カスタマーサポートのAI導入は、なぜ現場で失敗するのか。5つの原因と回避の順序

この記事の要点

• AI導入の失敗要因は技術ではない。壊れたプロセスの自動化、ナレッジの未整備、対象範囲の誤り、指標の据え置き、そして現場の納得形成の欠落である。
• 問い合わせ件数を55%削減した海外事例では、効果の内訳は技術が約4割、プロセス再設計が約6割だった。手順が入り組んだままAIを載せると、混乱が高速化する。
• 現場の抵抗は感情の問題ではなく、制度の問題である。処理件数で評価されている担当者に新しい行動を求めても、評価に不利であれば元に戻る。
• 回避には順序がある。プロセス修正、ナレッジ整備、対象範囲の確定、指標の変更、そして納得形成。この順序を入れ替えると、後の工程が機能しない。

失敗は、技術の問題として現れない

カスタマーサポートへのAI導入がうまくいかない場合、多くは「ツールの精度が低かった」という結論に落ち着きます。しかし実際に起きていることは違います。

Qualtricsの2026年のレポートでは、AIカスタマーサービスを利用した消費者の約5人に1人が「まったく効果がなかった」と回答しています（Qualtrics：米調査会社。企業向けの顧客体験調査で知られる）。これは他のAI活用タスクの4倍の失敗率です。同じAIが他の用途では機能しているのに、カスタマーサービスでは機能していない。技術の性能ではなく、使い方の問題であることを示しています。

この構造は、Klarnaが直面した問題にも当てはまります。技術としては成功しても、運用設計が伴わなければ品質は崩れます。

→ 詳細は「KlarnaはAIでCS部門を「削った」。本当は何をすべきだったか。」へ

失敗要因は5つに整理できます。まず、それぞれが企業側と顧客側のどちらに負担をかけるのかを一覧にします。

以下、順に見ていきます。

原因1：問い合わせの原因を直さず、返信だけを自動化する

最も根本的な失敗です。

問い合わせの多くは「症状」であり、原因は別の場所にあります。たとえば、注文完了画面に配送予定日が出ていない。これが原因で、顧客は不安になって確認の電話をかけてきます。原因はUIの不備であって、電話対応が遅いことではありません。

AIチャットボットは、この「症状」への返信を速くします。しかし原因そのものは直りません。次の注文でも、同じ問い合わせがまた来ます。

企業側のデメリット：対応件数が減らないまま、AIの運用コストだけが積み上がります。

顧客側のデメリット：同じ不便を毎回感じ続け、「結局、何も変わっていない」という不信感が募ります。

17年以上にわたり複数国でCX組織を率いてきたAbhay Pratap Singh氏は、日本市場への提言の第一にこう挙げています。

「AIを入れる前に、顧客がつまずいている場所を洗い出して直してください。手順が入り組んだままAIを載せると、混乱が速くなるだけです」

同氏がインドのフィンテック企業Freecharge Paymentで問い合わせ件数を55%削減した際、効果の内訳は技術が約4割、原因側の作り直しが約6割でした。ツール導入よりも、原因を直す作業の方が効果が大きかったということです。

→ 詳細は「AI導入で問い合わせが55%減った会社は、何をしていたのか」（Abhay Pratap Singh氏インタビュー）へ

具体的にどういうことか。問い合わせを発生原因で分類すると、次のような構造が見えます。

• 注文完了画面に配送予定日が出ていないため、確認の電話が来ている
• 同梱物に使い方が書かれていないため、使用方法の質問が来ている
• 返金処理に2週間かかるため、催促の連絡が来ている
• パッケージが開けにくいため、苦情が来ている

これらは自動化の対象ではありません。他部門に修正を依頼する対象です。ここをAIで自動応答にしてしまうと、原因はそのまま残ります。

さらに、AIによって問い合わせのハードルが下がると、これまで面倒で諦めていた顧客層が声を上げ始め、件数がむしろ増えることもあります。

回避策：問い合わせのタグ付けに「発生源」を含めます。カテゴリごとに、UI・説明・業務プロセス・商品自体のどこに原因があるかを特定し、修正の依頼先を一覧化します。この作業を自動化の設計より先に行います。

原因2：ナレッジが未整備のまま、AIを載せる

海外の調査では、成果が出なかったAIカスタマーサービス案件の多くが、技術の問題ではなくデータ準備の問題に起因していたと指摘されています。

AIが参照するナレッジベースが古かったり、不完全だったりすると、AIは自信を持って誤った回答を返します。これは人の対応より深刻です。人は古い資料を見ても「これは変わっているはず」と判断して確認しますが、AIは補正しません。

見落とされやすいのは、ナレッジが文書として存在しないケースです。回答手順が担当者の頭の中にあり、Excelやチャットの履歴に散在している。この状態はベテランが揃っているセンターでよく見られます。人が対応している限り問題は表面化しません。

ある企業でCSを率いたKris氏は、この失敗を実際に経験しています。「CRMに付いていたAIボットを、6ヶ月くらい止めたことがあります。顧客にとって、解決するより問題を増やしていたからです」と振り返ります。

企業側のデメリット：誤回答の後始末に工数がかかるうえ、Kris氏のようにAIを止めて作り直す手戻りコストも発生します。

顧客側のデメリット：誤った案内をそのまま信じて行動し、実害を受けます。一度誤情報を渡されると、その後の案内も信用されにくくなります。

ツールの選定は数日で終わります。しかし棚卸しとナレッジ整備には数週間かかります。この工数差が、ナレッジ整備を飛ばす動機になります。

回避策：自動化対象のカテゴリごとに、参照するナレッジの有無と最終更新日を確認します。存在しないものは書き起こします。この工数を導入計画に明記し、経営に見せる工程表に含めます。

原因3：AIに任せる範囲を、誤って設定する

自動化率を最大化しようとすると、本来は人が対応すべき問い合わせまでAIに寄せてしまいます。

判断には2軸が必要です。定型度と、感情負荷です。

最も誤りやすいのが左下です。回答内容は定型なので自動化候補に見えますが、顧客は不満を抱えています。配送遅延の謝罪、返金の催促、初回不良の対応。ここをAIに寄せると、正しい答えを返しながら顧客を失います。

Klarnaで起きたのはこれです。同社はフィンテック企業であり、顧客が最もストレスを感じる瞬間、つまり決済トラブルや不正利用の疑い、複雑な返金交渉が問い合わせの核心にありました。AIが担える定型領域と、顧客が最も必要としている非定型領域がズレていたのです。

企業側のデメリット：不満を抱えた顧客が離れ、解約率が上がります。SNSなどでブランドイメージも傷つきます。

顧客側のデメリット：一番つらい場面で機械的な返信をされ、「見捨てられた」と感じます。正しい答えでも、感情的には受け入れられません。

対象範囲を誤らないためには、AIの使い道自体を見直す視点も有効です。米国でCS組織を率いるKevin Zyskowski氏は「AIが最も価値を発揮できる最初の場所は、モニタリングと品質監査だと思います」と述べています。AIに一次対応を任せる前に、AIで人の対応品質を可視化する。この順番が、感情負荷の高い領域への誤った越境を防ぎます。

BtoCでは購入する人と使う人が同一であるため、感情的な満足度がそのまま行動に直結します。この軸を落とすと判断を誤ります。

回避策：自動化率をKPIにしません。追うのは「AIで完結した件数」と「人が対応した案件の解決品質」の両方です。自動化率を目標にすると、感情負荷の高い領域への越境が構造的に起きます。

原因4：指標を据え置いたまま、運用を変える

AI導入後、既存のKPIは前提を失います。

AIはルーティンの約6割を処理できますが、残る4割は複雑な判断、感情的な顧客への対応、例外処理に偏ります。人の手元に残る案件の難易度が上がり、1件あたりの処理時間は長くなります。この現象は「60/40ギャップ」と呼ばれています。

平均処理時間（AHT）の悪化は劣化ではなく、構造的な結果です。 しかし指標を変えないまま報告すれば、経営には劣化として伝わります。

その結果何が起きるか。「AI導入は失敗だった」という評価が下され、次の投資が止まります。実際には設計通りに動いていても、数字の見せ方が違うために失敗と判定される。これは最も避けたい失敗です。

さらに、指標が据え置かれると現場の行動も変わりません。処理件数とAHTで評価されている担当者に、じっくり相談に乗る業務を求めても短く切り上げます。評価に不利だからです。

企業側のデメリット：成果を正しく測れず、投資判断を誤ります。現場は実際より低く評価され、モチベーションが下がります。

顧客側のデメリット：直接の影響は小さいものの、正しい評価が回らないため対応品質の改善サイクルが止まり、間接的に不利益を受けます。

回避策：AHTを「AI完結案件」と「人が対応した案件」に分離して集計します。この変更は転換先の選定を待たずに実施できます。分離すれば、「人対応案件のAHTが伸びているのは難易度が上がったからだ」という説明が数字で成立します。

原因5：現場の納得形成を、実装より軽く扱う

最後が最も見落とされる要因です。

前掲のAbhay氏は、自身の失敗事例をこう語っています。複数市場にまたがる運用に高度なツールを一斉導入したところ、指標が一時的に落ち込み、現場から強い抵抗が出た。原因は技術設定に意識を向けすぎ、変化を人がどう受け止めるかに時間を割かなかったことでした。

「技術は、現場がそれを使いこなした分しか価値を持ちません」

同氏はそれ以降、AIやRPAを導入する前に、育成の道筋、現場レベルのフィードバック経路、社内の共感形成を、ソフトウェアの実装と同じ重みで優先するようにしたといいます。

ここで重要なのは、抵抗を感情の問題として扱わないことです。

現場が抵抗する理由は、多くの場合合理的です。

• 自分の仕事がなくなると理解している（雇用の不安）
• 新しい業務を覚える時間が業務時間内にない（工数の不安）
• 新しい行動が評価に反映されない（制度の不整合）
• AIの誤答の後始末が自分に回ってくると分かっている（負荷の不安）

このうち3つ目と4つ目は、説明では解決しません。制度と運用を変える必要があります。

企業側のデメリット：現場の抵抗が続き、AIが定着せず投資が無駄になります。離職のリスクも高まります。

顧客側のデメリット：直接の接点はありませんが、現場の士気低下は対応の丁寧さに波及し、間接的に顧客体験を下げます。

日本の場合、1つ目については有利な条件があります。パーソル総合研究所と中央大学の推計では、2030年に日本全体で644万人の労働力が不足するとされています。厚生労働省の令和6年雇用動向調査では、サービス業（他に分類されないもの）の離職率は19.0%で、他の主要産業と比べても高い水準にあります。

つまり日本のカスタマーサポートにおいて、AIは「人を減らす」ためではなく「足りない人手で回す」ために入っています。雇用の不安に対して、事実として説明できる材料があります。

回避策：導入前に3点を明示します。人員削減の有無、新しい業務に割く時間のシフト上の確保、そして評価指標の変更内容。この3つを曖昧にしたまま進めると、抵抗は消えません。

現場が新しい役割に移行する際の支援については、フィットネス領域でCSを率いたTushar氏の視点も参考になります。「移行期にチームが『支援されている』と感じられるようにするためです。『脅かされている』と感じさせてはいけない」と述べています。

回避の順序

5つの原因への対処には、順序があります。入れ替えると後の工程が機能しません。

指標の変更（4）を導入前に行う点が実務上のポイントです。導入後に数字が動いてから指標を変えると、「都合が悪くなったから基準を変えた」と受け取られます。

また、納得形成（5）は3と4の後に置きます。対象範囲と評価基準が決まっていない段階で説明会を開いても、現場の不安には答えられません。

「タスクの自動化」と「仕事の消滅」を混同しない

最後に、失敗の背景にある認識のずれについて触れます。

BCGは2026年、AIによってタスクが自動化されることと仕事そのものが消滅することは別だと指摘しています。AIは業務の一部を担うが、業務の束としての職務が消えるわけではないという整理です。

米国労働統計局は2024年から2034年にかけてカスタマーサービス職の雇用が5%減少すると予測していますが、同時に年間約34万件の求人が発生し続けるとしています。

Gartnerが2025年10月に実施した321社のCS責任者調査では、AIを理由に人員を削減した企業は20%にとどまり、55%は同じ人員でより多くの顧客に対応しています。さらに同社は「2027年までにAI削減を行った企業の50%が、異なる職名でスタッフを再採用する」と予測しています。

「AIで人が要らなくなる」という前提で設計すると、5つの失敗すべてが起きやすくなります。プロセス修正を飛ばし、ナレッジ整備を軽視し、自動化率を最大化し、指標を据え置き、現場に説明しない。

前提を「AIと人の分担を設計する」に置き換えると、必要な工程が自然に見えてきます。

よくある質問

Q. すでにAIを導入して成果が出ていません。どこから見直すべきですか

問い合わせの発生源の分析からです。件数が減らない場合、原因が業務プロセスにある可能性が高いです。次にナレッジの最終更新日を確認します。この2つで大半の原因が特定できます。

Q. プロセス修正は他部門の管轄で、動いてくれません

前掲のAbhay氏は、サポートのデータをプロセスの欠陥に紐づけ、他部門に「閉じるまでやれ」と迫れる所有者が必要だと指摘しています。問い合わせが増えても、プロダクト側は機能出荷で評価されているため問題を自分事にしません。この所有者を誰にするかを、経営レベルで決める必要があります。

Q. 現場に説明すると、かえって不安が広がりませんか

説明の内容が「削減はしない」という結論だけでは不安は広がります。新しい業務の内容、教育の期間、評価の変更点まで含めて示せる段階で説明します。逆に言えば、説明できる状態になるまでは対象範囲と指標の設計を先に終える必要があります。

Q. ナレッジ整備にどのくらいの工数がかかりますか

自動化対象のカテゴリ数と、既存ナレッジの整備度に依存します。回答手順が文書化されていない場合、1カテゴリあたり数時間から数日を見込みます。この工数を隠して計画すると、導入が遅延します。

Q. 一度失敗すると、次の投資が承認されません

だからこそ指標の設計を導入前に行います。AHTの分離集計をしていれば、「AI完結案件は増え、人対応案件のAHTは難易度上昇により伸びた」という説明が成立します。混ぜて集計した数字だけを見せると、正常な動きが失敗として記録されます。

まとめ

AI導入の失敗は、技術の問題として現れません。壊れたプロセスの自動化、ナレッジの未整備、対象範囲の誤り、指標の据え置き、そして納得形成の欠落です。

このうち最も影響が大きいのはプロセス修正の欠落です。問い合わせ件数を55%削減した事例では、効果の6割がプロセス再設計から生まれていました。

そして回避には順序があります。プロセス修正、ナレッジ整備、対象範囲の確定、指標の変更、納得形成、そしてAI導入。ツールを入れるのは最後です。

順序を守れば、AI導入は失敗しにくくなります。順序を逆にすると、どれだけ性能の高いツールを選んでも成果は出ません。

参考：Qualtrics「2026 Consumer Experience Trends」/ Digital Applied「Klarna Reverses AI Layoffs」(2026) / Gartner「2026 Customer Service AI Predictions」(2025年10月) / BCG「AI and the Future of Work」(2026) / 米国労働統計局 職業別雇用見通し(2024-2034) / パーソル総合研究所・中央大学「労働市場の未来推計2030」/ 厚生労働省「令和6年雇用動向調査結果の概況」/ 本サイト掲載 Abhay Pratap Singh氏／Kris氏／Kevin Zyskowski氏／Tushar氏インタビュー(2026年7月)

アディッシュのカスタマーサポート転換支援について

アディッシュでは、AI導入前の問い合わせ分析とプロセス修正の洗い出し、対象範囲の設計、そして導入後の運用改善を支援しています。設計から実務のBPO・常駐型での実行支援まで一気通貫で対応します。すでに導入済みで成果が出ていない状態からの見直しにも対応します。まずは無料相談からお気軽にお問い合わせください。