Salesforce（Agentforce）の活用事例

大手企業が中心のフィールドセールスから、より広い市場へ営業を広げる必要があった。

提案書づくりやデータ集計といった決まった作業に時間を取られていた。

1. 月1日はAIだけで仕事をする「AIデー」を設けた
2. 社内のAI資格と支援金を用意し営業部門の全員がAIを使う状態をつくった
3. 提案書の作成やデータ集計と議事録づくりをAIに任せた
4. 約1,400万件の企業データベースSalesNowをMCPでClaudeとつないだ
5. Salesforceのデータも重ね部署や役職まで絞ってアプローチした

営業の残業はほぼなくなり、システム開発の生産性は半年で約5倍になった。

翌年にはアプローチから返信対応までの自動化も進める。

営業担当1人が数十社を受け持ち、100を超える製品の詳細や操作方法を覚えるのに時間がかかっていた。

ベテランの製品知識や顧客情報が個人に偏り、若手の育成にも時間を要していた。

1. 数十点の製品情報や操作説明を1ROLLで動画にする
2. 生成AIが文字起こしと要約を自動で作る
3. チャプターとナレーションを担当者が確かめて整える
4. 部署ごとに散らばっていた動画を1ROLLに集約する
5. 視聴データをSalesforceへ自動で流し顧客ごとに記録する

導入から1年で、分散していた動画の管理と運用が効率化し、動画が事業部の共有資産になった。

顧客がどこに興味を持っているかをデータで把握できるようになり、課題解決型の提案に向けた土台ができた。

固定電話で架電していたため、誰がどれだけかけたかを集計する作業に時間がかかっていた。

通話の中身も正確に分からず、Salesforceの画面を見ながら番号を1件ずつ打ち込んでいた。

1. MiiTelをSalesforceとつないで応対履歴を自動で残す
2. 架電リストから1クリックで発信しかけ直す前に前回の会話を確かめる
3. 1on1で文字起こしを一緒に見て直す箇所を指摘する
4. 新人に先輩がアポを取れた通話を聞かせて要点を示す
5. アポ獲得率を分析し話し方の特徴を採用の基準にも使う

座学を除いて約2週間かかっていた新人の初アポ獲得までの期間が1週間に縮まった。

番号入力と記録の手間が減って架電数も増えた。

商談の記録が自動で作られるようになった結果、営業がSalesforceへ入力しなくなり、マネージャーが状況を追えなくなった。

便利になっただけで費用ばかりかかる状態になり、一度は利用をやめた。

1. tl;dvの商談文字起こしをSalesforceの項目へ自動で入れる
2. 入力項目を予算や決裁者と顧客のKPIや課題にそろえる
3. 文字起こしとSalesforceの間にプロンプトをはさみ打ち直しをなくす
4. 自社商品と市場での立ち位置をAIに渡し提案の方向性と仮説を作らせる
5. 最後の詰めは人が判断して提案内容を固める

経験の浅い営業やコンサルタントでも提案のたたき台の質が上がり、資料作成と上司のレビューにかけていた時間が短くなった。

空いた時間を掘り起こしや新規開拓に回せるようになり、売上が上がるようになった。

販売店への実演用に貸し出す機械の管理を拠点ごとに紙やExcelで手作業していた。

繁忙期は貸出と引き上げが重なり記録の書き漏れが起き、どの機械が今どこにあるか確認しにくかった。

1. 貸出管理の台帳をSalesforce上に作る
2. 入力はUPWARD AI Scanで行う流れに変える
3. 機械を撮影し型式と型番を画像解析で読み取る
4. 滞在の検知で貸出先を自動的に結び付ける
5. マスターにない機械は新規登録する仕組みを作る

台帳入力の手間が大きく減り、全営業担当が最新の貸出状況を見られるようになった。

先に試した営業所から楽になったという声が出て、本格導入に至った。

Bouygues Telecomはサービスの質で他社と差をつけたかった。

顧客は担当者が答えを探す数分のあいだ待たされていた。

1. CRMと対応履歴と社外のデータをData 360に集めた
2. Irisが500本を超える社内記事から答えを組み立てる
3. 担当者はIrisの答えを見て顧客に説明する
4. 通話の前に要点のまとめを出す
5. 通話のあとはフォローの下書きを直して送る

6000人の担当者が30秒で正確な答えを返せるようになった。

次は1万人の現場技術者にも広げて1日あたり1万件の追加対応を目指す。

担当者が届いた応募書類を1件ずつ見て電話できる人を探すのに30分ほどかかっていた。

企業は2時間ほどで候補者の一覧を求めるため、返しが遅れると他社へ仕事が流れる。

1. 応募者にその場でAIエージェントとの会話を案内する
2. 勤務できる時期や住んでいる場所や資格を聞き取る
3. 応募者は普通の言葉で答えて自分から質問もできる
4. 受け答えを候補者の記録へ自動で入れる
5. 求人の条件とどれだけ合うかを点数にする

事前の確認を受けた応募者は採用が決まる割合が2倍になった。

開始から65,000件を超える会話が行われ、満足度は5点満点で4.3だった。

2035年に売上高3,000億円を目指す一方で人手が足りなくなる見通しだった。

一人あたりの生産性を1.5倍にしないと目標に届かない状況だった。

1. 2025年2月に生成AIのプロジェクトを始めた。
2. 7月からAgentforceの開発に入る。
3. 現場の部署とIT部門が組んでPoCを回した。
4. 商談更新Agentがメールと会議の録画を取り込む。
5. 商談情報を書き換え変わった箇所を営業に知らせた。

9か月でFAQ AgentやDX Agentを含む8体のエージェントを作り2026年3月から順に本番で動かした。

PoCの試算では年間2,000時間の工数削減が見込まれる。

店頭では販売員が詳しい説明をして高い評価を得ていた。

一方でオンラインでは同じ水準の相談ができず買い物客が機種を選びきれなかった。

1. 26,000点の商品データをData 360に入れて検索と生成のもとにした
2. 買い物客はアプリかサイトからイタリア語の話し言葉で質問する
3. 台所が狭いといった条件に合うオーブンや薄型の食洗機を挙げる
4. 後継機の提案や2機種の比較を返し勧めた商品はカートに入れられる
5. Retail Replyと組み計画に7週間テストと公開に8週間かけた

2025年8月末の公開から8,000件を超える会話に対応した。

表示した商品のクリック率は7%でコンバージョン率は53%上がった。

ホテルの手配中心だった事業を旅行全般へ広げる中で対応の質を落とさず費用も増やさずに処理を速める必要があった。

1. Agentforceで顧客対応のエージェントEvaを作った
2. 電話とウェブとアプリの依頼を最後まで処理する
3. 顧客の情報をData 360に集めて人と同じ内容を見る
4. 社員向けのSlackbotに日々の仕事を手伝わせた
5. BuilderとApexとVibesで設計から公開まで進めた

チャットで届く依頼の50%がエージェントだけで解決するようになった。

エージェントを作る期間も数か月から数日へ縮んだ。

年間30億通を送れる配信の仕組みはあったが、決めた中身を決めた時刻にまとめて送る予約型だった。

1.3億人の会員一人ひとりの動きに合わせて出し分けることができなかった。

1. Agentforce Marketingを入れ約7か月の実証をした
2. 一斉配信と並べ全体の3〜4割をシナリオ型へ移した
3. 使い始めた人への案内と離反防止の2つから着手した
4. A/Bテストをはさみ100〜120本を設計して運用した
5. アプリのマイページにも一人ひとり向けの情報を出した

特典やVランクの達成状況に連動したシナリオでは、メール開封率が最大80%に届いた。

アプローチした人としない人でクリック率に最大20〜30ポイントの差が出たシナリオもあり、いまは専属2名と兼務5〜6名で常時50〜100本超を自社で回している。

介助サービスの依頼が45%増え、現場の人員だけでは応じきれなくなった。

電話やメールでの申し込みは手間と時間がかかり、出発直前の相談には間に合わなかった。

1. AgentforceをAPIでWhatsAppにつないだ
2. Service Cloudのデジタル接客機能と合わせて動かす
3. 回答の元になる記事をData 360から引く
4. 列車の運行情報をDarwinからAPIで取る
5. 介助依頼は聞き取ってケースを作り担当部門へ回す

年間およそ5,000件の会話と介助依頼をAgentforceが受け持つ見通しになった。

介助の行き違いを減らし、NPSを+13にする目標を置いている。

以前のチャットボットは問い合わせの約33%しか対応できず、残りは電話へ回っていた。

1万件を超える記事から答えを探すのに時間がかかり、原因を切り分けないまま技術者を訪問させることも多かった。

1. 顧客が話し言葉で伝えた不具合をAgentforceに渡す
2. 1万件超の記事をData 360で意味から探せるようにした
3. 機種と不具合を絞り込み直し方を順に案内させる
4. 直せないときはService Cloudで合う担当者へ回した
5. 担当者の画面に契約内容と過去のやり取りの要約を出す

通話1件あたりの対応時間が12分から6分未満に縮んだ。

訪問予約の45%が自分で完結するようになり、自己解決の割合は65%超へ伸びる見込み。

サービスごとに窓口が電話やフォームに分かれ、顧客が迷いやすかった。

既存のチャットボットは決まった一問一答しかできず一次解決率が上がらなかった。

1. ヘルプページにチャットの入り口を置いた
2. ナレッジ記事と利用者情報や注文履歴をつないだ
3. 文面から知りたいことを読み取り文章で返す
4. 手に負えない内容はケースを作り担当者へ引き継ぐ
5. やり取りを残しよくある質問の傾向を見て直す

2026年3月に始めてから、Yahoo!

JAPANのポータルで月2万5000件の問い合わせをAgentforceが解決している。

一次接触での自動解決は80%に届く見込みで、年間で約74万ドルのコスト削減を見込む。

年5万件を超えるライブを運営しており、開演前に来場者から届く質問へ会場ごとに答える負担が大きかった。

事業が広がるほど一人ひとりに合わせた案内が難しくなっていた。

1. Agentforceで作った案内役を120の会場サイトに置いた。
2. 来場者の開演前の疑問に会場の情報をもとに答える。
3. 音楽フェス用にMelodyというエージェントを用意した。
4. Melodyが出演時間や入り方を一人ひとりに合わせて案内する。
5. 社員と来場者が普段使う画面の中にAIを組み込んだ。

120の会場サイトで質問に答えられるようになり、年30万件を超える問い合わせを自動で処理できる見込みになった。

BottleRockでは数万件のやり取りをMelodyが受けた。

請求や契約や電気の使い方についての細かい質問が増え、担当者が同じような対応に時間を取られていた。

メールやアプリやサイトで24時間の回答を求められる流れも重なり負担が大きかった。

1. 契約者はアプリのチャットで質問を送る
2. 自社の知識データベースをたどって料金や使用量を答える
3. 電気自動車の充電設定はAPI経由でSAPへ送る
4. 任せられない話は流れごと担当者へ引き継ぐ
5. 会話はService Cloudに残して回答の改善に回す

1日1,500件を超えるやり取りをさばき、そのうち71パーセントを人が入らずに片づけた。

回答の正確さは83パーセントで、担当者は難しい相談に時間を回せるようになった。

Uber for Businessの登録は自分で進める形だが途中で分からなくなる企業が多かった。

毎月数万件の見込み客が登録を終えられず担当30人では全員を追いきれなかった。

1. Agentforce Salesの中に登録を案内するAIエージェントを作った
2. 見込み客がどこで止まったかを見つけ合わせたメールを自動で送る
3. 返事が無ければ24時間以内に追いかける
4. MuleSoftでデータをつなぎ約300件の社内資料から回答させる
5. 価格など難しい話は会話の要約を添えて営業担当へ引き継ぐ

6週間で作って公開し、2週間のうちにエージェントが送ったメールの成約率が自然に申し込む場合の基準より約60%高くなった。

営業担当は戦略や重要な商談に100%集中できるようになった。

求人を載せる企業の登録では事業許可証や税の書類を人が一つずつ確かめていた。

画像がぼやけていたり項目が抜けていると担当者へ問い合わせるしかなく、求人を出すまでに時間がかかっていた。

1. Salesforceの上でAgentforceを動かし24時間応じる
2. Data 360で社内に散らばっていたデータを一つにまとめた
3. 説明記事と掲載履歴などの表形式データの両方を参照させる
4. MuleSoftで外部の仕組みとつなぎ最新の中身をその場で引く
5. 人が対応する範囲はAIで片付かない相談に絞った

以前のチャットボットは承認後に掲載用のリンクを送る程度だったが、不備があっても担当者を介さずに解決まで進められるようになった。

同じやり方を広げるため、100種類の業務をAIで自動化する検討を進めている。

年80万件を超える依頼が来るのに既存のチャットボットは質問に答えるだけだった。

予約の取り消し一つでも担当者が複数のシステムを調べて手作業で直していた。

1. 予約システムとつないだAIエージェントをチャットと電話の入り口に置いた。
2. 顧客情報と予約履歴とナレッジを1か所に集めた。
3. LLMが回答を作りAPIを呼んで変更や取り消しまで実行した。
4. 込み入った案件は会話履歴と次の一手を添えて担当者へ渡した。
5. ダッシュボードで解決率やCSATを見ながら手を入れ続けた。

Evaがチャットで届く案件の50%を自動で解決するようになった。

チャットのCSATは16%上がり平均処理時間は15%短くなった。

社用携帯での架電が中心で通話回数しか分からず時間や会話の中身が見えなかった。

一部のハイパフォーマーが数字を支えておりチーム全体の底上げが進まなかった。

1. 音質のよいZoom Phoneへ切り替えた
2. 通話を自動で文字起こししSalesforceの活動履歴へつないだ
3. アポ獲得や課題などのタグで通話の中身を分類した
4. 10分の通話を1分で確認できるようにした
5. リーダーの指摘と通話の共有で3層の体制を作った

1日あたりの架電量が124%向上した。

議事録機能を入れる前と後で社内の架電データへのアクセス回数が112%増えセルフフィードバックが根づいた。

前に入れたチャットボットは決まった聞き方にしか答えられず会話の流れをくんだ質問に弱かった。

答えが得られない客は電話に回り担当者は何百もの社内資料を横断して調べていた。

1. AgentforceのAIエージェントを自社サイトとアプリに置いた
2. 手荷物やチェックインなど一般的な質問に即答させた
3. 自社サイトの情報と顧客データや予約情報をつないだ
4. 会員情報もつなぎ一人ひとりに合わせた回答を作った
5. 手に負えない件は経緯を渡して担当者へつないだ

チャットでの問い合わせの80%をAIエージェントが解決するようになった。

4か月で一次解決率が2倍になり新人の育成期間も25%短くなった。

扱うブランドと国が増え、メールの下書きや問い合わせ内容の確認、クーポンコードの発行といった決まった作業に担当者の時間が取られていた。

割引コードを1つ作るだけで約15画面をたどり、約10分かかっていた。

1. 担当者が使うService CloudにAgentforceを組み込んだ
2. 案件が届くとやり取りを要約し要望を先に確かめる
3. 指示を打ち込むだけでクーポンコードを約1分で発行する
4. 返信メールを下書きし担当者が直してから送る
5. 過去の案件や注文情報をまとめて読ませた

1件あたりの平均処理時間が64%減り、約7分から約2.5分になった。

割引コードの発行は約10分から約1分になり、今は300人を超える担当者が毎日使っている。

情報がメールやWhatsAppや共有ドライブに散らばっていた。

基本的な状況をつかむだけで最大200種類のシステムを使い分ける必要があった。

1. Slack Enterprise+へ切り替えてSalesforceとつないだ
2. 会話とナレッジとワークフローを同じ場所へ集めた
3. 従業員がSlackbotへ普通の言葉で質問して規程を調べる
4. Slackbotとcanvasのタスク表で期限と空きを管理する
5. 新しいツールは足さず今あるSlackの中で済ませた

動画マーケティングのチームでは管理の仕事にかかる時間が週に3時間減り年間で丸2週間分にあたる。

数か月分の全社の動きをSlackbotで調べて経営陣にそのまま出せるcanvasを数秒で作れた。

営業の提案内容や技術のノウハウが部署ごとに分かれ、必要な人がすぐ見つけられなかった。

コンタクトセンターでは毎朝Agentforce Serviceのレポートを3〜4本開き、対応が要るケースを1件ずつ確かめるのに約30分かかっていた。

1. Slackbotにスキルを組み込んだ
2. 確認が要るケースと項目を自動で抜き出す形にした
3. 担当者はSlackから呼び出すだけで済むようにした
4. 重い設定画面からProfile一覧をCSVで出す仕組みを作った
5. 既存システムの通知をPower Automate経由でSlackへ流した

朝のケース確認にかかる時間は約30分から10〜15分まで縮み、リリース予定を見せる仕組みも2〜3日で形になった。

社内アンケートでは1人1日あたり平均7.2分の削減が出て、先に使い始めた層は14.0分だった。

年に95,000件を超える問い合わせがあり、1,200以上の製品群に合わせて32,000本を超えるナレッジ記事やマニュアルを人が探していた。

ベテランの退職で製品の知識が失われる心配もあった。

1. 顧客ポータルにAgentforceのチャットを置いた
2. サインインすると契約情報と過去のケースを自動で読み込む
3. 32,000本のナレッジ記事から該当箇所を探して要約する
4. 要約に続けて次にやることを示す
5. 人が対応する内容はケースを作り会話の全文も残す

問い合わせの50%にあたる年47,500件を自動で処理する見込みで、サポート担当の生産性は30%上がると見ている。

60か国以上で年3億件の応募を扱うのに採用担当の手作業とばらけたデータが対応を遅らせていた。

企業側は数日でなく数時間で候補者リストを求める。

1. Data 360で候補者と取引先の情報を1つのプロフィールにまとめた
2. Agentforceを採用の流れ全体へ組み込んだ
3. 同意した応募者と個別にやり取りして事前審査を行う
4. マッチ度を点数にして順位付きのリストを出す
5. 通話やメールから条件を拾い面接の質問と募集文の下書きを作る

求人キャンペーンの準備時間が93%減った。

同意した応募者の事前審査は100%エージェントが担い、リストは数時間かかっていたものが数分で出る。

資料請求や協賛の問い合わせをくれた1,000件近い見込み客が、返事のないままSalesforceに残っていた。

常勤は3人だけで営業は大口の協賛案件に手一杯だった。

1. Agentforce Builderで営業エージェントを作った。
2. CRM履歴とメールの反応と閲覧履歴を読ませ文面を書かせた。
3. 時差に合わせて追客の順番を組ませCSVで1,250件を試した。
4. 2026年5月にData 360へつなぎイベント申込を流した。
5. 打ち合わせ設定と値引きは止め見込みの高い相手は人が引き継ぐ。

手つかずだった1,000件超の相手へ3,000通を超えるメールが出て開封率は72%、返信率は10%超になった。

半年連絡がなかった相手からも成約が出て、2.7百万ドルの売上と3.5百万ドルの商談が生まれた。

2026年シーズンに長らくなかった規模のルール変更が入りファンが競技を理解しにくくなっていた。

デジタルの接点ごとにファンとの関わりを強める必要もあった。

1. 社内外に散らばっていたデータをData 360に集約した。
2. 新しい規則を平易な言葉で答えるエージェントを用意した。
3. レース当日は担当者にファン情報をまとめて見せる。
4. 問い合わせへの返信の下書きを出す。
5. 興味に合わせた内容をタイミングよく届ける。

レース当日の問い合わせ解決が50%速くなった。

配信した内容のクリック率は22%上がった。

緊急性の低い電話が年間40万件を超えていた。

その半数は事件の進み具合を聞くだけの内容で対応に人手を取られていた。

1. 住民向けの安全なポータルを用意した
2. 被害者が事件の担当者へ直接メッセージを送れるようにする
3. 事件の進み具合の更新を自動で通知する
4. AIエージェントを作り緊急性の低いやり取りを任せる

電話の件数が10%減った。

Bobbiは1日に200件以上のやり取りをこなしそのうち75%を自力で解決している。

学生の多くは働きながら学ぶため夜間に質問が来るが職員がいない時間帯は翌日まで待たせていた。

従来のチャットボットは決められた項目しか答えられず答えが見つからない学生は相談員へ連絡していた。

1. 講座内容と申込の流れをAgentforceのプロンプトに入れる
2. 申込サイトにチャット窓口を置き好きな時間に質問を受ける
3. 質問にはその場で講座や学び方の情報を返した
4. 在学生向けに学生ハンドブックや学務の資料を読ませた
5. 職員は込み入った相談と関係づくりに回る

営業時間外でも質問にその場で答えられるようになり150件を超える会話をAgentforceが受け持った。

職員を増やさずに新しい学習サービスの窓口を開けた。

2008年から使ってきた自前の営業支援システムは改修を重ねて複雑になり項目を1つ足すのに2〜3か月かかっていた。

過去のデータを掘り起こすだけで時間を取られ営業が個人の経験頼みになっていた。

1. 約3,300名が使うSales Cloudに商談や行動の履歴を集めた
2. その上でAgentforce for Salesを動かす
3. 訪問前に顧客サマリーを1画面に出す
4. 似た取引先に刺さった提案や次に話すことも含める
5. 日報から出た商談情報の更新案を職員が確かめて反映する

最低限の機能だけで低めに見積もった段階でも全社で年間約5万時間の余力が生まれる計算になった。

2025年10月から12月に営業店130名規模で試したうえで2026年4月に本格開発へ進んだ。

よくある質問に答えるだけのボットやばらばらに動くAIでは目指す買い物体験にならなかった。

問い合わせの待ち行列も伸びていた。

1. 支援会社と組み会話の洗い出しから始めた
2. よく来る質問をサイズ選びや注文追跡や返品に整理した
3. 整理した質問をAgentforceの機能へ割り当てた
4. 接客担当と対応担当を1つの司令役が束ねる形にした
5. 公開前に数百通りの会話を試しLLMで採点した

構想から顧客に出せる状態までを5か月で仕上げた。

作った動きと指示をそのまま使い回し7週間で音声対応のAgentforce Voiceへ広げた。

ブランドごとに言葉づかいが違うため単純なチャットボットでは足りなかった。

米国とカナダで注文管理の仕組みが分かれ顧客の記録も外部にあり、裏側の作りも複雑だった。

1. 2つのブランドのサイトのチャットにAgentforceを置いた
2. 本人確認のうえ独自APIで注文と配送の情報を取り出す
3. 国とブランドごとに呼び出し先を切り替える
4. 返答は承認した文言から選ばせ新しい文章を書かせない
5. 手に負えない質問は履歴を付けて担当者へ渡す

注文の問い合わせに24時間いつでも即答できるようになり、問い合わせ対応は64%速くなった。

まずは注文に関する質問の60%をAIだけで解決することを目標にしている。

毎週数万件の資料請求や問い合わせが届き営業時間外の分に返しきれなかった。

購入の準備が整った客を先に見分けることも難しかった。

1. AIエージェントをSMSとWebチャットに置いた
2. 物件や区画の情報につなぎ検索して答えさせる
3. 内見の希望が出たら日時を押さえ見込み客の情報を作る
4. 決まりに触れる質問には答えない設定にした
5. 日中に担当者が始めたやり取りを時間外に引き継ぐ

問い合わせ全体の30%を占める夜間分をLISAが受け持つようになった。

今後1年では12,000件の内見予約を取る見込み。

ヘアドライヤーAirLight Proの設定や不具合の質問に答えるには150ページの資料と542件の判断表をたどる必要があった。

解決まで約10分かかりコンタクトセンターの営業時間内しか受け付けられなかった。

1. 542件あった手順を25件の判断表にまとめ直した
2. 製品の機能や言い回しをそろえた用語集を作った
3. 足りない情報だけ聞き返して対処手順を示させた
4. JSONの指示で答えられる範囲を決めた
5. 手に負えない相談は担当者へつなぎ番号付きの案件を作った

カナダのL'Oréal Professionnelのサイトで英語とフランス語の相談を24時間受けられるようになった。

担当者は判断が必要な相談に時間を回せるようになった。

扱う商品の種類が多く、買い物客は比べたり合う付属品を探したりしにくかった。

買ったあとも自分で調べられる範囲が狭く、問い合わせが1,000人の対応チームに集まっていた。

1. サイトのチャットで受けた質問をAgentforceが読み取る
2. 製品の質問は手順書やよくある質問から答える
3. 注文の話はOrder Managementにつなぎ配送状況を返す
4. 条件を聞き返しながら在庫のカタログを検索し3つ並べる
5. 3回試しても解決しないときは問い合わせページへ案内する

公開から4か月で280,000件のチャットに対応し、購入につながった割合は11%だった。

すでに14か国で動いている。

修理の受付が年間4,500件まで増えた一方でサービスマンは約20名しかいなかった。

どの技術者をどの現場へ回すかは紙の予定表と勤続18年の担当者の経験に頼りきりで属人化していた。

1. 通話をその場で文字起こしして要約をケースに書き込む
2. オペレーターは要約を見ながら基幹システムへ起票した
3. ディスパッチャーコンソールで約20名分の割り当てを組み直す
4. 位置と所要時間とスキルで候補を出し込み入った案件だけ人が直す
5. 担当者2名がClaude Codeと相談しApexとLWCを書いた

割り当ての約50％が自動になり、1件あたり約5分かかっていた調整が1分未満になった。

ディスパッチ待ちで案件が止まることもほぼ無くなった。

旅行の予約に関する電話が大量に来て、時間どおりに応じるのが難しかった。

自動の音声が機械っぽいと、数語でお客様から人に代わってほしいと言われてしまう。

1. あいさつから解決までの会話の流れを書き出した
2. 自動にする範囲はよくある質問と予約確認と解約にする
3. チャットで動いていた自社の案内役を土台に音声版を作った
4. 担当者が何度も電話をかけて台本を直し声も変える
5. 入電の約10%から始めて50%75%へ増やした

今は入ってくる電話の75%を音声エージェントが受けている。

人へ引き継ぐときは通話の書き起こしと要約が一緒に渡るので、担当者は聞き取りから始めずに済む。

視聴者の急増で問い合わせが集まり待ち時間が長くなっていた。

無料会員向けはメニュー式のチャットボットしかなく簡単な質問まで人の列に回っていた。

1. WhatsAppの窓口にAgentforceを置いた
2. Einsteinのボットが会員の種類ごとに振り分ける
3. 込み入った質問はAgentforceが社内のナレッジから探して答えた
4. 申し込みや会員登録やログインの復旧まで案内する
5. 答えられない質問は担当者へつなぎ会話と満足度をData 360にためる

回答の精度は109%上がりNPSも110%伸びた。

前のチャットボットに比べて会話が最後まで続く割合が22%増え1日に1,000件を超える会話をさばけるようになった。

アプリやサイトへの訪問が月5億件を超え、扱う商品も100種類以上あって現場の負担が重かった。

顧客の情報や取引の記録が別々の仕組みに散らばり、必要な資料をすぐ探せなかった。

1. Salesforceの基盤の上に応対を助けるアシスタントを作った
2. 300名を超えるリモートサポートの担当者が使う
3. 通話前に必要な情報をまとめて出す
4. 通話の途中で出た疑問にもその場で答えを返す
5. 行動と取引の記録を照合し顧客の全体像を1画面に集める

担当者が必要な情報や販売用の資料をすぐ見つけられるようになり、応対の効率と生産性が上がった。