カスタマーサポート・コールセンターのAI活用事例

メールとSMSの反応が落ちてきていた。

人が電話をかける方法は費用がかかりすぎて数を増やせなかった。

1. 4年使っていたForethoughtに音声AIエージェントを足した
2. 離れた利用者への発信に音声AIを使った
3. 顧客管理のBrazeにつなぎメールと同じ手順で電話を出せるようにした
4. 最初のやり取りの記録を見て個人が分かる部分を隠す決まりを作った
5. 立ち上げはサポートとライフサイクルの担当者が進めた

呼び戻しでいちばん伸びたキャンペーンでは入金のあるアクティブな口座が23%増え、同じ内容のメール配信のほぼ2倍になった。

1年で800万ドル超の費用を抑え、音声のAIエージェントは1体から7体に増えた。

顧客対応は質問に答えて注文を受けるだけの役割にとどまっていた。

品質の確認は人手の抜き取りで全体を見られていなかった。

1. 通話の録音と文字起こしと感情の分析をそろえた
2. Auto QAで音声の通話を自動で採点し指導点を絞った
3. 着信のたびに裏のデータベースで対象の顧客かを確かめた
4. 次に何を伝えるかの短い指示だけを画面に出した
5. 通話後の要約と区分をAuto SummaryがCRMへ書き込んだ

品質評価の対象が音声の通話の100%に広がりAuto QAを入れたあとは評価の点数も上がった。

担当者は手で記録を取らなくなり問題の解決に加えて追加の販売や商品の案内までできるようになった。

20以上のブランドで数百万人の客に応対していて同じ品質を保つのが難しかった。

AIにどこまで任せられるかも分からなかった。

1. Talkdesk CXAを今ある仕組みにつないで小さく試した
2. 実際の会話を見て客が何に困っているかを拾う
3. うまくいかない部分だけ手直しして応対の中身を作り直す
4. 試して直す流れを繰り返してから本番の範囲を広げた

AIが応えたやり取りの95%は人へ渡さずに解決した。

80%は内容で振り分けられ販売の転換率は5%上がった。

相談は数時間続きボランティアの交代をまたぐため、引き継ぐ側は経緯の要約が必要だった。

試した汎用の要約は団体で決めた型に合わず使えなかった。

1. SMSとウェブチャットをFrontの共有受信箱に集めた
2. 監督役が相談の担当を割り振る形にした
3. 自作のAIを相談の画面から呼べるようにした
4. 相談員はSummarizeなど3つから選ぶだけにした
5. 交代時は要約を出し相手に合う情報も出させた

1日の相談は約2件から33件まで増え、スタッフ12人と契約の監督役10人で回せている。

1件あたりの会話も約48分から約75分へ伸びた。

週あたりの問い合わせが約2,500件から約60,000件まで増え、外部委託の増員では追いつかなくなった。

チャットはAda・メールはUltimateと道具が分かれ、知識で答えるだけの自動化にとどまっていた。

1. まずチャットとメールに入れた
2. 件数の多い報酬の再送を手順にまとめた
3. 二要素認証で持ち主を確かめてから自動で送り直した
4. あとから電話へ広げ難しいものだけ担当へ回した
5. 企業ごとに自動化の度合いと引き継ぎ条件を変えた

自己解決の割合は90%近くまで上がり、CSATは92%になった。

初回の応答は約1営業日から即時になり、平均の解決時間は3.5営業時間へ短くなった。

前のチャットボットは置かれた商品ページしか見えず、別の候補を聞かれても答えられなかった。

関係のない種類の飲み物を勧めることもあり、答えを正しく保つために毎日1時間の手直しが必要だった。

1. Botpressで英語とケベックのフランス語に答える案内役を作った
2. 商品ページから商品名と値段と分類を渡す
3. 味や糖分や予算の希望に3〜5枚の商品カードを返す
4. 注文の問い合わせはサポート担当へ引き継ぐ
5. 毎朝スクリプトで商品一覧と栄養表をAPIへ送る

2か月で客の会話の93%をAlixが自力で解決し、5,000件を超える商品の提案を出した。

毎日の手直しがなくなり、会話の記録から買い物かごの不具合や栄養情報の抜けも見つかるようになった。

返金の依頼が問い合わせ全体の40%を占め、終わるまで平均10時間かかっていた。

担当者が全部の案件を受けていて、人が向き合うべき難しい相談に手が回らなかった。

1. AIチャットボットで客が自分で返金を済ませる流れを作る
2. 客はチャットの中で手続きを進めてボットが返金まで片づける
3. 例外の判断が必要な複雑な案件だけ担当者へ渡す
4. ボットが答えられる範囲を前より広げる

返金の手続きは10時間から10秒になった。

チャットボットだけで終わる会話は15%から70%に増え、367%の伸びになった。

病院向けのサポートは医師のEpic対応と患者のMyChart対応で窓口が分かれ、人員も仕組みも二重になっていた。

片方が混み合っても、もう片方の空きを使えなかった。

1. 2つの窓口を1つのコンタクトセンターにまとめた
2. HIPAAに合う形で基盤を作り約10週間で動かした
3. 担当者がEpicとMyChartの両方を学び1つのチームになった
4. 通話中はCopilotが手順と次にすべきことを画面に出した
5. 文字起こしからメモと処理区分を自動で作り確認だけにした

平均の対応時間は9分から7分になり22%短くなった。

通話後の処理は約90秒から10秒未満になり、4顧客分の運営を24人から19人の体制で回せるようになった。

古い電話の仕組みは通話録音とテレフォンバンキングと品質管理がばらばらだった。

少し変えるだけでも手作業が必要で、在宅の担当者は接続の不具合にも悩まされていた。

1. 寿命を迎えたテレフォンバンキングをAutopilotで作り直した
2. PortX経由でJack Henryの勘定系とつないだ
3. 電話がかかると本人確認をして用件を読み取る形にした
4. 声で本人確認できた会員は定型の用件をAIのAvaに任せた
5. 込み入った用件は担当者へ引き継ぎCopilotが情報を出した

Avaに回した電話の平均80%が、その場で解決するか適切に担当者へ引き継がれる形で収まった。

Avaが対応した1件のコストは約1ドルで、担当者が対応した場合の12ドル以上より安くなった。

電話とチケット管理とマニュアルがばらばらの仕組みで動いていて、担当者が答えを探すのに何度も画面を行き来していた。

確定申告の時期は問い合わせが一気に増え、季節雇用の担当者を足しても追いつかなかった。

1. 電話とチケットとマニュアルを一つの場所に集めた
2. 担当者にAIの要約を渡しやり取りの流れを短時間で把握できるようにした
3. Tone Shiftで返信の口調を相手に合わせて直した
4. 公開サイトのAIエージェントで店舗探しと面談の予約を受け付けた
5. 米国とカナダで別のエージェントを作り言語と決まりを分けた

技術サポートの満足度は5年で44%から97%へ上がった。

申告の繁忙期にはチケットが59,000件に達したが、94%が自動で解決した。

繁忙期には1日で最大1,000件のメールが窓口に届き、返信が溜まっていた。

人手で全部に答えるやり方では年末の山を越えられなかった。

1. Google CloudとGemini Enterpriseを土台にした
2. Codieという名前のAI窓口をウェブに置いた
3. 買い物客の質問はまずCodieが受けて答えを返す
4. Codieで片づかないものだけ人の担当者へ渡した
5. 担当者は込み入った判断の件に時間を使う形に変えた

ウェブからの問い合わせの60%超をCodieが解決し、年末のメールの滞留が減った。

人が見るのは1日およそ50件まで下がった。

注文後の対応を仕入れ先に任せる仕組みが広がり、仕入れ先と顧客のやり取りが急に増えた。

担当者が会話を目で追って見張る形だったので、判断がぶれるうえに手当てが遅れ、顧客に迷いや待ちが生まれていた。

1. 新しいコメントごとにwebhookから処理を動かす
2. 書いたのが顧客か仕入れ先か担当かを見分ける
3. 役柄に合わせたプロンプトを選んで判定させる
4. 介入が必要なら理由コードと説明を付けて印を立てる

仕入れ先へ渡したチケットのうち約65%が人の手を借りずに片付くようになった。

担当者は難しい案件に時間を回せるようになり、返しの速さと判断のそろい方も良くなった。

中核製品のサポートはFreshdeskで動き買収した経費管理の事業はZendeskとIntercomで別に動いていた。

担当者は顧客の全体像をつかむために2つの画面の間で情報を写し直していた。

1. 分かれていた3つの仕組みを4週間で1つの基盤へまとめた
2. チャットとチケットを1画面で扱い指標も1本にした
3. AIの担当役に話し方と社内の知識と想定の場面を渡した
4. チャットは7人が見てAIの補助を入れた
5. つなぎ込みなど難しい問い合わせは人が引き取った

月3,500件のチケットと1,000〜1,200件のチャットを1つの基盤で処理するようになった。

年末までにチャットの50%をAIで対応するか自己解決に回す目標を置いた。

コールセンターには年間200万件近い電話が入り、人の増員だけでは速さと丁寧さを保てなくなっていた。

かけてくる人は英語とタガログ語とその混じったTaglishを一文の中でも行き来するので、一つの言語しか聞けない音声AIでは受けきれなかった。

1. IVRをやめて音声エージェントが最初から電話を受ける形にした
2. 予約と運航状況のAPIにつないで照会を処理した
3. 1,400件を超える情報源から回答を出すようにした
4. 受けきれない用件は会話の要約を付けて人へ渡した
5. 通話データを読み本人確認の流れを直し続けた

900を超えるFAQの試験で98%以上の正答となり、利用者の評価は5点満点で4.7が続いている。

本人確認で多くの人が離脱していた流れを簡単にして予約照会の成功率が30%から75%へ上がり、会員区分の取り違えで起きていた誤った転送は15.5%から7.2%へ下がった。

15人の担当者が月5,000件を超える電話を古い電話システムで受けていて、他の道具とつながっていなかった。

会員の質問に紙のファイルを探して答えるため保留は20分を超え、1件の対応も15分以上かかっていた。

1. 古い電話の仕組みをやめてTalkdeskへ入れ替えた
2. 着信を基幹のFiserv DNAとつなぎ会員の情報を画面に出した
3. 商品や手続きの調べ物はCopilotがその場で答える形にした
4. 管理者が通話数と待ち時間と対応時間を見るダッシュボードを持った
5. 全部の通話に品質の点数が付くようにした

保留は20分超から1分未満になり、月の平均で20秒まで下がった月もある。

1件の対応時間は15分超から約5分になり、NPSはマイナスから半年平均75へ上がった。

社員が50〜60人規模になり情報がSlackと別のツールに散らばって探すのに時間がかかっていた。

1日平均15件ほどの問い合わせ返信に1日約2時間を取られていた。

1. FAQと過去の対応事例をNotionへ集めた
2. エージェントが問い合わせを読み返信案を作る
3. 外国語は言語を推定しその言語で返信案を出す
4. 返信案はSlackへ流れ社員が確かめて送る
5. 議事録からタスク化するスキルを40個以上用意した

問い合わせ返信がほぼ自動になり業務時間が月60時間・年間720時間相当減った。

社内アンケートでは90%以上が1日あたり約30分の削減を感じたと答えた。

顧客が30万件を超えて増え、自社で作った問い合わせ基盤の保守が重くなった。

顧客の情報は複数のツールに散らばり詳しい知識も一部の担当者に偏っていたため、返答の前に社内で確認する手間がかかっていた。

1. 2024年にZendesk Suiteを入れ業務の流れを作り直した。
2. 2025年7月に移行を終え全チャネルの会話を1つに集めた。
3. サポート以外の部署にもEmployee Serviceを広げた。
4. Zendesk Copilotを入れナレッジベースを組み替えた。
5. 自社でアプリを2つ作り回答案を担当者の画面に出した。

CSATは87.5%になり平均の処理時間は85%減った。

未対応の積み残しも93%減り、Copilotの回答も安定して頼れる水準になった。

注文の遅れについての問い合わせがECで一番多く、量もさばききれなかった。

理由や到着日を聞くだけの内容でも、担当者が追跡情報を渡したり支援チケットを作る必要があった。

1. WhatsAppの導線にGenesys CloudのAVAを作った。
2. 学習には成績の良い相談員の応対スクリプトを使った。
3. AVAは追跡リンクを渡しLevel2の支援チケットを自動で作る。
4. 急を要する場面も受け持ち自己解決の窓口へ案内する。
5. 判断が必要な例外だけ相談員が引き取る形にした。

AVAはやり取りの84%を自己解決のまま終えた。

従来のチャットボットは30%で、顧客満足は60%上がった。

2016年から人の手で1件につき3回まで電話をかける形だったが、紹介の件数が増えて追いつかなくなった。

2023年にはかかりつけ医の診断から最初の連絡までが平均28日まで延びて、手つかずの紹介が約15,000人分たまった。

1. 紹介を受け取った時点でSMSとメールと自動音声で連絡を入れる
2. 申し込みとコース選びを話し言葉のままやりとりできるようにした
3. 予約を確定する前に参加条件を満たすかその場で照合する
4. 人の対応が必要なときは1クリックで優先の列へ回した
5. 初回の前に会場とコーチ名を入れたリマインダーを自動で送る

かかりつけ医の紹介から最初の連絡までが速くなり、プログラムに参加する人が増えた。

オンラインで受ける人も伸びた。

Perplexityのサポートはメール1本で受けていて、利用者が増えるほど追いつかなくなった。

1日あたりの問い合わせは前年から269%増え、時差をまたいですぐ返事がほしいという声も強まった。

1. DecagonのAIエージェントSageを入れる
2. 利用者にいちばん近い担当者が動き方を決める形にした
3. AOPと呼ぶ手順書に方針と受け答えと人へ渡す線引きを書く
4. Duetに既存のポリシー文書を渡して手順の下書きを出させた
5. レポートで利用者の反応を追い重い案件は人が引き取る

直近30日は70以上の問い合わせの種類に対応しながら、78%を人に回さず解決できた。

有人のチームは障害対応や法人の請求や個人情報の依頼といった難しい案件に時間を使えるようになった。

予約の変更依頼がWhatsAppとLiveChatの会話の約8〜9%を占めていた。

それなのに客が自分で変更する手段がなく毎回オペレーターが対応していた。

1. Sprinklr AI+でWhatsAppに会話型の予約変更の仕組みを作った
2. 客がチャットで出発地・目的地・搭乗日・座席クラスを伝える形にした
3. AIが変更できる予約かを確かめ選べる案をその場で返す
4. 1件の変更で走る7〜8件のシステム連携を裏側で動かす
5. AIで完結しないときは有人のサポートへつなぐ

対象になる予約変更のうち約70%が人の手を借りずに終わった。

立ち上がりの使われ方が良かったのでLiveChatへも広げている。

オーストラリアの個人事業主は会計ソフトを使わずExcelの表で請求書と領収書と税金を手で管理していた。

新しく立ち上げたチームは人数が少なく、増員せずにサポートを回す必要があった。

1. サポートを別窓口にせず製品の中へ組み込む形で設計した
2. 問い合わせのやり取りとサポート記事から知識を作った
3. ZendeskのAIエージェントが時間を問わずすぐ答える
4. 正確さの判断が要る場面はAgent Copilotが担当者を助ける
5. ノーコードのApp Builderで口座の状態が分かる表示を作った

問い合わせの90%超が人の手を介さず処理され、CSATは92%になった。

2025年はサブスクの目標を45%上回り、増員をやめて20万ドルの運用費を製品づくりへ回した。

問い合わせが増えて自動化を入れたものの、最初のAIは決められた答えを返すだけで判断ができなかった。

定期購入や返金のように事情で結論が変わるやり取りは人に戻り、指示文を書き足し続ける作業も負担になっていた。

1. AIエージェントに解約手続きそのものを任せた
2. 解約はLoopとつなぎメールアドレスと定期購入を確認させる
3. 実行の前には必ず客が最終確認する
4. 記録を見直して人へ渡す要らない条件を外した
5. 住所変更はRecheckで出荷前に注文を止めた

解約依頼のおよそ5件に1件をGraceが最後まで処理するようになった。

解約の代わりに一時停止やスキップを出せるので、解約依頼の約13%は契約が続く結果になった。

ルールで動く前のチャットボットは決まった言い回ししか読めず、支払いや契約変更のような定型の質問まで人へ回っていた。

夜間や混み合う時間の問い合わせは翌朝まで残り、2025年のNPSは平均-47だった。

1. Botpressで作ったAIエージェントが一次対応を24時間引き受ける
2. ZendeskのAPIから記事の本文だけを取り出しHTMLを外す
3. 選んだ約44本を商品ごとの知識のもとに分けて登録した
4. どの商品か分からない質問は先に商品を聞き返す
5. 自信が無いときは営業時間を見て有人へつなぐ

NPSは2025年平均の-47から2026年は+13.86へ上がり、有人への引き継ぎは18%から13%に減った。

会話の約87%をAIだけで終えるようになり、1日のAI費用も80ドルから43ドルに下がった。

1件の依頼を終えるのにZendeskとTelstraのシステムや経費管理のツールを行き来していた。

画面を移るたびに入力の間違いや情報の抜けが起きやすかった。

1. やりたいことを普段の言葉でプロンプトに書く
2. Zendesk App Builderがアプリの形にする
3. できたアプリを作業画面の中で動かしながら直す
4. 最初に経費管理のBillViewとつなぐサイドバーのアプリを作った
5. 社内向けに16人のチームの通話状況が分かるアプリも作った

対象になるチケット1件あたり1〜3分が減り、依頼をその場で終えられるようになった。

3か月で3つのアプリを作り、うち2つは本番で動いている。

借金の相談は人に話しづらく、電話の待ち行列に並んだまま話せない人が多かった。

相談員は同じような連絡の対応に追われ、立ち退きや生活の危機が迫った深刻な相談に時間を割けなかった。

1. 問い合わせの入口にバーチャルエージェントを置いた。
2. 利用者が書いた困りごとから担当の相談員へ振り分ける。
3. 音声の自動応答からSMSを送りオンライン手続きへ誘導した。
4. Agent Copilotが次の一手と要約と分類の候補を出す。
5. 相談員は出てきた候補を確かめて直すだけにした。

ピーク時は週におよそ1,700件をバーチャルエージェントが受け持ち、25,000人を超える利用者を電話の待ち行列からSMSの案内へ移した。

デジタルでの登録完了は61%増え、年間およそ240万件のやり取りのうち93%を利用者がデジタルで選んでいる。

10人から12人の部門に同じ内容の問い合わせが次々に届き、一件ずつ手で返すしかなかった。

金曜の夜に事故や車両の傷の連絡が入っても、月曜の朝まで保険の担当へ回せなかった。

1. 過去1年ぶんのFreshdeskのチケットを書き出した。
2. 保険や整備などテーマごとの参照資料に組み直す。
3. 質問と答えの一覧にせずAIが判断できる文章にそろえた。
4. 公開の前に各部門の管理者が全項目を読み想定質問で試す。
5. まずCVM部門の4つのメールの窓口だけで動かした。

対象にした問い合わせの88%にAIが答え、そのうち85%が正しい内容だった。

答えたチケットの4件に1件は担当者が一切触らずに終わり、夜間や週末でもすぐ返事が届くようになった。

チケットの数が2022年から2024年で86.7%増えた。

管理職まで対応に回る状態になり、チームを率いる時間が取れなくなっていた。

1. メッセージ対応にAIエージェントを入れて使い方の質問をAIに答えさせた
2. 回答のもとに社内チームが作ったナレッジベースを使う
3. AIの回答を見直し半年でナレッジを約20%改善した
4. 人が出る案件は自動で担当へ振り分けた
5. 対応の質を専用のQA機能で見てまずい対応を直す

主力製品の自動解決率が39%から46%に上がり、製品全体でも約30〜49%になった。

月620時間分の手が空き、CSATは97.8%を保っている。

客が増えるにつれ書類を扱う手作業が積み上がっていた。

問い合わせの量も増え文書の仕分けや翻訳や下書きに時間を取られて対応が詰まっていた。

1. AWS Bedrock経由でClaudeを社内15以上のアプリへ組み込んだ。
2. 客向けの案内役が5言語で24時間いつでも答える。
3. 毎日数千件の会話を要約して傾向をまとめる。
4. チャージバックでは資料を訳し判断の案まで出す。
5. 紙の申立書を種類ごとに分けて担当チームへ回す。

対象にした業務で最大70%が自動で回るようになり手作業は最大50%減った。

新しい仕組みは着想から最初の評価まで1〜2週間で立ち上がる。

新しい脆弱性が見つかるたびに担当の4人がパートナー1社ずつへ手でメールを送っており、1件あたり2時間ほどかかっていた。

まとめて一斉に送ると読まれにくいうえに転送先には自社の名前も残らなかった。

1. 脅威情報チームが新しい脆弱性をHubSpotのチケット窓口に入れる
2. エージェントが中身を読み受信を希望する24社を絞り込む
3. 担当者本人の名前で1社ずつに個別のメールを送る
4. 材料はCRMの顧客データや取引の履歴をそのまま使う
5. 作りたい動きを普通の言葉で書き2週間で動かした

脅威情報が入った瞬間に24社へ自動で個別メールが飛ぶようになり、1件あたり約2時間かかっていた手作業が要らなくなった。

チャットとメールの窓口が分かれていて、件名も注文番号もない問い合わせを人が読んで振り分けていた。

買う気の強い相談が営業へ届くまで待ちが生まれて、迷った客が離れることがあった。

1. Gorgiasに問い合わせとShopifyの注文情報をまとめる
2. 商品ページにAI FAQを先回りで出して質問に答える
3. Shopifyの在庫とつないで今買えるものだけすすめる
4. 担当者は過去の購入履歴を見ながら会話を続ける
5. 人は継続購入やレビューの取り組みに時間を使う

ライブチャットが88万5000ポンドを売る窓口になった。

AI FAQはShopping Assistantの会話のおよそ3分の1を占める。

支払いが失敗した理由を1件調べるだけでも、カードの状態や口座情報や残高や取引を順に確かめる必要があった。

欧州2000万人の利用者を従来の窓口ではさばききれず、後続の自動処理に渡すJSONが一つ崩れるだけで流れが止まる状態だった。

1. 複数のモデルをA/Bテストで比べてClaudeを選んだ
2. 社内のLLMルーターに載せ数日で組み込んだ
3. 支払い失敗や異議申し立ての確認順をClaudeに決めさせた
4. 領収書などの書類を画像認識で読み取り本人確認も自動で通した
5. 後続の処理に渡す構造化データもClaudeに作らせた

自動で解決できる問い合わせの割合が8%上がり、全体の8割超に届いた。

新しく入った開発者が使えるコードを出すまでの時間は40時間から16時間になり、口座開設も5分で終わるようになった。

専門のローカライズ担当がおらず各チームが思い思いに翻訳していて品質が保てなかった。

海外の顧客が読める記事が足りず問い合わせが積み上がっていた。

1. 記事を置くWordPressとLILTをコネクタでつないだ
2. 記事はボタン1つで送り担当を割り当てる
3. 訳文は大規模言語モデルが作り翻訳者が直す
4. 直した内容を取り込んで次の訳に反映する
5. 新機能のリリースノートを先回りして訳す

翻訳の回転が速くなり、専任チームを置かずにローカライズを続けられるようになった。

複数の業者に分かれていた工程が1つにまとまり手違いの起きる場面が減った。

窓口ごとに仕組みが分かれていて、応対の質を見張るのが難しかった。

SNSだけ別のシステムで見ており、他の窓口へ広げるには費用と連携の手間がかかった。

1. 101あった問い合わせ窓口をZendeskに寄せる。
2. 1つの画面でやり取りを見られるようにする。
3. 簡単な用件はAIエージェントが自動で受け答えする。
4. 判断が要るものだけ人の担当者へ回す。
5. Copilotが過去のやり取りの要点を担当者へ渡す。

日々のやり取りの86%をAIが受け持つようになった。

第1段階で101の窓口をまとめ、238ライセンスを入れて月20万件の会話をさばいている。

約8,000点の商品を複数の販売先で売っているため、問い合わせの内容が入り組んでいた。

人を増やさずに応対の質を上げる必要があった。

1. Genesys CloudのAgentic Virtual Agentを入れた
2. 複数のデータベースから顧客と注文の情報を集める
3. 注文状況の確認や不具合の切り分けや保証申請まで進める
4. AIに踏み込ませない範囲をあらかじめ決めた
5. 人に代わるときはAIが集めた内容を担当者へ渡す

AIが問い合わせの42%を最後まで受け持ち、担当者は判断が要るやり取りに時間を回せるようになった。

保証申請の成功率は91%で、紹介コードの使用は111%増えた。

技術者の経験差が大きく、持っている知識がうまく共有できていなかった。

そのため対応が終わるまでに時間がかかり、顧客の満足度も下がっていた。

1. Amazon Bedrock上に診断アシスタントを作る
2. DataRobotで全体の流れを動かす
3. 技術者が入力した内容をそろった形に整える
4. 故障の中身を分類し対処法の候補を出す
5. 技術者が候補を見て実際の対応を決める

データを確かめて処理する手間が70%減り、AIチームは新しいモデルを前より早く出せるようになった。

品質管理と現場技術の部門全体でサポートの質が上がり、顧客満足度と業務の効率も改善した。

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。