カスタマーサポートにおけるエージェントの強み 第 2 章

サポートの障壁を理解する

自律型のサポート体制を構築する前に、現在のモデルのどこに無駄な作業が生じているかを把握する必要があります。

ほとんどの組織において、問題は 1 つのプロセスの不具合にあるわけではありません。 製品の複雑化、システムや知識の分断、手作業の多さ、そして顧客が問題に直面して初めてサポートが動き出すという運用モデルが積み重なった結果として問題が生じているのです。

組織の規模が拡大するにつれて、こうした課題はより顕著になっていきます。

製品が複雑になると、あらゆる問題解決が難しくなる

テクノロジー製品の性能が向上するほど、問題が発生した際にサポート チームが考慮しなければならない要素も増えます。

一見単純に思える顧客の問題であっても、特定のソフトウェア バージョン、デプロイ構成、連携、API、動作環境、あるいはサードパーティへの依存関係に起因している可能性があります。 サポート エンジニアは、ログの確認、技術文書の参照、過去の事例の検討、顧客の構成状況の把握を行い、問題が製品にあるのか、それとも顧客のテクノロジー スタック内の別の場所にあるのかを判断する必要があります。

そのため、サポート業務は一段と原因究明の要素が強くなっています。

課題は、単に答えを見つけることだけではありません。 今この環境にいるこのお客様に、どの回答が当てはまるかを判断するために、十分かつ正確な文脈を組み立てることこそが課題なのです。

複雑さが増すにつれて、専門知識の価値も高まります。 ケースが異なるサポート レベル間を移動したり、製品に関するより深い専門知識を持つエンジニアにエスカレーションされたりすると、解決にかかる時間もコストも増加します。

人手に大きく依存するサポート体制は、規模拡大の妨げとなる問題を引き起こす

従来のカスタマーサポートは比例的に拡大されます。 チケット件数が増加すると、組織はそれを処理するために人員を増やします。 そこからの流れは、予想がつくはずです。顧客が増えるほど案件数が増え、それに伴い、より多くの担当者、より多くのトレーニング、より多くの管理体制、そしてより専門的な知識が必要となるのです。

サポート エンジニアは誰でも代わりを務められるものではないため、このモデルは企業にとってとりわけ困難なものとなります。 複雑な製品には、特定のコンポーネント、構成、または技術的な環境を理解している専門家が必要です。 こうしたスキルを身につけるのは時間がかかるため、需要が拡大していくとボトルネックとなる可能性があります。

AI による支援でそうした人々の生産性を高めることはできますが、生産性の向上だけでは、根本的な制約を解消することにはつながりません。 どのような解決策であれ、最終的に人がその作業を完了させる必要がある以上、支援能力は依然として人的能力に左右されることになるからです。 自律型サポートがもたらす可能性は、まさにこの関係性を変革することにあります。 定型業務はますます人手を介さずに完了できるようになり、専門家は新しく曖昧で、より価値の高い課題に専念できるようになります。

システム間を行き来することで、本来なら問題解決に充てるべき時間を浪費している

サポート ケースを解決するために必要な情報が、1 か所に集約されていることはほとんどありません。

サポート エンジニアは、根本的な問題を調査するために、まずチケット管理システム、CRM、ナレッジ ベース、カスタマー ポータル、コミュニケーション プラットフォームなどを確認することから始める場合があります。

それぞれのシステムに答えの一端が含まれているからです。

サポート エンジニアは統合レイヤーの役割を担い、ケースがシステムの境界を越えるたびに、アプリケーション間で手作業で情報を移動させ、文脈を再構築することになります。 その結果、問題の解決に時間がかかり、不必要な手作業が増え、業務の引き継ぎの際に情報が失われるリスクが高まります。

これこそが、チケット管理システムに AI インターフェースを加えるだけでは自律型サポートが成り立たない理由です。 AI エージェントは、問題解決に関与するシステム全体から背景情報を取得し、アクションを実行できる必要があります。

システム間の切り替えをなくすことは、単にエージェントの生産性を高めるだけではありません。 より多くの解決ライフサイクルを自律的に完了させるための基盤を構築することにもなるのです。

知識の分断は、人間と AI の両方の可能性を制限する

企業には、サポートに関する知識が不足しているわけではありません。 多くの場合、知識を過剰に持ちすぎています。

長年にわたる解決済みチケット、ナレッジ記事、技術文書、トラブルシューティング ガイド、リリース ノート、エンジニアリング文書、そして社内のやり取りには、膨大な量の組織的知見が蓄積されています。 しかし、その知識は重複していたり古くなっていたりする場合もあれば、一貫性がなかったり異なるリポジトリに分散していたりする場合もあります。

人間のエージェントにとっては、それが検索に費やす時間の増加や、組織固有の知識への過度な依存につながります。 AI エージェントにとっては、この問題はさらに重大な影響を及ぼします。 長年にわたる過去のサポート コンテンツに AI エージェントを接続するだけで、信頼性の高い自律的解決が自動的に生成されるわけではありません。 エージェントが特定のケースについて推論するには、知識が最新かつ適切であり、体系化され、必要な文脈で利用可能なものでなければなりません。

だからこそ、知識の準備態勢は自律化への道のりにおける基盤の一つとなるのです。

事後対応型のサポートでは、問題解決プロセスの開始が遅すぎる

従来のサポート サイクルは、顧客から始まります。 何らかの不具合が発生し、顧客が問題に直面します。 顧客は解決策を探し、見つからない場合はチケットを作成します。 チケットはキューに入れられ、担当者に割り当てられて、調査が開始されます。 必然的に、その組織は後手に回っています。

たとえ極めて効率的な対応体制が整っていたとしても、問題が解決し始めるまでは、顧客が何らかの支障を被ることになります。 自律型サポートには、そのモデルを根本から覆す可能性があります。 AI エージェントは、可観測性システムや監視システムと連携して、顧客環境における特定の問題を見つけ出します。さらに、診断情報を収集し、顧客が問題を報告する必要が生じる前に適切な対応を開始することができます。

ただし、すべての問題をこの方法で対処できるわけではなく、またそうすべきでもありません。 しかし、サポート業務の一部を「事後対応」から「事前の検知」へとシフトさせるだけで、サポート組織が最適化すべき対象が変わってきます。それは、単に問題解決を迅速化するのではなく、そもそも顧客への影響を未然に防ぐことです。

コスト圧力がある中では、漸進的な改善は不十分である

こうした課題はすべて、最終的には同じビジネス上の課題に帰着します。 すなわち、サポート部門は、人員を際限なく増員することなく、平均対応時間や解決時間の短縮、チケット 1 件あたりのコスト抑制、SLA の遵守、CSAT (顧客満足度) の維持・向上、そして増大する需要への対応を求められています。 従来、これらの目標は相反するものでした。

コストを削減しようとすれば、より少ない人数で、より多くのケースを処理せざるを得なくなります。 顧客体験を向上させるには、専門的な知識の導入が必要となります。 グローバルな事業拡大には、サポート体制のさらなる拡充が求められます。 製品の複雑さが増すと、個々の対応にかかるコストも高くなりがちです。

自律型の解決は、問題解決に必要な人的労力を削減することを目指しているため、別の道筋を提示します。 最初から 100% の自律化を目指す必要はありません。 複雑なケースでは、AI が解決プロセスの一部を自律的に完了させ、その後、人の専門家が引き継ぐといった形から始めることも可能です。 組織がそうしたやり取りを評価し、人間による成功事例を蓄積して、AI エージェントが利用できる知識を充実させていけば、自律化プロセスの範囲を拡大していくことができます。

人間に依存したサポートを、徐々に自律型にしていくのです。この過程こそが、重要な機会です。 まず第一に、重要な違いを理解する必要があります。顧客がチケットを発行せずにすむことと、顧客の問題を解決することとは別物だということです。