カスタマーサポート・コールセンターのAI活用事例

シャドーイング添削サービスで、アプリの利用者とLINEの友だちをスプレッドシート上で手作業で照合しタグを付けていた。

会員が増えるにつれてこの照合だけで月に約120時間かかっていた。

1. 会員情報とLINE IDをAPI連携で自動でひも付けた
2. LINE登録を条件にしたキャンペーンで連携を促した
3. アプリの行動データをLINE側へ取り込んだ
4. 提出が0回の人だけに応援メッセージを送る
5. 1to1チャットで顧客情報を見ながら答える

月120時間かかっていたタグ付けと顧客管理の工数がほぼゼロになり、LINE登録者の約9割がID連携済みになった。

空いた時間を配信の見直しに回した結果、有料転換率が上がり解約率も下がった。

宿泊予約センターには長年ためた返信テンプレートが5,000件以上あり、ブランドや施設ごとの階層で管理されていた。

ベテランはすぐ目的の文面を出せる一方、新人はどこにあるか分からず返信に時間がかかっていた。

1. オペレーター支援ツールを使う人だけのユーザー単位契約で小さく始めた
2. 5,000件以上のテンプレートを絞り込みグループ分けとタグ付けをした
3. 別のチームが返信文の自動生成のプロンプトを試し精度を上げた
4. 生成文は担当者と上長のダブルチェックで確認してから送る
5. 自動校閲機能で日本語の表記ミスも確認する

2024年4月入社の新人4名が早い段階でメール業務を始め、すでにベテランを超える件数の問い合わせに対応している。

返信文の自動生成は正答率80%を目安にブランド単位で広げ、現時点で3ブランドまで見通しが立った。

電話とメールだけの対応ではIPO銘柄が出たときの問い合わせ急増をさばききれず、夜間や休日の即答もできなかった。

口座開設の手続きでつまずいた顧客が他社に流れる心配もあった。

1. KARTEの画面にチャット窓を出しKARAKURIを回答エンジンとしてつなぐ
2. 2018年8月に試験導入し口座開設のサポートから始める
3. 口座開設に詳しい4人で専任チームを作る
4. 既存FAQとオペレーターの質問を会話カードにする
5. 公開後も会話カードを足したり直したりして育てる

質問は約27,000件たまり、回答率は80％まで上がった。

19〜23時のメール問い合わせが減り、4人体制だった常時待機はオペレーター2名になって社員は育成や他チームの支援に回れるようになった。

台風や地震で運休や欠航が起きると、振替や取消料についての問い合わせが一度に集中した。

担当者は複数の業務システムを見比べて判断するため回答に時間がかかり、待たされる客が積み上がっていた。

1. Web予約者向けメッセージボックスの返信を担うAIエージェントを作った
2. 問い合わせ内容と予約情報の読み取りと返信文案の作成をAIに任せた
3. 基幹システムの画面操作はRPAに任せた
4. 運休や欠航の照会と取消料免除の判定は業務ロジックAPIに切り出した
5. 人は送信前の最後の確認と送信だけを行った

2024年8月の台風10号の問い合わせ2,648件を使った机上検証で、1人あたりの処理は24件／日から101件／日になった。

返信テンプレートの選定は正解率98.5%で、具体情報の誤りは1,946件中0件だった。

サービス統合にともなう口座の初期設定について電話とメールの問い合わせが集中し、サポート窓口が回らなくなった。

オペレーターの研修に2カ月かかるため増員も難しかった。

1. 問い合わせページを刷新しチャットボットと検索FAQを設置する
2. 毎朝チャットのログを人が見てトレーニングを重ねる
3. 1つの回答に想定される質問の言い回しを大量に登録する
4. ChatGPTと連携し質問パターンを自動生成して言い回しを増やす
5. 確認事項が多い依頼はフォームで受け専任担当が対応する

リリースの翌月に7,000件、翌々月には1万件を超える対応となり、直近は2万件を超えた。

回答率は90%超、満足率は60%超になり、電話の受付を大きな問題なく終了できた。

契約件数が100万件を超えて電話が増える一方、2024年7月のホームページ刷新でパスワード要件を厳しくしたところログイン関連の入電が一時2〜3倍になった。

従来のシナリオ型ボイスボットは対応できる範囲が狭く、途中で話しかけられると会話が崩れた。

1. マイページのログイン問い合わせを音声AIに直接つなぐ設計にした
2. chatbotで積み上げた質問と回答がセットの会話カードを回答のもとに使った
3. 案内してよい内容だけをAIに話させた
4. 5社のデモを比べ会話の滑らかさで選んだ
5. 解決率と離脱の場所をデータで見て話し方の違和感を直した

営業時間18時を過ぎてもAIが案内する窓口ができ、これまで営業時間外の案内で終わっていた問い合わせが自分で解決できるようになった。

導入初期の解決率は約3割だった。

エスカレーションは約2割で離脱は約5割。

2026年5月時点でAI対応への苦情は0件だった。

オンライン資格講座スタディングの受講生が増え、問い合わせも同時に増えていた。

以前使っていた選択肢を選ぶ形のチャットボットでは疑問が解決しきらず、レポートや分析の形も自社に合わなかった。

1. 一問一答で答えるチャットボットに乗り換える
2. 管理画面の使いやすさとFAQの直しやすさで選ぶ
3. 30を超える講座ごとに起動メッセージを変えて出す
4. 毎日25件示される優先の問い合わせを担当者が直す
5. 迷う内容は週1回の打ち合わせで決める

導入前後を比べると、前年比で毎月約15%の問い合わせが減った。

本当に人の対応が必要な相手に時間を回せるようになり、問い合わせるほどでもない潜在的な疑問も見えてきた。

自社ECと楽天やAmazonなど複数モールから届く問い合わせが多く、対応に時間の大半を取られていた。

品質向上やVOCの取り組みが後回しになり、CSチームの成長が止まりかけていた。

1. 問い合わせデータの分類を生成AIに任せた
2. タグ付けの条件を後から変えられるようにした
3. 全テキスト対応をAIが評価する仕組みを作った
4. 良い点と直す点を翌日までにメンバーへ返した
5. 人は分析とフィードバックに回した

手作業のタグ付けがなくなりオペレーターの負担が軽くなった。

月に1〜2回、数件だけだった品質チェックは毎日全ての対応を翌日までに評価できるようになり、3ヶ月後や半年後を見据えた計画を立てる余裕が生まれた。

電話応対はできてもメール文を書き慣れないアルバイトやパートが多く、対応できる人が限られていた。

管理者が1日50〜60件の返信を抱え、本来の管理業務に手が回らなかった。

1. Chrome拡張のKARAKURI assistをメール画面から呼び出す
2. 伝えたい内容や対応方針を箇条書きで入力する
3. 取扱説明書やFAQの記述を貼り付けて返信文を作らせる
4. ボタンで丁寧さや文字数を選ぶ
5. 出てきた文をオペレーターが確かめてから送る

文章を考える手間がなくなり、1件あたり少なくとも5分短くなった。

客からのお礼のメールが増え、オペレーターの不安や負担も小さくなった。

駅の無人化が進んで対面案内が減り、忘れ物や切符の買い方の問い合わせがお客さまセンターに集まって放棄呼が出ていた。

2011年に作った公式サイトは情報を足し続けて分かりにくくなり、旧FAQシステムも操作と更新の手間が大きかった。

1. 公式サイトを作り直し別ドメインの観光情報をまとめた
2. FAQをAIが学習を助けるsmartFAQに入れ替えて公開した
3. 大量に来る決まった質問は定型回答のチャットボットで返す
4. ばらつく質問はサイトを探して答えるAIに任せた
5. 多言語ページにもAI回答を置きサイト修正で追従させた

リリースから約1ヶ月で放棄呼の割合が約2分の1に減り、FAQの稼働率は旧システムの数倍になった。

交通系ICカードやQR乗車券に関する電話はほとんど来なくなり、多言語FAQの個別更新も要らなくなった。

新NISAの開始でファンドに関する問い合わせが増えると見込まれたが、従来のFAQはAIが入っておらず探しにくく更新もしにくかった。

電話とフォーム中心の体制では、投資初心者から経験者まで幅広い層に正確で分かりやすく答えるのが難しかった。

1. 検索性と更新性を重視しFAQ基盤を入れ替えた
2. キーワードのサジェストを入れFAQ構成を組み直した
3. 同じナレッジを使うチャットボットを追加した
4. 会話ログからページごとの要望を読み取った
5. 検索されなかった言葉を毎日拾い想定質問を足した

FAQのページ閲覧数は導入前と比べて約1.5倍になった。

検索された言葉が見えるようになり、ほぼ毎月新しいコンテンツを足す改善の流れが定着した。

配送状況や輸入可否、通関ルールなど一件ごとに事情が違う問い合わせが多く、決まった回答しか返せない従来のボットと社内の商品データを別々に更新する手間がかかっていた。

マニュアルは複雑で目的の記述にたどり着きにくく、担当者が自作した手順書に頼る属人化も進んでいた。

1. 管理者と現場担当5名ほどで2か月のトライアルを行った
2. 仮のデータを入れて応答の出方を確かめた
3. マニュアルやルールをナレッジとして登録した
4. 過去のエスカレーション事例をQ&Aの形に直して入れた
5. テンプレートや文例を100件以上集め精査して一部を登録した

チーム約20名が利用し、分散していたマニュアルやルールが集約されて調べる場所が定まり、判断のスピードが上がった。

頻発していたエスカレーションの一部は担当者が自分で解決できるようになり、回答への不安も和らいだ。

2,000行を超える商品データを熟練の担当者が手書きのマニュアルや経験で捌いており、辞めると情報が消えてしまう状態だった。

従来のシナリオ型チャットボットは作り込みと運用の手間が重く、担当者の負担も大きかった。

1. 新規事業の問い合わせ窓口にサイトを読んで回答するGeNを置いた
2. KARAKURI assistに工場の対策報告書をそのまま入れた
3. 決めた項目で箇条書きに整理するよう指示を出した
4. 整理された原因と対策をもとに担当者が詫び状に書き直した
5. 月1〜2回の壁打ち会で同じお題を入れ合い指示の書き方を共有した

技術者向けに書かれた報告書の読み解きと詫び状の作成が、30分から5〜10分で済むようになった。

問い合わせ件数の削減ではなく顧客体験を重視する方針で、少人数でも対応の質を保てる体制になった。

スキマバイトの利用が急に伸び、繁忙期には問い合わせが平均で3割ほど増えるのに人員は増やせなかった。

前に使っていたチャットボットでは、ユーザーが自分で悩みを解決できる状態に届かなかった。

1. 10社近くを比べローデータをすぐ落とせる点を最優先に選んだ
2. 専任グループがFAQとチャットボットの中身を保守する
3. 文章をくだけた言い回しにそろえ言い方の指針を統一する
4. どこに何を書くか構成を決め読み方を迷わせない
5. リリース直後は回答率を見て次に精度向上へ進む

必要なときに生のデータをすぐ取り出せるようになり、問い合わせの中身と回答の結果をもとに改善を回せるようになった。

有人チャットやCRMともつながり、自動で答えられる範囲を広げる土台ができた。

一次対応を外部の委託先に任せていたが、オペレーターごとに参照する情報源が違い回答内容に差が出ていた。

以前の問い合わせツールはタイトルでしか検索できず、古い情報のまま案内してしまうこともあった。

1. オペレーターの手元にナレッジを出すツールを入れた
2. 複数の言葉で引っかかるようタグを付けて登録した
3. ほぼすべてのナレッジに過去の対応事例を載せた
4. 答えにくい問い合わせは生成AIの文案を参考に書き直す
5. 運用1〜2か月後に使いにくい点を聞き中身を直す

参照するナレッジを取り違えて誤った案内をするミスがゼロ件になった。

委託先からは検索しやすくなったという声が多く出た。

問い合わせ件数やエスカレーション数は経過観察中。

Pontaは提携社や関連サービスが多く同じ質問でも状況によって答えが変わるため、旧FAQでは似た回答ばかり出て利用者が正解にたどりつけなかった。

更新にも専門的な作業が必要で、少人数の担当者では改善の頻度を上げられなかった。

1. Q&Aデータを一箇所に登録しFAQを自動生成する形にした
2. チャットボットで条件分岐を使い利用サービスや状況を聞き返す
3. AI提示の25件と担当者選定の25件で毎日50件以上を学習させる
4. 低評価のやり取りをたどりQ&Aのつなぎ方を直す
5. 集まった質問を分析し社内担当へ優先度を上げてもらう

2023年6月の本番導入から数か月後の利用者アンケートで、解決率が導入前より5.9ポイント改善した。

更新作業を複数人で分けられるようになり担当者の負担も軽くなった。

約30〜35のサービスを横断して月2万5,000〜3万件の問い合わせに応じており、オペレーターの負担が重かった。

wikiツールは検索が弱く、探すのが得意な人とそうでない人で処理速度に差が出ていた。

1. wikiにあった回答テンプレートをそのまま移した
2. 対応フローとテンプレートを一組にして登録した
3. アドオンでどの画面からでも呼び出せるようにした
4. 5〜10名でトライアルしてから正式に切り替えた
5. テンプレートを単独で更新できる形にした

一件あたりの対応時間が約30秒短くなった。

画面の行き来が減ってオペレーターのミスも減り、テンプレートの利用回数が見えるようになった。

ユーザーが疑問を持ったときはガイドを自分で探すか問い合わせフォームで連絡するしかなく、利用者が増えるほど解決までに時間がかかっていた。

有人対応では夜間に答えられない問題もあった。

1. Web版とスマホアプリ版にAIチャットボットを入れた
2. よくある疑問へ自動で答える形にした
3. 週一度の新機能公開に合わせQ&Aを足し直す運用を続けた
4. 出品に関する質問だけを取り出して調べ回答を厚くした
5. トレンドアラートで急増をつかみ同日に回答を作って共有した

導入から2年でチャットボットの利用者数が12倍になり、ほぼ二人に一人のユーザーの疑問を解決できるようになった。

人では難しい24時間の対応がかなった。

顧客対応を自社で行うため商品好きな未経験者を採用したが、文章作成に手間取り応対の質が落ちることを心配していた。

複数のモールごとに返信の定型文を用意するのも手間だった。

1. ブラウザ拡張のオペレーター支援ツールを入れる
2. どの窓口でも同じ画面から定型文を呼び出せるようにする
3. 定型文をブロック単位で並び替えチャットとメール返信に使う
4. レビュー返信は指示文から生成AIに下書きを作らせ手直しして送る
5. 繁忙期前に研修へ時間をかけ新人に操作を覚えてもらう

メール対応の1日平均は25件から30件になり、誤字脱字による差し戻しは23%から0.36%に減った。

新人のOJT期間は40〜45日程度から15日になり、レビュー返信1件の作成時間は半分になった。

問い合わせ対応が担当者ごとに品質と速さがばらつき、新人が独り立ちするまで数ヶ月から半年かかっていた。

クラウドのWikiにナレッジを集めていたが日本語の検索が弱く、必要な情報にたどり着くのに時間がかかっていた。

1. ナレッジ管理やメール対応支援など複数ツールを比較する
2. 日本語に合う国産で画面が分かりやすいツールを選ぶ
3. 社内データベースの情報をすべて登録し約50名が実務で試す
4. メール作成画面からショートカットで呼び出し参照する
5. 導入の数ヶ月前から使い始める時期を社内に伝え続ける

カスタマーサービス部全体で月およそ450〜480時間の業務時間が減った。

後回しにしていた案件を自分から確認する人が増えるなど、時間への向き合い方も変わった。

1日に数百件の問い合わせが届き多くの人手をかけていた。

担当者が幅広い質問を一人でさばけるまで3〜6か月かかっていた。

1. 過去の問い合わせ履歴から多い質問をFAQにまとめた
2. 代理店専用ポータルと同じページにFAQとChatAgentを並べる
3. 基本の質問はFAQに答えさせ細かい内容はChatAgentへ渡す
4. 認証とつないで会社名や連絡先が自動で入るようにした
5. チャット履歴や0件ヒット率を見てFAQを直し続ける

代理店の自己解決率は69%になり、海外在庫の確認などはほぼチャットに移った。

担当は1名のままで、手入れは週1回10分程度で済んでいる。

ファンからの問い合わせ窓口がチャネルごとにばらばらで、応対の質にもムラがあった。

数字が手元に届くまでに12〜24時間以上かかることもあり、担当者は状況が見えないまま対応していた。

1. 電話とチャットとビデオの窓口をZoom CXに寄せた
2. 問い合わせを内容に合う担当者へ自動で振り分ける
3. 応対中にナレッジ記事をその場で出す形にした
4. 会話の熱量や感情のスコアで確認する通話を絞り込む
5. 見えた得意と弱点をもとに指導内容を決めた

管理者1人あたり1シフトで約2時間が浮き、確認できる通話は50%増えた。

振り分けと応答が速くなり、ファンの満足度も上向いた。

口座数の増加で電話がつながりにくくなる場面があり、Webでの自己解決を促す取り組みを進めていた。

ただ担当の人数が少なく、目に見える課題への後追い対応で手一杯だった。

1. Webサイトの行動データをAIアシスタントに読ませる
2. 問い合わせが増えているページと回遊のしかたを見つけさせる
3. 購入手順で迷う仮説と打ち手の案までAIに作らせる
4. 案をほぼそのまま使いQ&A形式のサポートを設計して公開した
5. 担当チームへの聞き取りと内容のすり合わせに時間を使う

公開から約1週間で7件の問い合わせ削減を確認し、年間換算で約400件の削減が見込める結果になった。

取り組みを立てるまでの工数は2〜3営業日から1営業日に縮まった。

サポート窓口の道具がばらばらで担当者は10以上の画面を行き来していた。

手作業が多く待ち時間が長引き一次解決も伸びなかった。

1. 問い合わせの入口にZoom Virtual Agentを置いた。
2. 解決しない分はAIの要約を付けて担当者へ渡す形にした。
3. 通話中はAI Expert Assistが合う記事を出す。
4. 通話後の要約とチケットをAI Companionが自動で作る。
5. Workforce Managementでシフトと人の配置を組み直した。

顧客が自分で解決する割合が50%になりコール放棄率は90%減った。

待ち時間は15〜20分から2分未満に短くなった。

問い合わせの入口が電話とウェブチャットの2つだけでしかも別々の基盤で動いていた。

買収を重ねて社員も問い合わせも増え従来の仕組みでは手に負えなくなっていた。

1. 問い合わせの窓口をZoom Contact Centerにまとめた。
2. 自社のナレッジベースをZoom Virtual Agentへ読み込ませた。
3. 担当者がAIで応答の流れを組んだ。
4. 片づかないものは有人の担当者へ回した。
5. 通話のあとにアンケートを出して評価を集めた。

チャットの自己解決はZoom導入前の30%未満から2か月で75%へ向かっている。

平均の通話時間は2分以下になり通話後アンケートの良い回答はおよそ90%になった。

問い合わせ1件を処理するのに複数のツールを行き来する必要があり顧客情報や注文情報がばらばらだった。

電話とメールの履歴がつながらず同じ内容を聞き直す場面が起きていた。

1. 問い合わせの窓口をZendeskに集めた
2. 電話とメールのやり取りを同じ画面で追えるようにした
3. よく聞かれる質問をFAQとして整えた
4. AI機能とマクロで回答の下書きを出させる
5. 担当者が中身を確かめてから送る

FAQだけで解決する割合が約90%まで伸び人が応対する件数は77%抑えられた。

AI機能によって対応にかかる時間は40%短くなり返品・交換の担当チームでは最大46%まで縮んだ。

前のチャットボットは登録した語と完全に一致しないと答えられなかった。

言い方の揺れを担当者が一人で毎月直しており月約1,500件のうち半数近くに答えられていなかった。

1. 健保のホームページのURLをそのままChatPlusに読ませた。
2. ページを直せばAIが読み直して回答へ反映される形にした。
3. 足りない分だけQA形式で十件ほど足した。
4. 断り方や回答の調子をプロンプトで細かく決めた。
5. 個人の事情が絡む相談は電話やフォームへ回す設計にした。

回答率は95％程度まで上がり運用の作業量は約70〜80％減った。

月間の利用件数は約1,500件のままで答えられる件数はほぼ倍になった。

家賃の滞納者へかける電話が月間43,000件あり1日平均12名でぎりぎりの状態だった。

人を増やすと採用と教育の費用がかかる。

1. 伝える内容が決まっている案件を自動音声に切り替えた。
2. 冒頭の挨拶に時候の言葉を足して柔らかい印象にした。
3. 駆け付け業務の受電は通話を文字に起こして要約まで作る。
4. オペレーターは通話後の記録をその要約から仕上げる。
5. 既存のコールシステムはそのままでソフトフォンとつないだ。

人を増やさずに架電業務を回せるようになり担当者の効率が上がった。

コールセンターの工数は約30％減った。

コールセンターが混み合う時間帯の待ち時間が長く、オペレーターごとに応答や品質の差が出ていた。

人の体制を保ちながら効率を上げる方法を探していた。

1. 基盤の入れ替えに合わせて自動応答の仕組みを検討する
2. 複数のサービスを比べるコンペを行う
3. 専門用語やあいまいな言い方を読み取れる点を重視して選ぶ
4. 電話の一次受けと定型の問い合わせをAIに任せる
5. 込み入った相談は人へ回し途中で割り込める機能を付ける

人のオペレーターが高度な相談や個別の対応に時間を割ける形が整ってきた。

待ち時間の解消と顧客満足の向上を同時に進めている。

オンラインストアでは文字と商品画像だけの案内になり、実店舗のような着こなしの相談に応えにくかった。

雰囲気や体型、場面といった言葉にしづらい要望はサイト内検索で絞り込めなかった。

1. ECサイトにチャットボット「AIデジタルスタッフ」を置く
2. サイト内の情報をもとに回答を作らせる
3. visumoのスタッフ投稿をつなぎ合う投稿をカード形式で並べる
4. 靴やトップスなど複数アイテムを一度のやり取りで示す
5. フェミニンや結婚式などの抽象表現も文脈から読み取り案内する

チャット接客のCVRは11.4%を記録した。

提案のあとにさらに質問が続いた割合は41%で、通常のチャット接客と比べて対話数が約1.5倍に広がった。

入居者とオーナーと不動産会社の3者から問い合わせが届き受付の手間が重かった。

前のチャットボットは設定した内容が画面に出るまで時間がかかり見えない負担が積み上がっていた。

1. チャットの最初に3者のどれかを選ばせる。
2. 属性ごとに違う質問へ進ませ回答を作り分けた。
3. 自由に打ち込まれた質問は自然言語処理で読み取る。
4. 広報の担当者が設計と手直しを受け持ちログを見て直した。
5. 月43,000件から軽い滞納の人を抜き出し一斉に電話をかける。

2026年3月に入れてから3ヶ月で自己解決率が50%を超え今は60%まで伸びた。

コールセンターは7月に工数が30%減り、オーナー層の離脱率も以前の74%から大きく下がった。

プロダクトの技術的な問い合わせでは過去の記録やヘルプ、仕様書を横断して調べる手間があった。

受付から調査やクローズまでをCREが抱える形で、件数と対象プロダクトが増えると回らなくなっていた。

1. 社内メンバーがSlackの起票フォームに内容を入力する
2. ワークフローの途中でエージェントを呼び出す
3. 過去の対応記録やヘルプ、似た事例を探させる
4. 根拠と次に取る行動が分かる回答をスレッドに返す
5. 回答の良し悪しをボタンや絵文字とLLM採点で記録する

起票する前にメンションで聞いて、問い合わせた本人が自力で片付く場面が増えた。

最初は検索結果の羅列で終わることが多かったが、解決そのものを目的に据えて指示文を直した結果、何をすればよいかまで示す答えが返るようになった。

定期購入が伸びるほど質問も増え、一時は出荷1件あたりで見た問い合わせの割合が10％を上回った。

月によっては5,000〜10,000件が届きその多くはサイトに載っている内容だった。

1. 曖昧な言葉でも答えに届く検索型のヘルプサイトへ入れ替えた
2. サイトやマイページやメールのフッターに入口を置く
3. 実際に打ち込まれた検索キーワードを見ながら記事を直した
4. 大型のコラボ前に想定される疑問を先に記事にする
5. 質問の意図をくみ取るAgent Modeを足し提供元と調整した

10％を超えていた問い合わせ率が6％台まで下がり調子の良い月は5％台になった。

20名いた対応人員は10名で回るようになりCS全体の費用も減った。

賃貸の入居者へ送る案内文の作成に時間がかかり、出来ばえが担当者の経験に左右されていた。

一般的な生成AIでは社内の表現ルールまで反映できず、手直しの手間が残っていた。

1. 過去に評判のよかった案内文をAIの材料として組み込む
2. 社内の対応ルールも同じく材料に加える
3. スタッフはクラウドの画面に伝えたい要点を入力して送る
4. 人は出てきた文章の中身を確認して送る

お客様サポート部門で年間300時間の業務時間を減らし、従来のやり方と比べて300%の業務効率化になった。

文章を書くストレスと読み直しの時間も減った。

かかってくる電話の量や時間帯や時差によって、担当者につながるまでの速さや答え方にばらつきが出ていた。

1. 5月からSierraの音声AIを受電に入れた。
2. AIが用件を聞き足りない点を質問して絞る。
3. 営業時間や在庫の有無はその場で答える。
4. 込み入った相談は担当者へつなぐ。
5. 査定や試乗の予約も扱えるよう作業を進めている。

導入後は電話で用件が片づく割合が上がり解決しないまま終わる電話が減った。

担当者は簡単な質問への対応から離れて車選びの相談に時間を使えるようになった。

約4,800社の加盟店から届く問い合わせが膨大で、担当者が1件ずつ手作業でチャットに返信していた。

1件あたり平均約5分かかり、担当者の負担も大きかった。

1. 業務システムのチャット機能にAI返信案を出す仕組みを組み込んだ
2. 加盟店からの問い合わせ内容をAIに渡し返信文面の案を作らせた
3. 担当者が案を見て手直ししてから送る流れにした
4. 文面の作り方は現場スタッフの声を聞いて調整した
5. 既存の開発の型と事例集を土台にし約2ヶ月で完成させた

問い合わせ1件あたりの対応時間が平均約5分から約3分になった。

担当者からは気持ちの上での負担も軽くなったという声が出た。

顧客は飲食店や小売店の経営者で、給与計算やシフト公開の困りごとが深夜や早朝にも起きていた。

電話サポートは平日だけで1日12時間しか開けられず、24時間の対応は採算に合わなかった。

1. AIエージェントをサポートの入口に置いた
2. 範囲の狭い用件から会話の流れを組んだ
3. 品質の数字が安定してから対象を広げた
4. 起こりやすい質問を先に3つ出す
5. 用件のあとに新機能を伝え予約まで受け付ける

問い合わせの70%をAIだけで数分のうちに解決している。

担当者1人が扱う件数は3分の2以上減り、AIが答えた分の満足度は人の対応と同じ水準になった。

入居者やオーナー、工事業者との連絡を個人アドレスで返していたため、やり取りが担当者しか分からない状態になっていた。

LINEや電話など連絡手段も増え、履歴を一か所で追えなかった。

1. 問い合わせ窓口をRe:lationの共有アドレスにまとめる
2. 名刺から個人アドレスを消す
3. 伝えたい要点だけを入力しAIに文面を組み立てさせる
4. 出てきた文面を担当者が確認して直して送る
5. 外出先ではスマホアプリで過去のやり取りを探す

メール作成にかかる時間が50%減った。

やり取りをチームで共有できるようになり、クレームの発生も大きく減った。

1回の電話で用件が終わらず次の担当者への引き継ぎ記録を毎回残す必要があった。

書く量や書き方の判断に慣れが要るため新人とベテランで品質に差が出ていた。

1. 手入力していた応対履歴を自動要約へ置き換えた
2. 要約の形を記録システムの入力項目に合わせた
3. ベテランの意見を聞きながら要約の形を調整した
4. オペレーターは要約をほぼそのまま履歴に貼り付けた
5. SVは新人の通話を文字起こしと感情の分析で見た

後処理時間は約25%短縮した。

SVが応対内容を確かめる時間も1件あたり平均3分減り、独り立ちまでの期間は早ければ1か月弱になった。

予約数と問い合わせが増えるたびに人を足す体制では続かないという不安があった。

とくに駐車できないというトラブルは急ぎの場面が多く待たせられなかった。

1. 人がやっていた手順を言葉にしてマニュアルへ落とした
2. その内容をフローチャートにして自動化の範囲を決めた
3. AIが見る情報とAPIを呼ぶ場面まで設計した
4. ドライバー向けのトラブルチャットから運用を始めた
5. AIで終わらない相談は人が引き取る

2025年11月の運用開始後シナリオに合うトラブルチャットの60%をAIだけで完結できた。

関連の総コストは45%減りチャット応答率は83%から98%になった。