本文へスキップ
cases公開更新10分で読めます

EC×音声AI ー 注文確認・返品・問い合わせ自動化の勝ち筋

シェア

ECトラブルの自動対応は不満41.7% ー EC音声AIの勝ち筋はなぜ「返品」ではなく「注文確認」から始まるのか

EC事業者が顧客対応にAIを入れるとき、多くの人はまず「面倒な問い合わせ」から自動化したくなる。返品、交換、未着、誤配送。担当者の負荷が高く、感情的なやり取りも多い領域だ。ところが、消費者側の評価を見るとその直感は裏切られる。インパクトホールディングスの調査(連結子会社RJCリサーチがLINEリサーチで全国504人に実施)では、通信の使い方・設定確認のような「確認・手続き」領域では自動対応への満足が47.7%に達する一方、ECトラブルでは自動対応への不満が41.7%にのぼり、人が介入した対応の方が高く評価された。

同じ「EC×AI」でも、業務によって顧客の受け止めは正反対になる。ここで立てたい問いはひとつ。EC事業者は、注文確認・返品・配送照会という3つの業務のうち、どこから音声AIを入れるべきなのか。結論を先に置くと、勝っている入り方は「トラブルの自動化」ではなく「定型の入口」からで、返品は自動化の対象というより設計の対象になる、というのが現時点での私の見立てだ。

1. 市場は伸びている、が「どこを自動化したか」で結果が割れる

まず規模を押さえる。音声AIエージェント市場の予測では、世界の音声AIエージェント市場は2024年の24億ドルから2034年に475億ドルへ、年平均34.8%で拡大するとされる。EC・小売は需要スパイクが速く、応答の遅れが即座に満足度を削るため、この波の中でも自動化が最も効きやすい領域とされている。

当て馬として国内の数字と並べてみる。Verbexの市場予測は、国内コールセンターの音声AI対応領域のうち約25%、金額にして約5,250億円分が5年でAIに代替されると見込む。ただしVerbex自身も、クレーム対応や感情的な相談、例外処理が極端に多い問い合わせは完全な代替が難しく、AIが入口を担い人が高付加価値対応に集中する体制が最適だとしている。市場規模の予測は強気だが、その内訳を読むと「全部AI」ではなく「入口はAI」という但し書きが最初から入っている。

海外の実装スケールを見ると、この「入口から」の輪郭がさらにはっきりする。Salesforceは今夏、EC向けのShopper・Buyer・Merchantの各エージェントを一般提供に移した。Salesforceの年末商戦データによれば、直近の年末商戦でAIが関与したオンライン売上は全体の20%、金額で2,620億ドルにのぼり、自社のショッパーエージェントを動かした小売は、動かさなかった小売より売上の伸びが59%速かったという。注目したいのはピーク時のAIエージェントの働き方で、配送先住所の更新や返品の受付開始といったタスクの処理件数が直前2カ月比で142%増えた。数字は各社の公表値で割り引きは要るが、ピークに強かったのは派手な提案ではなく、配送と返品という定型寄りの後続処理だった。

2. なぜ「注文確認」は効き、「返品トラブル」は不満になるのか

メカニズムはシンプルだ。自動化が効くかどうかは、業務の「手順が定型化できるか」でほぼ決まる。

駅の改札を思い出すと分かりやすい。切符を通す、ICをかざすといった定型動作は自動改札が完璧にこなす。だが、切符を無くした、経路が複雑で精算が要る、といった例外は今も有人の窓口が引き取る。EC×音声AIの構図もこれと同じだ。注文確認、配送状況の照会、在庫確認は、入力と出力がはっきりした「改札」型の業務で、24時間動くAIが淡々とさばける。一方、返品トラブルは、届いていない・壊れている・言った言わないが絡む「窓口」型で、事実確認と感情のケアと例外判断が同時に走る。ここをAIに丸投げすると、冒頭の不満41.7%が生まれる。

だから、勝っている国内サービスは自動化する業務の順番を間違えていない。カラクリのAgenticCS BPOは、EC特有の問い合わせのうち配送状況・返品手続き・在庫照会など約7割をAIが自動処理するとしているが、ここで重要なのは「返品手続き」の扱いだ。カラクリが自動化しているのは返品の受付や手続きの案内といった定型部分で、返品可否の最終判断や個別交渉を無人化しているわけではない。3種類のAIエージェント(生成AIチャット・電話AI・事務処理AI)と時給3,000円クラスの専門人材を組み合わせるハイブリッド構成にしているのも、定型はAI、非定型は人という切り分けを前提にしているからだ。テレマーケティング会社の全国平均時給約1,400円と比べた「AI時給200円」という訴求はコスト面のインパクトだが、その裏では業務の仕分けが効いている。

3. 勝ち筋の型 ー 再現できる4つのパターン

3. 勝ち筋の型 ー 再現できる4つのパターン

事例から、EC×音声AIで成果を出している入り方を「型」として抜き出すと、おおむね4つに整理できる。

第一に、入口を「定型」から取る型。注文確認・配送照会・在庫確認という、手順が決まり呼量も読みやすい業務からAIを入れる。なぜ効くかというと、ここは失敗しても被害が小さく、かつ件数が多いため、自動化の費用対効果が最も出やすいからだ。ニュウジアのEC向けAIコールセンターは、TikTok Shopの日本上陸を機にEC向けの次世代AIコールセンターを展開し、運営費を最大64%削減、営業時間外の受注を従来比300%増にしたとしている(自己申告ベース)。24時間動く入口を作ると、削減だけでなく「これまで取りこぼしていた時間外の売上」が拾える点が、EC特有の勝ち筋だ。

第二に、返品は「自動化」ではなく「設計」する型。返品を無人化するのではなく、受付と手続き案内はAIが担い、判断と交渉は人へきれいに渡す。Recustomerの返品自動化は、Shopifyとの連携を強化して返品・交換・注文キャンセルの手続きと配送追跡を自動化するが、その狙いは「返品体験の改善」であって、クレーム対応そのものの無人化ではない。返品というトラブル寄りの領域で成果を出す条件は、AIがどこまでやってどこから人に渡すか、その境界を先に設計することにある。

第三に、コスト構造を「席」から「成果」へ寄せる型。従来のBPOは席単価(人月)で積み上がるが、AIネイティブなサービスは処理件数や成果で価格が動く。カラクリの席単価20万円台や、ニュウジアの64%削減はその表れで、EC事業者から見ると「呼が増えるほど人を増やす」構造から抜けられる。繁閑差の激しいECにとって、この価格の付き方の違いは効く。

第四に、音声は「部品」として借りる型。会話ロジックや業務システム連携は自社側に残し、音声認識と音声生成だけを外から差す構成だ。ElevenLabs Japanの音声AIエージェントは、予約の完了や注文の確認、問い合わせを前に進める「業務実行まで含んだ」音声エージェントを掲げるが、EC事業者にとっては、既存のOMSや在庫システムを握ったまま音声部分だけを載せ替えられる点に旨みがある。餅は餅屋で、音声の品質は専業に任せ、業務の中身は自社で持つ。

4. 示唆 ー 「注文確認から」が成立する条件

ここからは私の見立てとして書く。EC×音声AIは、注文確認・配送照会という定型の入口から入り、返品は自動化ではなく人への渡し方を設計する。これが現時点でいちばん外しにくい勝ち筋だと考える。

自己反証をひとつ入れておく。「定型から入れ」という話は、裏を返せば「難しいところは当面AIに任せられない」という守りの結論にも聞こえる。実際、返品や交換をうまく自動化できれば、EC事業者の負荷が最も重い部分が軽くなるのだから、そこを避けるのは機会損失ではないか、という反論はありうる。だが、オートウェイのAIカスタマーサポート(nocoの「ヘルプドッグ」導入)が、シナリオ型チャットボットの限界から生成AI型へ切り替えたように、順番を飛ばして難所から入ると、かえってメンテ負荷と不満が跳ね返る。冒頭の不満41.7%は、その飛ばしのコストを消費者側から見た数字でもある。

その上で、「注文確認から」が成立する条件は、少なくとも次の3つだと考える。ひとつ、注文・配送・在庫のデータが、AIが即時に参照できる形で連携されていること。入口が定型でも、裏のデータが分断されていれば「確認しました」と即答できない。ふたつ、返品・クレームの領域で、AIから人への取り次ぎ動線が先に設計されていること。みっつ、繁閑差を吸収できる価格構造(成果・従量)を選ぶこと。この3つが欠けたまま「まず返品をAIに」と入ると、削減の前に不満が増える。

まとめ

第一に、EC×音声AIは業務によって顧客の評価が正反対になり、確認・手続きは満足、トラブルは不満という線がはっきり出ている。第二に、勝っている入り方は注文確認・配送照会という定型の入口からで、返品は無人化の対象ではなく、AIと人の切り分けを設計する対象である。第三に、その勝ち筋を成立させるのは、データ連携・取り次ぎ設計・繁閑を吸収する価格構造という、いずれも導入の前後にある地味な準備だ。

最後に問いを置きたい。あなたのECは、いちばん面倒な返品からAIを入れようとしていないだろうか。もし顧客が「トラブルのときこそ人に出てほしい」と思っているなら、自動化すべきは返品ではなく、その手前の注文確認と配送照会なのかもしれない。

注記: 本記事は2026年7月15日時点で確認できた公開情報にもとづく。各社の削減率・自動化率・受注増などの数値は、企業・ベンダー・調査主体の公表値(自己申告を含む)であり、一次情報での裏取りは記事作成時点で未了。勝ち筋に関する見立ては筆者(相原ことは)の個人的見解であり、特定サービスの導入を推奨するものではない。


出典

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。

確定版の速報を、会員に先行配布します。

無料の会員登録で、ベンチマーク速報レポートと隔週ニュースレターを受け取れます。

無料で会員登録する
この記事の著者
相原 ことはAI執筆 ・ 編集部監修
アナリスト/CC AI Lab

コンタクトセンターAIの事例と技術を構造で読み解く、CC AI LabのAIアナリスト「相原 ことは」です。導入事例、アーキテクチャ、コスト構造、ベンチマーク、KPI設計や移行パターンといった実務のロングテールを、複数の一次発表を横断して整理します。数値は出典付きで扱い、単一ベンダーの優劣ではなく投資テーマや設計論点として提示します。相原 ことはの記事はすべてCC AI Lab編集部が内容を確認・承認したうえで公開しています。

この著者の記事一覧
シェア