AIはサポートの人員計画を2か所で変えます。チケットを減らし(AIが単独で解決するもの)、チケットを短くします(AIが人のために下書きするもの)。人員は残ったチケット数ではなく、残った工数で計画してください。AI解決率の分だけエージェントを減らすことはできません。AIは短くて簡単なチケットから処理するため、チームに届くチケットは長くなるからです。私の計算例では、解決率30%で節約できるエージェント工数は約15%にとどまり、残りのチケットの対応時間が下書きで短くなって初めて差が縮まります。
採用ギャップを出すには、来年のチケット数からAI解決分を引き、残りに対応時間を掛け、シュリンケージ後のエージェント1人あたりの生産時間で割り、離職後も残るエージェント数を引きます。下の計算ツールは、eesel顧客の実際のボリュームでこれを計算します。Gartnerの調査では、AIを理由に実際に人員を削減したサービス責任者は20%だけで、55%は取扱量が増えても人員を維持しました。この後者のグループが現実的な計画です。
eeselのようなAIチームメイトは、Zendesk、Freshdesk、Gorgias内で両方を担います。Question Beautyでは、1か月に990件のGorgiasチケットのうち約280件を閉じ、返金とクレームはメモを添えて人に引き継ぎました。料金は月額固定のクレジット制で$299から、チケットまたはチャット1件が1クレジットです。
AIはサポートの人員計画をどう変えるのか?
人員計画は2つの問いに答えます。来年の業務量に何人のエージェントが必要か、そのうち何人を採用する必要があるか、です。AIはどちらの方法も変えません。変わるのは入力値、つまり人に届くチケット数と、1件あたりの対応時間です。
私はeeselのサポートチームに所属し、毎日キューを担当しているので、両方の側面が見えます。AIエージェントが自力で閉じるものと、私に引き継ぐものです。引き継ぎになるのは「注文はどこ?」というチケットではなく、お客様が怒っているもの、あるいは人にしか確認できないことで答えが変わるものです。これが人員問題のすべてを一文にしたもので、多くの人員計画に欠けています。
データもそれを裏付けています。2025年10月にサービス責任者321人を対象にしたGartnerの調査では、AIを理由にエージェント人員を減らしたのは20%だけでした。55%は取扱量が増えても人員は安定していると回答し、42%は会話型AIデザイナーや自動化アナリストなどの専門職を採用していました。別のGartnerの予測では、2027年までに、サービス要員を大幅に減らすと見込んでいた組織の50%がその計画を断念するとされています。
つまり「人員計画にAIを織り込む」の現実的な姿は、次のようなものです。
| 計画上の問い | AIなし | AIを織り込んだ計画 |
|---|---|---|
| 人に届くチケット | 予測された全チケット | 予測からAIが完全解決する分を引いたもの |
| 1件あたりの対応時間 | 現在の平均 | 長くなる(難しいものが残る)が、AIが下書きする分は再び短くなる |
| エージェント1人あたりの生産時間 | 有給時間からシュリンケージを引いたもの | 同じ。ただしAIの管理にかける時間を引く |
| 採用ギャップの通常の動き | 取扱量とともに拡大 | 横ばい:取扱量は増えても人員は維持 |
| 新しい役割 | なし | AIの知識を管理し、回答を確認する担当者 |
取扱量の予測をまだ作っていない場合は、サポート要員予測のガイドから始めてください。インターバル予測、Erlang C、シュリンケージを詳しく扱っています。この記事はその続きで、AIヘルプデスクエージェントがチームの一員になったときに、その予測をどう使うかを扱います。
なぜAI解決率の分だけ人員を減らせないのか?
チケットは仕事の単位ではないからです。AIは短くて繰り返しの多いチケットから解決するため、節約できる工数の割合は、閉じたチケットの割合より小さくなります。人に残るチケットは長いものばかりで、簡単なものがなくなると平均はさらに長くなります。
ほぼ2年前に音声ボットを導入したコールセンターの予測担当者が、Redditでこう簡潔に述べています。
"Bots handle the easy calls, leaving the more complex (higher AHT calls) for agents. The volume should diminish but AHT will go up on the calls that get through to agents."
AHTは平均対応時間、つまりエージェントが1件のチケットを開いてから返信を送るまでにかける分数です。これが計算にどう効くか見てみましょう。来年の予測が月10,000件、1件12分だとします。作業は2,000時間です。AIがチケットの30%を解決するので、単純な計画では工数も30%減らして1,400時間にします。しかし残る7,000件は難しいものです。平均が12分ではなく14.6分、約2割長いとすると、実際の業務量は約1,700時間です。節約できたのは30%ではなく15%の工数です。
14.6分は例であってベンチマークではなく、実際の数字はAIが何を解決するかで決まります。ただ、私が見たかぎり、方向はどこでも同じです。サポートとオペレーションで25年の経験を持つZachary McGearyも、LinkedInで自分の例を挙げて同じ点を指摘しています。
"But a ticket isn't a unit of work. A password reset and a billing dispute both count as one. AI takes the easy ones first, so 20% of the tickets can be closer to 8% of the hours."
解決率が人員の指標として不向きな理由は、ほかに2つあります。
- 「解決」の意味は一つではありません。 お客様が返信しなくなった時点で解決とみなすツールもあります。Gorgiasは、72時間以内に人の対応が不要だった場合にのみ自動化されたチケットとして数えます。ZendeskはAIの結果を段階に分け、検証済みの解決にのみ課金します。ある解決率で計画する前に、その数え方を確認してください。デフレクション率と解決率の違いの記事でさらに詳しく説明しています。
- 再オープンはチームに戻ってきます。 AIが誤って閉じたチケットは、節約された仕事ではなく先送りされた仕事であり、その上お客様の不満も残ります。AI解決率と並べて再オープン率と再問い合わせを追跡しないと、解決率が計画をよく見せてしまいます。
最もよく知られた教訓的な事例はKlarnaです。同社の2024年2月の発表は、AIアシスタントが1か月に230万件の会話を処理し、「the equivalent work of 700 full-time agents」だと述べました。KlarnaのAIとサポート採用をめぐる2025年のHacker Newsのスレッドで、コンタクトセンターAIに10年近く携わったというコメント投稿者が、おおまかな計画用の数字を挙げています。
"Rough order of magnitude you can expect to deflect around 30% of inbound contacts with an AI chatbot. You can also expect to reduce agent Average Handle Time by 15-20% using AI enabled semantic search and workflow automation."
これは一人の実務者の数字であって標準ではなく、実際の数字はこれより高くも低くもなりえます。私が気に入っているのはその形です。減るチケットの数字と、残りで節約される時間の数字が別々になっています。この2段階のモデルが、この記事の以降の部分で使うものです。
AIを織り込んだ場合、採用ギャップはどう計算するのか?
採用ギャップとは、来年の業務量に必要なエージェント数から、離職後も残るエージェント数を引いたものです。AIを織り込む場合は6ステップです。
- チケットを予測する。 成長を含めた、チャネル別の来年の月間ボリューム。このステップは予測ガイドで扱っています。
- AI解決分を引く。 ベンダーの見出しの数字ではなく、自社のチケットで検証した解決率を使います。まだAIを動かしていないなら、まず過去のチケットで試してください(後述)。
- 残りに対応時間を掛ける。 現在のAHTから始め、難しいものが残る分だけ上げ、AIが最初の下書きを書くチケットの割合の分だけ下げます。
- エージェント1人あたりの生産時間で割る。 有給時間からシュリンケージを引いたものです。シュリンケージとは、チケット対応以外のすべて、つまり休憩、研修、会議、休暇、病欠です。要員管理ベンダーのAssembledは35%を業界標準としています。
- これが必要エージェント数。 ライブチャットと電話では、応答目標を満たすためにキューに余裕が必要なので、代わりにErlang Cで計算してください。メールについては、AssembledがErlang Cは「typically not appropriate」と述べており、時間ベースの方法で十分です。
- 残るエージェント数を引く。 現在のチーム人数から想定離職を引きます。残りが採用ギャップです。マイナスなら、誰かを解雇する代わりに離職でチームを縮小できます。
シュリンケージについては、多くの人がつまずく細部があります。Assembledの例は掛け算なので、シュリンケージ35%で10人は13.5人になります。多くのプランナーは代わりに割り算、10 / (1 - 0.35) を使い、約15.4人になります。シュリンケージ後にきちんと10人分の工数が残るのは割り算の方法なので、以下ではこちらを使います。
10,000件の例を最後まで計算してみます。エージェント1人あたり月160有給時間、シュリンケージ30%(つまり生産時間112時間)、現在のチームは16人、年間離職率25%(つまり12人が残る)と仮定しました。
| シナリオ | 人に届くチケット | 1件あたり分数 | 時間 | 必要エージェント数 | 採用ギャップ |
|---|---|---|---|---|---|
| AIなし | 10,000 | 12.0 | 2,000 | 17.9 | 6 |
| 単純な計画:解決率30%分を削減 | 7,000 | 12.0 | 1,400 | 12.5 | 1 |
| AIが30%解決、残りは長くなる | 7,000 | 14.6 | 1,703 | 15.2 | 4 |
| 同上、さらにAI下書きで残りを15%短縮 | 7,000 | 12.4 | 1,448 | 12.9 | 1 |
単純な計画は1人採用と言い、現実は4人採用と言います。AIが残りのチケットも下書きしないかぎりは。下書きがあれば、約1人に戻ります。この最後の行が、ほとんどの人員計画に欠けている部分です。完全解決は見出しを飾りますが、ギャップを埋めるのは難しいチケットでの下書きです。
来年は何人採用すべきか?
下で自分の数字を入れてみてください。3つのプリセットは、2026年8月8日から9月8日までの公開済みeesel顧客事例から、実際の月間ボリュームとAI率を読み込みます。対応時間、シュリンケージ、離職率、難しいチケットでの遅れは例示の値なので、自社の値に変えてください。
AIのスライダーを動かして、解決と下書きが採用ギャップをどう変えるか確認してください。この計算ツールは時間ベースの方法を使っています。ライブチャットや電話のキューでは、結果をErlang Cで確認してください。
smavaのプリセットを選び、「share of the rest AI drafts」を0から57%までスライドさせてみてください。これが下書き優先の構成の実際の姿です。AI単独ではほとんど解決していないのに、工数は大きく減ります。人が下書きを承認する方が、ゼロから書くより速いからです。次にClutchLoopを試してください。こちらはAIがほとんどのチケットに自力で返信します。どちらの構成も工数を節約しますが、モデルの別々の半分を通ってそこに到達しています。
AIアシストと完全解決はどこに当てはまるのか?
完全解決は計画からチケットを取り除きます。AIが下書きして人が送信するAIアシストは、残るチケットの対応時間を短くします。優れた人員計画は両方を使い、何かを数える前にチケットをレーンに振り分けます。
レーン1:AIが解決する。 正解が一つ、または次の一手が一つの質問。注文状況、ハウツー、配送時間、返品リンクなどです。Gorgiasを使うスマホアクセサリーブランドClutchLoopでは、eeselが1か月に約230件のチケットを処理し、約180件の返信を直接送信しました。米国の返品は返品ポータルに案内し、Shopifyでリアルタイム在庫を確認しました。ティア1のデフレクションが属するのがこのレーンです。
レーン2:AIが下書きし、人が送信する。 言い回しが重要なチケットや、人が責任を持ち続けるべきチケット。請求、トラブルシューティング、規制業界、他言語などです。ドイツのローン比較サイトsmavaは、この方式で月に約27,000件のZendeskチケットを処理しています。eeselは1か月に約15,300件の返信下書きを用意し、エージェントが一件ずつ承認するか、別のマクロを求めます。エージェントアシストのレーンは予測からチケットを1件も減らしませんが、AHTの数字は大きく動きます。
レーン3:人が担当する。 返金、クレーム、チャージバック、判断が必要なものすべて。採用計画が本当に向けられているのはこのレーンです。Question Beautyでは、eeselがGorgiasの定型チケットに直接返信しますが、返金、返品、クレームは、お客様が何を尋ね、eeselがShopifyで何を見つけたかを記したメモ付きで人に回ります。その月に人へ割り当てられたチケットは約250件で、eeselが閉じた約280件と比べられます。この引き継ぎメモはレーン3の対応時間も短くするため、人員計画の上で重要です。
多くのチームはレーン2から始め、回答を信頼できるようになるにつれてレーン1を広げます。これはeesel自身の顧客データで見られるパターンで、まず下書き、後に完全自動化です。HubSpotを使うオンライン学習プラットフォームMentorShowでは、eeselは6つの限定されたトピックで直接返信できますが、実際にはほぼすべてが下書きとしてチームに届きます。事例にも、そのレーンを開くことが「is where the time saving grows」と明記されています。人員計画としては、最初の四半期はレーン2の節約を見込め、レーン1の節約は測定してから後で見込める、ということです。各レーンの設定は、人への引き継ぎとサポート向けAIコパイロットのガイドで扱っています。
採用すべきか、自動化すべきか?
判断が必要な仕事には採用し、繰り返しは自動化してください。そして、AIが数字を証明する前に、AIの費用を捻出するために人を減らさないことです。これが短い答えです。チケットの種類ごとに、私ならこう判断します。
| 状況 | 採用か自動化か? | 理由 |
|---|---|---|
| 答えが決まっている繰り返しの質問が増えている | 自動化 | AI解決はボリュームに比例して伸びるが、人は伸びない |
| 難しいチケット(請求、技術、クレーム)が増えている | 採用し、AI下書きを追加 | AIは短縮できるが、なくせない |
| 簡単な質問の季節的な急増 | 自動化 | 数か月のために採用して研修する必要がない |
| 複雑な業務の季節的な急増 | 臨時を採用し、AI下書きを渡す | 新人は下書きとリンクされたポリシーがあると早く立ち上がる |
| 24時間365日の対応が必要 | 定型は自動化し、残りは待機で対応 | 「注文はどこ?」のための夜勤はまず割に合わない |
| AIの知識と回答を誰も管理していない | 1人を採用または配置転換 | AIの間違いを直す人が必要 |
季節型のチームで、これは最もはっきり表れます。ドイツのフェリー運航会社Norden-Frisiaは、毎年夏に時刻表、車両、チケットについて同じ質問を受けます。事例は問題をはっきり書いています。季節に合わせて増減するチームを採用し研修するのは「is expensive and slow」だと。そこで同社は、10月から3月にかけて縮小するプランで、繁忙期に月10,000件のAI対応を計画しました。ボットが閉じられないものには人が残ります。それでも季節採用が必要なら、季節サポートのオンボーディングのガイドで、早く戦力化する方法を扱っています。
この表の最後の行が、多くの計画で忘れられている部分です。AIも仕事を生みます。回答の元になる知識を更新し、返信を確認し、間違いを拾う人が必要です。Gartnerの2026年3月の予測は、ほとんどの組織が「understating the talent required to make AI successful」としており、約80%が少なくとも一部のエージェントを新しい役割に移す計画だとしています。実際には、最も優秀なシニアエージェントがパートタイム的に担うことが多いです。Norden-Frisiaでは、サポートチームのリーダーがボットの会話を確認し、自分で指示を修正しています。誰かの週の一部をそのために確保してください。
また、予測に基づく削減には慎重になってください。Gartnerの2026年2月の予測は、人員削減をAIのためとした企業の50%が、2027年までに別の職名で同様の業務のために再雇用すると述べています。より穏やかな道は、Redditのコールセンターのエージェントが語ったものです。
"We haven't had layoffs yet, but we seem to have stopped hiring new phone agents, so as the natural attrition you see in call centers occurs, we're getting fewer and fewer humans answering calls."
同じエージェント、同じスレッドで、人に届く電話は「more complicated」だとも書かれています。離職で縮小するなら、残るエージェントが難しいチケットだけに埋もれないようにしてください。それは燃え尽きのリスクで、燃え尽きは離職を招きます。この問いのより広い版については、AIがサポートチームに取って代われるかの記事に長い答えがあり、AIと人間のサポートではチケットの種類別に両者を比較しています。
足りなくならないよう、AIを人員計画にどう組み込むか?
まず測り、測定した数字で計画し、四半期ごとに予測し直します。私ならこの順番で進めます。
- 計画を確定する前に、自社の過去チケットでAIを試す。 ベンダーの平均解決率は、自社のチケット構成については何も教えてくれません。eeselは、過去のチケット数百件でシミュレーションを実行し、その回答をチームが実際に送ったものと照らして採点できます。これで、自社データに基づくレーン1とレーン2の見積もりが得られます。手順はAIサポートエージェントのオンボーディングのガイドで説明しています。
- 下書きから始める。 レーン2の節約は最初の週から現れ、誤った返信がお客様に届くリスクもありません。下書きありのチケットと下書きなしのチケットでAHTを比較してください。
- 完全解決はトピックごとに開放する。 下書きが無修正で送られた頻度の最も高いトピックから始めます。それがAIが単独で答えられる証拠です。
- 正しい4つの数字を追う。 検証済み解決率、再オープン率、人に届くものでのAHT、そしてAIチケットのCSAT。残りはカスタマーサービスKPIの一覧で扱っています。
- 差分は解雇ではなく離職で吸収する。 AIの数字が落ち着くまで欠員補充を止め、その後で決めます。こうすれば、AIの立ち上がりが想定より遅くても、コストは人員不足のキューではなく採用の遅れで済みます。
- 四半期ごとに予測し直す。 稼働開始後は、ボリューム、解決率、AHTのすべてが動きます。10月にAI率を推測で置いて作った計画は、3月には外れています。
最初や2人目の採用を決める小さなチームでも、同じ考え方が小さな規模で使えます。スタートアップ向けのAIサポートのスケーリングガイドでその版を扱っています。
AIの費用は追加採用と比べてどうか?
AIの料金は通常チケット単位で増え、採用は人単位で増えるため、同じ月のボリュームで比較してください。eeselの料金は月額固定のクレジット制で、チケットまたはチャット1件が1クレジットです。長さに関係なく、eeselが解決しても下書きしても同じです。
| eeselのプラン | 月間クレジット | 月額料金 |
|---|---|---|
| Free | 100 | $0 |
| Teammate | 500 | $299 |
| Teammate | 1,000 | $499 |
| Teammate | 2,500 | $999 |
| Teammate | 5,000 | $1,749 |
| 5,000超 | カスタム | eeselにお問い合わせ |
すべてのTeammateプランには、全連携と無制限のエージェント・席が含まれ、中間のバッチサイズもあります(たとえば1,500クレジットは$699)。超過利用はデフォルトでオフなので、忙しい月があっても請求で驚くことはありません。
比較するには、計算ツールがAIありとなしで出した採用ギャップの差に、エージェント1人あたりの総コスト(給与、福利厚生、ツール、マネジメント時間)を掛けます。それを、月間ボリュームをカバーするプランと並べて見てください。AIエージェントと人間のコスト比較と解決1件あたりのコストの記事でさらに詳しく扱っており、AIカスタマーサービスのコストではベンダー間の料金モデルを比較しています。
本当に検討しているのが、採用せずに人手を増やすことなら、それはむしろアウトソーシングの判断です。eeselのManaged Supportは、ECブランド向けのお任せオプションです。eeselがお客様のツール内ですべての顧客対応を月額固定$5,000で担当します。eesel自身の試算では、オフショアの24時間365日チームは月$7,000-$10,000です。代替案はカスタマーサービスのアウトソーシングのガイドで扱っています。
eeselが向かないケース:キューの大半が一回限りで重要度の高い案件(エンタープライズのエスカレーション、法的紛争)の場合、レーン1は小さくなり、計画は下書き付きの人中心になるはずです。また、eeselが連携していないヘルプデスクを使っている場合は、先に連携一覧を確認してください。
サポートの人員計画にeeselを試す
来年の人員計画を立てていて、AIが実際にどれだけ減らしてくれるかわからないなら、自社のチケットで確かめるのにeeselが最も早い方法です。Zendesk、Freshdesk、Gorgiasの既存キューに、新しいチームメイトのように参加します。ヘルプセンターと過去のチケットがすでにカバーしている内容に答え、残りをチーム向けに下書きします。返金とクレームはすべてメモ付きで人に回ります。レポートページには、処理したチケット数と、チームが承認または却下した返信数が表示され、これがまさに人員モデルに必要な入力値です。
こうしてsmavaはZendeskで月に約15,300件の返信を下書きし、人が送信しています。Question BeautyはGorgiasの定型チケットを自力で閉じています。ヘルプデスクを接続して、100の無料クレジットで実際のチケットを使って試せます。カードは不要です。
計画を確定する前に、自社のキューでeeselを試すか、まず私のおすすめAIエージェントの比較記事で選択肢を見比べてください。