SWOT分析とは？AIで4象限を素早く埋める実務ガイド

この記事の結論を先にまとめておきます。

SWOT分析は、自社の内部（強み・弱み）と外部の環境（機会・脅威）を4つの箱に整理する古典的なフレームワークです。1965年ごろにスタンフォード研究所で生まれたもので、Fortune 500 の72%が2026年でも戦略計画に使っていると言われています。

ただ、そのまま単独で使うと「40項目の羅列で終わって、誰も戦略に使わない」という有名な批判（Hill & Westbrook 1997）もあります。2026年の主戦場は、SWOT × AI × 他フレームワークの組み合わせに移っています。

AI にSWOTを任せるコツは、たったひとつのルールにまとまります。事実収集と候補生成はAI、判断・優先順位付け・意味付けは人間、という分業です。ここを徹底したうえで、RAG・Few-shot・Red Teamの3つのプロンプト技法を使えば、初学者でも実務で使えるレベルまで届きます。

日本の帝国データバンク 2024調査では、生成AIを業務活用している部門トップは経営企画の45.4%でした。SWOT × AI は未来の話ではなく、いま職場で走っている話です。この記事では、初学者が今から使えるレベルまで、順番に解説していきます。

Q1. そもそもSWOT分析ってなに？ 3分で全体像をつかむ

SWOT分析は、自社の状況を4つの箱に整理する古典的なフレームワークです。ざっくり言うと、こんな道具です。

• Strengths（強み）：自社が持っている、競合よりも優れている点
• Weaknesses（弱み）：自社が持っている、競合よりも劣っている点
• Opportunities（機会）：外の世界で、自社が活かせそうな追い風
• Threats（脅威）：外の世界で、自社に不利になりそうな向かい風

上の2つ（S・W）は自社の中の話、下の2つ（O・T）は自社の外の話、という区別があります。この「内と外」を分けるのがSWOT分析の一番大事なところです。

生まれは1965年ごろ、意外と俗説が多い歴史

SWOTの正確な起源については、実はけっこう混乱があります。「ハーバードビジネススクールで生まれた」という話が広く流通していますが、Puyt らの2023年論文は「HBS起源説はアカデミック・アーバンレジェンドだ」と結論づけていて、本当の起点は1965年ごろのスタンフォード研究所（SRI）だとしています。

このSRIで、通称「SWOTの父」と呼ばれるAlbert S. Humphreyがフォーチュン500企業向けの計画研究に関わっていて、当時使っていたのはSOFT（Satisfactory / Opportunity / Fault / Threat）というフレームでした。頭文字が入れ替わって普及したのが今のSWOTです。頭字語「SWOT」自体は1972年ごろから使われ始め、2×2のマトリクス表記は1980年代に定着しました。

歴史の話はここまでにして、実務の話に戻ります。

Fortune 500 の72%が今でも使っている

SWOTは古臭いイメージがあるかもしれませんが、SWOTPal 調査ではFortune 500 の72%が2026年の戦略計画サイクルでも採用していると言われています。Philip Kotler の『Marketing Management』でも、マーケティング監査の結果を戦略につなぐツールとして中心的に扱われています。

つまり「古いから使わない」ではなく「基本を押さえた上で、他のフレームワークと組み合わせて使う」というのが現代の使い方です。

有名な批判：「SWOTはリコールすべき製品だ」

一方で、SWOTには有名な批判論文があります。Terry Hill と Roy Westbrook が1997年に Long Range Planning 誌に発表した論文は、そのタイトルからして刺激的で「SWOT Analysis: It’s Time for a Product Recall（SWOT分析はリコールすべき製品だ）」となっています。

彼らが英国の製造業50社を調べたところ、次のような問題が見つかりました。

• SWOT の項目が平均40個を超えていて、リストが長すぎる
• 一般的で意味の乏しい記述が多い（「強み: ブランド力」で終わっている）
• 優先順位付けがされていない
• そもそも後の戦略プロセスで誰もSWOTのアウトプットを使っていなかった

最後の点はけっこうショックな指摘で、「作ったけど誰も見ない書類」になっていたわけです。ただ、この論文をよく読むと批判の対象は「SWOTというフレームワーク」ではなく「SWOTの単独運用と表面的な使い方」です。SWOT自体を捨てる必要はありません。

単独で使わず、他のフレームワークと組み合わせる

現代の実務では、SWOTを次のような他のフレームワークと組み合わせて使います。それぞれの役割を1文でまとめておきます。

• PESTLE：世の中の空気（政治・経済・社会・技術・法律・環境）を読む道具。SWOTの O/T の元ネタになる
• Porter’s Five Forces：業界の力関係を見る道具。SWOTの T をより深く掘れる
• 3C（大前研一）：顧客・競合・自社の3つの角度から戦略のツボを探る道具
• VRIO（Jay Barney）：自社の強みが本物の競争優位かをテストする道具。SWOTの S を選別する

ミュンヘン大学のワーキングペーパーは「PESTLE → Porter’s 5 Forces → SWOT」の順で個別分析を経て、SWOTを「統合の場（synthesis layer）」として使う手順を推奨しています。SWOTは単独で完結する分析ツールではなく、他のフレームワークの結果を接続する「ハブ」として使うのが正解、というのが2026年の実務コンセンサスです。

内部か外部かを見分ける、たったひとつの質問

初学者がSWOT分析でつまずくポイントの多くは、内部（S/W）と外部（O/T）の区別です。実務ガイド（Kamyar Shah）が紹介しているシンプルなリトマス試験があります。

「自分たちで直接変えられるか？ Yes = 内部（S/W）、No = 外部（O/T）」

たとえば「人材不足」は市場の状況なので変えられません。だから外部の脅威（T）です。一方で「採用ブランディングが弱い」は自社の努力で変えられるので、内部の弱み（W）です。「金利水準」は自社では動かせないので、外部の機会（O）または脅威（T）です。「金融政策への対応が遅い」は内部の弱み（W）です。

この区別が曖昧なままAIに投げると、内部と外部が混ざったSWOTが出てきます。この混同、AI-SWOTでいちばんよく起きる失敗パターンのひとつなんですね。次のセクションで詳しく見ていきます。

この節のポイント

• SWOTは Strengths / Weaknesses / Opportunities / Threats を4象限に整理する古典フレーム
• 「単独運用」は批判されがちだが、他フレームとの組み合わせなら現役
• 内部/外部の判別は「自分たちで直接変えられるか？」で判定する

Q2. AIにSWOT分析を任せていいの？ 「AIが埋める」と「人間が決める」の分け方

結論から言うと、AIにSWOTを丸投げするのは避けたほうがいいですが、うまく分業すればかなり強力です。ポイントは「AIが得意な作業」と「人間が担うべき判断」をちゃんと分けること。

日本の経営企画の45.4%はもう生成AIを業務利用中

まず現状を押さえておきます。SWOT × AI は「未来の話」ではありません。すでに走っています。

帝国データバンクの2024年調査（1,081社対象）によれば、生成AIを業務で活用している企業は17.3%で、活用部門トップは「経営企画」の45.4%でした。次いで営業・販売の38.4%、マーケティング・営業企画の37.6%です。

一方で、McKinsey State of AI 2025は「88%の企業が少なくとも1業務でAIを使うが、EBITインパクトを認識しているのは39%、しかもその大半は5%未満」と報告しています。つまり、AIを使うだけでは業績インパクトは出ない、ワークフローの再設計が必要、という段階に世界は入っています。

SWOT × AI もまさに「ワークフロー設計」次第で価値が出るか出ないかが決まる領域です。

AIが得意な作業／人間が担うべき判断

一番シンプルな1行原則は、これです。

「事実収集と候補生成はAI、判断・優先順位付け・意味付けは人間」

これをもう少し噛み砕いてみます。

AIが得意なのは、たとえばこんな作業です。

• 情報の収集と整理（大量のニュース、決算、特許、レビューを短時間で読む）
• パターン抽出（数十件の記事から共通のトレンドを抜き出す）
• 4象限の候補生成（S/W/O/Tそれぞれに10〜20個の候補を出す）
• クロスSWOTの網羅組み合わせ（SO/WO/ST/WTの16通りを機械的に生成する）

一方、人間が担うべきなのは、こういう判断ですね。

• 定量指標との照合（「この強みは本当か？シェア・NPS・特許件数と一致するか」）
• 優先順位付け（20個の候補から3〜5個に絞る）
• 経営判断（撤退・投資・提携などのリスクを取る決断）
• 実行への落とし込み（誰が・いつ・何をやるかの計画化）

HBRの2軸フレーム：エラーコスト × 知識タイプで分業を決める

もう少し体系的に分業を判断したい人には、HBR 2025年11月号の『The Gen AI Playbook for Organizations』が提案する2軸フレームが便利です。

• 縦軸：エラーが起きた時のコスト（低い〜高い）
• 横軸：必要な知識タイプ（explicit＝言葉にできる／tacit＝暗黙知）

エラーコストが高くて、暗黙知（共感・倫理・直感・文脈判断）が必要な領域では、AIに任せずに人間が主導する。エラーコストが低くて、言葉にできる知識でこなせる領域では、AIに大きく任せる。この2軸で切り分けると、SWOT作業のなかでも「AI主導のパート」と「人間主導のパート」をきれいに分けられます。

たとえば、外部環境のO/Tの候補出しは「エラーコスト中、explicit知識多め」なのでAI主導。SO/WT戦略の優先順位付けは「エラーコスト高、tacit知識多め」なので人間主導、といった具合ですね。

AIツール別の使い分け

主なAIツールをSWOT用途で見ると、こんな感じで棲み分けが見えてきます。

• ChatGPT（OpenAI）：起業家向けのSWOT用テンプレプロンプトが広く流通。GPT-5 world knowledge の広さで幅広い業界の候補出しに強い
• Claude（Anthropic）：Anthropic Economic Indexによれば企業利用の32%シェアで戦略立案・分析タスクに集中利用されている。500,000トークンの長文コンテキストで、決算資料など長大な一次情報を丸ごと読ませる用途に強い
• Gemini（Google）：Workspaceに標準バンドルされ、Gmail/Docs/Sheetsのサイドパネルから直接叩ける。公式プロンプトガイドに SWOT テンプレが載っていて、Salesforce や Jira のデータを引きながら分析できる
• Microsoft 365 Copilot：Word/PowerPoint での SWOT ドラフト作成から Visio 連携までがワンストップ

専用ツールとしては、Venngage AI SWOT Generator、EdrawMind AI SWOT、Miro AI SWOT、Notion AI SWOT テンプレートなどがあります。Miroは「戦略分析にかかる時間を60%削減した」プロダクトチーム事例を公表していて、可視化と共有までを含めた効果測定として面白い数字です。

「どのツールでもいい、大事なのは分業設計」というのが正直なところです。次のセクションでは、AI-SWOTでハマりがちな4つの失敗パターンと、その対策を見ていきます。

この節のポイント

• SWOT × AI はもう職場で走っている（経営企画部門の45.4%が生成AI活用中）
• 分業の1行原則：「事実収集はAI、判断・優先順位・意味付けは人間」
• HBRの2軸フレーム（エラーコスト × 知識タイプ）で細かく切り分けられる

Q3. AIでSWOTを作ると失敗しがちな4パターンと、その対策

ここからは実践編です。実際にChatGPTやClaudeに「うちの会社のSWOTを作って」と投げると、だいたい次の4つのどれかにハマります。順に対策を見ていきましょう。

失敗1：ハルシネーション（実在しない競合を列挙する）

AIは自信たっぷりに嘘をつきます。これはSWOT用途では致命的です。

Stanford HAI と RegLab の2024年研究では、汎用のLLMチャットボットが法律関連クエリの58〜82%で幻覚を起こしていたと報告されています。経営分析でも同様で、実在しない競合、間違った特許件数、捏造された市場データが混ざります。

Forbes の経営者コラムは、これを「幻覚税（Hallucination Tax）」と呼んで、捏造データが公表資料やクライアント向けレポートに混入すると信頼失墜と法的責任に直結すると警告しています。

対策：RAG（自社データを与えて根拠付き回答を強制する）

RAG（Retrieval-Augmented Generation）とは、AIに答えを作らせる前に、信頼できる情報源から関連文書を検索して渡す仕組みです。BCGは「権威ある最新データに基づいてAIをグラウンディングすることで、汎用的な応答を排除しドメイン特化タスクの精度を向上させる」と説明しています。

実務では、SWOT作成用のプロンプトにこんな制約を入れます。

• 「以下のデータのみを一次情報として使い、それ以外の情報は使わないでください」
• 「各項目には必ず参照したデータのタグ番号（[1] [2] など）を明記してください」
• 「根拠となる出典がない項目は『出典なし・要検証』と明示してください」

これで「実在しない競合を勝手に列挙する」問題は8割方抑え込めます。

失敗2：内部と外部を混同する

前のセクションで触れたリトマス試験、「自分たちで直接変えられるか？」を思い出してください。AIはこの区別が苦手です。

たとえばこんな誤りが頻発します。

• 「人材不足」→ 弱み（W）に配置。正解は脅威（T）。人材市場は自社で動かせない
• 「金利上昇」→ 弱み（W）に配置。正解は脅威（T）。金融政策は自社で動かせない
• 「採用力の弱さ」→ 脅威（T）に配置。正解は弱み（W）。採用ブランディングは自社で強化できる
• 「規制強化」→ 弱み（W）に配置。正解は脅威（T）。法規制は外部要因

実務ガイド Kamyar Shahは「経営陣は市場条件を弱みに、内部制約を脅威に置く誤りを日常的に犯している」と指摘しています。LLMは語句の類似度から機械的に配置しがちなので、この誤りを増幅させます。

対策：リトマス試験をプロンプトに埋め込む

プロンプトにこの一行を入れるだけで、かなり改善します。

「各項目を分類する前に、『自分たちで直接変えられるか？』を自問してください。Yesなら内部（S/W）、Noなら外部（O/T）に分類してください」

さらに念を押すなら、「人材市場の状況、金利、規制、為替、天候などは自社で変えられないため必ず外部（O/T）に分類する」といった具体例をプロンプト内に列挙します。

失敗3：表面的な分析（「強み: ブランド力」で終わる）

AIに任せると、「強み: ブランド力」「機会: 市場成長」といった、誰でも書ける当たり障りのない項目で埋まってしまいます。ACM CommunicationsのChatGPTに関するSWOT論文は「トレーニングデータから集めた汎用的な応答であり、状況に応じた深みを提供できない」と結論しています。

Hill & Westbrook 1997が批判した「一般的で意味の乏しい記述」を、AIが再生産している状態です。

対策：Few-shot（NG例とOK例を先に見せて粒度を制御）

Few-shot プロンプティングは「入出力の例をいくつか見せて、モデルにタスクを教える」技法です。OpenAI 公式ガイドによれば、2〜10例の少数事例で十分な性能改善が得られるとされています。SWOTでは、NG例とOK例のペアを先に見せるのが効きます。

具体例をひとつ載せておきます。

以下のNG例とOK例の粒度で、Strengthsを5項目挙げてください。

NG例：「ブランド力がある」
OK例：「Fortune 500 の 62% と取引実績があり、NPS が業界平均 32 に対し 58（社内2024Q4データ）」

NG例：「技術力が高い」
OK例：「主力製品の遅延処理が競合平均 120ms に対し 38ms（第三者ベンチ2024）」

制約：
- 必ず数値または比較対象を含める
- 出典URLまたは一次データ参照を付与
- 不明な項目は「データ不足」と明示し、絶対に捏造しないこと

たったこれだけで、出てくるSWOTの粒度がガラッと変わります。

失敗4：AIが出したSO/WT戦略を鵜呑みにする

これが一番怖いパターンです。AIはそれっぽい戦略提案を出してくるので、経営会議でそのまま採用してしまうケースが実際にあります。

Fortune / HBRの2025年12月調査では、AIエージェントをコア業務プロセスで完全に信頼している企業はわずか6%でした。逆に言えば、94%は「AIの出力を必ず人間がレビューする」体制を組んでいます。

対策：Red Team プロンプトで反証させる

Red Team とは、「敵対的にツッコむ視点でチェックする」という手法です。IBM Research はRed Teamingを生成AIの脆弱性発見の標準実務として位置づけています。

SWOTでは、AIが出した4象限や戦略候補に対して、3〜4人のペルソナで順にツッコませます。使えるプロンプトの例です。

先ほど生成したSWOTと戦略候補を、以下の3人のペルソナで順にレビューしてください。

【ペルソナA：懐疑的な投資家】
Strengthsの各項目について「本当か？」「何と比較してか？」「サンプルサイズは十分か？」を厳しく問い、根拠が薄い項目を落としてください。

【ペルソナB：競合他社のCEO】
WeaknessesとThreatsについて、あなたが競合として最も攻めやすい3点を挙げ、その攻め方も具体的に述べてください。

【ペルソナC：規制当局アナリスト】
Opportunitiesで挙げられた項目について、法規制・独占禁止法・データ規制の観点から「実はThreatに分類し直すべきもの」を指摘してください。

3者のレビュー結果を統合し、修正版SWOTと戦略候補を提示してください。

この Red Team プロセスを1回挟むだけで、経営判断に耐える粒度まで持っていけます。

4つの失敗と対策のまとめ

順序立ててもう一度整理すると、こうなります。

• 失敗1：ハルシネーション → 対策：RAGで根拠付き回答を強制
• 失敗2：内部と外部の混同 → 対策：リトマス試験をプロンプトに埋め込む
• 失敗3：表面的な分析 → 対策：Few-shotで NG/OK 例を見せて粒度を制御
• 失敗4：戦略候補の鵜呑み → 対策：Red Team プロンプトで3視点の反証

この4点セットは、Wei らのChain-of-Thought論文（arXiv:2201.11903）やWang らのSelf-Consistency論文（arXiv:2203.11171）、Yao らのTree of Thoughts（arXiv:2305.10601）などの学術研究で示された精度向上テクニックを、SWOT用途に翻訳したものです。プロンプトエンジニアリングの世界標準を踏まえた設計、と考えてもらって大丈夫です。

この節のポイント

• AI-SWOTの4大失敗は「幻覚・内外混同・表面的・鵜呑み」
• 対策セットは「RAG・リトマス試験・Few-shot・Red Team」の4つ
• 経営判断に使うなら、必ず人間のレビュー工程を残す

Q4. クロスSWOT（TOWS Matrix）って？ AIで4戦略を一気に導く手順

SWOTで4象限を埋めたあと、多くの人が「で、何をすればいいの？」で止まります。そのモヤモヤを解消するのがクロスSWOT、正式名称 TOWS Matrix です。SWOTの続編にあたるフレームワークで、戦略候補を機械的に導く仕組みになっています。

1982年に登場した「戦略導出のためのマトリクス」

TOWS Matrix は1982年、Heinz Weihrich が Long Range Planning 誌に発表したフレームワークです。頭字語がSWOTではなく TOWS になっているのは、外部環境（T=脅威、O=機会）を先に置いて、そのうえで内部資源（W=弱み、S=強み）を突き合わせるという戦略形成の順序を反映しています。

Weihrichの新規性は、単なる4象限の羅列ではなく「要素間の関係性を明示的にマッピングして戦略候補を導出する」点にあります。SWOTが「状態の整理」ならTOWSは「戦略の生成」です。役割がはっきり違います。

SO/WO/ST/WT の4戦略

TOWSは内部（S/W）と外部（O/T）を掛け合わせて4種類の戦略を導き出します。

• SO戦略（Maxi-Maxi）は、強みで機会を最大化する攻めの戦略。「強みが活かせる市場に思いっきり乗る」というシンプルな話で、企業が目指す理想の位置取り
• WO戦略（Mini-Maxi）は、弱みを補って機会を掴む戦略。「単独ではできないが、提携や外部リソース活用で機会を取りに行く」というパターン
• ST戦略（Maxi-Mini）は、強みで脅威を防ぐ守りの戦略。「うちのブランド力で価格競争の脅威を跳ね返す」といった防衛型
• WT戦略（Mini-Mini）は、弱みと脅威が重なる領域で最小化する後退・撤退型の戦略。事業縮小、合弁、清算などが選択肢に入る

WT戦略は経営判断として一番痛いので、実務では回避されがちですが、Weihrichはあえて4つ全部を検討する必要があると強調しています。「撤退の選択肢を最初から捨てると、赤字事業を延命する経営になる」というのが理屈です。

Fred R. Davidの標準教科書『Strategic Management: Concepts and Cases』では、TOWSは戦略立案フレームワークのInput Stage→Matching Stage→Decision Stageの三段階のうち、Matching Stageの中核ツールに位置づけられています。SWOTでインプットを整理して、TOWSで戦略候補を作り、そのあとDecision Stageで優先順位を決める、という流れです。

実務で起きるTOWSの3大失敗

TOWSは強力なのですが、実務ではけっこう失敗します。よくあるパターンはこの3つ。

• 4象限埋めて満足：SO/WO/ST/WT に何かを書いたことで安心して、深く比較していない
• SO戦略偏重：攻めの話ばかりで、WT戦略の撤退判断を回避する
• 静的な一度きり：3年前に作ったTOWSをそのまま使い続けて、環境変化に追随していない

これらはAIとの相性が非常に良い部分でもあります。順に見ていきます。

AIでTOWS戦略を導出する4ステップ

AIに TOWS 戦略を作らせる手順は、この4ステップで回すのがおすすめです。

ステップ1：SWOTを渡す

前のセクションで整理したSWOTを、AIにXMLタグで渡します。Anthropic 公式ドキュメントは、Claude用に <instructions> <data> <examples> <answer> などのXMLタグで構造化するのを推奨しています。ChatGPTでもXMLタグは効きます。

ステップ2：4戦略×2案ずつ提示させる

「SO/WO/ST/WT の4戦略について、それぞれ2案ずつ、合計8案の戦略候補を出してください」と指示します。SO偏重を避けるため、4戦略均等に生成させるのがポイント。

具体的なプロンプト例です。

<swot>
[前のセクションで整理したSWOTを貼付]
</swot>

<instructions>
上記SWOTから、TOWS Matrix に沿って以下の4戦略を導出してください。
各戦略について2案ずつ、合計8案を提示すること。

- SO戦略（Maxi-Maxi）: 強みで機会を最大化
- WO戦略（Mini-Maxi）: 弱みを補い機会を掴む
- ST戦略（Maxi-Mini）: 強みで脅威を防ぐ
- WT戦略（Mini-Mini）: 弱みと脅威が重なる領域で最小化

各案について、根拠となるSWOT項目のタグ番号（例: S1×O2）と、実行に必要な期間・リソース・想定リスクを明記すること。

WT戦略は撤退・縮小・合弁など、経営上厳しい選択肢を含めても構いません。
</instructions>

ステップ3：人間が3〜5案に絞る

AIが出した8案を、人間が3〜5案に絞ります。絞る基準はこの3つ。

• 実現可能性（今の組織・予算で本当にできるか）
• インパクト（成功したときの利益・市場ポジションへの影響）
• リスク（失敗したときの損失、レピュテーションダメージ）

この判断はAIには任せず、経営会議で議論するべき部分です。HBRの2024年11月論文は「Gen AIのリスクは、収束的な集団判断で軽減する」ことを推奨しています。単独のAIの提案を単独の意思決定者が飲むのではなく、複数の人間が議論して選ぶ、という設計です。

ステップ4：優先順位を決めて実行計画に落とす

絞った3〜5案について、KPIと担当・期限を設定して実行計画に落とします。ここではBalanced Scorecard（Kaplan & Norton 1992）の4視点（財務・顧客・業務プロセス・学習と成長）で指標を分解すると、実行しやすくなります。

AIの得意な部分と人間の得意な部分

改めてこの分業を整理すると、こうなります。

• AIが得意なのは、4象限×4象限の網羅組み合わせ、8案までの戦略候補列挙、プロンプトの反復と改善
• 人間が得意なのは、絞り込みの判断、優先順位付け、経営リスクの評価、実行への落とし込み

前のセクションで話した4大失敗の対策セット（RAG・リトマス試験・Few-shot・Red Team）は、TOWS戦略の生成にも同じように使えます。特に Red Team プロンプトは、戦略候補の反証テストとして相性抜群です。

この節のポイント

• TOWS Matrix は1982年 Weihrich が提示した「戦略導出のためのマトリクス」
• SO/WO/ST/WT の4戦略を機械的に導ける
• AIで8案生成→人間で3〜5案に絞る→KPIと担当・期限で計画化、が実務手順

Q5. 今から始める、AI-SWOTの反復ループ設計

最後に、SWOT × AI を「一度作って終わり」ではなく「継続的に更新する仕組み」として運用する話をします。ここが2026年の実務で一番効いてくるポイントかもしれません。

従来のSWOT：中計サイクル（3〜5年に1回）だと追いつかない

日本企業では、SWOTを中期経営計画（3〜5年）の策定時、あるいは期初に一度作って終わり、というスタイルが主流でした。ですが、AI Agent や競合の動きが数か月単位で変わる時代に、3年前のSWOTをそのまま使うのは無理があります。

Gartner Hype Cycle for Agentic AI 2026は、AI Agent Development Platforms を Peak of Inflated Expectations に配置しつつ、High benefit と評価しています。2026年 CIO 調査では17%がすでに AI Agent を配備、60%以上が2年以内の配備を予定しているそうです。競合が AI Agent で毎週SWOTを更新する時代に、こちらが3年サイクルで動いていると、じわじわ差がついてしまいます。

Forrester “Predictions 2026”も、Enterprise Software が「AI Agents のデジタルワークフォース」を受け入れる年になると予測しています。ERPベンダーの半数が「Autonomous Governance Modules（自動監査証跡、リアルタイムコンプライアンス監視）」をローンチするそうです。SWOTのような戦略ドキュメントも、リアルタイム更新できるインフラの上に載る方向に動いています。

反復ループの4ステップ

具体的な反復ループの設計は、次のような流れになります。

ステップ1：初期SWOTを作成する（AI + 人間）

前のセクションまでで解説した手順で、初期SWOTと4戦略を作ります。ここで大事なのは「更新前提の粒度」で書くこと。粗いスケッチではなく、各項目に定量指標と出典を紐づけて、次に更新するときに差分が取れる状態にしておきます。

ステップ2：戦略実行と結果測定

選んだ3〜5案の戦略を実行に移し、KPIで進捗を測ります。ここは通常のPDCAサイクルと同じで、特にAIの出番はありません。

ステップ3：差分の抽出（AI主導）

月次または四半期で、環境変化と社内変化の差分をAIに抽出させます。外部で見るのは、主に次のようなものです。

• 主要競合の直近ニュース（決算、提携、資金調達、製品発表）
• 業界全体の統計変化（市場規模、成長率）
• 技術トレンドの変化（特許・論文の増減）
• 規制・政策の変化

内部で見るのは、こんなあたり。

• 自社KPIの進捗と乖離
• 新規顧客セグメントの発生
• 組織の変化（人員・拠点・提携）

このステップで BCG が指摘するRAGの評価軸（context relevance / sufficiency / answer relevance / correctness / groundedness）を意識すると、抽出結果の精度が上がります。

ステップ4：SWOT更新（AI + 人間）

抽出した差分から、SWOTの各項目を更新します。判断の型は、だいたい3つに分かれます。

• 消える項目。もう成立していない強み（競合が同じ機能を出した）、埋まった機会（市場ポジション取得済み）
• 追加する項目。新しく現れた強み、新しく浮上した脅威
• 変化する項目。数値が変わったもの、優先度が変わったもの

差分の抽出と更新案生成はAIが担当し、最終判断は人間が下します。この4ステップを月次〜四半期で回すのが、2026年時点の実務ベストです。

ナレッジグラフ × SWOT：時間軸で進化するSWOT

もう少し先の話をすると、Machines誌の2026年3月論文は、時系列データを動的セグメンテーションで「意味的に有意な状態エンティティ」に変換する Explainable Time-Series Knowledge Graph フレームワークを提示しています。技術寄りの話ですが、実務にひきつけると、次のような可能性がひらけてきます。

SWOTの各項目（強み1、弱み2など）を、時系列で「どう進化したか」の履歴として蓄積できる。半年後・1年後の更新時に、「この強みは3か月前まではNo.1だったが、競合Xのリリースで2位に落ちた」といった差分を、ナレッジグラフから即座に取り出せる。

McKinseyの “Seizing the agentic AI advantage”は、Agentic AI が Autonomy / Planning / Memory / Integration を組み合わせて業務プロセス全体を自動化することを示唆しています。SWOT → 戦略 → 実行 → SWOT更新 のループが「proactive, goal-driven virtual collaborator」として再構築される、というイメージですね。

反復ループの実装例：Snorbe（deskrex.ai）の場合

一例として、リサーチエージェント Snorbe を使った反復ループの組み方を紹介しておきます。SWOT × AI の話をした流れで、実務のイメージがつきやすいと思うので。

Snorbeは完全記憶型のナレッジグラフを持つ Deep Research エージェントで、次の専門データベース群を自然な日本語で叩けます。JPO（日本特許庁）／EPO（欧州特許庁）／Google Patents で競合の特許動向を追いかけ、arXiv（プレプリント論文）／PubMed（医学論文）／Semantic Scholar で技術トレンドを把握し、各種市場調査・企業データベースで財務・業績の一次データを取ってくる、といった具合です。

SWOT の反復ループでは、こんな使い方が想定できます。O/T側の一次ソース収集では「主要競合3社の直近3か月の特許出願動向を教えて」「業界の技術トレンドで、直近1年で論文数が急増した領域は？」といったクエリを、自然な日本語のまま投げます。S側の裏取りでは、自社の強みとして挙げた技術が本当に競合優位を持っているかを、特許・論文引用ネットワークで検証。差分の抽出は、完全記憶型なので前回のSWOT作成時の状態を覚えていて、「前回から変わったポイント」を差分で返してくれます。

「クエリを意識せずに自然な日本語で投げられる」「調べたことがナレッジグラフに残るので、次に調べるときは記憶が育つ」の2点が、反復ループの継続運用と相性が良いポイントかなと思います。

もちろん、Snorbeを使わなくても反復ループは組めます。ChatGPT + 検索プラグイン、Claude + ファイルアップロード、Perplexity + 定期クエリなど、道具はいろいろあります。大事なのは「一度作って終わり」から「継続的に更新する」に運用を変える、そこですね。

まとめ：SWOT × AI は運用の仕組みでしかない

長い記事にお付き合いいただきありがとうございました。最後にこの記事全体をまとめておきます。

• SWOTは古い道具ではなく、他フレームワーク（PESTLE / 5F / 3C / VRIO / TOWS）と組み合わせる統合ハブとして現役
• AI との分業原則は「事実収集はAI、判断・優先順位・意味付けは人間」の1行
• AI-SWOT の4大失敗（幻覚・内外混同・表面的・鵜呑み）には、対策セット（RAG・リトマス試験・Few-shot・Red Team）で対応する
• クロスSWOT（TOWS Matrix）で戦略候補を導出し、AI に量、人間に質で分担する
• 「一度作って終わり」から、月次〜四半期の反復ループに運用を切り替える

SWOT × AI は魔法のフレームワークではなく、継続的に更新する運用の仕組みです。今すぐ始めて構いません。まずは今持っているSWOTを開いて、ChatGPTかClaudeに「このSWOTを、内部/外部のリトマス試験で見直してください」と投げるところから始めてみてください。

この節のポイント

• 従来の3〜5年サイクルは、Agentic AI 時代には合わない
• 反復ループの4ステップは、初期作成 → 実行 → 差分抽出 → 更新の順で回す
• ナレッジグラフ × SWOT は、時系列で SWOT が進化する分析基盤の未来像

よくある質問

Q1. SWOT分析ってもう古いのでしょうか？

「単独で使うと平均40項目の羅列で終わる」という Hill & Westbrook 1997 の批判は今も有効です。ただし PESTLE や 5Forces、TOWS と組み合わせる「統合ハブ」として使えば、2026年でも第一線のフレームワークです。Fortune 500 の72%が今も戦略計画で採用しているという調査もあります。

Q2. AIで4象限を埋めさせても大丈夫ですか？

「事実収集はAI、判断・優先順位付け・意味付けは人間」の分業なら大丈夫です。ChatGPT や Claude、Gemini に直接聞くと表面的な回答になりがちなので、RAG で自社データを与える、Few-shot で具体例を先に見せる、Red Team プロンプトで反証させる、の3点セットで精度が上がります。

Q3. 内部要因（S/W）と外部要因（O/T）の見分け方は？

「自分たちで直接変えられるか？ Yes = 内部（S/W）、No = 外部（O/T）」のリトマス試験がシンプルで効きます。たとえば「人材不足」は市場の状況なので脅威（T）、「採用ブランディングが弱い」は自社で対処できるので弱み（W）です。この区別が曖昧だとSWOT全体が崩壊します。

Q4. クロスSWOT（TOWS Matrix）はSWOTと何が違いますか？

SWOTは4象限を「整理する」ためのマトリクス、TOWS Matrix は4象限を「掛け合わせて戦略候補を導出する」ためのマトリクスです。SO戦略（強み×機会で攻める）、WO戦略（弱みを補って機会を取る）、ST戦略（強みで脅威を防ぐ）、WT戦略（撤退・縮小）の4つが基本セット。1982年 Heinz Weihrich が Long Range Planning 誌で提示しました。

Q5. 生成AIを使うと、SWOT作成の時間はどれくらい短縮できますか？

Miro AI SWOT の事例では「戦略分析にかかる時間を60%削減した」プロダクトチーム事例が公表されています。ただし短縮のポイントは「事実収集と候補生成をAIに任せる」部分で、優先順位付けと経営判断は人間側に残るため、削減率はワークフロー設計次第です。

Q6. SWOTは年に何回作り直せばいいですか？

従来は中期経営計画（3〜5年）に一度、または期初に一度が主流でしたが、AI Agent で継続更新できる時代には月次〜四半期の更新が現実的です。Gartner Hype Cycle for Agentic AI 2026 は、AI が競合の Web/決算/特許を常時モニタリングして SWOT を自動更新する未来像を提示しています。