AIの支援で解決件数は14%増、経験の浅い人は34%増

研究でわかったこと

この研究は、全米経済研究所（NBER）のワーキングペーパーとして発表されました。対象は、あるソフトウェア企業で顧客サポートを担当する5,179人です。会話を支援する生成AIのアシスタントが時期をずらして導入されたため、使える人と使えない人の働きぶりを比べることができました。

アシスタントは顧客とのチャットを読み、返答の候補や関連する社内資料をその場で示します。使うかどうかを決めるのは担当者で、会話の責任も担当者にあります。

この研究では、1時間あたりに解決できた件数が平均で14%増えました。経験の浅い人やスキルの低い人では、34%の増加です。一方で、経験を積んだ人やスキルの高い人への効果は小さいものでした。

顧客から届くメッセージの調子も良くなり、担当者の離職も減りました。研究者は、優れた担当者のやり方がAIを通じて広がり、新しい人が早く仕事に慣れる助けになったと見ています。

AIの提案に沿って対応した人ほど、成果の伸びも大きくなりました。システムの不具合でAIが提案を出せなかった時間帯でも、担当者の成績は導入前より高いままでした。AIを使ううちに、担当者自身が学んでいた可能性があります。

小さなチーム・個人事業の場合

小さな会社では、新しく入った人が商品や決まりごとを覚えるまでに時間がかかります。その間、問い合わせ対応は経験のある人に集まりがちです。代表者が自分で返信を書き続けている会社もあるでしょう。

この研究で効果が大きかったのは、経験の浅い人でした。会社の資料や過去の回答をもとに返答の候補が出れば、新しい人も働きながら覚えられます。同僚に聞いて回る回数も減らしやすくなります。

ネットショップでも同じことが言えます。配送や在庫、返品についての問い合わせは、セールや繁忙期に集中しがちです。手伝いに入った人が経験者に近い答え方をすぐにできれば、忙しい時期の負担を分けやすくなります。

個人事業やフリーランスでも、考え方は同じです。見積もりの依頼、納期の確認、よくある質問への返信は、ひとりで抱えると一日の多くを占めます。返信の下書きをAIエージェントに任せ、自分は確かめてから送る形にすれば、判断が必要な仕事に時間を回しやすくなります。

顧客の反応が良くなったという結果も、小さな会社には大切です。お客様一人ひとりの体験が、次の注文や紹介につながりやすいからです。

中規模以上の会社の場合

人数の多いサポート部門では、新しい人の入社や異動が絶えません。経験の浅い人が早く一定の水準に届けば、部門全体の対応がそろいやすくなります。

この研究では、離職が減った主な理由は、新しい担当者が辞めにくくなったことでした。採用と教育をくり返す負担を考えると、見過ごせない結果です。

顧客が責任者との交代を求める場面も少なくなりました。現場のリーダーが引き継ぎに追われる時間が減れば、そのぶんを教育や改善に回せます。

教育の進め方も変わります。長い座学を終えてから現場に出るのではなく、AIの支援を受けながら実際の問い合わせで学び、難しい案件はリーダーが確かめる形を取りやすくなります。

一方で、経験豊富な人への効果は小さく、最も熟練した担当者では会話の質が下がる可能性も示されました。全員に同じ道具を配るだけでなく、誰にどんな支援が要るのかを分けて考える必要があります。

また、このAIは学習データが足りない場面では候補を出さず、担当者が自分で答える作りでした。AIに任せる範囲と人が引き受ける範囲を、最初に決めておくことが大切です。

私たちの使い方

まず、会社の知識を整えます。ヘルプ記事、社内ルール、過去の回答、商品データを集め、Agentic RAGとナレッジグラフで答えの根拠にします。AIエージェントは、その資料をもとに答えます。

人が判断する場面を決めます。苦情や返金、判断に迷う問い合わせは、経緯をまとめたうえで担当者に回します。重要な返信は、承認ゲート（重要な操作は必ず人が承認）を通してから送ります。

新しい人の相談相手にもなります。同じ知識を社内向けにも使えば、新しく入った人がまず確かめられる窓口になります。担当者が直した回答は共有の知識に加わり、次の対応に生かされます。

顧客の情報を守ります。問い合わせの内容は、非公開環境（データは学習に使いません）で扱います。運用中は、AIエージェントのPolaris（サポート・監視）が対応の様子を見守ります。

小さく始めて、数字で確かめます。最初は一つの窓口と、よくある問い合わせから始めます。効果ダッシュボード（削減できた時間・1件あたりのコスト・正確さを毎週確認）で、変化を一緒に確かめます。導入後20日間返金保証（条件あり）もご用意しています。