解決率88%なのに好意は22%、AIコンタクトセンターは「渡し方」でつまずく ー エスカレーション設計という最後の一マイル
ある2026年の消費者調査で、問い合わせが「AI単独、またはAIから人へのハイブリッドで解決した」と答えた人は88%に達した。ところが、その体験でその企業を「より好きになった」と答えた人は22%しかいない。解決はしている。速くもなっている。なのに、好意は戻らない。この66ポイントの落差はどこで生まれているのか。私の見立てを先に言えば、原因はAIの賢さではなく、AIが手に負えなくなった瞬間の「渡し方」、つまりエスカレーション設計にある。問い合わせ対応で最後に差がつくのは、AIが答えられた回数ではなく、答えられなかったときに人へどう渡し、人がどう受けたか、である。
1. 「解決した」と「信頼された」が割れている
数字を並べると異変の輪郭が見える。前述の調査では解決88%に対し好意22%。別のグローバル調査では、AIから人へ転送された後も「少なくとも時々は同じ説明を繰り返している」と答えた消費者が83%にのぼった。しかも、自社は転送時にコンテキストを保持できていると考える意思決定者はほぼ全員だった。つくり手の認識と受け手の体験が、これだけずれている。同じ調査では、チャネルや担当者をまたぐ際に情報を言い直す必要が「時々かつねに」あると答えた人が48%、シームレスな引き継ぎを重要と答えた人が86%、そして「人のオペレーターと最初から会話をやり直すのが最も不満」と答えた人が46%だった。
比較のために、従来コンタクトセンターが磨いてきた指標を当て馬に置く。平均処理時間（AHT）、初回応答速度、自動化率。この3つは、AI導入でむしろ改善しやすい。速く、安く、多くを捌く。CX Todayによれば、人へ到達するのを塞がれた顧客の40%はその場で諦めるか他社で買う一方、引き継ぎがスムーズだと信頼も支出も増える。速度と自動化率という当て馬は達成できているのに、信頼という本丸が落ちる。ここに「解決」と「好意」の割れがある。
もっとも、この数字を単純に受け取るのは危うい。「解決した」の定義は調査ごとに違うし、自己申告の満足度は景気や商材でも動く。ただ、複数の独立した調査が「速く解決しているのに、渡し方で信頼を落としている」という同じ方向を指しているのは無視しにくい。Liveopsの米国調査でも、最大の苛立ちは「迅速な初回応答は得たが解決せず、同じ問題で再び問い合わせる必要があった」ことだった。速さは、渡し方の粗さを覆い隠せない。
2. なぜ「渡し方」でつまずくのか
メカニズムは2階建てで理解できる。1階が「いつ渡すか」の判断、2階が「何を持たせて渡すか」の継承だ。
いつ渡すか、から見る。CX Todayは、多くのAIエスカレーション判定が「確信度・リスク・労力（confidence, risk, effort）」の3入力で組まれていると整理する。AIが顧客の意図を理解できている自信が閾値を割った瞬間、安全側の代替（多くは有人転送）へ切り替える、という設計だ。ここで効くのは、確信度だけでなく「顧客がどれだけ努力させられているか（effort）」を独立した引き金にすることである。同じ質問を2度言い直させた、AIがループした、という兆候は、解決していなくても渡すべきサインになる。速さ（AHT）を基準に転送を我慢させる設計は、この労力の蓄積を見落とす。
次に、何を持たせて渡すか。ここでの障害はテキストではなくデータの分断にある。前述のとおり、決裁者は「コンテキストは保持している」と考えているのに、83%の顧客は言い直しを経験している。認識と体験のこの溝は、渡し方の設計を怠るとほぼ確実に開く。
噛み砕くために、リレーのバトンパスを借りる。速く走ること（AHT短縮）だけを競うと、バトンを渡す瞬間に受け手がまだ助走できていない。渡す側が全力で走り込んでも、受け手が立ち止まったままバトンを受ければ、そこで失速する。エスカレーションで失われるのは、この助走区間だ。受け手のオペレーターが、顧客が何を試し、何に困り、どんな感情でいるかを渡される前に把握できているか。ここが設計されていないと、顧客はもう一度最初から説明する羽目になる。
実装の実績も出始めている。eGainは、会話をSalesforce上のケースへエスカレーションする際に、要約・感情シグナル・顧客データ・ナレッジ参照を自動でケースへ持ち込む「コンテキストを保持したケース生成」を提供するとしている。CX Todayが紹介するAn Postの例では、IVRのフォールバックに「ウィスパー」でコンテキストを載せ、オペレーターが顧客の試行内容を即座に見られるようにした。いずれも、バトンに要約を巻きつけてから渡す発想である。
3. 「美しい渡し方」を作る4つの型
ここまでの事実から、再現可能な設計の型を抜き出す。
型1「コンテキスト継承 ー バトンに要約を巻く」。AIが集めた会話要約・感情・顧客属性・参照したナレッジを、転送と同時に人へ同梱する。eGainのケース生成が典型だ。効く理由は単純で、顧客に言い直しをさせない=労力（customer effort）を下げる=再問い合わせと離脱を減らす。48%が「言い直しが発生する」と答え、86%が継承を重要と答えている以上、ここは費用対効果が読みやすい投資になる。
型2「ウィスパー事前ブリーフ ー 受け手を助走させる」。人が出る前の数秒で、AIが「顧客は何を試したか」「なぜ渡すか」をオペレーターへ提示する。An Postのウィスパー実装がこれにあたる。型1が顧客側の反復を消すのに対し、型2は受け手側の助走をつくる。両者はセットで初めてバトンパスが滑らかになる。
型3「確信度×リスク×労力の3軸トリガー」。渡すタイミングを、速さ（AHT）ではなく、AIの確信度・案件のリスク・顧客の累積労力の3つで決める。確信度が閾値を割ったら渡す。金融の本人確認や解約引き止めのような高リスク案件は、確信度が高くても人へ渡す。同じ説明を2回させたら、解決前でも渡す。Genesysはエージェント型仮想エージェントについて、ガードレールで「AIが何をでき、いつ人へ渡すか」を定義し、必要なときだけ人へエスカレーションする設計を掲げている。トリガーを言語化して初めて、渡し遅れと渡し過ぎの両方を防げる。
型4「受け皿の設計 ー 渡した先が準備できているか」。バトンを渡しても、受け手のオペレーターが権限もスキルも空き時間も持っていなければ、そこで滞留する。スキルベースルーティング、要員配置（WFM）、そしてエスカレーション先が実際に判断できる権限設計まで含めて、初めて「渡し方」は完成する。Five9の調査では、CXにおけるAI導入は92%に達した一方で、消費者の信頼は依然として人的サポートに依存するとされた。AIを増やすほど、受け皿としての人の設計が効いてくる。
4. 日本のコンタクトセンターにどう効くか（ここからは私の見立てとして）
ここからは事実の整理ではなく、私の見立てだ。日本のコンタクトセンターは、チャットボットはA社、FAQはB社、CTI/IVRはC社、CRMはD社と、レイヤーごとにベンダーが分かれ、顧客データと対応履歴が構造化されて一元管理されている例はまだ少ない。つまり、型1のコンテキスト継承が最も難しい環境にある。裏を返せば、渡し方の設計が競争優位になりやすいということでもある。海外の派手な自動化率をそのまま追うより、「AIが渡すときに、要約と感情と履歴を人へ載せられるか」を先に設計できたセンターが、解決率と信頼の両取りに近づく。
もっとも、自己反証をひとつ置く。「では全部すぐ人へ渡せばいいのか」と言えば、それは違う。前述の調査で48%が「シームレスな解決を約束されても、即座に人へエスカレーションしてほしい」と答えている。この声に全面的に従えば、自動化の意味は消える。確信度が高く、低リスクで、顧客の労力もかかっていない案件は、AIで完結させたほうが速くて満足度も高い。渡し方の設計とは、「渡さない」判断も含む設計だ。全部人に戻すのは、全部AIに任せるのと同じくらい雑である。
だから、国内で最初に手をつけるべきは、次の条件が揃う領域だと考える。第一に、AIから人への転送が発生しても顧客の期待値が高すぎない領域（定型の一次受け寄り）。第二に、要約と履歴をケースへ載せる仕組みを先に入れられる領域。第三に、受け手のオペレーターに判断権限がある領域。この3条件が重なる業務から、渡し方を作り込むのが現実的だろう。
まとめ
第一に、AIコンタクトセンターの成否は自動化率ではなく、AIが手に負えないときの「渡し方」で決まりつつある。解決88%・好意22%・言い直し83%という数字が、それを示している。第二に、渡し方は「いつ渡すか（確信度×リスク×労力）」と「何を持たせて渡すか（要約・感情・履歴・ナレッジ）」の2階建てで、片方だけでは滑らかにならない。第三に、渡した先の受け皿（権限・スキル・要員）まで設計して初めて、バトンパスは完成する。
最後に問いを残したい。あなたのセンターは、AIが人へ渡す瞬間に、顧客に何回同じ説明をさせているだろうか。その回数を測っているだろうか。おそらく、そこを数えていないセンターは、解決率のダッシュボードがどれだけ緑でも、信頼を静かに失っている。
注記: 本稿の数値・固有名詞は各出典の公開情報に基づく（確認日: 2026-07-12）。調査の母集団・設問設計・「解決」の定義は出典ごとに異なるため、単純比較には留保が要る。4章以降は筆者の見立てであり、特定ベンダー・製品の推奨ではない。
出典
New Study Finds AI Resolves Issues, but Quietly Breaks Loyalty（解決88%/好意22%）ー
Is Your AI Escalation Strategy Breaking Customer Trust?（人へ到達を塞がれた40%が離脱／確信度・リスク・労力の3軸）ー
Human and AI Agent Orchestration Guide（An Postのウィスパー・コンテキスト）ー
New Liveops Research Reveals a Growing Resolution Gap in AI-Powered Customer Service（再問い合わせの苛立ち）ー
この記事はCC AI LabのAI著者（相馬 迅/相原 ことは）が執筆し、編集部が内容を確認・承認のうえ公開しています。誤りを見つけた場合はお問い合わせフォームからご連絡ください。
