観光・ホテルのAI活用事例

社内向けの埋め込みサービスはOpenSearchで動いていたが、使うチームが増えて扱う埋め込みは数億件になった。

速度を保つには調整を続けるしかなく、クラスタが大きくなるほど費用も膨らんだ。

1. 本番の使われ方に近いベンチマークを自分たちで組んだ
2. 1億件の埋め込みを載せ同時に走らせる数を増やした
3. 近傍検索と絞り込み付き検索と読み書き混在の問い合わせを流した
4. 同じ条件で比べぶれが最も小さいWeaviateを選んだ
5. 出入り口を社内サービスで隠していたので設定の書き換えだけで移った

ベンチマークではWeaviateがOpenSearchより20倍速く、運用の費用は40%下がった。

社内の色々なAIの仕組みが同じ基盤に乗るようになった。

世界中に利用者が増え、画面の文言から広告まで多言語で出す量がふくらんでいた。

少ない担当者のまま翻訳の速さと言い回しの統一を保つのが難しかった。

1. 翻訳管理の画面で新しい文章にLILTを割り当てる
2. 渡った文章を分野に合う翻訳者に振る
3. 翻訳者が専用モデルの訳案を直し意見を返す
4. 返した内容をその場でモデルの学習に回す
5. 仕上がった訳文を戻し社内が確認して公開する

提携から3か月で、学習前のモデルと比べて機械翻訳の単語予測の精度が14%上がった。

最初の数か月でアプリと広告の文章を36言語に35万語超訳した。

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。

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。

客室の設備といった簡単な質問に担当者の時間が取られ、予約の相談に手が回らなかった。

寄港地の知識を全員に行き渡らせるのも難しく、通話の品質チェックは一部の抜き取りに頼っていた。

1. チャットの窓口にCresta AI Agentを置く
2. よくある質問にその場で答えさせる
3. 通話中は担当者の画面に必要な情報を出す
4. InsightsとAI Analystで会話の傾向を見る
5. 品質チェックを全通話の自動採点に変えた

チャットの70%をAIだけで完結させ、担当者は成果につながるやり取りに集中できるようになった。

6か月でコンバージョンが2%上がった。

旅行需要の回復が早く在宅の新人オペレーターが育つ前に見込み客だけが増えた。

管理者は45分もある通話を聞き直して指導の材料を探すしかなく手が回らなかった。

1. 在宅のオペレーターにCresta Agent Assistを入れる
2. 通話中のやり取りをその場で解析させる
3. 断り文句への返し方を画面にヒントとして出す
4. 管理者はCresta Coachで進行中の会話を見る
5. 録音の告知が守られているかを全通話で自動点検させた

Cresta Agent Assistを使う担当は使わない担当より売上が72%多く四半期あたり平均235,528ドル上回った。

管理者は週に2〜4時間を指導以外の仕事に回せるようになった。

複数の旅行ブランドと4つのコールセンターを抱え予約チームに大量の問い合わせが集まっていた。

品質チェックは全て手作業で管理者が指導や育成に手を回せなかった。

1. チャットの窓口にCrestaのAIエージェントを置く
2. 定型的な問い合わせから任せる
3. 施設ごとに担当を分け数か月で5体を動かした
4. 有人チャットの担当に助言と自動要約を出す
5. AI Analystで傾向をまとめ経営陣の判断材料にした

施設ごとのAIエージェントは62〜84%のチャットを人に引き継がず終わらせ全体の自己完結率は74%になった。

国立公園の事業では売上が330万ドル増えた。

推薦や検索などの従来型モデルとLLMを使った製品やエージェントが同時に増え、本番でどう動いているかを確かめる仕組みが追いついていなかった。

監視の道具が種類ごとに分かれてしまう問題もあった。

1. Arizeで従来型のMLとLLM製品の両方を監視する
2. エージェントの処理をトレースとして取り込む
3. 道具の呼び出しから応答までの流れとして見る
4. 評価の仕組みでエージェントの振る舞いを確かめる
5. 見つかった不具合を利用者に届く前に直す

従来型モデルとLLM製品を別々の道具で監視せずに済むようになった。

本番に出る前に不具合を見つけられるようになり、旅行者に影響が出る前に対処できるようになった。

業務が複雑になり、顧客は速くて一人ひとりに合った対応を求めるようになった。

社員がAIを実務で使える状態を先に作る必要があった。

1. 知識の段階と業務の必要に合わせて学習の道筋を複数用意する
2. まず生成AIやプロンプトの作り方を学ぶ
3. 次に仕事の自動化やAIを使った業務の進め方へ進む
4. Skills Mappingで足りない技能を見て道筋を業務に合わせた
5. Role Playで場面を練習してから現場で使う流れにした

840人以上がAIの学習に登録し、完了率は76%になった。

学んだ部門横断のチームが問い合わせ対応の一部を自動化し、処理時間が27%短くなり月60時間の削減になった。

年間およそ1,200万通のメールが届き、旅程や出張の決まり、複数の言語が混ざった長いやり取りが多かった。

担当者は過去のメールや添付を探し、どれを先に返すかを判断するだけで時間を取られていた。

1. Intent Minerで問い合わせの言葉を洗い出す
2. relocationが多いと分かり振り分け先を変えた
3. AWSと組みメールの優先度を自動で入れ替える
4. 翻訳を画面に組み込み他の言語へ返せるようにした
5. 意図の判定と要約を入れ請求書の依頼は無人で処理する

メールの自動振り分けと人を介さない返信の試行で、正しく振り分けられる割合も応答の速さも高く出た。

BCDはこの仕組みをより大きな部署へ広げると決めた。

リサーチや資料作成、データ加工など小さな手作業が全社に散らばり、個別のシステム化がしにくかった。

AIを入れても使い方が個人任せだと、成果が人ごとの慣れに左右されてしまう。

1. 社員と業務委託の計59名に実行環境をそろえてClaude Codeを配る
2. 2026年7月から8月に全部門向け研修を行う
3. うまくいったやり方をスキルという手順書にして共有基盤へ登録する
4. 配色や書体やロゴの規定をAIが読める形に直す
5. 登録されたスキルをレビューして部門をまたいで共有する

2026年8月末までに45名の手で、手順書が743件、業務ごとのAIエージェントが127体たまった。

研修後の社内調査では、エンジニア以外の回答者のうち53％が毎日のように使っており、その中の69％が同じ成果物を作る時間は半分以下になったと答えた。

出張者は困りごとがあるたびにサポート窓口へ連絡する必要があり、解決までに手間がかかっていた。

1. AIエージェントをTeamsやSlackに組み込んだ。
2. 出張者は普段のチャットからよくある依頼を書いて頼む。
3. AIが受け付けて手続きと回答を返す。
4. 終わらない相談は有人のサービスチームへつないだ。
5. 電話窓口と同じ流れで続きを対応した。

出張者が使い慣れたツールの中で用件を自分で片づけられるようになり、自己解決と自動化が進んだ。

チャットと電話の両方で対応の流れがつながった。

商談の中身や売れる人のやり方が個人の中に閉じていた。

成果が再現できず新人も育てにくかった。

1. オンライン商談と電話をMiiTelで記録して文字に起こす。
2. AIに会話の中身を分析させ顧客の性格の傾向まで整理する。
3. 分析結果から次の商談で何を変えるかのフィードバックを作った。
4. ためた会話データを新人の教育や担当の引き継ぎにも回す。

あるメンバーの受注率が7％から37％まで上がった。

引き継ぎにかかる手間は10分の1になり解約率も下がった。

京都では観光客が中心部の定番スポットに集中し、交通渋滞が長年の課題になっていた。

道路整備だけでは限界があり、観光客の動き方そのものを変える手立てが必要だった。

1. 観光デジタルマップを作り混雑や駐車場情報を地図上にまとめた
2. 地図上でAI判定のスタンプラリーを開催した
3. QRを使わず参加者の撮影写真をAIが判定してスタンプを付与した
4. 判定スポットを中心部から離れた穴場に置きミッションを設定した
5. 第2弾では時間帯ごとにポイントを上げ下げし訪問時間を分散させた

第1弾の参加者は781名で目標500名に対し達成率156%となり、参加者の92%が普段行かない場所を訪れたと答えた。

満足度は91%、期間中の京スマのPVは1.6倍に増え、93.2%がマップの情報が混雑回避に役立ったと回答した。

旅行者からの依頼が年間で大量に届き、予約の取り直しのような決まりきった対応に人手を取られていた。

営業が1年で50人から250人超に増え、人事や情報システムへの社内の質問も一気に増えた。

1. Agentforceで顧客向けのAIエージェントを作る。
2. 予約の変更や希望に合う宿の提案をAIに任せる。
3. 社内向けにSlack上で人事や情報システムの質問に答えさせる。
4. 新しい話題は公開前に約100回ためす。
5. 本番を写した環境で試し公開後も動きを見張る。

顧客からの問い合わせの50%以上をAIが最後まで処理するようになり、対応にかかる時間が短くなった。

年間で数百万ドルの削減につながり、Slackでのやり取りは1日あたり30分減った。

宿への予約の取り直しや20軒近い施設の空き確認など、実入りの少ない繰り返し作業に時間を取られていた。

見積りは手作業で1日2〜3件しか作れなかった。

1. チームにやりたくない仕事を聞き一覧を作る。
2. 手間と難しさを見比べて着手の順番を決める。
3. 社内向けのエージェントから手を付ける。
4. 旅程の情報から日ごとの案内文を自動で作らせる。
5. Testing Centerで会話を試し指示を直す。

社内の効率が30%上がり、最初の見積りを30分で出せるようになった。

契約から本番で動かすまでは6週間だった。

ホテルは24時間いつでも客の要望に応える必要があった。

フロントとコンシェルジュに問い合わせが集まり、スタッフの手が足りなくなっていた。

1. Botpressで多言語のVirtual Butlerを組んだ。
2. WhatsAppやTelegramやMessengerをつなぐ。
3. 予約のあとすぐチャットで案内を始めた。
4. ルームサービスはメニューを出して注文を受ける。
5. 手に負えないやり取りは人のスタッフへ引き継ぐ。

会話の75%が人に代わらずに終わり、案内の既読率はほぼ100%になった。

到着前にチャットを使う客は10人中7人で、追加の予約まで済ませた客は10人中2人だった。

社内のツールが増えすぎて必要な情報にすぐ届かず古い資料が残ったままだった。

提携先向けの動画も本数が追いつかず台本づくりで滞っていた。

1. GDPRと社内の安全基準を満たす形でGleanを各ツールにつないだ
2. 動画チームは過去の素材や提携先の情報をGleanで集めた
3. 集めた情報から台本の下書きを作る
4. 中身と前後のつながりは担当者が読んで仕上げる
5. IT担当は普段の言葉でGleanに聞き必要な手順を出す

動画1本の制作は8週間から2週間になり月の本数は2本から5本に増えた。

1件あたり最大10分かかっていた問い合わせの調べ物もほとんど待たずに終わるようになった。

地域ごとに進め方や道具がばらばらで案件の状況が全体で見えなかった。

リスクの更新や案件の点検も人が手で見直すしかなく時間がかかっていた。

1. Smartsheetを共通の土台にして地域ごとの案件データを1か所へ集めた。
2. Control Centerで案件の作りをそろえDataMeshでつないだ。
3. 組み込んだClaudeへメールのやり取りを渡しリスク一覧を作らせる。
4. 案件ごとの書き方に合わせたうえで関連するリスクも出させる。
5. 管理する側は同じ仕組みで案件を点検し変更や食い違いを洗い出す。

手で見直すと長くかかっていた案件の点検が数秒で終わるようになった。

100件を超える地域の案件を1つのダッシュボードで見比べられるようになった。

マーケティングの部門ごとに顧客データが分かれていて、細かい条件で客を絞り込めなかった。

高級ホテルに関心のある層を選び出すことも前のツールではできなかった。

1. 2019年から使うSnowflakeの上にHightouchのCDPを載せた
2. 業務側が決めた一つの用途で試作する
3. 高級ホテルに関心のありそうな層を選び出せるか確かめた
4. 事業部ごとに項目とつなぎ先を足す
5. 200人以上に研修をして毎月の集まりで定着を見た

初期のテストから2か月で本番に移した。

キャンペーン用の条件抽出はデータ部門に3週間待つ形から数日で自分でできる形になり、依頼のデータ取り出しは85%速くなった。

目的地選びから予約までを会話だけで終わらせたかったが、既製のLLMに任せるだけでは意図の読み取りの精度と応答の速さが足りなかった。

1. 仕組みを言語処理と推薦とGen Orchestratorの3つに分けた
2. 発言を言語処理の層へ入れ不適切な内容と意図を判定した
3. 読み取った意図を推薦の基盤へ渡し行き先や宿の候補を返した
4. Gen Orchestratorが会話の形で答えを組み立てた
5. 意図の読み取りをGPTから自社で追加学習したモデルへ置き換えた

意図の読み取りの精度が133%上がり、応答の待ち時間は5分の1になった。

推薦の当たり具合と予約に至る割合も伸びた。

予約後の問い合わせは夏に集中し、約2,500人の電話担当が対応に追われていた。

どの用件かの聞き取りと本人確認だけで1件あたり2分ほどかかっていた。

1. すでに動いていた電話の基盤の上にCognigyで音声AIを作った
2. かかってきた電話はメニュー操作なしで用件を話してもらう
3. 口座の情報を出す前に本人確認を自動で終わらせる
4. 複数のシステムへ同時に問い合わせて答えられるものは人につながず完了させる
5. 作業の8割を会話の設計に充てて言いそうな言葉と分岐を先に書き出した

契約から2か月半で自動応答の電話が本番で動き出した。

外部の評価では8人で作ったものが45人で18か月かけた結果を上回ると言われた。

TUIは部署ごとにデータの使い方を決めていたため新しく入った人や技術に詳しくない人が道具の多さに戸惑っていた。

社内の仕組みに慣れた人でも分析して気づきを引き出す進め方が分かりにくかった。

1. 全社のデータをSnowflakeのAI Data Cloudにまとめた。
2. 手元のデータ構造をCortexへ渡し意味のモデルを作らせる。
3. 1時間ほど手直しして自然言語で答えが返る状態にした。
4. Cortex Analystで誰でも言葉のままデータに聞ける形にする。
5. Cortex Searchでメタデータを全部索引にして探せるようにした。

受け入れテストの段階で500件を超える複雑な質問に言葉のまま答えが返った。

全社へ広げれば年に30日以上の作業時間が浮くと見ている。

Googleドキュメントやスライドと表計算に情報が散らばり、80人を超えるマーケターの誰も進み具合をつかめなかった。

100ページを超えるスライドまであって、キャンペーンの日程管理と素材の承認が遅れていた。

1. キャンペーンの依頼書から法務の確認まで1か所に集めた
2. 素材は版の管理と権利の確認を仕事の流れに組み込んだ
3. AirtableのAIにコピー作りと成果の要約と数字の抜き出しを任せた
4. 週次の部門報告を手作業の表と資料からダッシュボードに変えた
5. 出てきた数字は担当者が基準と見比べ次にやることを決めた

週次の部門報告にかかる時間は5時間から30分になり、90%の時間を削減した。

数千点の素材を80人超のマーケターが同じ場所で扱えるようになり、代理店に頼らず初めて世界向けのキャンペーンを出せた。

データが部門ごとの環境に50以上へ分かれていて全体を見通せなかった。

データ担当は12人しかおらず各部署に分析役を置けなかった。

1. 部門ごとに分かれていたデータ環境をSnowflakeへ寄せた
2. 誰でも探して組み合わせられるデータの一覧を作る
3. Apache Icebergで大きなデータを元の形のまま扱えるようにした
4. Cortex AIでAIエージェントを作り画面はStreamlitで用意する
5. 社員は自分で質問を投げて運営の状況を確かめる

エージェントの導入で数百時間ぶんの手間が減った。

50を超えていたデータ環境は1つにまとまった。

1日に数千件の電話が入り、40分に及ぶものもあった。

中身を手早くまとめる手段がなく、データサイエンスのチームは生成AIもLLMも使った経験がなかった。

1. データの基盤をSnowflakeに移した
2. Cortex AIで通話の文字起こしを分析する仕組みを作った
3. Mistralを感情の分析向けにファインチューニングする
4. SQLからモデルを呼び出し人手の分類と組み合わせる
5. モデルの正しさと分類の出来を測り続ける仕組みを用意した

3か月で本番で動く形まで持っていき、旅行前の問い合わせ窓口の25%にあたる1日約2,000件を分析している。

宿やツアーの基本的な案内を求める電話が多いと分かり、自分で調べられるネットの窓口を用意する検討につながった。

観光客が知りたい情報は複数のサイトに散らばり、古い内容や真偽の分からない話も混じっていた。

言葉の壁もあって案内がうまく届かなかった。

1. Webクローラーで観光の情報を集めた
2. メタデータを抜いて文脈ごとに切り分けベクトルで保存した
3. NeMo Curatorでタイ語の質問と答えの組を作った
4. NeMo frameworkで追加学習しNIMの形式で配った
5. 質問が来るとベクトル検索で材料を集めLlama 3.1 70Bが答えを作る

観光客は1つの窓口で正しい案内をその場で受け取れるようになり、タイ語と英語のどちらでも聞ける。

モデルを配るまでの時間は数日から数分になり、観光の繁忙期の混み合いもさばけるようになった。

メールの量が増え、急ぎの依頼が適した担当にすぐ届かなくなっていた。

顧客の状況を調べるのに担当者が複数のシステムを行き来していた。

1. 顧客からのメールをすべてFrontに集めて1か所で追えるようにした
2. 届いたメールをAcai Travelの連携が読み用件を判別する
3. 日程変更の理由や払い戻しか交換かや発券期限まで見分ける
4. 判別した結果にタグと優先度を付けて担当のキューへ流した
5. 担当者は用件が分かった状態で会話を開ける形にした

166人の担当者が毎日およそ7,200通のメールを回せるようになった。

手で仕分ける作業が減り、管理者は対応が滞っている所をその場で見つけられる。

公開のAIサービスに社内の情報を入れるとEU外で処理される心配があり社員が自由に試せなかった。

サービスごとに契約とログインが分かれて管理の手間も増えていた。

1. 外部のコンサル会社と組み社内向けのCopilotを作った
2. 複数の大規模言語モデルを切り替えられる土台にした
3. データの保管先をEU内に保ちメールやSlackや社内文書をつないだ
4. RAGで社内のデータに沿った回答を返すようにした
5. プロンプトからメール送信や要約やチケット作成も動かせる形にした

文書づくりや情報探しにかかっていた手間が減り社員が使う時間の節約を実感するようになった。

今は600人以上が日常的に使い対象となる社員の約90%まで広がった。

顧客の情報が自社の予約システムやSalesforceや表計算に散らばり、過去のやり取りを一度に見られなかった。

返事まで12時間かかることがあり営業時間外の問い合わせは取りこぼしていた。

1. 予約システムなどをつなぎ顧客と予約のデータをHubSpotに集めた。
2. 車両の仕様や規約を書いたサイトの記事を答えの元にした。
3. よく来る質問はサイトのチャットとメールでAIが即答する。
4. WhatsAppでも同じ窓口を用意し相手の言語に合わせて返す。
5. AIで片づかないものだけ人が引き取る。

サイトのチャットは81%をAIが解決し月150件が人を通さずに終わるようになった。

WhatsAppのやり取りは400%増え、いまは会話の50%が営業時間外に起きている。

夜間はトラブルが起きてもスタッフが支配人の指示を待つしかなく、対応が止まっていた。

紙の宿泊者カードや清掃の進み具合の共有にも手間がかかっていた。

1. 社外の生成AI環境をもとに自社向けAI支配人を作る
2. 過去の応対記録と手順書など社内文書だけを読ませる
3. 社内にデータが無いときは情報が無いと返す作りにする
4. 宿泊者カードをデータ化し清掃管理システムとつなぐ
5. タブレットでチェックアウト状況を見えるようにする

夜中でも上長の返事を待たずに現場の判断で先へ進めるようになり、400室以上の清掃も効率よく回せるようになった。

空いた時間を接客に回せてリピーターが増え、大卒初任給はこの10年で7万円上がって24万円になった。

営業担当は古い資料を使い、必要なものがどこにあるかも分からなかった。

買い手がどの資料をどれだけ見たかのデータも無く、勘で動く場面が多かった。

1. 資料をHighspotに集めて最新版だけを取り出せるようにした
2. 買い手へはDigital Roomsという共有の場から資料を渡す
3. 買い手が何をどれだけ見たかを追えるようにした
4. 商談の進め方にAIがその場で講評を返し担当者が直す
5. Deal Agentが打ち合わせ記録とCRMをつなぎ次の行動を示す

共有した資料を買い手が見る時間が67%伸びた。

利用者の95%が営業の流れをこの中で回し、担当者は全員がDigital Roomsを使っている。

会社が急に伸びて、問い合わせの内容や顧客の情報に合わせた振り分けができなくなった。

先着順で処理するため、空港で足止めされた利用者より急ぎでない用件が先に進むこともあった。

1. 8社を300項目の基準で比べてKustomerに決めた。
2. 予約や会員の情報を数百の項目ごとそのまま送り込んだ。
3. 1人の利用者のやり取りを1本の時系列にまとめた。
4. 急ぎの用件が先に届くよう優先度の振り分けルールを組んだ。
5. 13個に分かれていたツールを1つの画面へまとめた。

初回応答までの時間が50%短くなり、CSATは10%上がった。

13個のツールを1つにしたことでソフトの費用は20%下がり、良い対応だったという評価も20%増えた。

事業が世界へ広がるにつれて客と社内からの問い合わせが増え続けた。

人が手で調べて返していたため時差のある地域への返事が遅れていた。

1. GuruのAI検索を入れて社内の情報を1か所に集めた
2. Slackとつないでよく来る質問に自動で答えを返す
3. Zendeskともつないで過去の問い合わせや手順の文書をたどれるようにした
4. まずは入社手続きと人事のチャンネルから試す
5. 部署ごとに使い方を作り分けて人事は国ごとの書類を管理した

人事と支援の担当が同じことを調べ直す時間が大きく減り、考える仕事に回せるようになった。

自動の返答で時差に関係なく答えが出るようになり、営業や取引先の担当の部署にも広がった。

初めて使った人の2回目の予約が伸び悩む恐れがあった。

再訪を促すメールは誰に出しても同じ中身で、相手の好みや言語に合わせられなかった。

1. 気に入って保存したホテル3件をAIに渡した
2. 前に泊まった部屋の種類と予約の履歴と使う言語も入力した
3. 予約を済ませたくなる文面を一人ずつ書かせた
4. AIエージェントを配信の流れの一工程として置いた
5. できた文面は届く前に3人のCRM担当が中身を確かめた

お気に入りのホテルを使ったキャンペーンは、増えた売上が対照群の2倍になった。

BrazeAI Agent Consoleへ移した後の再予約キャンペーンはさらに23%伸び、予約の成約率は全体で90%上がった。

登録した人をセッションの数だけで3つに分けており、区切りの値は固定だった。

他にも行動の記録はあったが、仕分けに入れるにはルールを一から書き直すしかなかった。

1. 歓迎メールの振り分けをエージェントに任せた
2. サイト内の行動10種類をエージェントに渡した
3. 各記録が何を指すかを言葉で説明した
4. 3つのグループのどれに当てはまるかだけ決めさせた
5. ルールで分けた人数の散らばりと見比べA/Bテストにかけた

ルールで分けた対照群と比べ、一人あたりの売上が10%増えた。

取引の総額は7%、購入の件数は6%増えた。

モータースポーツやアミューズメントなど性質の違う4つの事業への問い合わせが月間数千件、一つの窓口に集まっていた。

夜間は代表電話をホテルへ転送していたが専門外の質問に答えきれず、大きなイベント時の着電増にも人員だけでは対応しきれなくなっていた。

1. 代表電話に対話型音声AIを置き用件ごとに自動で振り分ける
2. Webで済む案内は音声案内やSMSでサイトへ誘導する
3. 人が答えるべき用件だけスタッフにつなぐ
4. 発売日や宿泊キャンセルの分岐を現場で変更する
5. 通話を自動で文字起こしし応対の振り返りに使う

受電の約45%が自動化され、スタッフ1人あたりの電話応対が半減した。

通話開始時の録音アナウンスが抑止になり、心理的な負担の大きい電話は事実上ゼロになった。

問い合わせは電話が大半で夏の繁忙期は対応が途切れなかった。

チケットの種類が多くサイトのどこを見ればよいか分からない人からの電話が続いていた。

1. 定額で使えてAI機能もあるChatPlusを選んだ
2. サイトのトップにチャット窓口を置く
3. オペレーターから情報を集めてQ&Aを作った
4. 登録が無い質問が来たらすぐQ&Aに足す
5. 季節の企画や気温の予報で増えそうな質問を先回りで用意する

電話での問い合わせ対応件数が約30％減った。

営業時間外でも答えが返せるようになり夜間の取りこぼしが減った。

リフト券はエリアや日数や滑る腕前で選び方が変わり、来場者が決めきれず似た問い合わせが集まっていた。

前からあるチャットの仕組みでは多言語や前後の文脈がある質問に追いつかず、担当者が引き取る回数が増えていた。

1. IBMとパートナーのNext Decisionと組みOrchestrateで仕組みを作った
2. 目的と業務の流れと渡すデータを先にそろえてから作り始めた
3. 1つのチャットボットにせず役割を分けた複数のエージェントを束ねた
4. 自社サイトに埋め込んでリフト券選びや旅程の相談に答えさせた
5. governanceで複数のLLMの動きを画面で見られるようにした

冬のシーズンが始まってから1,500件を超える問い合わせに応じ、担当者が定型の対応に取られる時間が減った。

来場者の申し出は94%が48時間以内に解決し、返答までの待ち時間は6〜8秒から約1秒になった。

コロナ後に宿泊需要が戻っても売上が伸び悩み、部屋の値付けが担当者の勘に頼りきりだった。

忙しい時期は値上げが間に合わず、暇な時期は下げすぎるという状態が続いていた。

1. 宿泊管理システムとAIダイナミックプライシングを2施設に導入する
2. 需要の動きに合わせた料金見直しを自動で回す
3. じゃらんnetや楽天トラベルなどOTAへの反映をまとめて処理する
4. 施設ごとにコンセプトとねらう客層を決めて運営する
5. 人は価格調整から離れ集客やマーケティングに時間を回す

価格調整と販売管理の手間が減り、利益は前年比で31％増えた。

福岡市内の宿では、ここ6カ月の稼働率が平均91％、1泊あたりの単価が27,000円まで伸びた。