カスタマーサポート向けのAIエージェントとは何ですか。チャットボットとどう違うのですか？

AIサポートエージェントは、ヘルプドキュメントから関連コンテンツを取得し（RAG）、それをもとに推論し、スコープ付きツールを通じて実際のアクションを実行し、必要に応じて人にエスカレーションします。従来のチャットボットはキーワードを定型回答に当てはめるだけです。エージェントは実際のドキュメントに基づいて回答し、会話を振り分けるだけでなく、問題をエンドツーエンドで解決できます。

セルフホスト型のAIサポートエージェントが現実的に達成できるデフレクション率はどのくらいですか？

通常、立ち上げ時で40〜60%、6〜12か月以内に60%を超え、トップパフォーマーは80%以上に達します。ただし、クエリの種類に大きく左右されます。返金やパスワードリセットのような単純なインテントは70%超でデフレクトしますが、込み入った問題や感情的な問題が25%を超えることはまれです。まとめたマーケティング上の平均値ではなく、自社の実際のチケット構成で評価してください。

RAGはどのようにしてエージェントの誤回答を防ぐのですか？

RAGはクエリ時にヘルプドキュメントから関連箇所を取得し、回答をそれに根拠づけるため、モデルは記憶に頼るのではなく実際の根拠を引用します。これにより誤回答が著しく減ります。注意点は、グラウンディングを検証する必要があることです。主張を実際には裏付けない自信ありげな引用は、明白な誤りよりもたちが悪いため、引用が成り立つかをテストしてください。

AIサポートエージェントを使うと、顧客のPIIはOpenAIやAnthropicに送信されるのですか？

ホスト型LLMのエージェントの場合は、はい。顧客のクエリはプロバイダーのインフラを通過し、ログに記録または保持される場合があり、プロバイダーは契約が必要なデータ処理者となります。一方で責任は引き続き自社が負います。プライベートモデルへのセルフホスティングやBYOKを用いれば、そのデータを自社が管理するインフラ内にとどめられます。だからこそ規制業界はこれを好むのです。

データがインフラ外に出ないように、AIカスタマーサポートエージェントをセルフホストできますか？

はい。セルフホスト可能なプラットフォームなら、モデル、ナレッジベース、会話ログのすべてが自社の管理するインフラ上で動作するため、顧客データがサードパーティのSaaSスタックを経由することはありません。ローカルまたはプライベートなモデルへのBYOKと組み合わせれば、取得・推論・ログ記録を含むサポートのループ全体が、自社のガバナンス内にとどまります。

エージェントは、いつ人にエスカレーションすべきかをどのように判断するのですか？

エスカレーションのトリガーを設定します。モデルの信頼度の低下、高リスクなアクション、フラストレーションの検知、ユーザーからの明示的な要求などです。ハンドオフには、完全な会話ログ、問い合わせの理由、エージェントが試したこと、未解決の事項を持たせ、人が十分な文脈をもって引き継げるようにします。人へのハンドオフは、サポートエージェントにおいて最も重要なガードレールと広く考えられています。

エージェントが実行できるアクションは、どのように制限すればよいですか？

ツールスコープを使います。エージェントが実行してよいアクションを正確に列挙した許可リストを設定し、理想的にはツールごとに別々のクレデンシャルを用いて、問題の影響を封じ込めます。読み取りアクション（注文ステータス）と書き込みアクション（返金の発行）を分け、決定論的なワークフローを自由度の高い推論とは切り離してモデル化することで、エージェントが許可されていない機微なアクションを実行できないようにします。

← Resources

By Mei Chen — Product Engineer, Workflow Automation · 2026-06-11 · USECASE

カスタマーサポート向けAIエージェント：プライベートで根拠に基づくアプローチ

現代のAIサポートエージェントは、ヘルプドキュメントへのRAG、実際のアクションを実行するスコープ付きツール、そして人へのエスカレーションを組み合わせます。本ガイドでは、現実的なデフレクション率、グラウンディングが重要な理由、セルフホスティングを後押しする顧客PIIのプライバシー問題、そして安全性を保つガードレールを取り上げます。

AIサポートエージェントの実際の仕組み

現代のサポートエージェントは、3つの要素が連携して機能します。ヘルプドキュメントとナレッジベースへのRAG、実際のシステムへのツール／アクション呼び出し（注文の照会、返金の発行、パスワードのリセット）、そして信頼度が低い、またはリスクが高い場合の人へのエスカレーションです。RAGレイヤーはクエリ時に関連コンテンツを取得するため、回答はモデルの記憶ではなく、実際のドキュメントに基づいたものになります。

これが旧来のチャットボットとの違いです。キーワードを定型回答に当てはめるのではなく、根拠を取得し、それをもとに推論し、必要に応じてアクションを実行し、いつ引き継ぐべきかを把握しています。

現実的なデフレクション率

見出しの数字は鵜呑みにしないことです。業界の解決率は初期導入時で40〜60%から始まり、6〜12か月以内に60%を超え、トップパフォーマーは80%以上に達します。ただし、ベンダーが公表する数値はばらつきが大きく、自己申告であることが多い点に注意が必要です。ティア1デフレクションの独立した企業中央値は約40%、上位四分位は59%前後にとどまります。

最大の隠れた変数はクエリの種類です。返金やパスワードリセットといったインテントは70%超でデフレクトしますが、込み入った苦情や感情的な苦情が25%を超えることはまれです。単一の「デフレクション率」というまとめた数字はこの差を覆い隠してしまうため、マーケティング上の平均値ではなく、自社の実際のチケット構成での性能でエージェントを評価してください。

グラウンディング（と検証済みの引用）が重要な理由

取得したドキュメントに回答を根拠づけることこそが、エージェントをハルシネーションから引用へと転換させる要因であり、回答を実際のドキュメントに結び付けると誤回答が著しく減ったとチームは報告しています。しかし、見落としやすい落とし穴があります。引用付きの誤回答は、単なる誤回答よりもたちが悪いのです。引用がユーザーの警戒心を緩めてしまうからです。「引用の形をしたハルシネーション」、つまり実際には主張を裏付けない、自信ありげな参照は現実に存在します。

教訓はこうです。グラウンディングは前提として当てにするのではなく、検証しなければなりません。引用元が実際に回答を裏付けているかをテストし、エージェントが自由連想ではなく、取得した根拠からのみ回答できるアーキテクチャを優先してください。

セルフホスティングを後押しするPII問題

カスタマーサポートは、どの会話にも個人データが含まれうるため、とりわけプライバシーに敏感です。エージェントがホスト型LLMを呼び出すと、そのクエリはプロバイダーのインフラを通過し、ログに記録または保持される場合があります。これは顧客データを処理者と共有することを意味し、各ベンダーとデータ処理契約を結ぶ必要が生じる一方で、責任は引き続き自社が負います。しかもこのリスクは積み重なります。プラットフォームは、そのスタックに含まれるすべてのLLMプロバイダー、クラウドベンダー、連携先のデータ取り扱い慣行を引き継ぐからです。

だからこそ、金融、医療、保険、法務、行政といった規制業界は、会話データを自社が管理するインフラ内にとどめるセルフホスト型またはプライベートなエージェントへと向かっています。関連する管理策については、[GDPR準拠AIガイド](/articles/gdpr-compliant-ai-guide)をご覧ください。

ガードレール：ツールスコープと人へのハンドオフ

最も重要なガードレールは2つあります。まずツールスコープです。エージェントが実行してよいアクションを正確に列挙した許可リストを与え、理想的にはツールごとに別々のクレデンシャルを用いて侵害の影響範囲を封じ込め、さらに決定論的なワークフローを自由度の高い推論とは切り離してモデル化します。注文ステータスを読めるエージェントと、返金を発行できるエージェントとはまったく別物です。それに応じてスコープを設定してください。

人へのハンドオフは、最も重要な安全機構です。エージェントが限界に達したとき、人への引き継ぎには、完全な会話ログ、顧客が問い合わせた理由、エージェントが試したこと、未解決の事項、そして関連する文脈を持たせるべきです。顧客が同じ説明を繰り返さなくて済むようにするためです。ハンドオフの方法は状況に合わせましょう。単純なケースには構造化されたコールドトランスファーを、複雑さや感情、リスクが高まるにつれてブリーフィング付きのウォームトランスファーを用います。

osFoundryでサポートエージェントを構築する

osFoundryでは、サポートエージェントを自社が管理するプリミティブから組み立てます。ヘルプドキュメントを対象としたナレッジベースで根拠づけられたエージェントプロファイル（プロンプト、モデル、ツールスコープ）、実際のシステム（CRM、チケッティング、注文・返金アクション）へのコネクター、明示的なツールスコープの許可リスト、そして信頼度が低い場合の人へのハンドオフです。スタック全体がセルフホスト可能なため、顧客PIIや会話ログはサードパーティのSaaSベンダーを経由せず、自社のインフラ内にとどまります。これにより、プライベートな導入を後押しするデータ処理・保持に関する懸念に直接応えます。BYOKにより、モデル（ローカルやプライベートなものを含む）を自ら選び、グラウンディング、引用、監査ログを自社のガバナンス下に保てます。これはベストプラクティスの文献が推奨する、グラウンディングされたRAG、スコープ付きツール、人へのエスカレーションというパターンそのものです。後付けではなく、設計段階からプライベートなのです。

Frequently asked questions

カスタマーサポート向けのAIエージェントとは何ですか。チャットボットとどう違うのですか？: AIサポートエージェントは、ヘルプドキュメントから関連コンテンツを取得し（RAG）、それをもとに推論し、スコープ付きツールを通じて実際のアクションを実行し、必要に応じて人にエスカレーションします。従来のチャットボットはキーワードを定型回答に当てはめるだけです。エージェントは実際のドキュメントに基づいて回答し、会話を振り分けるだけでなく、問題をエンドツーエンドで解決できます。
セルフホスト型のAIサポートエージェントが現実的に達成できるデフレクション率はどのくらいですか？: 通常、立ち上げ時で40〜60%、6〜12か月以内に60%を超え、トップパフォーマーは80%以上に達します。ただし、クエリの種類に大きく左右されます。返金やパスワードリセットのような単純なインテントは70%超でデフレクトしますが、込み入った問題や感情的な問題が25%を超えることはまれです。まとめたマーケティング上の平均値ではなく、自社の実際のチケット構成で評価してください。
RAGはどのようにしてエージェントの誤回答を防ぐのですか？: RAGはクエリ時にヘルプドキュメントから関連箇所を取得し、回答をそれに根拠づけるため、モデルは記憶に頼るのではなく実際の根拠を引用します。これにより誤回答が著しく減ります。注意点は、グラウンディングを検証する必要があることです。主張を実際には裏付けない自信ありげな引用は、明白な誤りよりもたちが悪いため、引用が成り立つかをテストしてください。
AIサポートエージェントを使うと、顧客のPIIはOpenAIやAnthropicに送信されるのですか？: ホスト型LLMのエージェントの場合は、はい。顧客のクエリはプロバイダーのインフラを通過し、ログに記録または保持される場合があり、プロバイダーは契約が必要なデータ処理者となります。一方で責任は引き続き自社が負います。プライベートモデルへのセルフホスティングやBYOKを用いれば、そのデータを自社が管理するインフラ内にとどめられます。だからこそ規制業界はこれを好むのです。
データがインフラ外に出ないように、AIカスタマーサポートエージェントをセルフホストできますか？: はい。セルフホスト可能なプラットフォームなら、モデル、ナレッジベース、会話ログのすべてが自社の管理するインフラ上で動作するため、顧客データがサードパーティのSaaSスタックを経由することはありません。ローカルまたはプライベートなモデルへのBYOKと組み合わせれば、取得・推論・ログ記録を含むサポートのループ全体が、自社のガバナンス内にとどまります。
エージェントは、いつ人にエスカレーションすべきかをどのように判断するのですか？: エスカレーションのトリガーを設定します。モデルの信頼度の低下、高リスクなアクション、フラストレーションの検知、ユーザーからの明示的な要求などです。ハンドオフには、完全な会話ログ、問い合わせの理由、エージェントが試したこと、未解決の事項を持たせ、人が十分な文脈をもって引き継げるようにします。人へのハンドオフは、サポートエージェントにおいて最も重要なガードレールと広く考えられています。
エージェントが実行できるアクションは、どのように制限すればよいですか？: ツールスコープを使います。エージェントが実行してよいアクションを正確に列挙した許可リストを設定し、理想的にはツールごとに別々のクレデンシャルを用いて、問題の影響を封じ込めます。読み取りアクション（注文ステータス）と書き込みアクション（返金の発行）を分け、決定論的なワークフローを自由度の高い推論とは切り離してモデル化することで、エージェントが許可されていない機微なアクションを実行できないようにします。