AIカスタマーサポートの理想と現実——自動化の先にある人の価値
問い合わせの8割をAIが処理する。解決時間は2分。オペレーター700人分の業務を肩代わり——。スウェーデンのフィンテック企業Klarnaが2024年に発表した数字は、CS業界に衝撃を与えました。だが、その後に起きたことを知る人は少ない。Klarnaは人間のオペレーターを再雇用し、ハイブリッド体制へ移行したのです（出典: CX Dive, 2025）。
この転換は、AI×カスタマーサポートの本質を象徴しています。自動化の目的は「人を減らすこと」ではなかった。人間にしかできない対応の価値を最大化すること——これが成果を出す企業が到達した結論です。
Klarnaの教訓——AI全振りから「ハイブリッド」への回帰
Klarnaの事例を時系列で追うと、CSのAI導入で最も重要なことが見えてきます。
2024年初頭、KlarnaはOpenAIのAIアシスタントを導入。月間130万件のチャットの3分の2をAIが処理し、平均解決時間を2分に短縮しました。再問い合わせ率は25%減少。800人のフルタイムオペレーター分に相当する業務量です（出典: Klarna, 2024）。
数字だけ見れば大成功。だが、裏側で問題が起きていました。AIが対応できない複雑な問い合わせ——感情的なクレーム、イレギュラーな返品、規約の解釈が分かれるケース——で顧客満足度が低下したのです。AIの処理速度は上がったが、顧客体験の質にばらつきが生じた。
Klarnaの対応は興味深い。AIを後退させるのではなく、人間を再雇用してAIと並走させる体制に進化しました。AIがレベル1の対応を即座に処理し、複雑な問題はシームレスに人間へ引き継ぐ。24時間のライブチャットとコールバック機能も追加されました（出典: PromptLayer, 2025）。
ここに重要な構造があります。AI導入の最適解は「全自動化」でも「部分的な効率化」でもなく、AIと人間の役割を明確に再定義することです。
数字で見るAI×CSの現在地——理想と現実のギャップ
Intercomの2026年調査が、業界の現状を浮き彫りにしています。
82%の企業がCSにAI投資を実施し、87%が2026年も追加投資を計画しています。だが、AIが完全に統合され、本格稼働している「成熟段階」の企業はわずか10%（出典: Intercom, 2026 Customer Service Transformation Report）。
この数字が意味するのは何か。大多数の企業がAIの初期的な価値は引き出しているが、その能力のごく一部しか活用できていないということです。成熟段階に到達した企業の87%は導入後にメトリクスが改善したと報告しており、AIの潜在力は証明されている。問題は「AIの性能」ではなく「導入の深さ」にあります。
図1: 投資は進んでいるが、成熟段階に到達した企業は10%にとどまる
70/30の法則——AIと人間の最適な役割分担
成果を出している企業には共通するフレームワークがあります。70/30の法則です。AIがルーティン対応の70%を処理し、人間が複雑な判断を要する30%に集中する（出典: eesel AI, 2026）。
この比率は偶然ではありません。構造的な理由があります。
CSの問い合わせを分類すると、約70%は定型的な対応で解決できます。配送状況の確認、パスワードリセット、返品手続きの案内——これらはルールが明確で、AIが人間より速く、正確に処理できる領域です。残りの30%は、文脈の理解、感情への配慮、例外的な判断が必要なケース。ここにAIが介入すると、むしろ事態を悪化させることがあります。
Klarnaの失敗と修正は、この境界線を見誤った結果でした。問い合わせの量的には8割をAIが処理できた。だが、質的に重要な2-3割のケースで人間が不在だったために、顧客体験全体の評価が下がったのです。
ここに深い示唆があります。CS自動化のROIは「AIが処理した量」ではなく「人間が集中できるようになった質」で測るべきです。AIが定型業務を引き受けることで、人間のオペレーターは1件あたりにかけられる時間と注意力が増える。その結果、複雑なケースの解決品質が上がり、顧客ロイヤルティが向上する。これが本来のAI×CSの価値構造です。
国内事例——東京ガスとJTBに見る成功パターン
海外事例だけでは自社に重ねにくい。国内の成功事例も見ておきます。
東京ガスはAI音声認識システムを導入し、年間11,000時間の業務時間を削減しました。新人研修の負担軽減と対応品質の安定化も実現しています（出典: BOXIL, 2026）。ポイントは、オペレーターを削減したのではなく、オペレーターの業務負荷を下げて対応の質を上げた点です。
JTBとカラクリの協業も注目に値します。旅行業界特有の複雑な問い合わせ——変更・キャンセル・特殊なリクエスト——にAIエージェントで対応し、GENIAC-PRIZEの社会課題領域でユーザー変革賞を受賞しました（出典: JTBグループ, 2026年3月）。旅行という感情的な要素が大きい領域で成果を出した点が重要です。
両社に共通するのは、AIを「コスト削減ツール」としてではなく、「サービス品質向上の手段」として位置づけたことです。削減した工数を、人間の判断が必要な対応に再配分している。
AIエスカレーションの設計——成否を分ける境界線
AI×CSで最も技術的に重要なのが、AIから人間への引き継ぎ（エスカレーション）の設計です。
2026年のベストプラクティスでは、AIの確信度（コンフィデンス）に基づくエスカレーションが主流になっています。一般的なCSでは確信度60-70%未満でエスカレーション、コンプライアンスが絡む領域では80-85%未満で人間に引き継ぎます（出典: Dialzara, 2026）。
だが、確信度だけでは不十分です。感情分析（センチメント分析）による検知も組み合わせる必要があります。顧客のフラストレーションを検知したら、確信度に関係なく人間へ引き継ぐ。この仕組みにより、スマートなエスカレーションを実装した企業は顧客満足度が15-20%向上しています（出典: SignalFire, 2026）。
もう一つ重要なのが、コンテキストの引き継ぎです。AIから人間にバトンタッチする際、会話履歴・顧客情報・AIが試みた解決策——すべてが引き継がれなければ、顧客は同じ説明を繰り返すことになります。80%の顧客は「人間に話せるオプションがある」と知っていればAIチャットボットを積極的に使うという調査結果があります（出典: Social Intents, 2026）。安心感が利用率を上げるのです。
Lat91の実体験——CS自動化は内側から始まった
Lat91では、まず社内のCS——つまり社内メンバーからCEOへの問い合わせ対応——をAIで自動化しました。10体のAIエージェントのうち、Chief of Staff（統括エージェント）がまさにこの役割を担っています。
最も効果があったのは、定型的な情報照会の自動化です。「今週のスケジュールは？」「あのクライアントの最新ステータスは？」——こうした問い合わせが自動応答になったことで、意思決定に集中できる時間が明確に増えました。
一方で、予想外の課題もありました。AIの回答が「正しいが不十分」なケースです。データ上は正確な回答をしているのに、背景事情を知らないため判断の文脈が欠けている。結果として、追加確認が発生する。この経験から、AIに「何を答えさせるか」以上に「何を答えさせないか」の設計が重要だと学びました。
外部のクライアント向けCSであれば、この問題はさらに大きくなります。顧客が求めているのは「正確な回答」だけでなく「自分の状況を理解してもらうこと」だからです。
反論に向き合う——AI×CSの「不都合な真実」
「AIを入れたらCSATが下がった」——このフィードバックは珍しくありません。実際にAI導入後にCSATスコアが低下し、エスカレーション率が増加するケースが報告されています（出典: eesel AI, 2026）。だが、これはAIの限界ではなく、導入設計の問題です。適切なエスカレーション設計なしにAIを投入すれば、顧客体験は確実に悪化します。
「カスタマーサポートの仕事はなくなるのか」——率直に言えば、定型対応だけを行うオペレーターの需要は減ります。だが、複雑な問題解決、感情的なケア、クロスセル・アップセルの判断ができるオペレーターの価値は、むしろ上がる。AIが定型業務を担うことで、人間のスキルの希少性が可視化されるからです。
「うちの規模でAI導入する意味はあるのか」——月額数万円のAIチャットボットサービスは、チャットボットの投資対効果として月300ドルのコストに対し月640ドルの人件費削減、ROI 113%が達成可能という試算があります（出典: Chat Whisperer, 2026）。規模が小さいほど、1人あたりの問い合わせ負荷が高い場合が多く、効果を実感しやすい面もあります。
2029年のCS——AIネイティブなサポートチームの姿
今後3年で、CSの構造は根本から変わります。
2026年時点でAIが初期対応の85%を処理するようになっています。2024年の15%から急増しました（出典: Gleap, 2026）。この傾向が続けば、2029年には定型的な問い合わせのほぼ全てがAIで完結する世界が来ます。
そのとき人間のCSチームに求められるのは、「問い合わせに答える力」ではなく「顧客との関係を深める力」です。AIが処理できない残り10-15%は、最も難度が高く、最も顧客ロイヤルティに影響するケース。ここでの対応品質が、企業の競争優位を決めます。
図2: AI自動化が進むほど、人間の役割は「量」から「質」へシフトする
明日から始められる3つのステップ
- 問い合わせを分類する——過去3ヶ月の問い合わせを「定型」「やや複雑」「複雑」の3段階で分類する。定型が何%を占めるかがわかれば、AI導入の期待効果が見積もれます。
- スモールスタートで試す——RAG型チャットボット（社内FAQをベースに回答生成するAI）を1つのチャネルに導入する。Intercom、Helpfeel、Zendesk AIなどが選択肢です。全チャネルではなく、1つのチャネルで効果を検証してから拡大する。
- エスカレーション設計を先に決める——AIの導入設計より先に「どの条件で人間に引き継ぐか」を決める。確信度の閾値、感情検知、特定キーワード（「責任者に代わって」等）によるトリガーを設定しておく。この設計がCS品質の生命線です。
まとめ
- Klarnaの事例が証明したのは、AI全振りではなく「AIと人間のハイブリッド」が最適解であること
- 業界全体で82%がAI投資を行うが、成熟段階は10%——導入の深さに大きな差がある
- 70/30の法則: AIがルーティン70%を処理し、人間が残り30%の高価値対応に集中する
- エスカレーション設計（確信度閾値+感情分析+コンテキスト引き継ぎ）が成否を分ける
- CS自動化の本質は、コスト削減ではなく人間の対応品質の最大化にある
Lat91では、AIエージェントによるカスタマーサポート業務の設計・構築を支援しています。「どこまでAIに任せるべきか」「エスカレーションの設計はどうすべきか」——現場の課題に即した提案が可能です。まずはお気軽にご相談ください。
Share