盤が弱い

基盤モデルやCDPは外部と組み、自社はデータ設計と評価を持ちます。

待機：結果を業務へ戻す工程がない

CRMや商品開発工程との接続時期を決めてから投資します。

見送り：誤差を測れない重大判断へ使いたい

人の判断と異議申立てを残せない用途は見送ります。

参入・提携・待機・見送りをどう決めるか

判断は、AI技術を持っているかだけで決まりません。顧客接点、正解データ、結果を戻す業務、リスクを負える範囲を見ます。

参入に向くのは、業界固有の顧客データと、人間による検証機会を持つ企業です。調査会社、広告会社、コールセンター、CRM導入会社、業界団体などは、既存資産を転用できます。

提携に向くのは、顧客と業務を理解している一方、モデル構築や統計検証を単独で持てない企業です。モデルは外部から調達し、自社はデータ設計、評価、運用に集中する選択肢があります。

待機すべきなのは、利用場面が「面白い回答を得る」だけで、誰が何を変えるか決まっていない場合です。見送るべきなのは、誤差を測れないまま売上予測や個人処遇へ使おうとする場合です。

デジタルツインに詳しい相談先の選び方

相談先は、生成AIのデモが巧みかではなく、事業判断の境界を設計できるかで選びます。少なくとも次の点を確認します。

• AIペルソナ、合成回答者、顧客デジタルツインを区別して説明できる
• 人間の調査や実績データと比較する評価方法を持っている
• 予測が外れやすい用途を先に説明できる
• 個人情報、権限、削除、学習利用を契約に落とせる
• 出力を商品開発、CRM、営業、CXの業務へつなげられる
• 参入だけでなく、提携、待機、見送りを提案できる

イノベーション総研では、技術の選定だけでなく、最初の顧客、提供価値、収益モデル、提携先、責任分界、見送り条件までを一つの事業設計として整理します。顧客デジタルツインの場合は、使いたい判断を先に分解し、必要なデータと検証方法を逆算することが出発点です。

デジタルツインに関するよくある質問

導入や新規事業を検討するときに、よく出る疑問を整理します。

Q. 顧客デジタルツインは、AIペルソナと同じですか？

A. 同じではありません。AIペルソナは固定した属性や指示から会話することが中心です。顧客デジタルツインは、実際の顧客データで状態を更新し、予測と現実の差を継続的に確かめる点が違います。

Q. 合成ユーザーは、人間の顧客調査を置き換えますか？

A. 全面的な置き換えには向きません。多数の案を絞る0次探索、質問設計、少数セグメントの補完には使えます。最終的な商品採否や、未知の商品、感情が強いテーマは人間で確かめます。

Q. デジタルツインの精度は何％あれば十分ですか？

A. 一つの基準はありません。個人の回答、集団の順位、施策間の差など、使う判断で評価指標が変わります。自社の用途と属性ごとに人間の結果と比較し、許容誤差を決めます。

Q. 自社の顧客データが少なくても始められますか？

A. 仮説出しは始められますが、顧客を再現したとは言えません。公開統計や既存調査で初期モデルを作り、自社のインタビューや購買データで段階的に補正する方法があります。

Q. 顧客デジタルツインの事業で、最も参入しやすい領域はどこですか？

A. 特定業界の商品開発に絞った0次検証です。汎用基盤を作るより、顧客、問い、正解データを限定しやすいためです。長期的には評価・監査や業務接続へ広げると、模倣されにくくなります。

まとめ｜デジタルツイン事業は「再現」より「検証」が主戦場

デジタルツインは、設備や都市の再現から、顧客の意思決定をシミュレーションする段階へ広がっています。国内外では、生活者との対話、合成調査、少数セグメントの補完、集団行動の予測、企業データとの連携がそれぞれ商用化または検証されています。

ただし、自然な回答が得られることと、経営判断に使えることは同じではありません。新規事業で価値が残るのは、業界固有の正解データ、実在顧客との比較、更新、監査、業務接続です。

したがって、最初に作るべきものは「何でも答える仮想顧客」ではありません。最初に作るべきものは、任せる問いと人へ戻す問いを分ける評価設計です。 そこまで作れて初めて、顧客デジタルツインは面白いデモから、継続して使われる事業になります。

参考文献

本文で確認した事実は、次の一次情報と公式資料を基にしています。

• IPA「デジタルツインとは？」
• Gartner「What Are the Capabilities of a Digital Twin of a Customer?」
• 電通「People Research」の本格運用開始
• 電通デジタル「∞AI」
• 博報堂「バーチャル生活者」
• Qualtrics「Synthetic Panels」
• Fairgen「Fairgen Boost」
• Synthetic Users Documentation
• Accenture「Aaruへの投資・協業」
• Ipsos「Stanford大学とのデジタルツイン・パネル共同研究」
• Stanford HAI「Simulating Human Behavior with AI Agents」
• Stanford SCALE「A Mega-Study Of Digital Twins」
• NTT DATA「デジタルツイン」
• 個人情報保護委員会「生成AIサービスの利用に関する注意喚起等について」