Ryan GlasgowがSprigを「回答」からAI research agentsへ広げた理由

Ryan Glasgowは「プロダクトマネージャーとして、顧客の課題を理解するために必要な調査を、もっと早く繰り返したい」という問題意識からSprigを始めた。出典

PMの現場から始まったUserLeap

Glasgowは2018年に会社を始め、最初はUserLeapという名前で顧客開発を進めた。

First Roundの記録では、PMやresearcherがmicrosurveyやconcept testを使い、開発前に顧客の反応を確かめる構想が描かれている。出典

調査を一つのプロダクトへ

2020年にはAccelがUserLeapのSeries A投資を発表した。

調査を単発のインタビュー支援で終わらせず、プロダクト内の反応、concept、usability、video interviewまで扱う方向に広げた。出典

Sprigへの転換とAI

2022年、Sprigは$30Mの新規調達とconcept・usability testingの拡張を発表した。

名前と機能を変えたのは、回答を集める道具から、プロダクト開発の意思決定を支えるplatformへ進むためだった。出典

研究インフラを作り直す

First Roundのポッドキャストでは、Sprigは累計$88M超を調達したAI-powered user insights platformとして紹介され、Ryan Glasgowと機械学習責任者Kevin MandichがAI時代の研究について話している。出典

現在の公式サイトはResearch AgentsやAI-native analysisを前面に出す。

Ryan Glasgowの賭けは、AIでresearcherを消すことではなく、顧客理解を意思決定の近くへ連れてくることだと読める。出典

今のSprig

Sprigの道のりは、surveyを売った話ではない。

PM自身が持つ「もっと早く顧客を理解したい」という痛みを、調査の実行と分析の両方へ広げた話だ。

AIが強くなるほど、原データと判断の間をどう説明可能につなぐかが次の勝負になる。

SprigのPMFは、プロダクトチームが「調査を依頼して結果を待つ」工程を、プロダクト内の反応収集とAI分析へ短縮する点にある。

公式サイトはsurvey・session replay・AI-native analysisを一つの流れとして示し、First Roundもmicrosurvey、concept test、video interviewを同一基盤の価値として説明する。出典出典

特に、リサーチャーだけでなくPM・growth teamまで使い手を広げられるため、調査の頻度を上げる設計が刺さる。

これは回答数を増やすだけでなく、意思決定の直前に顧客の文脈を差し込むことが本質だ。

Sprigの参入障壁は、回答データだけでなく、プロダクト内の行動・自由記述・動画を同じresearch workflowで扱う運用知識にある。

AI機能は模倣できても、顧客が継続利用する調査テンプレートと分析履歴の蓄積には時間がかかる。出典出典

ネットワーク効果は弱い。

ユーザー数が増えるほど直接価値が増すmarketplaceではなく、組織内の調査データとworkflowが蓄積するdata/coordination effectが中心だ。

複数チームで同じ知見を参照すると乗り換えコストは上がる。

主な対象は、PM、UX researcher、growth marketerがいるB2B・consumerのプロダクトチーム。

特に、調査専任者が不足し、機能開発の前に顧客の反応を素早く知りたい組織に合う。

高度な定性研究を少人数で完全に置き換えたいチームには向かず、人間の解釈と併用する前提だ。

第一に、in-product surveyとconcept/usability testingを同じ導線に置いたこと。

第二に、ユーザーの自由記述をAIで整理し、調査結果を読む時間を減らしたこと。

第三に、First Roundなど投資家ネットワークと顧客事例を組み合わせ、B2Bの信頼を積み上げたこと。出典出典

機能の多さではなく、調査の開始から示唆の共有までを一つのworkflowにした点が再現可能な要因だ。

最大のリスクは、AIが自由記述の文脈や少数意見を平均化し、もっともらしい要約を返すことだ。

Research Agentsを拡張するほど、原データへのtraceabilityと人間による確認が重要になる。出典

また、survey・session replay・concept testの価値が広いぶん、既存のresearch stackとの重複や導入時のデータガバナンスが障壁になる。

公開情報だけでは現在の顧客維持率や収益性は要確認だ。

初期はFounder-led salesと投資家・顧客ネットワークでB2Bの信頼を得て、そこから無料または低摩擦の調査体験を入口に利用範囲を広げる戦略が見える。

2020年のSeries A、2022年の$30M調達、AI-powered platformへの展開は、単機能surveyからresearch infrastructureへ投資する流れを示す。出典出典

一方、エンタープライズではsecurity・privacy・回答品質の説明が成長速度を制約する。

AIを前面に出しても、最終的には意思決定に使える証拠を返すことが重要だ。

主要チャネル: content, investor-network, product-led, customer-research-community

Sprigから学べるのは、既存の調査手法を否定せず、開始・収集・分析・共有の摩擦を順番に減らすことだ。

AIを追加機能として売るのではなく、調査結果が意思決定へ届くまでの時間を短くするworkflowとして再定義すると、複数の機能を一つの価値に束ねられる。

日本で展開するなら、定量surveyだけでなく、VOC、CS問い合わせ、店舗・営業の現場メモを同じ顧客理解workflowに取り込む方向が考えられる。

個人情報や録画データの扱いは企業ごとの要件が重いため、AI要約の根拠表示、データ保存地域、削除ポリシーを先に明確にする必要がある。