デスクリサーチとは？AI時代までの進化を歴史から解きほぐす

デスクリサーチは、机の前を離れずに二次情報から答えに近づくリサーチの手法です。1900年（明治33年）に帝国データバンクが創業し、1958年に矢野経済研究所、1992年に富士キメラ総研が生まれた伝統時代から、1998年のGoogle創業とe-Stat API 2013年公開を経たWeb検索時代、そして2022年11月のChatGPT公開とOpenAI Deep Research 2025年2月リリースまでの125年で、道具は3段階書き換わりました。

この記事では、伝統時代・Web検索時代・AI時代のそれぞれで、デスクリサーチが何を指す言葉だったのかを一次ソースの数字で追いかけていきます。2024年5月のGoogle AI Overviews登場で情報取得型キーワードの1位クリック率が前年比61%減になった検索行動の変化、そして道具が変わっても動かない3つの本質までを整理したうえで、新しい選択肢としてナレッジグラフ型リサーチエージェントSnorbeを、別軸の武器として位置づけていきます。

デスクリサーチが指すもの、指さないもの

デスクリサーチは、名前の割にやっていることの範囲が広く、時代によって作法もかなり変わってきた仕事です。まずは言葉の輪郭からそろえていきたいと思います。二次調査との関係、フィールドリサーチとの対比、そして「二次情報のふりをしている三次情報」の罠まで、順番に整理していきます。

定義：机の前で二次情報を組み合わせる仕事

デスクリサーチは、机の前を離れずに、すでに世の中に出ている資料からデータを集めて分析するリサーチの手法です。マーケティングの世界では「二次調査」とほぼ同じ意味で使われます。既存の統計、調査会社のレポート、企業のIR資料、業界紙、書籍、Webの記事といった「他の誰かがすでに調べて公開したもの」を組み合わせて、答えに近づけていく作業だとシナジーマーケティングの用語集は説明しています。

対象者への直接接触は原則ゼロで、リサーチ会社に依頼するとしても、それは「二次情報を集める作業を外注する」という位置づけです。ProSessionのリサーチ入門も、デスクリサーチを「机の前で完結する情報収集」と定義しています。座って作業できるという意味では、たしかに机の名前が付いているのがしっくりくる仕事です。

対になるフィールドリサーチとの違い

デスクリサーチと対になる言葉がフィールドリサーチで、こちらは一次調査と呼ばれます。顧客に会って話を聞いたり、店頭で買い物する様子を観察したり、アンケートを配ったりと、要するに調査者自身が現場に出て新しい情報を作る側の調査です。

富士経済グループの解説では、フィールドリサーチを「対象となる市場や消費者の現場に赴き、直接観察やインタビューを通じて情報を収集する調査手法」と定義しています。エスノグラフィー、消費者インタビュー、店頭観察、CLT（会場調査）、HUT（ホームユーステスト）といった手法群が、ざっくりフィールドリサーチの箱に入ります。

	デスクリサーチ	フィールドリサーチ
情報の種類	二次情報（既に存在する）	一次情報（自分で作る）
対象への接触	原則なし	直接会う・観察する
コスト	低〜中	中〜高
スピード	数時間〜数日	数週間〜数カ月
例	統計・IR・業界紙・レポート・Web	インタビュー・店頭観察・アンケート

私自身の経験だと、「まずデスクで仮説を作って、フィールドで検証する」という順番で組むのが実務では圧倒的に多いです。いきなり100人にインタビューするのは時間もお金も足りませんし、そもそも「何を聞くべきか」を絞るためにデスクの作業が要ります。Sprocketの実践記事も同じ順番を推奨していて、この流れは伝統時代から今のAI時代まで、ずっと変わっていない部分です。

二次情報と三次情報の境目

デスクリサーチで一つだけ気をつけたいのが、二次情報を編集した記事やまとめブログを、そのまま二次情報だと思ってしまう罠です。ネットで拾ったランキング記事や、統計を紹介した企業ブログは、厳密には三次情報に近い立ち位置になります。

たとえば「日本の広告市場は7兆円」という数字を紹介したまとめ記事があったとして、その記事は電通の日本の広告費という一次発表を要約したものかもしれません。その要約が正しい年の数字を指しているのか、集計範囲が本当に一致しているのかは、原典に戻らないと確認できません。JINCHIの信頼できる情報源14選という記事も、この「原典に戻る」動作の重要性を強く書いています。

書いてある数字が本当に元データと合っているのか、原典に戻って確かめる。この作業を省くと、リサーチの信頼性はいっぺんに崩れます。中学生の読書感想文で、あらすじサイトだけを読んで感想を書くと、先生から「原文を読んで書いてくれる？」と返される。あの感覚に似ていて、リサーチも一次情報まで降りきる姿勢が大事だと思います。

典型的な二次情報の情報源

「デスクリサーチをやる」と言ったとき、どこを見に行けばよいのか、代表的な情報源のカテゴリを並べておきます。この分類は、伝統時代から今まで、あまり変わっていません。

• 省庁・自治体の公開統計（例：総務省統計局、経済産業省の白書、国立国会図書館）
• シンクタンクや調査会社のレポート（例：矢野経済研究所、富士キメラ総研、日本総研）
• 企業のIR資料（決算短信・有価証券報告書・統合報告書・株主総会招集通知）
• 学術論文（例：J-STAGE、CiNii Research、Google Scholar）
• 業界紙・専門メディア（例：日経新聞、日経クロストレンド、業界別ポータル）
• 特許公報（例：J-PlatPat、Espacenet、Google Patents）

裏を返すと、SNSの投稿、匿名掲示板の書き込み、個人ブログの噂話などは、二次情報として単独で扱うのは難しいカテゴリになります。もちろん仮説の種としては拾えるので、フィールドリサーチの入り口として使うのは全然ありです。

言葉の輪郭がそろってきたところで、次のセクションからは、この「机の前で二次情報を組み合わせる仕事」が、100年以上のあいだにどう姿を変えてきたのかを追いかけていきます。最初は1900年、明治33年の帝国データバンク創業からです。

伝統時代｜1900年の帝国データバンクから紙のデータベースまで

デスクリサーチの歴史を遡ると、意外と古いところまで届きます。まだGoogleもなく、Wikipediaもなく、e-Statもなかった時代、リサーチというのは徹底的にアナログな作業でした。有償の調査会社が発行する冊子と、図書館の棚と、商用データベースの端末。この3つを行き来しながら、時間をかけて像を結んでいく仕事だった時代を、少しだけ覗いてみます。

1900年、帝国データバンクが始まった年

日本のデスクリサーチの土台の一角に、100年以上前から座っている会社があります。帝国データバンクです。この会社は1900年（明治33年）3月3日、後藤武夫が「帝国興信社」の名前で立ち上げた企業信用調査会社が始まりで、1981年に現在の「帝国データバンク」へと社名を変えています帝国データバンクの歴史。

創業の背景には、明治30年代の日本で信用取引が急拡大していた事情があります。手形や掛け売りが増える中で、「この取引先は本当に代金を払えるのか」を調べる需要が生まれ、そこに専門の調査会社が生まれた形です。帝国データバンクの史料館には、当時の調査帳簿や信用調査の書式が保存されていて、リサーチという仕事が組織化されたごく初期の姿を見られます。

現在の帝国データバンクは、業界シェアが60%を超え、事業所は83拠点、調査員は約1,700人という規模感で、企業信用調査の土台をずっと支え続けています帝国データバンク会社概要。DBという名前で親しまれていますが、実態は「日本全国に足を持って歩き回る調査員のネットワーク」です。AI時代の今もこの構造は変わっておらず、後半のセクションで話す「有償一次情報の独占領域」の代表格になっています。

1958年〜、市場調査の主役たちが生まれた時期

戦後の高度成長期に入ると、企業が「どの市場に投資するか」を判断するための市場調査ニーズが一気に膨らみました。ここで登場するのが矢野経済研究所です。

矢野経済研究所は1958年に設立され、1964年に「矢野レポート」を、1972年に「日本市場シェア事典」を発刊しています。約3,000市場を追いかけ、年間250冊超の市場調査資料を発行しているとされる、日本の市場調査業界の代表格です矢野経済研究所 会社概要。B2Cの消費財市場、B2Bの生産財市場、それに新興テクノロジー市場まで、幅広くカバーしているのが特徴です。

産業電子や半導体、情報通信のような生産財領域では、富士キメラ総研が強い存在です。この会社は1992年に富士経済グループの3社（富士経済、富士キメラエレクトロニクス、富士キメラソリューションズ）が統合して発足しました富士キメラ総研 沿革。半導体、電子部品、産業機器、情報通信インフラの領域では、いまも第一想起になる調査会社の一つです。

こういう調査会社のレポートは、当時1冊数万円から数十万円というのが相場でした。実務のリサーチャーは、大学図書館や国会図書館の棚を歩いてバックナンバーを漁り、必要な章だけコピーして机に並べていました。今のようにPDFをダウンロードして検索、というわけにはいかなかった時代です。

商用データベースの入り口としての日経テレコン

冊子のレポートに加えて、1980年代から企業に入り始めたのが商用データベースの端末でした。代表格が日経テレコンです。

日経テレコンは、日経4紙（日本経済新聞、日経産業新聞、日経MJ、日経ヴェリタス）の記事横断検索、企業検索、人事検索、マクロ経済統計まで、一つの契約でカバーできる商用データベースです。国立国会図書館経由でも使えるようになっていて、国立国会図書館リサーチ・ナビからアクセス方法が案内されています。地方の大阪府立中央図書館のように、商用データベース利用室で無料開放している公立図書館もあります。

この時代のリサーチの流れを、ざっくり並べてみます。

• 大学図書館・国会図書館の棚で業界紙や統計年鑑を探す
• 白書や政府統計は冊子で購入か図書館で閲覧
• 調査会社の有償レポートは社内ライブラリで借りるか、必要な章をコピー
• 日経テレコンで新聞記事横断検索、企業情報検索
• 帝国データバンクや東京商工リサーチに個別に信用調査を依頼

読み返してみると、どこにも「Google」も「AI」もありません。かわりに「図書館」「冊子」「コピー機」「端末」が並びます。この地味な積み上げが、当時の「デスクリサーチ」という言葉の中身でした。ページをめくる時間そのものが、リサーチの一部だったと言えます。

伝統時代の武器は今も現役

面白いのは、この伝統時代に生まれた武器の多くが、AI時代の今もまだ現役だという点です。帝国データバンクの信用情報、矢野経済研究所や富士キメラ総研の市場レポート、日経テレコンの記事アーカイブ。これらは、いまだにWeb上に完全な形では出てきません。Google検索でもAI検索でも、この領域には踏み込めない部分が広く残っています。

このことは、5番目のセクションで「変わらない本質」を話すときに、もう一度戻ってきたいテーマです。次のセクションでは、伝統時代のあとに来た「Web検索時代」の10年を追いかけます。Googleの登場、e-StatのAPI公開、Wayback Machineの拡張という、今どきのリサーチャーが使う無料のツール群が、この時期に一気にそろっていきました。

Web検索時代｜Google・e-Stat・Wayback Machineが主戦場になった10年

伝統時代の紙とコピー機の世界に、大きな地殻変動を起こしたのがWeb検索の一般化です。ここでは、1998年のGoogle創業から、企業IRや政府統計のWeb無料公開が定着した2010年代、そしてChatGPTが登場する2022年まで、およそ20年強の時期を「Web検索時代」として整理していきます。デスクリサーチが「調査会社に金を払う仕事」から「Webでどれだけ深く潜れるかの仕事」に一度シフトした時期です。

1998年、ガレージから始まったPageRank

Web検索時代の起点は、1998年のGoogle創業まで遡ります。ラリー・ペイジとサーゲイ・ブリンがスタンフォード大学の博士課程で始めた検索エンジンプロジェクトが、9月にカリフォルニア州メンローパークのガレージで法人化されたのが、この会社の始まりですGoogle Wikipedia。

Googleが持ち込んだ最大の発明はPageRankアルゴリズムでした。当時の検索エンジンはキーワードの出現頻度でページを並べていて、SEOの原型のような「キーワードを詰め込んだページ」が上位を取ってしまう問題を抱えていました。PageRankはそこに「他のページからどれだけリンクされているか」「そのリンクを張っているページはどれだけ信頼されているか」という被リンクの数と質の観点を持ち込みますPageRank解説。

この仕組みが効いた結果、Webの海の中から「多くの信頼されるページに引用されているページ」が上位に上がるようになり、リサーチ用途で使える検索エンジンとしての位置づけが一気に確立しました。デスクリサーチの入り口が、有償の調査会社レポートから、Google検索窓に置き換わり始めるのが、この2000年代の後半です。

2010年代、IR・シンクタンク・業界メディアがWeb無料公開へ

Web検索時代の本番は、企業のIR資料、シンクタンクのホワイトペーパー、業界メディアの記事が、Webで無料公開されるようになった2010年代です。

日本の上場企業のIRサイトには、決算短信、有価証券報告書、統合報告書、株主総会招集通知、決算説明資料が並ぶようになり、これらは全部PDFでダウンロードできるようになりました。シンクタンク側では、みずほリサーチ&テクノロジーズ、野村総合研究所、日本総研、大和総研といった大手が、ホワイトペーパーや業界レポートを無償公開する流れを作ります。

業界メディアも同じ動きです。IT系のITmedia、日経クロストレンド、業界別ポータル（例：食品産業新聞、日経BPの各業界誌）が、記事の相当部分をWebに載せるようになりました。有償のところは残るのですが、無料で読める記事だけでも、業界の輪郭を把握するには十分な深さになっていきます。

この時期のデスクリサーチのやり方は、ざっくり次のような流れになっていきました。

• Google検索で「業界名 + 動向」「企業名 + 中期経営計画」で1次情報を探す
• 気になる企業のIRサイトから決算資料と統合報告書をダウンロード
• シンクタンクのホワイトペーパーで市場規模やCAGRを拾う
• 業界メディアで事例と直近の動向を追いかける
• 有償データベース（矢野経済、富士キメラ、日経テレコン）で不足分を補う

紙のコピーを机に並べる作業が、フォルダにPDFを溜める作業に置き換わっていきました。「良さそうな1次情報」に辿り着くまでの時間は、伝統時代と比べて桁が変わったと言えます。

2013年、e-Stat APIが政府統計を機械可読にした日

日本のリサーチにとって静かな革命だったのが、政府統計の総合窓口であるe-StatのAPI公開です。

e-Statは2008年に運用が始まり、2013年6月10日にAPI機能の試行運用がスタートしました。当初は23統計・約34,000表という規模で、後に57統計・約74,000表まで拡張されていますcodezine e-Stat拡張ニュース。国勢調査、労働力調査、家計調査、貿易統計、経済センサスといった代表的な政府統計が、機械が読める形（JSON/XML）でダウンロードできる状態になりました。

APIの登場前は、政府統計を扱うには「役所に電話して冊子を取り寄せる」「白書のPDFから数字を目視で抜く」「Excelで公開されている表を手作業で結合する」といった作業が必要でした。API公開後は、Pythonのスクリプト1本で複数の統計を横断集計できるようになり、「調べる」の一部が「書く」の作業に置き換わり始めます。今ではe-Stat APIカタログで利用可能な統計の一覧を眺められるようになっています。

政府統計は、リサーチの世界で「原典中の原典」に近い存在です。ここが機械可読になった影響は、地味ですが大きなものでした。市場規模のトップライン、消費行動のマクロ動向、地域別の人口動態など、企業のリサーチの多くはこの土台を必ず一度は経由します。

1996年から続くWayback Machineという公開アーカイブ

Web検索時代を語るうえで、もう一つ外せないのがWayback Machineです。

Wayback Machineは、Internet Archiveというアメリカの非営利団体が運営している、Webの公開アーカイブサービスです。Internet Archiveは1996年にブリュースター・ケール氏が設立し、Wayback Machineを通じて、過去に削除されたページや、リニューアル前の企業サイトの状態を追いかけられる状態にしています。ferretの解説記事によると、2023年1月時点で保存Webページ数は約8,080億に達しています。

私自身、消えてしまったスタートアップの過去のプレスリリースを追いかけて、事業ピボットの流れを再構成した経験が何度もあります。「あの会社、たしか去年まではA事業をやっていた気がするけど、いまB事業に完全に切り替わっている」という違和感を、Wayback Machineで過去のスナップショットを並べて確認する。この使い方は、Webでしか成立しない新しいリサーチ動作です。

競合分析でも、Wayback Machineは強力な道具になります。競合のサービスサイトを半年前・1年前・3年前のスナップショットで並べると、価格改定のタイミング、機能追加の順番、ターゲット層の変遷が、時系列で読み取れるようになります。

Web検索時代のリサーチャーは、実質「オペレーター」だった

この時期のデスクリサーチの現場は、実質的に「うまく検索するオペレーター」に近いものでした。作業時間の大半は、次のような反復に費やされていた気がします。

• クエリ設計：どの言葉を組み合わせれば求める情報にヒットするかを試す
• SERP選別：検索結果画面から信頼できそうなドメインを見分ける
• PDF熟読：企業IR、白書、シンクタンクレポートのPDFを開いて必要な段落を探す
• メモへの抜粋：出典と抜粋テキストを、あとで参照できる形でメモアプリに転記
• 有償DBで補完：Web上に完全な形では出てこない情報を、日経テレコンや矢野経済のレポートで補う

伝統時代と比べれば手を動かす速度は10倍にはなりました。それでも「Google検索の結果を読む時間」自体は減らず、リサーチの本業は「情報を探して読んで抜粋する作業」であり続けます。

この構造にもう一度大きな変動が起きるのが、2022年11月のChatGPT公開です。次のセクションでは、AI時代に入ってからのデスクリサーチが、どこがどう変わってきたのかを、数字と一次ソースで追いかけていきます。

AI時代｜ChatGPTからDeep Research・Claude Scienceまで

Web検索時代の「オペレーター的なデスクリサーチ」に、もう一度地殻変動が起きたのが2022年11月です。OpenAIがChatGPTを一般公開したこの日を境に、「まず検索、次にAI」という順番だったリサーチが、「まずAI、次に検索」に反転していく空気が広がり始めます。ここでは2022年から2026年までの4年間で、デスクリサーチの主戦場がどう変わったのかを、数字と一次ソースで追いかけていきます。

2022年11月、ChatGPTがリサーチの入り口をひっくり返した

2022年11月30日にOpenAIが公開したChatGPTは、Q&A、要約、翻訳、比較整理といった作業を、チャット1つで完結させられる道具として一気に広がりました。それまで「業界の輪郭をつかむ」ために丸1日かけていたリサーチの初期作業が、ChatGPTに投げれば数分で概要が返ってくるようになります。

私自身、ChatGPTが登場してから半年ほど、Google検索を開く回数が体感で3分の1くらいに減りました。まずChatGPTに投げて概要をつかむ、そのあと「もう少し詳しく知りたい」領域だけGoogle検索を叩く、という順序が定着します。定義や概念整理、比較表の下書きは、Google検索で複数記事を読み比べるより、ChatGPTと対話するほうが手触りとしては早くなっていきました。

もちろん初期のChatGPTには「事実誤認を自信満々に書く」ハルシネーション問題がありましたし、2023年時点の学習データだと最新情報に弱いという弱点もありました。ただ、リサーチの初期の「粗集め」フェーズに限れば、この段階でも十分に道具として成立していた記憶があります。

2024年、Google AI Overviewsが検索の景色を書き換えた

ChatGPTの広がりに、Googleも反応します。2024年5月、GoogleはAI Overviewsという新機能を米国で正式リリースしました。SERPの一番上に、AIが要約した答えが数行で表示される形です。同年8月に日本を含む数カ国、10月には100カ国以上に展開範囲を広げていきましたWeel AI Overview解説。

日本語で「デスクリサーチとは」で検索してみると、いまはSERPの冒頭にAI Overviewsの要約が数行で載って、その下に青いリンクが並ぶ、という形になっています。従来の10本の青いリンクが並ぶ画面と比べると、まず目に入る情報の総量が変わりました。ブルースクレイの解説記事も、この変化がSEOと検索行動の両方に与えるインパクトの大きさを取り上げています。

ゼロクリック化：AI要約だけで満足する48.8%のユーザー

この変化は、実際のユーザーの検索行動を数字レベルで動かしています。

syncADの2025年3月調査によると、AI要約を見たユーザーのうちリンクをクリックしたのはわずか8%でした。48.8%は要約だけで満足していて、その先の記事本文まで進まなくなっています。ボーディーの分析も、ゼロクリック時代の到来を数字で追いかけていて、Web記事のPVを稼ぐ発想そのものが揺らいでいる状況を伝えています。

さらに強い数字として、情報取得型キーワードの1位クリック率は1.76%から0.61%へと、前年比61%減という結果も出ていますejinzai AI Overviewsの衝撃。「1位を取れば流入が来る」というSEOの前提が、AI Overviewsの登場でしっかり崩れました。

デスクリサーチの側から見ると、この変化は二重の意味を持ちます。1つは「Googleで調べる」という動作の中身が、青いリンクを踏むことからAI要約を読むことに変わったこと。もう1つは、AI要約に引用されるかどうかで、参照される情報源の顔ぶれが再編されつつあること。リサーチする側は、Google検索の結果と生成AIの出力を、両にらみで見ないといけない時代に入りました。

Perplexity、Felo、そして「引用リンク付きAI検索」の広がり

ChatGPTとAI Overviewsの間の隙間を埋めるように育ったのが、対話型のAI検索エンジンです。

Perplexityは2022年末にリリースされた対話型AI検索エンジンで、質問に対して引用リンク付きの回答を返すのが標準機能です。2025年2月14日には、より長時間かけて調べるDeep Research機能を追加し、Proは1日500回、無料は1日5回まで使える形にしましたPerplexity Deep Researchプレスリリース。Google検索の代わりに使えるAIエンジンとして、リサーチ実務者のあいだで定着していきます。

日本発の検索エンジンとしては、Sparticle社が2024年に開発したFeloがあります。日本語UIで最初から使え、引用リンク付き回答に加えて、マインドマップ生成、スライド化、そして論文・X（旧Twitter）・学術データベースなど8種類のフォーカス機能で情報源を絞り込めるのが特徴ですFelo特徴解説 C-NAPS Felo SHIFT AI。日本語の文脈や日本固有の情報源に強いので、国内市場のリサーチではAIエンジンの第一候補にしている人も多い印象があります。

「引用リンク付きで、対話しながら調べられる」というスタイルは、リサーチャーにとってはGoogle検索の自然な進化形として受け入れられました。SERPの青いリンクを1本ずつ踏んで熟読する動作が、AIエンジンと対話しながら気になる引用元だけ深掘りする動作に置き換わってきています。

2025年、Deep Researchが自律型リサーチを標準にした

対話型のAI検索の一段上に、自律型のDeep Research機能が、大手3社から立て続けにリリースされました。

OpenAI Deep Researchは2025年2月に公開され、数百のオンライン情報源を横断して、5〜30分でアナリストレベルの引用付きレポートを組む機能ですOpenAI公式 Introducing deep research。利用回数はPlus・Team・Eduが月25回、Proが月250回、Freeが月5回に設定されていますChatGPT Deep Researchヘルプ。

Google Gemini Deep Researchはウェブに加えてGmail・Drive・Chatの内部データも横断参照できる作りで、2025年5月のGoogle I/O 2025では無料枠にもGemini 2.5 Flashを配布し始めていますGemini Deep Research公式。個人の受信箱や社内文書とWeb情報を組み合わせて調べたいときに、この特徴が刺さるようになりました。

AnthropicのClaudeもResearch機能を強化し、Web検索とGoogle Workspace、外部連携アプリを横断して、5〜45分で包括レポートを返せる形にしています。2026年7月には科学分野向けにClaude Scienceを公開し、60以上の科学データベースに接続できるようになりましたClaude Science解説。

これら3つの共通点は「人が検索クエリを打ち込む」の代わりに「AIが調査計画を立てて自律的にツールを叩く」に主戦場が移ったことです。リサーチャーは「調査してほしい問い」を投げるだけで、あとはAIが数十のソースを横断してレポートを組んでくれます。伝統時代なら1週間かかっていた業界俯瞰が、Deep Researchでは30分で1本のレポートに落ちてくる、そういう感覚に近くなりました。

	提供元	リリース時期	所要時間	特徴
OpenAI Deep Research	OpenAI	2025年2月	5〜30分	数百ソース横断、Plus月25/Pro月250/Free月5
Perplexity Deep Research	Perplexity	2025年2月14日	数分〜数十分	Pro1日500/無料1日5、引用リンク標準
Gemini Deep Research	Google	2024〜2025年	数分〜数十分	Gmail/Drive/Chat内部データ横断
Claude Research / Science	Anthropic	2025〜2026年	5〜45分	60以上の科学DB接続（Science）

noteの生成AI経由流入が2.3倍という具体例

AI検索の広がりは、実際のWeb流入データにも表れています。

たとえばWeb担の記事が伝えたnoteの事例では、2025年3月から5月にかけて生成AI経由の流入が2.3倍に増えたと報告されています。ChatGPTやPerplexityが記事本文を引用した際に、末尾のリンクからnoteに読者が飛んでくる動きが、無視できない規模になってきているという話です。

これは記事を書く側の景色でもあり、リサーチする側の景色でもあります。「AI経由でどれくらい引用されるか」がSEOの新しい指標になり、リサーチャーの側は「Deep Researchが引用してきたソースが、そもそも信頼できるのか」を吟味する目線が新しく必要になりました。

AI時代のリサーチャーは、情報キュレーターに近い

私が現場で感じている変化を一つだけ挙げるなら、リサーチの初期にかかる時間が体感で1/5くらいに縮んでいることです。以前なら丸1日かけて資料を集めていた「業界の輪郭を把握する」作業が、Deep Researchなら30分で終わってしまう。そのぶん、集まった素材を吟味して問いを組み直す時間が、以前よりずっと増えました。

時代が変わって、リサーチャーの役割が「情報収集係」から「情報キュレーター」寄りに動いてきた気がしています。集めるところはAIが担当し、吟味して意思決定に繋げるところが人の仕事になった、そんな役割分担です。

次のセクションでは、この3段階の変化を経てもなお動かない「デスクリサーチの本質」を3つ整理し、そのうえで新しい選択肢としてのSnorbeを、別軸の武器として置き直します。

変わらない本質と、新しい選択肢としてのSnorbe

道具が3段階も変わったのに、デスクリサーチの本質は思ったほど動いていません。伝統時代・Web検索時代・AI時代を通して、ずっと必要になり続けている動作が3つあります。ここではその3つを整理したうえで、そのうえに新しい選択肢としてのSnorbeを、別軸の武器として置き直したいと思います。

本質1｜「何を意思決定するために調べるのか」の目的設計

デスクリサーチの起点は、いつの時代も「何を意思決定するために調べるのか」という目的設計です。

競合を見比べるための調査なのか、投資判断のための調査なのか、新規事業の仮説を作るための調査なのかで、集めるべき素材はまるで違います。競合分析なら競合の決算資料と顧客レビューが軸になりますし、投資判断ならセグメント別のP/LとCAGRが軸になります。新規事業の仮説なら、まだ言語化されていない顧客インサイトを掘るための一次資料が中心になってくる、といった具合です。

Sellwellの解説記事も、リサーチの成否は最初に目的を可視化できるかで決まると書いています。ここの解像度が低いままAIに投げると、出てくるレポートも解像度の低いものにしかなりません。「業界のトレンドを教えて」というふわっとした問いを投げたときのDeep Researchの答えと、「25〜35歳の共働き世帯における冷凍食品の購入頻度が過去3年でどう変わったか、その要因を3つ挙げて」という具体的な問いを投げたときの答えは、質が桁で違います。

この動作は、AIに肩代わりさせにくい部分です。AIは、投げられた問いの粒度以上には答えてくれません。問いを研ぐ作業は、いまも人の仕事として残っています。

本質2｜出所を確かめて原典に戻る動作

2つ目の本質は「出所を確かめて原典に戻る」動作です。

AI検索は引用リンクを付けてくれるので便利なのですが、そのリンク先が古かったり、書き手が原典を誤読していたりする例に、私も何度か遭遇しました。

たとえばDeep Researchが引用してきた「日本の生成AI市場規模」の数字が、実は2022年時点の数字を古いブログ記事から拾ったものだった、というケースがあります。あるいは、AIが引用した「経済産業省の統計」が、実際にはその統計を紹介した二次記事だった、というケースもあります。

特に統計値と事例は、必ず一次資料まで降りて自分の目で確認する運用に戻しています。AIが上手くなるほど、この最終確認を人が省きたくなる誘惑が強くなるので、意識的に手を止めるほうがよさそうです。

原典に戻る動作は、伝統時代なら「図書館の棚を歩く」、Web検索時代なら「元のPDFをダウンロードして該当ページを開く」、AI時代なら「引用リンクをクリックして本当にそう書いてあるかを目で確認する」という形で、道具は変わっても動作の本質は同じです。

本質3｜有償の一次情報が持つ独占領域

3つ目の本質は「有償の一次情報が持つ独占領域」です。

前のセクションで見た通り、伝統時代に生まれた矢野経済研究所、富士キメラ総研、帝国データバンクといった調査会社は、いまもWeb上に完全な形では出てこないデータを独占的に持っています。年間250冊超の詳細な市場レポート、業界別の企業信用調査、生産財領域の詳細な市場データ。ここは、AIの回答だけでは代替できない領域として残り続けています。

Deep ResearchやChatGPTが優秀になっても、そもそも学習データに入っていない情報は生成できません。矢野経済のレポートを買って読み込んだAIエージェントを、無償のDeep Researchが再現するのは原理的に難しいわけです。AI時代になってから、むしろ「有償の一次情報の希少価値」は相対的に上がっている、と感じる場面が増えました。

信用調査も同じ構造です。帝国データバンクや東京商工リサーチが持つ企業信用データは、Webで公開されていない領域が広く、B2Bの取引判断ではいまも第一想起です。伝統時代の武器は、時代が変わってもまだ現役、というのはこの意味です。

リサーチャーの役割は「情報キュレーター」に動いた

3つの本質を並べたところで、AI時代のリサーチャーの立ち位置を、もう一度言い直してみたいと思います。

伝統時代のリサーチャーは、図書館の棚と調査会社のレポートを行き来する「情報コレクター」でした。Web検索時代のリサーチャーは、Google検索と有料DBのオペレーターとしての「情報オペレーター」でした。そしてAI時代のリサーチャーは、AIが集めてきた素材を吟味して意思決定に繋げる「情報キュレーター」に動いてきた、というのが私の感覚です。

集めるところはAIがどんどん代わってくれる。かわりに、集めた素材の中から「意思決定に効くものだけを選び直す」「原典に戻って裏を取る」「そのうえで意思決定者に届く言葉にまとめる」という工程の比重が、じわじわ上がってきました。

4つの軸を並列で持てる時代になった

道具の側から見ると、いまの実務家は次の4つの軸を並列で持てる状態になっています。

• 伝統的な有償データベース（矢野経済研究所、富士キメラ総研、帝国データバンク、東京商工リサーチ、日経テレコン）
• Web検索と無料の一次情報源（Google、企業IR、e-Stat、Wayback Machine、CiNii Research）
• 汎用のDeep Research（OpenAI Deep Research、Gemini Deep Research、Claude Research、Perplexity Deep Research）
• ナレッジグラフ型のリサーチエージェント

4番目の軸として、私が最近よく手を伸ばしているのがSnorbeです。Snorbeはナレッジグラフを持ったリサーチエージェントで、テーマや問いを投げると、調査ツールを自律的に選んで動き、過去に自分が調べた記憶と連結して結果を返します。

汎用のDeep Researchとの違いは、「その場での横断調査」に強いDeep Researchに対して、Snorbeは「過去のリサーチの積み重ねと繋がるところ」に別軸を置いている点です。ChatGPT Deep ResearchやGemini Deep Researchが飛び道具的な単発の調査に強いのに対して、Snorbeは自分専用の資料庫を育てながら調査する武器、というイメージが近いかもしれません。

具体的には、次のような場面で刺さります。同じ業界を継続的に追いかけるとき、案件を跨いで調査結果が蓄積されるナレッジグラフが、あとで検索の起点になります。特許・論文・政府DB・Web・社内文書を横断で調べに行くので、汎用のChatGPTやPerplexityでは拾いきれない専門商材やBtoB案件で、差が出やすくなります。企業テーマの継続追跡や、ホワイトスペースの探索といった、時間軸の長いリサーチにも向いています。

補完枠、というより、4番目の軸として並列で持てる新しい選択肢。これがSnorbeの位置づけの一番自然な言い方です。

「デスクリサーチはやっとくもの」と言われた新入社員へ

冒頭の新入社員だった私に、いまの私が声をかけるとしたら、たぶんこう言います。デスクリサーチは検索の作業じゃなくて、問いを立てて、素材を吟味して、意思決定に繋げる作業だよ、と。道具が変わっても、この根っこは動かない気がしています。

伝統時代の調査員は、朝から図書館に通って、夜まで棚を歩いていました。Web検索時代の実務家は、朝からGoogleを叩いて、夜までPDFを読んでいました。AI時代の実務家は、朝からAIに問いを投げて、夜まで返ってきた素材を吟味しています。時代の風景は変わっても、真剣に問いを立てて、真剣に情報と付き合う姿は、そんなに違わない気もします。

あなたが次に「デスクリサーチやっといて」と頼まれたとき、どの武器を、どの順番で使いますか。手元にあるショートカットを一度並べ直して、自分なりの型を作ってみると、リサーチの手触りがだいぶ変わるはずです。もしそこに「4番目の軸」としてSnorbeを並べてみたくなったら、月曜日から一度触ってみてほしいと思います。

よくある質問

Q1. デスクリサーチとフィールドリサーチはどう違いますか？

情報の集め方が正反対です。デスクリサーチは机の前を離れずに、すでに世の中に出ている二次情報（統計、レポート、IR、業界紙、Web記事）を組み合わせる手法です。対してフィールドリサーチは、富士経済グループの定義によれば「対象となる市場や消費者の現場に赴き、直接観察やインタビューを通じて情報を収集する」一次調査で、調査者自身が新しい情報を作る側になります。実務では「デスクで仮説を立てて、フィールドで検証する」順序で組むのが定番で、この順番はAI時代の今も変わっていません。

Q2. デスクリサーチと二次調査は同じ意味ですか？

ほぼ同じ意味で使われます。デスクリサーチは「机の前で完結する」という道具の側から名付けられた言葉で、二次調査は「二次情報を扱う」という情報の側から名付けられた言葉、というニュアンスの違いがある程度です。実務のシーンでは「今回のプロジェクトはまずデスクリサーチから」「二次調査で市場規模のあたりをつけよう」のように、ほぼ交換可能に使われています。シナジーマーケティングの用語集も、両者を同義として扱っています。

Q3. AI検索を使えばデスクリサーチはもう要らなくなりますか？

道具としてのAI検索は強力ですが、デスクリサーチという活動そのものが不要になるわけではありません。デスクリサーチは「二次情報から意思決定に近づく活動」であって、AI検索やDeep Researchはその活動の中で使う新しい道具の1つです。むしろ「何を意思決定するために調べるのか」の目的設計、AIが出してきた素材の吟味、原典への遡及といった動作の比重は、AI時代のほうが上がっています。リサーチャーの役割が「情報収集係」から「情報キュレーター」に動いてきた、という感覚が近いかもしれません。

Q4. 無料で使えるデスクリサーチの情報源は何がありますか？

代表的なのは政府統計と、企業のIR資料、そして無料公開されているシンクタンクレポートです。政府統計はe-Statで国勢調査から労働力調査まで57統計・約74,000表を機械可読形式でダウンロードできます。企業IRは上場企業の公式サイトから、決算短信、有価証券報告書、統合報告書がPDFで取れます。シンクタンクはみずほリサーチ&テクノロジーズ、野村総合研究所、日本総研、大和総研などが無料のホワイトペーパーを公開しています。過去のWebサイトの状態を追いかけたいときは、Wayback Machineが便利です。

Q5. Deep ResearchとSnorbeはどう使い分けますか？

「その場での横断調査に強いか」「過去のリサーチと連結して育つか」の軸で使い分けるのが自然です。OpenAI Deep Research、Gemini Deep Research、Perplexity Deep Researchは、その場で調査計画を立ててWeb横断でレポートを組むところに強みがあり、単発の業界俯瞰やまとめには相性が良いと感じています。一方、Snorbeはナレッジグラフを持ったリサーチエージェントで、過去に自分が調べた記憶と連結して結果を返してくれる作りです。同じ業界を継続的に追いかける案件、専門商材のBtoBリサーチ、案件を跨いで調査結果を蓄積したいテーマで、後半にじわじわ効いてくる道具です。

Q6. 卒業論文でデスクリサーチする際の注意点は何ですか？

一次情報にできるだけ戻ることと、参考文献の書式を最初から意識することです。まとめブログや紹介記事は便利ですが、そこに書かれている数字や引用は、元の論文や統計に戻って自分の目で確認する運用にしておくと、あとで卒論の口頭試問で足元をすくわれません。学術論文の検索にはCiNii ResearchやGoogle Scholarが使えます。AI検索やDeep Researchで初期の粗集めをするのは全然構いませんが、AIが引用したリンクが本当に原典に届いているのかは、必ず一度は自分で開いて確認してください。参考文献リストの書式（著者名、発表年、タイトル、掲載媒体、URL）は、最初の1本目から統一しておくと後半が楽になります。