ソリューション
AIエージェント実現への3ステップで迎える
「コンタクトセンター4.0」の幕開け(後編)
NeoContact 代表取締役 出水 啓一朗
コンタクトセンターの顧客体験(CX)を左右する「2つのFCR」。一次対応解決率と最終解決率を高めるには、AIと人の役割をどう設計すべきか。そのカギとなるのが、企業内に散在するナレッジを、AIと人が判断に使える業務知識へと再設計する「業務知識OS」だ。AIによる迅速な問題解決と、人による価値ある最終解決を両立するための道筋を、3つのフェーズから考察する。
前編では、コンタクトセンターのCXを左右する「2つのFCR」、一次対応解決率(First Contact Resolution)と最終解決率(Final Complete Resolution)について解説した。一次対応解決率は、顧客が何を解決したいのかを正しく把握し、できるだけ早く適切な解決へ導くことが重要になる。一方、最終解決率は、標準的な回答だけでは解決できない顧客の事情を理解し、最後まで解決に伴走する力が求められる。
この2つのFCRを高めるには、どこから始めればよいのか。まずはAIを活用した問題解決の高度化について、3つのフェーズで考えてみたい(図1)。そのうえで、AI時代に人が担うべき役割を検証する。

まず取り組みたいのは、顧客の用件を正しく把握することだ。例えば、カード会社に顧客から「カードが使えない」と問い合わせがあったとする。利用限度額の超過なのか、カード自体の不具合なのか、セキュリティ上の制限なのか。原因によって解決方法はまったく異なる。
これまでは、IVRで企業側があらかじめ用意したメニューから、顧客に用件を選んでもらう方法が一般的だった。しかし、この方法は用件があいまいな場合や複数の要因が考えられる場合、正しい選択が難しくなる。
ここで有効なのが、AIを活用した音声認識IVRやチャットボットによる用件の把握だ。顧客の発話内容をAIが解釈し、必要に応じて質問を重ねることで、「何を解決したいのか」を絞り込み適切なチャネルに誘導することができる(図2)。

このAI活用と同時に必要なのが、前編でも触れたナレッジ整備だ。ただし、多くの企業は、FAQや回答スクリプト、補助マニュアル、業務ルールなど、回答に必要な情報はすでに保持している。しかし、それらは社内の組織や業務の都合で整理されていて、顧客の「困った」の解決には必ずしもつながっていないケースが多い。そこで、重要となるのが、コンタクトリーズンを起点に既存のFAQやマニュアル、回答の根拠となる情報を結び直す、「顧客起点のナレッジ再設計」だ。
AI活用については、「簡単な用件はAI、複雑な用件は人」という説明をよく耳にする。しかし、実際の業務はそれほど単純ではない。
例えば、住所変更は一見すると簡単な手続きだが、顧客の状況や契約条件によって必要な確認事項や対応手順は異なる。つまり、「簡単な用件」であっても、標準的なケースから外れれば、「判断を要する複雑な用件」になる。ここにAIによる自動化の難しさがある。
実際、標準的なシナリオを用意してPoC(概念実証)を始めても、検証を進めるうちに条件や例外が次々に出てくる。それらをすべて個別シナリオとして追加し続ければ、業務フローは複雑化し、構築・運用の負荷も増してしまう。
では、どうすればこの課題は解決できるのか。
例えば、「保険証券をなくしたので再発行してほしい」という問い合わせは、単純そうに見える。しかし実際には、誰からの申し出なのか、どの契約が対象なのか、どの手続き方法が利用できるのかなどを確認しなければならない。
単純に見える手続きにも、「顧客」「契約」「手続き」「本人確認」といった複数の業務知識の関係が存在する。この関係性が重要なのだ。企業内に散在するFAQやスクリプト、顧客・契約情報、業務マニュアル、過去の対応履歴などを、オントロジーという「意味の関係性」に沿って紐づけ、その「つながり」をデータとして保持し、検索できる技術がGraphDB(グラフデータベース)だ。これらの情報をAIと人が共通の業務知識として参照し、判断に利用できる仕組みを、ここでは「業務知識OS」と呼ぶ(図3)。

北米では、GraphDBと生成AIを組み合わせ、顧客対応や業務判断に活用する取り組みが始まっている。重要なのは、既存のFAQやマニュアル、業務ルールに含まれる判断条件や例外を洗い出し、それぞれの関係を整理することだ。
この業務知識OSを育てるのは人とAIの共同作業になる。企業内の業務の流れ、ルール、制限事項はLLMが自動的に正しく定義できるものではなく、人が業務上の意味や関係を定める必要がある。そのうえで、膨大な企業内データから、そのつながりを抽出し、整理する作業をAIが支援する。これにより、AIが単に関連情報を探すだけでなく、顧客の状況に応じて必要な確認事項や対応手順を導き出せるようになる。
もちろん、最初からすべての業務判断を業務知識OSに載せる必要はない。まずは顧客接点で重要なコンタクトリーズンから、条件や例外を少しずつ整理していくことをお勧めする。
フェーズ1で整えた顧客起点のナレッジを、業務判断にも活用できる形へと発展させる。こうして人とAIが共通して利用できる業務知識を蓄積することが、次の段階に向けた土台となる。
フェーズ1、2を整えた先にあるのが、「AIエージェント」の活用だ。その実現において重要になるのが、業務知識OSをいかに育てていくかという視点である。
AIエージェントは、顧客が「何を解決したいのか」を理解し、必要な業務知識や顧客情報を参照して「どう解決するか」を判断する。さらに外部システムとも連携しながら、解決に必要な処理を実行する。
このプロセスは、大きく3つに整理できる。
「What:何を解決したいのかを理解する」
「How:どう解決するのかを判断する」
「Do:解決に必要な行動を実行する」
この3つがつながることで、AIエージェントは「回答するAI」から、「解決を進めるAI」へ役割を広げていく。
ただし、フェーズ2の判断支援からフェーズ3の業務実行へ移行するには、越えるべき課題がある。業務知識の構造化だけでなく、顧客データや業務システムとの連携、安全に業務を実行させる仕組みなども必要になる。
企業はAIエージェントの完成品を今すぐ求めるのではなく、足元の業務知識や関連情報を整えていく先にある将来像として考えたほうがよいだろう。
業務知識OSが整い、AIエージェントの活用が進めば、これまで人が対応してきた多くのコンタクトリーズンをAIで解決できる可能性は高まる。しかし、それは「人が不要になる」ことを意味しない。
人には、標準的な回答だけでは解決できない顧客や、自分自身でも何に困っているのか整理できていない顧客に向き合い、解決まで支援することが求められる。この時も「業務知識OS」は人の暗黙知を補完しより正しい回答を支援する。最後に重要になるのが、もう1つのFCRである「最終解決率」だ。
顧客が企業や製品・サービスから得る価値は、機能や価格だけではない。最後まで解決に付き合ってもらえたという経験は、その企業やブランドへの信頼や愛着をつくる大切な価値となる。
つまり、AIによって一次対応解決率を高めることは、「顧客の時間を大切にする」と同時に、「企業の生産性を高めること」と言える。一方、人による価値ある最終解決は、顧客との関係価値を高めることに寄与する。
「コンタクトセンター4.0」が目指すのは、人をAIに置き換えることではない。AIによる迅速な解決と、人による価値ある最終解決。この2つを組み合わせ、顧客一人ひとりの状況に応じた最適な対応を実現することが、コンタクトセンターを単なる問い合わせ処理の場から、CXとLTV(顧客生涯価値)を生み出す重要な顧客接点へ進化させるカギとなる。