LLM で市場調査：
スタンディングデスク市場に参入の余地はあるか

米国で新しいスタンディングデスクが入り込む余地はあるか。あるならどこか。 製品チームや投資家が初期によく抱く問いです。競合が多く、意見もさまざまで、調査会社に頼む予算はまだありません。良い答えには 4 つのことが必要です。どれだけ求められているか、何がいくらで売れているか、買い手は何に不満を持っているか、そして購入前に何を尋ねているかです。

レビューを取った 5 つのデスクは、ランキングの主なタイプをカバーしています。手動の卓上昇降台、小型の電動デスク、63 インチの電動デスク、引き出し付きデスク、移動式デスクです。どのツールも JSON を返すので、収集工程は API 呼び出し 5 回で終わります。所要時間は約 3 分で、その大半は Amazon の待ち時間でした。

モデルには 3 つの仕事を任せ、数を数える作業はすべてコードに残しました。

1. すべてのレビューにタグを付ける。 claude-sonnet-5.5 が 100 件のレビューを 1 回の呼び出しで読み、固定リスト（ぐらつき、モーター故障、組み立てが簡単、部品の破損など）から各レビューに最大 3 つのテーマを付け、レビューからそのまま写した短い引用を 1 つ添えました。その後、コードで各引用が本当にレビューに一字一句そのまま含まれているかを確かめました。100 件中 7 件は一致しなかったので除外しました。
2. Reddit の投稿を読む。 2 回目の呼び出しで 27 件の投稿を、買い手が決めようとしていること、報告している問題、使っている環境に分け、それぞれに根拠となる投稿の id を付けました。
3. ブリーフを書く。 最後の呼び出しには、コードが計算した数字（テーマの件数、価格の中央値、月別の推移）と検証済みの引用だけを渡し、ルールは 1 つだけにしました。すべての主張に数字を添えることです。

モデル自身には一切数えさせていません。100 件のレビューにわたってテーマを集計させると、自信たっぷりの間違った合計が出てきがちです。タグ付けだけを頼み、数えるのはコードに任せれば、そうはなりません。

ベストセラーのデスクはほぼすべてスタンディングデスクです。 Amazon の Office Desks & Workstations 上位 50 件のうち 45 件が、スタンディング式または高さ調整式でした。タイプ別では、移動式・キャスター付きデスクが 12 件、既存のデスクに載せる昇降台が 11 件、電動デスクが 10 件、L 字型・U 字型の電動デスクが 8 件、天板なしで売られるフレームが 4 件です。

低価格なカテゴリです。 価格の中央値は、移動式デスク $61、フレーム $142、電動デスク $150、昇降台 $160、L 字型デスク $215 でした。価格が表示されていた 44 件のスタンディング製品のうち、14 件が $100 未満、21 件が $100–199 で、$200 以上は 9 件だけでした。

需要はこの春に急増し、その後はおおむね落ち着きました。 米国の検索関心度は 2022 年から 2025 年まで毎年平均 16 から 18 でした。2026 年 4 月は平均 80 で、4 月 12 日の週に 100 のピークを付け、その後下がりました。2026 年 7 月から 10 月の平均は 22 で、2025 年の同時期より約 35% 高い水準です。

悪いレビューは壊れることについてです。 100 件のレビューのうち 28 件が星 1 つか 2 つでした。その背景にあるテーマは次のとおりです。

買い手自身の言葉では、"Motor stopped working after not even nine months"（9 か月も経たないうちにモーターが動かなくなった）、"Product arrived with cracked desktop"（届いたときには天板が割れていた）、"the drawers is plastic when it is stated and advertised to be metal"（説明でも広告でも金属とうたっているのに引き出しはプラスチック）といった声です。星 4 つと 5 つの 62 件のレビューは、組み立てが簡単なこと（31 件）、作りの良さ（28 件）、そして単にちゃんと動くこと（23 件）を評価していました。

Reddit ではぐらつきが圧倒的です。 27 件の投稿のうち 8 件が、立ち姿勢の高さにするとデスクが揺れるという話で、たいていモニターやスピーカーを載せています。ほかに繰り返し出てくる問いは、値段に見合うか（4 件）、予算に合うのはどのモデルか（6 件）、天板はどのくらいの大きさと厚さが必要か（4 件）でした。

モデルが挙げた 3 つの機会を、少し短くして載せます。

1. 重い機材を載せてもぐらつかないデスク。 ぐらつきは 27 件中 8 件の投稿と、28 件中 6 件の低評価レビューに登場し、3 件の投稿は複数のモニターを載せても安定するかを尋ねています。テスト： $100–199 の価格帯から 2–3 台のデスクを選んで同じ荷重で撮影し、その映像から集まるウェイトリスト登録数を測ります。

2. しっかりした保証に裏付けられた信頼性。 モーター故障は低評価レビュー 28 件中 7 件、カスタマーサービスは 28 件中 6 件で、2 件の投稿がデュアルモーターのフレームの保証が 1 年しかないことを指摘しています。テスト： 模擬の商品ページに、長い保証ありとなしの 2 種類の広告を出し、クリック率を比べます。

3. 仕様がはっきりした中価格帯のデスク。 44 件のスタンディング製品のうち $200 以上は 9 件だけで、買い手は安いものと高いものの違いがわからないと言っています。テスト： モーターの種類、天板の厚さ、耐荷重、保証を比べた比較表を公開し、メールアドレスの登録数を測ります。

モデルは、データからは言えないことも挙げていました。販売数量や利益率はないこと、検索関心度は相対的な指数であって台数ベースの需要ではないこと、レビューは 5 製品分しかないこと、Reddit の投稿は一般化するには少なすぎることです。この部分は 3 つの機会と同じくらい価値があります。

• 実際にはなかった「倍増」。 最初の要約では 2026 年の関心度は 2025 年の 2 倍だとしていました。年平均で見れば正しいのですが、誤解を招きます。差のすべてが春の一時的な急増によるものだからです。何かを書く前に月別のデータを見たことで直せました。平均だけでなく、必ず推移の形を尋ねましょう。
• キーワードによる製品タイプの分類。 最初の処理ではタイトルに "frame" を含むものをすべてデスクフレームとしていたため、"a steel frame"（スチールフレーム）と説明されたデスクまで拾い、モニター台もデスクの昇降台として数えていました。50 行すべてを読んでルールを直しました。コードが分類した結果を手で少し確認するのは、安い保険です。

同じ流れを Python で書くと次のとおりです。API キーは LOVELY_API_KEY に入れます。run_tool はツールを開始してその結果を待ち、ask は同じキーでチャットリクエストを 1 回送ります。

import json, os, requests

BASE = "https://lovelyrouter.com/v1"
H = {"Authorization": f"Bearer {os.environ['LOVELY_API_KEY']}"}

def run_tool(tool, input, max_results):
    r = requests.post(f"{BASE}/tools/{tool}/run", headers=H, json={"input": input, "max_results": max_results, "wait": 120}).json()
    while r["status"] == "running":
        r = requests.get(f"{BASE}/tools/runs/{r['id']}?wait=120", headers=H).json()
    return r.get("items", [])

def ask(system, data, model="claude-sonnet-5.5"):
    r = requests.post(f"{BASE}/chat/completions", headers=H, json={"model": model, "max_tokens": 12000, "messages": [
        {"role": "system", "content": system}, {"role": "user", "content": json.dumps(data)}]}).json()
    return r["choices"][0]["message"]["content"]

best = run_tool("amazon-bestsellers", {"urls": ["https://www.amazon.com/Best-Sellers-Office-Products-Office-Desks-Workstations/zgbs/office-products/12900751"]}, 50)
reviews = run_tool("amazon-reviews", {"input": [{"asin": p["asin"], "domainCode": "com", "sortBy": "recent", "maxPages": 2} for p in best[1:6]]}, 100)
posts = run_tool("reddit-search", {"queries": ["standing desk worth it", "standing desk wobble problem"], "maxPosts": 25, "timeframe": "year"}, 50)
trend = run_tool("google-trends", {"mode": "keyword", "keyword": "standing desk", "predefinedTimeframe": "today 5-y", "geo": "US"}, 1)

tags = ask("Tag each review with up to 3 themes from this list: ... Return a JSON array: {id, themes, quote}. Copy quotes exactly.",
           [{"id": i, "stars": r["rating"], "text": r["text"]} for i, r in enumerate(reviews)])
# Count themes in code, check each quote is in its review, then:
# brief = ask("Write a market brief. Use only these numbers and cite each one.", {...counts, prices, trend by month...})

カテゴリの URL、レビューを取る製品、検索フレーズを入れ替えれば、同じスクリプトでどんな製品カテゴリでも調査できます。この規模の実行なら 1 回の費用は 1 ドルを大きく下回ります。AI エージェントに最初から最後まで任せたい場合は、MCP サーバーに接続してください。エージェントが同じツールを自分で見つけて実行します。