← エピソード一覧に戻る Episode 253 Chapter 1
Chapter 2
Chapter 3
Chapter 4
Chapter 5
0:00 / 0:00
スクリプト
Chapter 1 オープニング
タカシ
今日は SaaS サポートの AIエージェント活用です。Salesforce の help site では Agentforce が問い合わせの 76パーセントを人手なしで解決し、1.7百万件超の会話を処理しました。もう AI は実験ではなく、サポートの入口そのものを変え始めています。
ミカ
76パーセントはかなり大きいですね。でも、ここで気になるのは、ただ人を減らした話なのか、それとも顧客が速く正しく助かる仕組みができたのか、という違いです。AI を入れただけで満足すると危なそうです。
タカシ
まさにそこが論点です。AIエージェント活用は、問い合わせを自動で返す小技ではありません。定型質問は AI が即時に受け、複雑案件は人が深く見る。その分業を、ナレッジ、例外条件、引き継ぎまで含めて設計する経営テーマなんです。
ミカ
今日は、その分業をどう作るのかを知りたいです。AI がどこまで答えるのか、人へどう渡すのか、そして経営者は何を数字で追えばいいのか。このあたりを事例つきで整理したいですね。
Chapter 2 AIエージェントは何を変えるか
タカシ
まず AIエージェントは、既存の help center や接続済みナレッジを使って顧客へ即答し、必要なら人へ引き継ぐ仕組みです。Zendesk も source links と feedback を添え、解決しなければ human escalation できる前提で設計しています。ここが従来ボットとの違いです。
ミカ
なるほど。勝手に全部閉じるのではなく、まず答えて、うまくいかなければ人へ渡すんですね。だとすると、導入で一番大事なのは AI の賢さだけじゃなくて、どんな知識を読ませて、どこで諦めて人に戻すかの線引きになりそうです。
タカシ
その通りです。だから見るべき数字も、単純な deflection だけでは足りません。`involvement rate`、`resolution rate`、`human handoff率`、`再オープン率`、`CSAT` を一緒に見て初めて、速いだけで雑なのか、ちゃんと助けているのかが分かります。
ミカ
AI が何件触ったかだけ見て、導入成功と言ってしまうのは危ないわけですね。たくさん触っても、誤回答で再オープンが増えたり、怒った顧客が増えたりしたら逆効果ですもんね。経営者は見た目の削減効果に飛びつきやすいので要注意ですね。
Chapter 3 成果が出た会社の共通点
タカシ
Anthropic の事例は象徴的です。Intercom の Fin を入れて、わずか1カ月強で involvement rate 96パーセント、resolution rate 50.8パーセント、しかも初月だけで 1700時間超を削減しました。AI が入口を受けるだけで、現場の時間配分が一気に変わるんです。
ミカ
でも Anthropic って、もともと AI に強い会社ですよね。普通の SaaS には再現しづらいのでは、とも思います。その辺りはどう見ればいいですか。結局は特殊な会社だけの話ではないんでしょうか。
タカシ
面白いのはそこではなく、改善のやり方です。Anthropic は snippets と記事を整理する社内ハッカソンを開き、それだけで resolution rate を1週間で 5.5ポイント上げました。つまり勝負はモデルの魔力より、ナレッジを毎週磨く運営力なんですね。
ミカ
AI を買って終わりではなく、ヘルプ記事や定型回答を磨くチームが必要なんですね。人が不要になるというより、改善の仕事がむしろ増える感じがします。そこで初めて AI がちゃんと強くなる、と。
Chapter 4 人への接続設計が差を生む
タカシ
Breathe の事例も分かりやすいです。Fin の resolution rate は 56パーセントから9カ月で 82パーセント、その後は最大 88パーセントまで伸びました。しかも月 7000件規模の会話で 62パーセントに関与しつつ、CSAT は 85から90を維持しています。
ミカ
ここで気になるのは、CSAT を落としていないことですね。解決率を追うほど雑になりそうなのに、むしろ満足度を保てている。何が効いているんでしょう。やっぱり人への渡し方ですか。
タカシ
その通りです。Breathe は、キャンセルや価格のようなセンシティブな話題は即座に人へ回す guidance を明示していました。Serko も、40言語超の環境で AI に要約、翻訳、回答下書きをさせつつ、添付やリスク兆候のある例外は human safeguards で戻しています。
ミカ
なるほど。全部を AI に任せる会社が強いのではなく、任せる範囲と任せない範囲をはっきり持つ会社が強いわけですね。しかも Serko は handling time を 38パーセント、full resolution time を 67パーセント下げたので、人の仕事もちゃんと速くなっているんですね。
Chapter 5 失敗しない導入順序
タカシ
失敗パターンもはっきりしています。ナレッジが古いまま入れる、解決率だけ追う、人への handoff 条件が曖昧、顧客向け AI だけ入れて agent assist を放置する、そして unanswered questions を週次で見ない。この五つは典型です。
ミカ
明日から始めるなら、直近90日の問い合わせを見て、毎週20件以上出る定型テーマから AI 対象を決めるのが良さそうです。そのうえで、返金、障害、VIP、感情悪化は人へ渡す。まずはその地図を作るのが先ですね。
タカシ
ええ。そして help center を顧客語彙で磨き、`involvement rate`、`resolution rate`、`human handoff率`、`再オープン率`、`CSAT` を一枚で追う。AI agent と agent assist を別物でなく、一つのサポート運営として最適化するのが経営者の仕事です。
ミカ
AI に任せるほど、人の設計が問われるんですね。速く返すだけでも、人を減らすだけでもなく、複雑案件に人の判断を集中させるための再配分だと分かりました。まずは任せる範囲と戻す条件を決めるところから始めたいです。それではまた次回。