PESTLE分析とは？｜AIで6項目を埋めて監視する運用設計

PESTLE分析は、政治・経済・社会・技術・法律・環境の6項目でマクロ環境を棚卸しし、事業機会と脅威を見つけるフレームワークです。1967年のAguilarのETPSに起源を持つ古典ですが、生成AIとリアルタイム検索の登場で「6項目を埋める時間」と「翌週には陳腐化する運用」の2つの弱点が同時に解けるようになりました。この記事では、トヨタ北米EV戦略を実例に6項目をゼロから埋めるデモに続き、Perplexity Deep Research／ChatGPT／Gensparkの役割分担、5ステップワークフロー、よくある失敗パターン、Snorbeを使った「監視型PESTLE」の実装まで、事業企画・戦略立案担当が今から使えるレベルで解説します。

PESTLE分析とはマクロ環境を6項目で棚卸しする道具です
トヨタの北米EV戦略で6項目をゼロから埋めてみます
AIに手伝ってもらう5ステップワークフロー
よくある失敗パターンと避け方
監視型PESTLE：新しい選択肢としてのSnorbe
よくある質問
調査手法について

PESTLE分析とはマクロ環境を6項目で棚卸しする道具です

PESTLE分析は、事業を取り巻くマクロ環境を6つの視点で棚卸しし、機会と脅威を見つけるための古典的なフレームワークです。政治（Political）、経済（Economic）、社会（Social）、技術（Technological）、法律（Legal）、環境（Environmental）の頭文字を並べた略語で、頭文字さえ覚えれば議事録の余白にすぐ書き出せる手軽さがあります。事業企画や新規事業の担当者が「そもそも自分たちが立っている地面は今どこに動いているのか」を、経営会議に持って行く前に整理しておくための道具、と考えるとイメージしやすいはずです。

PEST分析からPESTLE分析への拡張

フレームワークとしての原点は、1967年にハーバード・ビジネス・スクールのFrancis J. Aguilarが『Scanning the Business Environment』で提唱した「ETPS」まで遡ります。Economic、Technical、Political、Socialの4項目で外部環境をスキャンする、という発想でした。これが順序を入れ替えて「PEST」として定着し、その後2000年代に入って、環境規制やコンプライアンスの重みが増したことで、Legal（法律）とEnvironmental（環境）を明示的に切り出す「PESTLE」が広く使われるようになっています。

日本のBattery（Relic株式会社運営）では、この拡張理由について、民泊関連法の改正やCSR活動の活性化など、ビジネスの土台や顧客行動に大きな影響を及ぼすようになったからだと解説しています。つまり法律と環境をPolitical（政治）の中に押し込めておくには重すぎるようになった、というのが背景です。

6項目でそれぞれ見るのは何か

各項目で見る対象を、日本の実務向けに具体化すると次のようになります。CIPDやCorporate Finance Instituteの定義に、日本のSBMコンサルティングの解釈も混ぜて整理しました。

項目	見るもの	具体的に何を追うか
Political（政治）	政府の政策・規制方針・地政学	補助金、税制、貿易政策、業界規制、政権交代
Economic（経済）	マクロ経済の動き	金利、為替、インフレ、賃金、消費支出、景気動向
Social（社会）	人と文化の変化	人口動態、価値観、ライフスタイル、健康意識
Technological（技術）	技術トレンドとインフラ	AI・自動化、5G/6G、IoT、R&D投資、サイバーセキュリティ
Legal（法律）	法令・規制の変更	労働法、個人情報保護法、業法、知的財産、独禁法
Environmental（環境）	環境と持続可能性	気候変動、脱炭素、サステナビリティ、ESG、廃棄物規制

この表を見ると、PoliticalとLegalが似ていることに気づく方もいると思います。区別の目安は、「政党や政権が動かす方針側の話」がPolitical、「条文に落ちて施行されている話」がLegalです。たとえば脱炭素方針の宣言はPolitical、それを実装した省エネ法の改正はLegal、というふうに分けます。境界にこだわりすぎず、書く場所に迷ったらメモとして両方に置いておき、後で整理する運用でよいと思います。

PEST/PESTLE/STEEPLE/DESTEPの違い

PESTLE分析にはいくつか派生系があります。Umbrexの整理が実務家向けにわかりやすいので、これを参考に日本語で並べ直しました。

PEST：政治／経済／社会／技術の4項目。原点にあたる古典版
PESTLE（PESTEL）：PESTに法律と環境を足した6項目。現在のスタンダード
STEEP：社会／技術／経済／環境／政治の5項目。順序を並び替えたバリエーション
STEEPLE：STEEPに法律と倫理（Ethical）を足した7項目
DESTEP：人口動態（Demographic）を最初に持ってきた欧州系のバリエーション

派生系のうち、業界による選び分けが実務で効いてくるのはSTEEPLEです。Umbrexは信頼が導入や事業運営免許の要になる業界（AI・機械学習、医療データ、フィンテック、未成年向け広告、機微なコンテンツなど）ではSTEEPLEが適切としています。倫理（Ethical）の項目を独立させることで、たとえば生成AIの学習データ利用のような、法律にはまだ落ちていないが世論と社会通念で決まっていく論点を、独立した1項目として扱えるようになります。日本企業でも、生成AI事業や医療・金融領域の新規事業を検討するときはSTEEPLEを選ぶ、という基準を持っておくと安心です。

なぜ6項目という粒度がちょうどよいのか

PESTLEを設計するときに悩みやすいのが、「もっと項目を増やしたほうが漏れがないのでは」という発想です。ただ、実務では6項目の粒度でも十分細かく、むしろ増やすほど埋める負荷と、分析後に優先順位を付ける負荷が両方跳ね上がります。

Umbrexは、コンサル現場での運用として8-12ドライバに絞ることでフォーカスを維持すると紹介しています。つまり6項目それぞれから、平均1〜2個の重要ドライバに絞り込んで扱うのが実務です。項目自体を12個に増やすのではなく、「6項目×2ドライバ」の型にはめる、という発想の方が実装コストが低く抑えられます。

単独では機能しない、他フレームワークとの接続が前提

PESTLE分析は、それだけで戦略を決めるためのフレームワークではありません。SBMコンサルティングが「PESTLE分析は上流段階として機能し、外部環境と内部環境を結びつけた戦略設計が可能になる」と指摘しているように、下流にSWOT分析やファイブフォース分析、シナリオプランニングを続けて初めて意味を持ちます。

順序としては、次のような流れが一般的です。

PESTLE分析：マクロ環境の棚卸し
ファイブフォース分析：業界構造の分析
SWOT分析：PESTLEとファイブフォースの外部要因を、自社の強み・弱みと突き合わせる
シナリオプランニング：主要ドライバの組み合わせで複数シナリオを描く

つまりPESTLEで見えた6項目の変化は、SWOTの「機会」と「脅威」に流し込まれ、シナリオプランニングの前提条件になっていきます。ここまでのつなぎを描けるかどうかで、PESTLE分析が「面白いレポート」で止まるか、「戦略の起点」になれるかが分かれます。

セクション2では、ここまでの整理を実際に手を動かして確かめてもらうために、トヨタの北米EV戦略をお題に、6項目をゼロから埋める実演をします。数字と固有名詞を入れながら、事業企画の現場でPESTLEシートがどう埋まっていくかを見ていきましょう。

トヨタの北米EV戦略で6項目をゼロから埋めてみます

概念の話だけだとPESTLE分析はうまく実感がわかないので、ここでは実在の企業をお題にして、6項目を実際に埋める作業を一緒にやってみます。お題はトヨタの北米EV戦略、つまり「トヨタが米国でハイブリッドとバッテリーEVをどう伸ばしていくか」というテーマです。事業企画会議で「北米EV事業のマクロ環境をPESTLEで整理してください」と依頼されたつもりで、6項目を順番に書き込んでいきます。

情報源としては、Pestleanalysis.comのトヨタPESTLE、Panmore Instituteのトヨタ分析、トヨタの公式決算資料、経済メディア各社の記事を組み合わせています。ここで見せるのは「AIを使わない従来型のやり方」で、次のセクション3でこれをAIに任せた場合と比較する構成にします。

Political（政治）：関税と地域生産のバランス

米国政治の最大論点は、自動車輸入に対する25%関税の扱いです。Pestleanalysis.comによれば、日本の対米輸出品目の28.3%が自動車を占めており、関税の水準が上がるほどトヨタの北米事業への直接的な打撃が大きくなります。トランプ政権下で自動車関税をめぐる交渉が繰り返されており、日米双方の政治的立場が事業計画の前提を揺らします。

これに対するトヨタの応手は「北米生産の内製化」です。米国、英国、インドに生産拠点を構築し、関税の影響を受けにくい体制に移行しています。Politicalの欄には「25%関税リスク」と「地域生産による対策」の両方を機会と脅威の対で書き込んでおきます。

Economic（経済）：好調な業績と供給ボトルネック

トヨタの財務状況は非常に強く、2024年度の連結売上高は¥45兆超、営業利益は¥5兆超に達しています。これはPESTLEでいう「経済環境」に対する「体力」の指標で、多少の景気減速や為替変動があっても投資を続けられる余裕があることを意味します。

一方で足元の課題として、ハイブリッド車の需要が供給を上回っており、欧州・日本・インドで2〜9カ月の納車待機が発生しています。エイシンやデンソーといった主要サプライヤーで、電動化ユニット向け部品の供給不足が慢性化している状態です。Economicの欄には「豊富なキャッシュフローによる投資余力」と「供給側のボトルネック」を並記します。

インド市場では、年間32,000台の生産能力追加に加え、さらに10万台の追加投資が計画されています。北米EV戦略の観点でも、部品調達をアジア地域でどう分散するかが経済ドライバとして効いてきます。

Social（社会）：世代交代と過去のリコール記憶

社会要因では、米国での若年層のEV志向とクルマ離れが両方進行しているのが特徴です。ミレニアル世代とZ世代は、伝統的な自動車ブランド忠誠より、環境性能と自動運転体験を重視する傾向が調査で繰り返し確認されています。トヨタのブランドイメージは「壊れない・堅実」ですが、これがそのままEV時代の訴求ポイントになるかは論点です。

もう一つ、社会要因として無視できないのが、2009-2010年のリコール危機の記憶です。予期しない加速問題で800万台超をリコールし、12億ドル超の罰金を負いました。日本国内では風化しつつある事案ですが、米国では議会公聴会で豊田章男社長が証言に立った映像が繰り返し流れており、消費者の記憶に残っています。北米EV戦略では「品質の高いブランド」を打ち出しつつ、リコール対応の透明性を重視する必要があります。

Technological（技術）：140億ドルのバッテリー投資と提携網

技術要因は、北米EV戦略で最も動きが激しい項目です。トヨタはノースカロライナ州のバッテリー工場に140億ドルを投資し、2025年4月から供給を開始しました。米国のインフレ削減法（IRA）のバッテリー現地調達要件を満たすことで、EV税額控除の対象となる車種を増やせます。

提携ネットワークも重要な技術ドライバです。ホンダはトヨタの米国製バッテリーを2025年度から調達開始しました。Nvidiaとの提携では、GMやメルセデス・ベンツ、BYDと同じプラットフォームで自動運転技術を開発しています。競合と同じ基盤に乗る戦略で、開発コストを下げつつ標準化を進める狙いです。

Technologicalの欄には「北米バッテリー内製化」「ホンダとの相互供給」「Nvidiaプラットフォームによる自動運転開発」の3本を主要ドライバとして書き込みます。

Legal（法律）：日野の排出ガス不正が残した規制環境

法律要因では、グループ会社の日野モーターズが引き起こした排出ガス不正の影響が長期化しています。2010-2022年にわたる不正で16億ドルの罰金、5年間の操業制限、ディーゼルエンジンの輸入禁止が科されました。トヨタ本体のEV戦略に直接影響するわけではありませんが、米国当局が日本自動車グループ全般に対して監査を厳しくするきっかけになっています。

米国側の規制動向として、EPAの排出ガス基準強化と、州レベルでのゼロエミッション車販売義務化（カリフォルニア州CARBを筆頭に17州が追随）があります。欧州では国境炭素調整メカニズム（CBAM）が段階施行されており、北米で作った車を欧州に輸出する場合の炭素コストにも波及します。Legalの欄には「日野の余波によるコンプライアンス強化」「米国ZEV義務化の拡大」「欧州CBAM連鎖」の3項目を並べます。

Environmental（環境）：2050年カーボンニュートラルと資源循環

環境要因では、トヨタは全世界操業での2050年カーボンニュートラルを目標に掲げており、これが北米EV戦略の骨格を規定しています。単にEVを売るだけでなく、生産工程・部品輸送・使用後リサイクルまでを含めた炭素排出削減が問われます。

具体的な打ち手として、13.4億ドルで米国のリサイクル金属企業Radius Recyclingを買収し、サーキュラーエコノミー戦略を強化しました。使用済みバッテリーの回収と再資源化を米国内で完結させる体制作りで、環境規制への対応と原材料コスト削減を両立する狙いです。Environmentalの欄には「2050年カーボンニュートラル目標」「Radius Recycling買収による循環経済インフラ」を書き込みます。

6項目を埋めた後の作業

ここまで埋めると、A4の紙1枚か、Notionの表1つに、6項目それぞれ2〜3個のドライバが並んだ状態になります。この段階でよくやってしまうのが「埋めて満足して終わる」ことです。実際にはここからが本番で、次の作業が必要になります。

各項目のドライバに、機会（Opportunity）か脅威（Threat）かのラベルを付ける
短期（1〜2年）と長期（3〜5年）に時間軸を切って並べ直す
6項目から重要ドライバを合計8〜12個に絞り込む
SWOTシートの「機会」「脅威」欄に流し込む

セクション3では、この作業のうち「情報収集」と「機会/脅威ラベル付け」の部分を、AIに任せた場合にどう変わるかを見ていきます。実演で見た通り、従来型のやり方ではこの6項目を埋めるだけで丸1日、資料集めからだと数日かかっていました。ここが生成AIの登場で本当に変わったのか、次のセクションで確かめます。

AIに手伝ってもらう5ステップワークフロー

セクション2で見せた「6項目を埋める作業」は、AIを使わずにやると資料集めから統合表作成までで丸1日〜数日かかります。しかも一度作った資料は、翌週には政治動向や新規制のニュースで前提が変わってしまう。PESTLE分析の運用コストがここまで下がらなかった最大の理由は、この「作るのに時間がかかる×すぐ古くなる」の掛け算でした。

生成AIとリアルタイム検索の登場で、この2つが同時に片付いてきています。ここでは、Medinewが製薬業界のPESTLE分析でGensparkを使った5ステップを参考にしながら、事業企画の担当者が「今から使える」ワークフローを整理します。

使うツールの役割分担

AI活用でよくある失敗は「ChatGPTだけで全部やろうとする」パターンです。実際にはツールごとに得手不得手があるので、次の役割分担を持っておくと安定します。

Perplexity Deep Research：素材収集役。ソースURLと引用元付きで6項目のドラフトを出す
ChatGPT / Claude：分類と整理役。事実と解釈の分離、機会/脅威の判定、SWOT接続
Genspark：リアルタイム更新役。ニュースサイトを横断的にウォッチ

Perplexityは検索を横断して引用元を明示する設計、ChatGPTとClaudeは長文の整理と枠組みへの当てはめが強い設計、Gensparkはリアルタイム情報収集が強い設計、というのがざっくりした違いです。1つのツールで完結させようとせず、素材収集→分類整理→ウォッチという流れを3つのツールで分担するのが、実務で回しやすい体制です。

5ステップの実装

Medinewのやり方をベースに、事業企画の現場で使いやすいように整理し直した5ステップです。

ステップ1：6項目それぞれで5要素を列挙させる

まずPerplexity Deep ResearchかChatGPT o系（推論モデル）に、次のような依頼を投げます。

私は日本の自動車メーカーの北米EV戦略担当です。2026年時点でのトヨタの北米EV事業に関するPESTLE分析をしてください。Political、Economic、Social、Technological、Legal、Environmentalの6項目それぞれについて、重要な要素を5個ずつ挙げ、その要素を選んだ理由も付け加えてください。ソースURLは可能な限り明示してください。

「5個ずつ」と枠を切ることがポイントです。AIに任せると項目の粒度が揃わず、Politicalが10個でLegalが3個みたいなアウトプットになりがちです。Medinewでも「重要な要素を5個ずつ列挙させ、選定理由を付加させる」という設計を採用しています。

ここで6項目×5要素＝30要素のドラフトが手に入ります。作業時間は10〜15分です。

ステップ2：事実と解釈に分類する

出てきた30要素を、事実（一次ソースで確認できる）と解釈（AIの推論が入っている）に分類します。Medinewの記事では、Gensparkの出力が全て事実に分類できたものの、「ユーザー側で背景確認が必須」と注記されています。

実務では、次のようにChatGPTかClaudeに投げます。

以下の30要素を、事実（一次ソース確認可能）と解釈（推論を含む）に分類してください。事実に分類したものについては、可能ならソースURLを再度示してください。

このステップで、ソースが薄い解釈系の要素はいったん脇に置き、事実系の要素だけで骨格を作れるようになります。

ステップ3：機会か脅威かの判定

事実系の要素それぞれに、機会（Opportunity）か脅威（Threat）かのラベルを付けます。1要素が両方の性質を持つ場合もあるので、片方だけでなく「両側」というラベルも許容する設計にしておくと現実に合います。

以下の事実要素それぞれについて、私のポジション（トヨタ北米EV事業の企画担当）から見て、機会か脅威か、あるいは両側かを判定してください。判定理由も30字程度で添えてください。

このステップで、単なる情報の羅列から「動く必要のあるドライバ」に絞り込むことができるようになります。

ステップ4：時間軸で分類する

機会/脅威に分類できた要素を、短期（1〜2年）と長期（3〜5年）に分けます。ここは事業計画のホライゾンと揃えることが重要で、たとえば中期経営計画が3年サイクルなら3年区切り、5年サイクルなら5年区切りに合わせます。

各要素について、影響が顕在化するタイミングを短期（1〜2年）、中期（3〜5年）、長期（5年以上）に分類してください。

このステップで、6項目×5要素の元マトリクスが、時間軸ごとの優先順位表に変わっていきます。

ステップ5：統合表を作成し8〜12ドライバに絞る

最後に、全部の情報を1つの統合表に落とします。Umbrexが指摘しているように、8〜12ドライバに絞り込むことが実務では重要です。

統合表の列としては「項目／要素／機会or脅威／時間軸／重要度（1〜5）／ソース」あたりを揃えると、後段のSWOTやシナリオプランに流し込みやすくなります。

プロンプト設計の型

10種類のプロンプトを紹介したMedium記事を参照して、プロンプト設計の共通型を圧縮すると、次の3要素を必ず入れるとうまくいきます。

文脈設定：「私は◯◯を担当していて、◯◯についてPESTLE分析をしたい」
役割指定：「Act as a strategy consultant with 10 years of automotive industry experience」（英語で書くと精度が上がるという経験則があります）
出力形式の明示：「テーブル形式で／各要素5個ずつ／選定理由付き／ソースURL付き」

10種類のうち特に事業企画の現場で使いやすいのは、「市場比較分析」（A国とB国を並べる）、「加重優先順位付け」（0〜100スケールで重要度と有利度を判定）、「SWOT統合型」（PESTLE→SWOTの自動変換）、「シナリオ予測」（最良／最悪／最可能ケース）の4つです。1つの案件で全部を回すのではなく、フェーズごとに使い分けると効率的です。

AIを使う上での注意点

AI活用の効果は大きい一方で、いくつか注意点があります。PubMed Central掲載のChatGPTによるSWOT/PESTLE分析の学術論文では、systematic literature reviewの結果として、生成AIの弱点として「言語誤解による誤情報生成」「訓練データバイアス」「プライバシー」の3つが指摘されています。論文著者は「advantages が risks を上回るかは、今後の検証が必要」と慎重な姿勢を残しています。

事業企画の現場で守るべき運用ルールとして、次の3つを最低限おすすめします。

ステップ2の事実分類は必ず人間の目で確認する
ソースURLが提示されない要素は、そのままではドラフトに残さない
3カ月に1回はステップ1からやり直し、前提の更新をチェックする

セクション4では、AIを使ってもなおハマりやすい失敗パターンと、その避け方を整理します。ChatGPTに任せた6項目のドラフトを、経営会議の前提資料として使えるレベルまで仕上げるための実務ノウハウをまとめていきます。

よくある失敗パターンと避け方

PESTLE分析は「6項目埋めるだけ」に見えて、実際にはハマりどころが多いフレームワークです。しかもAI活用が進んだことで、従来型の失敗パターンに加えて、AI固有の新しい落とし穴が生まれています。ここでは、LinkedIn AdviceやOnStrategyHQの実務家アドバイスと、AI時代に固有の失敗パターンを組み合わせて整理します。

失敗パターン1：範囲が広すぎる／狭すぎる

一番よく起きるのが、分析範囲（スコープ）の設定を誤るパターンです。LinkedIn Adviceでは「一般的すぎると、ビジネスに関係する重要な詳細や機微を見落とす」一方、細かすぎると情報過多で判断停止に陥る、と指摘されています。

避け方は、分析範囲を「1つの意思決定」に紐づけることです。「トヨタの北米EV事業の3年計画立案」のように、対象と時間軸を明示してからPESTLEを始めます。「自動車業界のPESTLE」のような広い設定でスタートすると、6項目それぞれで100個のドライバが並んでしまい、収拾がつきません。事業企画の現場では、必ず「何を決めるために、この分析をするのか」を1文でメモしてから作業に入ることをおすすめします。

失敗パターン2：6項目を切り離して見てしまう

2つ目の失敗は、6項目を独立に扱い、項目間の相互作用を見落とすことです。LinkedIn Adviceは「経済的変化は消費者行動に影響し、環境規制は法的変化を引き起こす。これらを動的に相互作用させて分析する必要がある」と指摘しています。

たとえばトヨタの北米EV戦略で、Environmental（2050年カーボンニュートラル目標）とTechnological（140億ドルバッテリー投資）とLegal（米国IRAのバッテリー現地調達要件）は、実際には1つの連鎖です。環境目標→現地バッテリー内製化→IRA税額控除獲得、というふうに、3項目のドライバが1本のストーリーで説明できます。

避け方は、6項目埋めた後に「主要ドライバ同士の連鎖」を矢印で描き足す作業を必ず入れることです。ホワイトボードでも、Figma やNotionでも構いません。主要ドライバの相関を可視化することで、経営会議での説明に必要なストーリーラインが自然と浮かんできます。

失敗パターン3：市場を均質と仮定する

3つ目は、地域差やセグメント差を無視して「平均的な話」にしてしまうパターンです。LinkedIn Adviceは「地域、文化、人口動態の違いを見落とすと、誤った結論を導く」と警告しています。

たとえば「米国のEV市場」と一括りにしても、カリフォルニア州とテキサス州では規制環境も購買層も別物です。北東部の富裕層向けの高級EV戦略と、中西部のピックアップトラック中心の実用EV戦略では、PESTLEシートの重要ドライバが大きく変わります。

避け方は、分析対象の地理的粒度を最初に切ることです。「米国全体」でスタートせず、「米国カリフォルニア州」「米国テキサス州」のように州単位、あるいは大都市圏単位まで落とします。地域ごとにPESTLEを別々に作り、共通ドライバと個別ドライバを整理し直すのが実務的な折り合いです。

失敗パターン4：実装につながらない「分析麻痺」

4つ目は、OnStrategyHQが「分析麻痺」と呼ぶ、データを集め続けて判断が止まる状態です。6項目を埋めることが目的化してしまい、そこから戦略に落とす作業が始まらない。

LinkedIn Adviceも「分析だけでは価値が限定的。最も重要で緊急な要因を優先し、実行可能な戦略と計画に落とす必要がある」と釘を刺しています。

避け方は、PESTLE分析の完成条件に「次のアクション」を組み込むことです。たとえば「PESTLE分析の成果は、SWOTシートの外部要因欄が全て埋まった状態」と定義しておくと、6項目を埋めるだけでは終わらせられなくなります。あるいは「シナリオプランニングの前提条件表が2ケース以上作られていること」を成果物に含めます。フレームワーク自体を成果物にせず、フレームワークが次に流し込む先を成果物にする、という設計です。

失敗パターン5：1回作って終わりにする

5つ目は、初回分析で完成させて棚に上げてしまうパターンです。OnStrategyHQは「最低3年ごと、または年1回の確認」を推奨し、CIPDも「効果的にするには定期的な実施が必要」と強調しています。

政治動向は選挙のたびに変わり、経済動向は四半期ごとに動き、法改正は年に何度も走ります。1回作った資料は数カ月で前提が古びます。

避け方は、更新の運用ルールを最初に決めることです。「四半期ごとに主要ドライバのニュースを確認」「半期ごとに6項目全体をリフレッシュ」「事業計画の見直しタイミングでゼロから再作成」の3層で回すのが1つの型です。ここまでの手間を人手で回すのは現実には難しく、後述するようにAIツール側の運用と組み合わせるのが現実解です。

AI時代に固有の失敗パターン

生成AI活用が進んだことで、新しい落とし穴もいくつか見えてきました。

粒度が揃わない

セクション3でも触れたように、AIに「PESTLE分析してください」と丸投げすると、Politicalに10個、Legalに3個みたいな粒度のバラつきが起きます。プロンプト側で「6項目×5要素、選定理由付き」と枠を切ることが必須です。

事実と解釈が混ざる

生成AIの出力は、ソース確認可能な事実と、モデル内部の推論を含んだ解釈が、シームレスに混ざって出てきます。「トヨタは2025年に◯◯を発表しました」という記述が事実なのか解釈なのか、パッと見ではわからない。事実確認をスキップしてそのまま経営資料に使うと、後で確認したときに引用元が存在しない、というトラブルが発生します。

避け方は、セクション3のステップ2で解説した「事実と解釈の分類」を必ず入れること、そしてソースURLが示されない要素はドラフトから外すルールを徹底することです。

更新の見落とし

生成AIの回答は「今この瞬間の情報」を返すため、翌月同じプロンプトを投げると全く違う要素が出てきます。Medinewも「同じプロンプトでも異なる時間に質問すると回答が微妙に変わる」と注記しています。

これは便利な性質でもある一方、「気づいたら重要ドライバが3つ入れ替わっていた」という運用上のリスクにもなります。定期的に前回分析と差分を取る仕組みが必要です。

SWOTに流し込まない

最後に、AIで6項目を埋めた後、そのまま満足してしまうパターンです。従来型の失敗パターン4と同じですが、AIで簡単に埋まる分、この落とし穴に落ちる頻度は上がります。「PESTLEの30要素→SWOTの外部要因欄→戦略オプション」までの流し込みを、あらかじめワークフローとして組んでおくことが重要です。

5つの型を回避するチェックリスト

セクション4のまとめとして、PESTLE分析を経営会議に出す前に確認する7項目のチェックリストを置いておきます。

分析範囲は「1つの意思決定」に紐づいているか
主要ドライバ同士の相互作用（矢印）が描けているか
地域・セグメントの粒度は適切か
次のアクション（SWOT、シナリオ、事業計画）に流し込まれているか
更新の運用ルール（四半期／半期／再作成）が決まっているか
6項目の粒度が揃い、事実と解釈が分離されているか
3カ月前のバージョンとの差分が取れているか

セクション5では、この最後の「更新の運用ルール」と「差分を取る仕組み」を、Snorbeを使って「監視型PESTLE」として運用する方法を紹介します。従来型のPESTLE分析が「使い捨てスナップショット」だったのを、「観察を続けるダッシュボード」に変える発想です。

監視型PESTLE：新しい選択肢としてのSnorbe

セクション4の最後で「PESTLE分析は3カ月に1回はやり直すべき」と書きました。ただ、事業企画の担当者が四半期ごとに6項目×5要素を洗い直す作業を、他の業務と並行して安定運用するのは、正直きついはずです。ChatGPTやPerplexityで初回は10〜15分に短縮できたとしても、四半期ごとに手動で回すのは実運用として無理があります。

ここでは、PESTLE分析を「使い捨てのスナップショット」から「観察を続けるダッシュボード」に変える発想として、「監視型PESTLE」という考え方と、それを実装するための1つの選択肢としてSnorbeを紹介します。

従来型PESTLEの限界：スナップショット思考

従来のPESTLE分析は、基本的にスナップショット思考でできています。ある時点の6項目を紙1枚に埋めて、意思決定資料として使う。この設計は、外部環境の変化が年単位で緩やかだった時代には十分機能していました。

ところが2020年代に入って、政治動向は選挙のたびに大きく振れ、テクノロジーはAI関連で四半期ごとに新しいプレーヤーが出現し、規制は生成AI規制やCBAMのように国際協調で年に何度も動くようになりました。3カ月前に作ったPESTLEシートは、既に主要ドライバの半分が古びている、という状態が起きます。

ChatGPTやPerplexityは、この課題を「1回吐き出す」用途では解決しました。ただし「継続的に観察する」用途では、依然として人間が同じプロンプトを叩き続ける必要があります。翌月にプロンプトを叩いた結果、前回と何がどう変わったのかを差分で見る仕組みが、そもそも標準では用意されていません。

監視型PESTLEという発想

「監視型PESTLE」は、6項目それぞれのドライバを「観察対象」として登録し、システム側が自動的にニュース・論文・特許・統計データを追い続けてくれる、という発想です。担当者は初回にドライバを設定するだけで、その後は定期的なアップデートを受け取り、事業計画の見直しタイミングで差分をレビューする、という運用に変わります。

このモデルを実装するには、いくつかの要件が必要です。

6項目それぞれに独立した「観察テーマ」を設定できる
政治・経済・技術・法律・環境の各領域で、権威ある一次ソースをカバーする
前回時点のスナップショットとの差分を取れる
事業企画担当が非エンジニアでも操作できる自然言語インターフェース

汎用チャットツールでこの4要件を満たすのは、実運用ではかなり難しい。ここで、「新しい選択肢」として提案したいのがSnorbeというリサーチエージェントです。

Snorbeが何を提供するか

Snorbeは、ナレッジグラフをベースにしたリサーチエージェントで、複数の専門データベースを自然言語で横断的に問い合わせる設計になっています。専門DB群として次のような検索面をカバーしています。

政治・行政：e-Stat（政府統計）、各省庁の公開データ
経済：Statista、CB Insights、業界統計
学術・技術：arXiv、PubMed、Semantic Scholar
特許：JPO（日本特許庁）、EPO（欧州特許庁）、Google Patents
一般Web：Tavily、Google検索

PESTLE分析の6項目に当てはめると、Political / Legalには行政データベースと省庁公開資料、Economic / SocialにはStatistaと政府統計、Technologicalには特許と学術データベース、Environmentalには環境省と国際機関のデータ、というふうに、項目ごとに最適な情報源に自動で問い合わせが振り分けられます。事業企画担当が「トヨタの北米EV戦略における2050年カーボンニュートラル関連の直近1年の技術動向を教えて」と自然な日本語で投げるだけで、Semantic Scholarで学術動向を、Google Patentsで特許出願動向を、Statistaで市場データを、それぞれ引きに行ってくれます。

もう1つの特徴が、ナレッジグラフでの記憶蓄積です。従来のチャットツールは会話ごとに文脈が切れる設計ですが、Snorbeは「PESTLEの6項目それぞれをノードとして保持し、関連する調査結果を蓄積」できます。3カ月前の「Political」ノードと、今日の「Political」ノードの差分を取ることが、標準機能として実現できる設計になっています。

Snorbeを使ったPESTLE運用を今から始める

Snorbeを使って監視型PESTLEを回すとき、今日から始められる具体的なステップを整理します。

ステップ1：ワークスペースにPESTLE分析用のプロジェクトを作る
ステップ2：6項目それぞれに「観察テーマ」を1つ登録する（例：「トヨタ北米EV戦略の政治動向」）
ステップ3：初回スキャンとして、各項目に5要素の列挙を依頼する
ステップ4：出てきた要素を機会/脅威、短期/長期でラベル付けする
ステップ5：四半期ごとの再スキャンをスケジュール化し、差分をSlackなどに通知する
ステップ6：差分に反応する会議（月次のマクロ環境レビュー）をカレンダーに入れる

初回のセットアップに2〜3時間かかりますが、その後は「差分を見てレビューする」運用になるので、四半期ごとの再作成が現実的な負荷で回せるようになります。

汎用チャットとの役割分担

Snorbeを使うとしても、ChatGPT・Perplexity・Gensparkのような汎用チャットツールを捨てる必要はありません。むしろ役割分担で使い分けるのが実務的です。

汎用チャット：思考の壁打ち、要約、ブレスト、単発のリサーチ
Snorbe：継続観察、専門DB横断、ナレッジグラフ蓄積、差分検出

たとえば、汎用チャットで「新しい経済制裁が発表されたが、当社の戦略にどう影響しそうか」を壁打ちしつつ、Snorbeで「その制裁関連の一次ソースと過去の類似事例」を蓄積された文脈から引き出す、という組み合わせです。両者は競合する道具ではなく、補完しあう別軸の武器と考えると腹落ちします。

事業企画担当がSnorbeを触るときのコツ

Snorbeを事業企画の現場で使い始めるときに、いくつか運用上のコツを共有しておきます。

6項目それぞれのテーマを「1文で書ける粒度」まで絞る（広すぎると差分が取れない）
初回スキャンではソースURLの明示を必ず依頼する
3カ月経過したタイミングで、前回のノード内容と今回のノード内容を並べて確認する
汎用チャットに投げた壁打ちの結論を、Snorbeのプロジェクトメモに戻す運用にする
経営会議で使う資料には、Snorbeの生出力ではなく、担当者が要約・編集したバージョンを使う

最後の項目は特に重要です。Snorbeの専門DB横断は情報網羅性が高い一方、そのまま経営資料に貼り付けると情報過多になります。担当者が「今回の意思決定に何が効くか」を選別して、A4半分〜1枚に絞る作業は残ります。ここまでを含めて、PESTLE分析は「AIに材料を出させて、人間が意思決定に絞る」フレームワークになってきています。

この記事のまとめ

PESTLE分析は、1967年のAguilarのETPS以来、マクロ環境スキャンの古典として使われ続けてきたフレームワークです。ただし、フレームワークとしての価値は近年になって上がってきました。生成AIとリアルタイム検索の登場で、「6項目を埋める時間」と「翌週には陳腐化する運用」という2つの弱点が同時に解けるようになったからです。

事業企画・戦略立案・新規事業の担当者にとっての実務ポイントは、次の3つに集約できます。

6項目を埋める作業は、Perplexity Deep Research／ChatGPT／Gensparkで10〜15分まで短縮できる
ただしAI固有の失敗パターン（粒度バラつき、事実解釈混在、更新見落とし）は依然として残る
3カ月ごとの再作成を運用として回すには、Snorbeのようなナレッジグラフ型の監視ツールが「新しい選択肢」になる

読者の方が今から試すとしたら、まず自社の事業について1つテーマを決めて、ChatGPTかPerplexityで6項目×5要素のドラフトを出してみるのが最初の一歩です。手応えを感じたら、Snorbeで継続観察のワークフローに載せる、という順序で進めるとリスクが低いと思います。フレームワーク自体は古典ですが、実装コストがここまで下がった今、PESTLE分析を再度自社の意思決定プロセスに組み込む価値は、ここ数年でかなり上がっています。

よくある質問

Q1. PESTLE分析とPEST分析の違いは何ですか

PEST分析は政治・経済・社会・技術の4項目で、PESTLE分析はそこに法律（Legal）と環境（Environmental）を追加した6項目です。2000年代以降、環境規制やコンプライアンスの重要度が上がったことで、法律と環境を政治の中に押し込めず独立項目として扱う運用が広がりました。現在の日本の実務ではPESTLEが標準です。

Q2. PESTLE分析はどれくらいの頻度で更新すべきですか

OnStrategyHQは最低3年ごと、CIPDは「効果的にするには定期的な実施が必要」と推奨しています。実務的な目安として、四半期ごとに主要ドライバのニュースを確認、半期ごとに6項目全体をリフレッシュ、事業計画の見直しタイミングでゼロから再作成、という3層で回すのが1つの型です。生成AIとリアルタイム検索を組み合わせれば、四半期ごとの更新も現実的な負荷で運用できます。

Q3. PESTLE・STEEPLE・DESTEPはどう使い分けますか

PESTLE（6項目）が現在のスタンダードです。STEEPLEはPESTLEに倫理（Ethical）を加えた7項目で、AI・機械学習・医療データ・フィンテック・未成年向け広告など「信頼が事業運営免許の要になる業界」で採用します。DESTEPは人口動態（Demographic）を最初に置いた欧州系のバリエーションで、消費財や小売など人口構造が事業に直結する業界で使われます。迷ったらPESTLE、業界特性が強く出るならSTEEPLEかDESTEPを選ぶ、という基準で問題ありません。

Q4. AIで6項目を埋めると精度は大丈夫ですか

PerplexityやChatGPTなら6項目×5要素のドラフトが10〜15分で手に入りますが、そのまま経営資料に使うのはリスクがあります。PubMed Centralの学術論文では、生成AIの弱点として言語誤解・訓練データバイアス・プライバシーが指摘されています。実務では、AIの出力を「事実」と「解釈」に分類し、ソースURLが提示されない要素はドラフトから外す運用ルールを徹底することが必要です。AIは素材収集役、人間は事実確認と意思決定役、という役割分担が現実的です。

Q5. PESTLE分析のプロンプトはどう設計すればよいですか

3つの要素を必ず入れると精度が上がります。1つ目は文脈設定（「私は◯◯を担当していて、◯◯についてPESTLE分析をしたい」）。2つ目は役割指定（「Act as a strategy consultant with 10 years of automotive industry experience」）。3つ目は出力形式の明示（「各要素5個ずつ、選定理由付き、ソースURL付き、テーブル形式」）。特に「6項目それぞれ5要素ずつ」と枠を切ることで、Politicalに10個・Legalに3個みたいな粒度バラつきを防げます。

Q6. PESTLE分析の後、何につなげればよいですか

PESTLE分析は単独では戦略になりません。下流に、ファイブフォース分析（業界構造）、SWOT分析（自社の強み・弱みとの突き合わせ）、シナリオプランニング（主要ドライバの組み合わせ）を続けることで初めて意思決定資料になります。PESTLEで見えた30要素のうち、機会と脅威にラベル付けした要素をSWOTシートの外部要因欄に流し込む、という接続が最もよく使われるパターンです。

Q7. Snorbeは他のAIツールと何が違いますか

ChatGPTやPerplexityが「1回吐き出す」用途に強いのに対して、Snorbeは「継続的に観察する」用途に特化した設計です。ナレッジグラフで6項目それぞれをノードとして保持し、e-Stat・EPO/JPO・arXiv・PubMed・Semantic Scholar・Statista・CB Insights・Google Patentsといった専門データベースを自然な日本語で横断検索できます。3カ月前のスナップショットとの差分検出も標準機能です。両者は競合する道具ではなく、単発リサーチはChatGPTやPerplexity、継続観察はSnorbeという別軸の武器として使い分ける発想が実務的です。

Q8. PESTLE分析の起源はいつですか

1967年にハーバード・ビジネス・スクールのFrancis J. Aguilarが著書『Scanning the Business Environment』で提唱した「ETPS（Economic, Technical, Political, Social）」が原点です。これが順序を入れ替えて「PEST」として定着し、2000年代に法律と環境が追加されて現在のPESTLEになりました。フレームワーク自体は60年近い歴史がありますが、生成AI時代になって運用コストが下がったことで、改めて実務での価値が上がってきています。