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」——EC事業者やその周辺のCS部門から、こうした相談を受けることが増えています。生成AIへの期待は高い一方で、実際の効果が出ていないケースが少なくありません。

問題はツールの性能ではなく、多くの場合、設計の問題です。この記事では、生成AIによるカスタマーサポート自動化が「うまくいくケース」と「うまくいかないケース」の違いを整理し、進め方と費用の目安を解説します。業務自動化全般の委託先選びについては業務自動化のAI開発を委託する前にで扱っているため、本記事はカスタマーサポート領域に絞って掘り下げます。

「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——それぞれ有効な使い道ですが、「とりあえずAPIを繋いだ」だけでは期待した効果が出ません。理由は大きく3つです。

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は一般的な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も担当者ごとに書き方が違う状態では、そもそもAIに食わせる材料が揃っていないということです。

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、その分岐が整理されていなければ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。まず人が迷わず答えられる状態に情報を整えることが、自動化の前提になります。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——これらを計測する仕組みがないまま運用しているケースが少なくありません。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つの問題は、進め方を切り分けることで対処しやすくなります。カスタマーサポート自動化は、大きく4つのフェーズに分かれます。まず、現状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現状把握フェーズ。次に、絞り込んだ一部の問い合わせ種別だけを対象に、実際にAIが答えられるかを確かめるPoC（概念実証。小規模に試して効果を検証する工程）フェーズ。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サイトとの連携を含む実装フェーズへ進み、規模は対象範囲によって変わります（対象範囲・データ量による）。稼働後は、問い合わせ内容の変化に追随し続ける運用・保守フェーズが続き、月額制で継続的に精度を維持します。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判断できる形にしておくと、途中で止める選択が現実的に取れます。

• 全問い合わせの自動化を最初から狙う — 定型質問だけでなくクレームや複雑な注文変更まで自動化対象に含めてしまい、AIが答えられない問い合わせが増えて現場の負担がかえって増えるケースです。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ることで防げます
• 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してしまう事態が起きます
• 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ておかないと、効果が出ているかどうかの判断ができず、改善のサイクルも回せません

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が、市場の一般的な目安として次のような水準がよく見られます。

投資判断の前に、まず現状の対応時間を可視化してください。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、自動化で本当に減る割合が見えます。

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。順番としては、FAQの整備で減らせる分を先に減らし、それでも残る問い合わせに対して自動応答を検討するのが、最も費用対効果が高くなります。

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・費用で別途整理しています。

「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で整理しています。判断の目安は、回答を返すだけで完結するか（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。