生成AIのカスタマーサポート自動化｜失敗する3つの原因

「ChatGPT（対話形式で応答を生成する生成AIサービス）のAPIを使ってFAQボットを作ってみたけど、結局スタッフが全部対応している」。生成AIでカスタマーサポートの自動化に取り組んだEC事業者のCS部門で、よく聞かれる状況です。生成AIへの期待は高くても、問い合わせ対応の工数が減らないまま運用が続くことがあります。

原因の多くは、ツールの性能より設計にあります。失敗の原因は主に3つで、AIが参照する商品情報や返品ポリシーが整っていないこと、自動化する問い合わせと人が対応する問い合わせの線引きがないこと、導入後の効果を計測していないことです。3つとも、導入前の進め方で避けられます。業務自動化全般の委託先選びは業務自動化のAI開発を委託する前にに譲り、以下はカスタマーサポートに絞って、3つの原因、進め方、費用の目安の順に書きます。

「なんとなく導入」が失敗する3つの理由

生成AIをCS業務に使う方法はいくつかあります。FAQへの自動応答、問い合わせ内容の分類・ルーティング（振り分け）、返信文の下書き生成、クレームの兆候検知などは、いずれも有効な使い道です。ただし「とりあえずAPIを繋いだ」状態では、期待した効果が出ません。理由は3つあります。

① 参照させるデータが整っていない

生成AIが正確に答えるには、商品情報・返品ポリシー・配送条件・よくある質問の回答といった「正しい情報」を参照できる状態にする必要があります。これらが構造化されていない状態では、AIはどの店にも当てはまる答えしか返せません。「在庫はありますか」という問いに自社の実在庫に基づいて答えるには、在庫データとAIを接続する仕組みが要ります。FAQの書き方が担当者ごとに違う状態では、AIに渡す材料がそろっていません。

たとえば同じ「返品したい」という問い合わせでも、商品カテゴリや購入経路によって案内すべき手順が異なる場合、その分岐が書き出されていなければ、AIは一律の回答しか返せず、結局スタッフが確認し直すことになります。自動化の前に、人が迷わず答えられる状態まで情報を整えます。この「情報を整える」工程を軽く見積もると、導入後に効果が出ない典型的な原因になります。

② 「どこまで自動化するか」の設計がない

全問い合わせの自動化を目指すと、多くの場合うまくいきません。問い合わせには、完全に自動化しやすいもの（返品期限や送料といった定型質問）と、人が対応すべきもの（クレーム、複雑な注文変更、初めての高額購入前の不安）があります。この境界線を設計しないまま導入すると、AIが答えられない問い合わせが大量発生し、かえって現場の負担が増えることがあります。

たとえば返品・交換の受付から検品・返金/再出荷・在庫戻しまでの一連の対応を自動化する場合の具体的な進め方は返品・交換対応の自動化｜受付〜在庫戻しのシステム化と費用の目安で扱っています。

③ 導入後の効果を計測していない

自動応答率、顧客満足度、スタッフの対応時間を計測する仕組みがないまま運用している例も見られます。計測できなければ、うまくいっているのか悪化しているのかすら判断できず、改善のしようがありません。

カスタマーサポート自動化を進める4つのフェーズ

上記3つの問題には、進め方をフェーズに分けて対処します。カスタマーサポート自動化は、次の4つのフェーズに分かれます。

• 現状把握：これまでの問い合わせ内容を頻度・複雑度で分類し、自動化に向く問い合わせ種別を絞り込む
• PoC（概念実証。小規模に試して効果を検証する工程）：絞り込んだ一部の問い合わせ種別に限って、AIが答えられるかを確かめる
• 実装：効果が確認できたら、商品データ・FAQの構造化と、既存のCSツールやECサイトとの連携を進める。規模は対象範囲とデータ量で変わる
• 運用・保守：稼働後は問い合わせ内容の変化に合わせて参照データを更新し、月額制で精度を維持する

フェーズごとに契約を分け、PoCの結果を見てから本実装へ進むかを決められる形にすると、効果が出なかった場合に途中で止められます。

• 全問い合わせの自動化を最初から狙う：定型質問に加えてクレームや複雑な注文変更まで自動化の対象に含めると、AIが答えられない問い合わせが増え、担当者の負担がかえって増える。頻度が高く手順が決まっている問い合わせ種別から着手すれば防げる
• 人へのルーティング設計を後回しにする：「AIが答えられない」と判断した問い合わせを、どのタイミングで・どの担当者に戻すかを決めないまま稼働させると、顧客を待たせたままになる
• 計測の仕組みを作らないまま運用を続ける：自動応答率や対応時間の変化を追える状態にしないと、効果が出ているかを判断できず、改善も続かない

費用の目安

費用は、対象とする問い合わせの範囲・データ量・連携するシステムの数で変わります。投資額を決める前に、自動化で減らせる工数の上限をつかみます。

問い合わせ1件あたりの平均対応時間（実測）×月間件数が、削減余地の上限です。あわせて問い合わせの内訳（何%が同じ質問の繰り返しか）を数えると、自動化で減る割合の見当がつきます。市場の目安は次の表のとおりです。

金額はいずれも市場の一般的な目安で、特定サービスの確定価格ではありません。FAQの整備で減らせる問い合わせを減らし、それでも残る問い合わせに自動応答を検討すると、費用対効果が最も高くなります。

まとめ

生成AIによるカスタマーサポート自動化は、正しく設計すれば効果が出ます。ただし「ツールを入れれば解決する」という発想では、多くの場合うまくいきません。データ整備・自動化範囲の設計・効果測定の3つが揃って初めて、AIは機能します。

なお、本記事で扱うのは社外の顧客からの問い合わせです。情シス・総務・人事に届く社内からの定型的な問い合わせは課題の性質が異なり、社内ヘルプデスクのAI自動化｜構築方法・答えさせる範囲・費用を参照してください。

「チャットボットとAIエージェント（人間の代わりに一連の処理を自律的に進める仕組み）のどちらが向いているか」という切り分けは、AIエージェント開発を依頼できる会社の選び方に判断の手順があります。目安は、回答を返して完結するか（チャットボット）、注文変更や在庫確認のように他システムへの操作が伴うか（エージェント）です。

問い合わせ履歴を頻度と複雑さで分類し、自動化に向く種別と人が対応する種別を線引きする作業は、awaiが手伝える範囲です。自社ECの注文・在庫データとの連携が要るかどうかも、分類の結果をもとに判断します。