ServiceNow AIの精度：2026年の数値が実際に意味すること

ITサービスマネジメントのためにAIを評価する場合、精度は単に「あると良い」指標ではありません。それは、実際にチケットのバックログを減らすAIと、不適切な推奨事項や不満を抱いたユーザーを通じてより多くの作業を生み出すAIとの違いです。

ServiceNow（サービスナウ）は、Now Assist（ナウアシスト）からAI Agents（AIエージェント）、Predictive Intelligence（予測インテリジェンス）まで、AI機能に多大な投資を行ってきました。しかし、現実的にどのような精度を期待できますか？そして、ベンチマークの上限に達するか、パフォーマンスの低いモデルに苦労するかを決定する要因は何ですか？

数値が実際に意味すること、ServiceNowがAIのパフォーマンスをどのように測定するか、および投資の意思決定を行う前に知っておく必要のあることの内訳を以下に示します。

ServiceNow AIとは何か、そしてなぜ精度が重要なのか

ServiceNow AIは単一の製品ではありません。これは、Now Platform（ナウプラットフォーム）に組み込まれた機能のコレクションであり、それぞれに異なる精度プロファイルとユースケースがあります。

中心にあるのは、チケットの要約からナレッジ記事の生成まで、あらゆることを支援する生成AIレイヤーである**Now Assist（ナウアシスト）です。次に、人間の介入なしに自律的に問題を解決できるAI Agents（AIエージェント）**があります。**Predictive Intelligence（予測インテリジェンス）**は、機械学習を使用してチケットを自動的に分類およびルーティングします。そして、**Virtual Agent（バーチャルエージェント）**は、チャットを通じてセルフサービス会話を処理します。

課題は、精度がこれらの機能全体で大きく異なることです。役立つ要約を生成するツールは、自律的なチケット解決に苦労する可能性があります。ITSMにおける不正確なAIのコストは高いため、これらの違いを理解することが重要です。誤ってルーティングされたチケットは、解決を遅らせます。ハルシネーション（幻覚）のような応答は、ユーザーの信頼を損ないます。不正確な分類は、緊急の問題を間違ったチームに送信します。

完全なServiceNowの導入の複雑さなしにAIを実装しようとしているチームのために、代替アプローチを提供します。当社のITSMソリューション向けAIは、既存のチケットとナレッジベースから学習し、ライブになる前に過去のデータで精度をテストできるシミュレーションモードを備えています。

ServiceNow AIの精度ベンチマーク

ServiceNowとそのパートナーは、いくつかの精度指標を引用しています。数値がどのように見えるか、そして実際にどのような意味を持つかを以下に示します。

Now Assist（ナウアシスト）の精度

ServiceNowは、高品質のデータで適切にトレーニングされた場合、Now Assist（ナウアシスト）で最大85％の提案精度を主張しています。これは、次のような機能に適用されます。

• ケースとインシデントの要約
• ナレッジ記事の生成
• エージェントの応答の作成
• コードとフローの生成

「最大」という修飾子はここで重要です。その85％という数値は、クリーンで包括的な履歴データを使用した最適な状態を表しています。実際には、多くの組織、特に初期導入時に精度が低下することがあります。

Now Assist（ナウアシスト）のその他の報告された指標は次のとおりです。

• ナレッジベースの記事作成が300〜500％増加
• 最初の電話での解決率が35〜50％向上
• 平均解決時間（MTTR）が40〜55％短縮

これらの結果は、既存のナレッジベースの品質と、エージェントが解決策をどれだけ適切に文書化するかに大きく依存します。

Virtual Agent（バーチャルエージェント）のパフォーマンス

Virtual Agent（バーチャルエージェント）はセルフサービス会話を処理し、ServiceNowは達成可能な45〜60％の削減率を引用しています。これは、ほぼ半数から3分の2のインタラクションが、人間のエージェントに連絡することなく解決できることを意味します。

ServiceNowのAI Value Framework（AIバリューフレームワーク）によると、Virtual Agent（バーチャルエージェント）の会話が成功すると、従来のケース処理と比較して、インタラクションあたり約11.32分節約できます。この計算では、従業員が複雑さの低いケースに約15分費やすのに対し、Virtual Agent（バーチャルエージェント）が4分未満で解決することを前提としています。

一部の顧客は、これらのベンチマークを超えていると報告しています。たとえば、CANCOMは、ServiceNow AI Agents（AIエージェント）を使用して、すべての部門で80％のチケット削減率を達成しました。Griffith Universityは、全体的なセルフサービス率が87％増加しました。

しかし、これらの結果は一般的ではありません。ナレッジベースの品質、会話の設計、および継続的な最適化に多大な投資が必要です。

Predictive Intelligence（予測インテリジェンス）の精度

ここでは、期待値を慎重に調整する必要があります。質の高いトレーニングデータがない場合、Predictive Intelligence（予測インテリジェンス）の精度は**20〜30％**と低くなる可能性があります。

この機能は、以下を処理します。

• チケットの自動分類
• インテリジェントなルーティングと割り当て
• 類似のインシデントの検出
• 予測される解決までの時間

「ゴミを入れるとゴミが出る」という問題はここで現実的です。過去のチケットのカテゴリ分けが一貫しておらず、説明が疎であるか、ルーティングの決定が誤っている場合、AIはこれらのパターンを学習します。ある組織は、過去のデータが非常に乱雑だったため、Predictive Intelligence（予測インテリジェンス）モデルがランダムな推測よりもわずかに優れているだけであることを発見しました。

AI Search（AI検索）の有効性

Now Assist（ナウアシスト）を備えたAI Search（AI検索）は、より一貫した結果を示しています。ServiceNowは以下を報告しています。

• AI Search（AI検索）のインタラクションあたり2.5分の節約
• 検索でNow Assist（ナウアシスト）を使用すると4.5分の節約（従来のクリック検索と比較して）

この計算では、最大検索時間を5分と仮定し、Now Assist（ナウアシスト）を使用するとエンゲージメント時間が約30秒に短縮されます。検索は、オープンエンドの会話や自律的な解決よりも制約された問題であるため、これらの指標は達成しやすくなっています。

ServiceNowがAIの精度をどのように測定するか

ServiceNowの測定方法論を理解することは、ベンチマークを解釈し、独自の導入に対する現実的な期待を設定するのに役立ちます。

AI Value Framework（AIバリューフレームワーク）

ServiceNowは、**AI Value Framework（AIバリューフレームワーク）**と呼ばれるものを介してAIの影響を測定します。これは、エンドユーザー、人間のエージェント、プロセスオーナー、開発者、およびリーダーの5つのペルソナ全体の生産性の向上を追跡します。

このフレームワークは、合計時間として表される節約された時間に焦点を当てています。例えば：

• AI Search（AI検索）は、検索が成功するたびに2.5分節約します
• AI Search（AI検索）のNow Assist（ナウアシスト）は、インタラクションあたり4.5分節約します
• Virtual Agent（バーチャルエージェント）の会話は、解決が成功するたびに11.32分節約します

これらの時間節約は、インタラクション量で乗算され、従業員の時間給を使用してコスト削減に変換されます。

このフレームワークから2つの主要な複合指標が出現します。

セルフサービス効率スコア：AIが処理するリクエストの割合と、ライブサポートを必要とするリクエストの割合。25％のスコアは、AIが潜在的なサポートケースの4分の1を自動化することを意味します。成熟した導入では、62％以上に達する可能性があります。

エージェント生産性スコア：AIが人間のエージェントと比較してどれだけの作業を完了するかを定量化します。エージェントが通常1時間あたり7.3の作業アクションを完了し、AIがこれらのアクションのうち3つを処理する場合、スコアはAIがワークロードの42％に貢献していることを示します。

Virtual Agent（バーチャルエージェント）の評価指標

特にVirtual Agent（バーチャルエージェント）の場合、ServiceNowは9つの評価指標を使用します（AI Control Tower（AIコントロールタワー）評価ガイドに記載されているとおり）。

各指標は3点または5点満点で評価され、その後5にスケーリングされます。ServiceNowは、自動評価スコアを人間の判断と比較して上限と下限の偏差を計算し、人間の期待に沿うように時間の経過とともにスコアを調整します。

継続的な測定アプローチ

ServiceNowは、AIの価値評価は1回限りではなく、継続的でなければならないことを強調しています。同社は、すべてのユースケースで5つの側面を追跡します。

1. 採用：潜在的なユーザーの総数に対する月間アクティブユーザーの割合
2. 使用状況：トリガーと生成の成功
3. 感情：肯定的なフィードバックの割合
4. 精度：各ユースケースに適した出力品質指標
5. 節約された時間：ビジネスインパクトの翻訳

同社はフォーミュラ1のピットクルーのアナロジーを使用しています。レーシングチームが改善のためにすべてのピットストップを見直すのと同じように、組織はパフォーマンスを最適化するためにAIインタラクションを継続的に見直す必要があります。

ServiceNow AIの精度に影響を与える要因

ベンチマークの主張と実際の結果のギャップは、いくつかの重要な要因に起因します。

データ品質と「Done Gap（完了ギャップ）」

AIは、トレーニングデータと同じくらい優れています。ServiceNowのドキュメントでは、この点が繰り返し強調されていますが、多くの組織は必要な準備を過小評価しています。

「Done Gap（完了ギャップ）」とは、疎な解決ドキュメントを指します。解決済みのインシデントに、詳細なトラブルシューティング手順、根本原因分析、または回避策なしに、「問題解決済み」または「ユーザーリクエストごとに修正済み」のバリエーションが含まれている場合、AIが学習するデータは最小限になります。

このギャップは、すべてのAI機能に影響を与えます。

• Now Assist（ナウアシスト）は、包括的なナレッジ記事の生成に苦労します
• Virtual Agent（バーチャルエージェント）の削減率は、検索可能なコンテンツがない場合、15％を下回ります
• Predictive Intelligence（予測インテリジェンス）の精度は、過去のデータが不十分な場合、20〜30％にとどまります
• AI Agents（AIエージェント）は、問題解決の文書化された証拠がない場合、自律的なワークフローを開発できません

このギャップを埋めるには、ドキュメントを、競合する別のタスクではなく、問題解決の自動的な副産物として扱う必要があります。

実装の複雑さ

ServiceNow AIは、単に有効にする機能ではありません。実装には通常、以下が必要です。

• プラットフォームの専門知識を持つ専任の管理者
• 長い構成プロジェクト
• ServiceNowの内部構造に関する深い知識

ServiceNow AI Maturity Index（ServiceNow AI成熟度指数）は、市場の準備状況が大きく異なることを明らかにしています。回答者のわずか28％がエージェントAIに「非常に精通している」のに対し、33％が少なくとも1つの完全に機能するユースケースで積極的にパイロットまたは使用しています。

小規模なチームや、スタッフにServiceNowの専門家がいない組織にとって、この複雑さは大きなハードルです。5,000人以上の従業員を抱える企業の新しい単独管理者であるあるRedditユーザーは、その経験を「圧倒的」と表現しました。

ハルシネーション（幻覚）のリスク

あらゆる生成AIの重大な懸念事項は、「ハルシネーション（幻覚）」のリスク（AIが完全に自信を持って回答を捏造すること）です。ServiceNowは、会話に基づいて応答が捏造されていないことを確認する真実性指標を通じて、これに対処します。

ただし、あるユーザーが指摘したように、「ハルシネーション（幻覚）のために、完全に読む必要があります」。エージェントがすべてのAI出力を二重チェックする必要がある場合、時間節約はすぐに低下します。

Perspectiumが引用したAvanadeの調査によると、AIによって生成された出力を取り巻く信頼が大幅に低下しています。より多くの企業がAIを採用していますが、精度と一貫性に関する懸念から、AIへの依存にますます慎重になっています。

実際の精度の期待

では、実際に何を期待すべきでしょうか？答えは、組織のコンテキストによって異なります。

最良のシナリオ

最高の精度を達成する組織は、通常、次の特性を共有しています。

• 成熟したServiceNowエコシステムを備えた大企業
• 包括的なドキュメントを備えた高品質の過去のデータ
• 専任のAIチームとガバナンス構造
• ナレッジベースのメンテナンスへの多大な投資
• データと運用サイロを接続する「ペースセッター」（AI成熟度の上位18.2％）

ServiceNow自身の導入は、完全なコミットメントで何が可能かを示しています。単一のユースケース（ITエージェント向けのインシデントの要約）から始めて、複数のペルソナにわたって50以上のライブ実装に拡大し、合計500以上のAIユースケースがあります。

一般的な課題

より典型的な経験は次のとおりです。

• 適切なナレッジベースへの投資がない場合、Virtual Agent（バーチャルエージェント）の削減率は15％を下回ります
• データ品質が低い場合、Predictive Intelligence（予測インテリジェンス）の精度は20〜30％です
• 外部コンサルタントまたは長期化されたタイムラインを必要とする統合の複雑さ
• AIハルシネーション（幻覚）または不適切なルーティングに遭遇した後のユーザーの信頼の低下

AI Maturity Index（AI成熟度指数）は、組織の43％が来年エージェントAIの採用を検討していることを強調していますが、多くはまだ初期の調査段階にあります。

誰が最高の精度を達成するか

ServiceNowの調査で特定された「ペースセッター」（回答者の18.2％）は、主要な特性を共有しています。56％がデータと運用サイロの接続に大きな進歩を遂げているのに対し、他の回答者は41％です。このデータ接続により、既製の機能だけに頼るのではなく、カスタムAIモデルを採用し、最高のソリューションを統合することができます。

これらの組織は、ServiceNowのデータを抽出して、予測インシデント管理、根本原因分析、および過去のパターンに基づくインテリジェントなチケットルーティングなどの特殊なユースケースのために独自のモデルをトレーニングすることがよくあります。

ServiceNow AIの精度を向上させる

ServiceNow AIにコミットしている場合は、いくつかの戦略がより良い精度を達成するのに役立ちます。

データ準備戦略

• モデルをトレーニングする前に、過去のチケットをクリーンアップして整理します
• 包括的な解決ドキュメントのプロセスを実装します
• ナレッジベースの品質と完全性に投資します
• 時間の経過とともに品質を維持するためにデータガバナンスを確立します

実装のベストプラクティス

• プラットフォーム全体の導入ではなく、パイロットプロジェクトから開始します
• 起動前に明確なKPIと測定フレームワークを定義します
• 継続的な監視と調整を計画します
• 採用を促進するために変更管理に投資します

代替案を検討する場合

ServiceNow AIは、専任のプラットフォームの専門知識を備えたServiceNowエコシステムにすでに投資している大規模な組織に適しています。しかし、すべてのチームに適しているわけではありません。

次の場合、代替案を検討してください。

• チームにServiceNowの深い専門知識がない
• 長期にわたる実装よりも迅速な価値実現が必要
• 精度を犠牲にすることなく、より簡単な導入が必要
• ライブになる前に、実際のデータでAIのパフォーマンスをテストしたい

当社は、複雑さなしに強力なITSM AIを必要とするチームのためにeesel AIを設計しました。既存のヘルプデスクに接続し、過去のチケットとナレッジベースから学習し、過去のデータでシミュレーションを実行して、顧客とやり取りする前にAIがどのように実行されるかを正確に確認できます。特定のチケットタイプから開始し、AIドラフトを送信前に確認し、AIがその価値を証明するにつれて範囲を拡大できます。

ITSM AIのニーズに合った適切な選択をする

ServiceNow AIの精度は、データ品質、実装アプローチ、および組織の準備状況によって大きく異なります。ベンチマークは達成可能ですが、準備、構成、および継続的な最適化に多大な投資が必要です。

ServiceNow AIにコミットする前に、自問してください。

• クリーンで包括的な過去のデータはありますか？
• 実装のための専任のServiceNowの専門知識はありますか？
• 結果が出るまでに数か月の導入に備えていますか？
• 時間の経過とともにAIの精度を維持するためのガバナンス構造はありますか？

これらの質問のいくつかに「いいえ」と答えた場合、より迅速な導入と段階的な展開のために設計されたソリューションを使用すると、より良い結果が得られる可能性があります。重要なのは、機能リストだけでなく、チームの能力とタイムラインにツールを合わせることです。

AIが実際のチケットでどのように実行されるかを確認したいですか？シミュレーションモードをお試しください 、コミットする前に過去のデータの精度を測定してください。