カスタマーサポートにAIを導入する方法:ステップバイステップガイド

「AIを導入する」ことが本当に意味すること

私はeeselのサポート部門で働いており、日々チケットの対応に追われています。だからこそ正直な話から始めさせてください。私はここ数年、AIが実際のサポートキューで本番稼働するのを見てきましたが、失敗はいつも同じパターンです。あるチームが盛り上がり、受信箱全体にチャットボットを向け、1週間もしないうちに、単純に間違った内容を顧客に自信満々に伝えてしまいます。信頼は蒸発し、ボットは停止され、「AIはうちには向いていない」という社内の定説になります。

この結末は避けられます。そして避ける方法は魔法ではなく、構造的なものです。カスタマーサポートにAIを導入するとは、既存のプロセスの上に段階的に自動化を重ねていくことを意味します。各段階が次の段階を勝ち取っていきます。あなたはチームやヘルプデスクを置き換えるのではありません。最初は提案するだけで、次第に簡単な業務を処理できるようになり、うまく処理できることにしか手を出さないチームメイトを、チームに加えるのです。

以下は、成功しているほとんどのロールアウトが実際にたどる道筋です。

このガイドの残りの部分では、これらの段階を順番に、それぞれで見てきたつまずきのポイントとともに説明します。まず広い概念的背景を知りたい場合は、AIと自動化に関する実践ガイドが「なぜ」を扱っています。こちらは「どうやって」を扱います。

ステップ1: ナレッジを整理する

AIサポートの回答は、AIが読める情報の質にしか左右されません。何かを接続する前に、実際に回答がどこにあるのかを正直に確認しましょう。ヘルプセンター、社内のマクロや定型文、過去のチケット、シニアエージェントしか知らないあのNotionドキュメント、Slackのスレッドに埋もれたポリシーなどです。

ここでの作業は華やかではありませんが、最も効果の高い作業です。質問に文書化された回答がなければ、どんなAIもそれをデフレクションできません。推測するしかなく、推測こそがまさに防ぎたいことです。簡単な監査を行うと、通常は3つの問題が浮かび上がります。互いに矛盾するドキュメント、間違った読み手向けに書かれた回答、そして本当の答えが誰かの頭の中にしか存在しない大きな空白です。

始めるために完璧なナレッジベースは必要ありませんが、どこに穴があるかは知っておく必要があります。優れたAIサポートソフトウェアは、すべてを1つのWikiに詰め込むのではなく、複数のソースから同時に取り込むため、今持っているものを接続し、後から穴を埋めていくことができます。ドキュメント面でゼロから始める場合は、AIナレッジマネジメントとAIナレッジベースの利点に関するノートが良い出発点になります。

ステップ2: 既存のヘルプデスクに接続する

私が見る2番目の間違いは、「すべてを自動化する」の次に多い「ヘルプデスクを取り払う」というものです。その必要はありません。最新のAIレイヤーの意義は、Zendesk、Freshdesk、Gorgias、あるいは既に使っている何であれ、その上に重ねて動くことにあります。チームに新しいツールを学ばせ、何年ものチケット履歴を移行させる必要はありません。

接続すること自体は簡単な部分で、通常はOAuthのクリックとナレッジの同期だけです。ここで本当に決めるべきなのはスコープです。どのチャネルと、どのチケットタイプをそもそもAIに見せるかということです。慎重なチームからよく聞くリクエストの1つは、「AIを通したくないチケットが一定数ある」というものです。これは健全な感覚であり、使う価値のあるツールならスコープを絞ることができます。すべてを接続し、AIは狭い範囲でオンにしましょう。チャネルごとの詳しい仕組みについては、AIをナレッジベースに接続する方法とAIカスタマーサービスのワークフローの解説をご覧ください。

ステップ3: コパイロットモードで始める

ここが私がすべてのチームに勧める出発点であり、最初の数週間はほとんどのチームがここに留まるべき場所です。コパイロットモードでは、AIが返信を下書きし、送信前にエージェントがレビューします。未読のまま顧客に届くものはありません。

コパイロットモードは同時に2つの役割を果たします。しっかりした下書きを編集する方がゼロから書くより速いため、チームを即座に加速させます。これは初回応答時間の短縮への最も直接的な近道です。そして低リスクのフィードバックループも生まれます。エージェントが下書きを編集または却下するたびに、たった1人の顧客もさらされる前に、AIがどこで弱いかを正確に学べます。編集率を準備完了のシグナルとして扱いましょう。特定のチケットタイプで、エージェントがほとんど変更せずに下書きを送信している場合、そのタイプは自動化の候補です。すべての下書きを書き直している場合は、ステップ1のナレッジの空白を見つけたことになります。

現実的な期待値として、初期のテストでは、方向性の精度が高い場合でも、まったく手を加えずに送れるほど良い下書きの割合は、最初は控えめであることが多いです。それは失敗ではなく、フィードバックループがその役割を果たしている証拠です。修正が積み重なるにつれて下書きは向上していきます。

ステップ4: 本番稼働前に過去のチケットでシミュレーションする

これは落ち着いたロールアウトと不安なロールアウトを分けるステップであり、チームが最もよくスキップするステップでもあります。AIに顧客と話をさせる前に、すでに結果が分かっているチケット、つまり自社の過去の履歴に対してAIを実行してみましょう。

優れたシミュレーションは、数百件から数千件のクローズ済みチケットをサンドボックスでAIに再生させ、AIが何をしたかを示してくれます。どれを解決したか、どれをエスカレーションしたか、どこで間違えたか。これにより「うまくいくといいな」が、契約前に確認できる具体的な数字に変わります。実際のテストでは、このような実行結果として、実際のチケットサンプルでのトリアージ精度93%、スパム検出率100%といった数字が返ってきたのを見たことがあります。カテゴリー別の内訳では、AIは返金ステータスに関する質問ではほぼ完璧である一方、境界線上の保証請求ではやや不安定であることも示されました。これは、最初にどのチケットタイプを自動化し、どれを人間に残すべきかを正確に教えてくれるため、非常に価値があります。

シミュレーションはまた、上司と現実的な期待値をすり合わせる場でもあります。「AIがすべてを処理します」と約束する代わりに、「前四半期のチケットでは、AIはこの精度でこの特定の切り口を解決していたでしょう」と言うことができます。これは擁護できる予測です。自社構築を検討している場合、これはまさに購入を選ぶ決め手となる能力です。あるチームは、独自のLLMアプリを書くこともできたが、それを維持するための時間を投資したくなかったと話してくれました。シミュレーションツールは、自分で構築しなければならない大きな部分の1つです。

AIは実際にどこまで対応できるのか?

自動化をオンにする前に、大まかな数字を出しておくと役立ちます。「AIがどれだけ対応できるか」という問いへの正直な答えは、チケットの構成次第ですが、ほとんどのサポートキューの大部分は反復的なものです。注文状況、パスワードのリセット、返金期限、同じ5つのポリシーに関する質問などです。以下に自分の数字を入力して、AIレイヤーがあなたの負担からどれだけの件数と時間を取り除けるか、おおよその見積もりを出してみてください。

この結果は約束ではなく上限として捉えてください。目的は、この取り組みに見合う価値があるかを見極めることであり、月に数千件のチケットを扱うほとんどのチームにとって、その価値は明らかにあります。

ステップ5: 信頼度ベースのルーティングで自動化を有効にする

ここからが、誰もが初日から欲しがっていた部分を、安全な形で実現するステップです。顧客向け自動化をオンにするとき、それを安全にする仕組みが信頼度ベースのルーティングです。AIは各チケットについてどれだけ確信しているかをスコア化し、閾値を超えたものには自動で回答し、残りはそのまま人間に引き渡します。

これは間違いなく、ロールアウト全体の中で最も重要な設定であり、購入者が最も気にする部分でもあります。ある高トラフィックのD2Cブランドのカスタマーエクスペリエンス責任者は、私たちにこう語ってくれました。「AIが質問の100%に答えられるようになることは決してない」と。そしてAIがすべてに答えようとして静かに失敗すると、悪い回答を見つけるために何千件ものチケットをチェックする羽目になります。そのチームが必要としていたもの、そしてほとんどのチームが必要としているものは、確信のあるチケットだけを処理し、それ以外はすべてそのままにしておくAIです。閾値を正しく設定すれば、不確かなチケットは静かに人間へルーティングされるため、AIが顧客に「すみません、わかりません」と言う必要は一度もなくなります。

控えめに始めましょう。高い信頼度のハードルを設定し、AIが最も明確なケースだけを自動解決するようにし、1週間結果を観察してから、信頼が積み上がるにつれて徐々に下げていきます。ルーティングを明確なエスカレーションルールと組み合わせて、人間への引き継ぎが完全なコンテキストを伴うようにし、シミュレーションでリスクがあるとフラグ付けされたチケットタイプは除外しましょう。これはまた、本物のAIエージェントとルールベースのチャットボットとの違いでもあります。エージェントは、いつ答えないべきかを知っているのです。

ステップ6: 測定し、調整し、拡大する

本番稼働はプロジェクトの終わりではなく、中間地点です。自動化がオンになると、仕事は引き締まったループになります。指標を観察し、AIがパフォーマンスを発揮できていない箇所を見つけ、根本のナレッジや指示を修正し、少しずつスコープを広げていきます。

重要な指標は、人間の基準値と比較できるものです。解決率、デフレクション率、初回応答時間、そしてAIが対応したチケットに限定したCSATです。解決率は一夜にしてではなく、時間をかけて上昇していきます。私たちが協力しているある社内IT部門は、デフレクション率約15%からスタートし、55%という目標を設定しました。このギャップは健全なロールアウトの正常な形であり、スイッチを切り替えるのではなく、ループにフィードし続けることで縮めていくものです。AIカスタマーサービスの指標ガイドでは、何を、どのように追跡すべきかを解説しています。

拡大こそがご褒美です。1つのチケットタイプがクリーンに動くようになったら、次を追加しましょう。より多くのチャネル、より多くの言語、そしてチケット分類やトリアージのようなワークフローです。これはまた、人員を増やすことなく本物の24時間365日対応へと成長していく方法でもあります。勝つチームは一気にすべてをやろうとはしません。よく理解している1つの切り口を自動化し、それを実証し、繰り返すのです。

避けるべきよくある間違い

いくつかのパターンが繰り返し現れます。これらを避ければ、道のりの大半をクリアしたことになります。

• 初日にすべてを自動化する。 チームの信頼を失う最も早い方法です。コパイロットで始め、チケットタイプごとに拡大しましょう。
• シミュレーションをスキップする。 過去のチケットでテストせずに本番稼働することは、推測にすぎません。シミュレーションは最も安価な保険です。
• 信頼度のハードルを早すぎる段階で低く設定しすぎる。 いくつかの悪い公開回答は、やや低めの自動化率よりも高くつきます。高く始め、徐々に下げましょう。
• ナレッジを一度きりのものとして扱う。 古びたドキュメントは古びた回答を生みます。ハルシネーションのリスクは、ドキュメントと現実のギャップの中に潜んでいます。
• 見栄えだけの数字を測定する。 「AIが触れたチケット数」は聞こえが良いですが、あまり意味がありません。本当の解決とCSATを追跡しましょう。

AIサポート導入にeeselを試してみる

ここまでの内容が多くの可動部品のように聞こえるなら、それこそまさに私たちがeeselを1つのツールに集約して解決しようとした課題です。すでに使っているヘルプデスクに接続し、過去のチケットとヘルプセンターから自動的に学習し、このガイドの一連の流れ、つまりコパイロットの下書き、自社の履歴に対するシミュレーション、そしてAIを本来の範囲に留めるルーティング制御を伴う確実な自動化を、すべて実行できます。

キューの中で働く者として気に入っているのは、範囲を厳密に絞り込み、ごく小さく始められる点です。1つのチケットタイプを、コパイロットで、まずシミュレーションしてから。総入れ替えも、四半期がかりのプロジェクトも必要ありません。eeselを試すには無料で始められ、何かを自動化する前に、自社のチケットでシミュレーションを実行して実際の数字を確認できます。