製造業サポートセンターのAI化 ー BtoB問い合わせ対応の特殊事情
B2Cのカスタマーサポートは、注文状況・パスワード再設定・返品といった定型が多く、B2C領域では最大85%の応対を自動化できるという見方が2026年には珍しくなくなった。ところが同じ道具を製造業のBtoBサポートに持ち込むと、途端に動かない。型番の枝番、図面、少量多品種、数日にまたがる技術検証。B2Cで効いた「速く・大量に・一発で返す」が、そのまま通用しない領域がある。ここで問いたいのは、製造業サポートのAI化はB2Cの縮小版なのか、それとも設計思想からして別物なのか、という点だ。結論から言えば、私は別物だと考えている。
1. 数字は増えている、だが自動化の中身は同じではない
まず前提の数字を置く。Gartnerの調査では、カスタマーサービス責任者の91%が2026年にAI実装への圧力を感じていると答えた。Salesforceの集計では、AIエージェントを稼働させているサービス組織は2025年の39%から66%へ増えている。導入率は確かに上がった。
もっとも、この数字の多くはSaaSやEコマースのB2C文脈で語られている。当て馬としてB2Cを置くとわかりやすい。B2Cは同じ質問が大量に来るから、上位の定型問い合わせを自動化すれば効果が出る。一方でBtoBサポートは、アカウントの文脈を踏まえた多段の切り分けや、部門をまたいだ調整、数日から数週間の追跡を前提とする。単純な導入率の比較は、この応対単価と難度の差を消してしまう。製造業サポートで問うべきは「何%自動化したか」ではなく「どの問い合わせを自動化できたか」だ。
2. 難しさの正体は「非構造ドキュメント」にある
なぜ製造業サポートは自動化しにくいのか。理由を1つに絞るなら、答えが図面・仕様書・作業手順書という非構造ドキュメントの中に埋まっているからだ。B2CのFAQは一問一答に整えやすいが、製造業の技術問い合わせは「この型番のこの部品を、この条件で使ったときにどうなるか」という、文書とテキストとテーブルをまたいだ照合になる。
ここでRAG（検索拡張生成、社内文書を検索してから回答を組み立てる方式）が効く。NTT ExCパートナーの事例では、図や表を含むマニュアルや仕様書などの非構造ドキュメントを高精度に解析・参照させ、検索やFAQでは対応が難しかった問い合わせにも答えられるようにした結果、RAGシステムの回答精度が従来比でおよそ3倍になったとする（同社発表ベース）。技術的な裏づけもある。RAGはハルシネーションを42〜68%減らし、信頼できるデータ源と組み合わせれば専門領域で最大89%の精度に届くという整理だ。図書館に例えるなら、記憶で答える司書ではなく、必ず該当ページを開いてから答える司書に変える作業に近い。製品仕様のように「間違えると危ない」領域ほど、この接地が要になる。
3. 効いている型は3つに分けられる
事例を並べると、製造業サポートで再現している型は大きく3つに整理できる。
第一に「ドキュメント接地型」。マニュアル・仕様書・図面をRAGでAIの参照元に据える型で、NTT ExCパートナーがその代表例だ。製造業のナレッジ活用でも、過去の仕様書・トラブル事例・ISO資料・設計書を接続して自然言語で照会する使い方が広がっており、退職者に依存していた技術継承の受け皿にもなり始めている。効くのは、答えの出所を人の記憶から文書へ移せるからだ。
第二に「全社ナレッジ基盤型」。サポート部門単独ではなく、全社の文書を1つの基盤にまとめる型で、ソフトバンクの全社RAG基盤は複雑な仕様書や店舗・コールセンターの膨大なマニュアルを安全に照会できるようにし、社内試算で数万時間相当の業務削減を生んだとする。サポートの問い合わせ対応と社内の技術照会が同じ基盤に乗ると、更新が一度で済むのが強い。
第三に「VoC還流型」。応対で集まった顧客の声を分析へ回し、製品改善まで戻す型だ。パナソニック エレクトリックワークス社の取り組みでは、約20年続けたテキストマイニングに音声認識と生成AIを重ね、問い合わせ内容の自動整形とトレンド可視化を進めている。製造業は問い合わせが製品の不具合や改善要望に直結するため、サポートを起点にした品質フィードバックが効きやすい。
4. ここからは私の見立てとして
3つの型に共通するのは、どれも「まず正しい文書にたどり着く」設計に投資している点だ。ここからは私の見立てとして書くと、製造業サポートのAI化の勝敗は、モデルの賢さよりも、図面・仕様書・過去トラブルをどれだけ機械可読な形で束ねられたかで決まる。B2Cが応答スピードで差をつけるのに対し、B2Bは接地の質で差がつく。
自己反証も置いておく。「非構造ドキュメントを束ねればAIが答えられる」という話には、束ねる前段のコストが抜けている。図面やCAD、紙のサービスマニュアルを機械可読にする工程は地味で重く、ここで止まる企業の方が多いはずだ。だからこそ、トランスコスモスの発表のように、修理受付のボイスボットを音声AIエージェントへ置き換えて自己解決率を約19%から約52%へ上げた（同社発表ベース）といった事例も、裏では対象領域の絞り込みと文書整備がセットになっているとみるのが自然だ。全部を一度に任せるのではなく、定型比率が高く危険度の低い問い合わせから接地し、複雑な技術判断は人に残す。この切り分けの巧拙が、B2Cの設計をそのまま持ち込む危うさを分ける。
まとめ
第一に、製造業サポートのAI化はB2Cの縮小版ではなく、答えが非構造ドキュメントに埋まっているという別種の問題である。第二に、効いている型はドキュメント接地・全社ナレッジ基盤・VoC還流の3つで、いずれも文書を機械可読に束ねる投資が前提になっている。第三に、勝敗はモデルの賢さより接地の質で決まり、束ねる前段のコストを越えられるかが本当の関門になる。
では、あなたの会社のサポートセンターは、AIに答えさせる前に「答えの出所」をどれだけ束ね終えているだろうか。導入率の数字より、先にそこを問いたい。
注記
本稿は2026年7月18日時点で確認できた各社発表・報道・調査をもとに構成した。回答精度・削減時間・自己解決率などの数値は各社の自己申告または試算ベースであり、一次実測での裏取りは行っていない。第4章以降は筆者（CC AI Lab編集部・相原ことは）の見立てを含む。
出典
- Mosaic AI「Why B2C support tools fail B2B teams」
- Gartner「91% of Customer Service Leaders Under Pressure to Implement AI in 2026」
- Digital Applied「AI Customer Support 2026: Adoption + ROI Data」
- NTT ExCパートナー「生成AIを活用したヘルプデスク業務の効率化・高度化（RAG回答精度が従来比約3倍）」
- Kernshell「How RAG Reduces AI Hallucinations and Improves Accuracy（2026 Guide）」
- MONOist「RAG普及で加速する製造業のナレッジ活用 技術継承への貢献にも期待」
- RightTouch「パナソニック株式会社 エレクトリックワークス社のデータドリブンな顧客接点改革をAIで支援」
- ＠IT「1万9000人が利用するソフトバンクの『全社RAG基盤』構築の舞台裏」
- PR Newswire「transcosmos evolves its CX platform into trans-DX Plus for Support」
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。
