応対品質の評価をAIに任せる境界 ー 全通話100%チェックは何を変え、何を変えないのか
コンタクトセンターの応対品質評価は、長らく「抜き取り」で成り立ってきた。全通話のうち人間が耳で聞いて採点できるのは、多くの現場で月間2〜3%ほど。それが変わり始めている。DoorDashとObserve.AI、AWSの協業では、19,000人規模のエージェントの応対を「ほぼ100%自動評価」する体制へ移したと発表された。ここで問いたいのは一つ。全通話評価は応対品質を「上げる」のか、それとも「見えるようにする」だけなのか。結論から言えば、いま起きているのは主に後者で、そしてそれ自体が十分に大きな変化だと私は考えている。ただし「見える」と「良くなる」は別物で、この二つを混ぜると導入の期待値を外す。
全数評価という異変ー抜き取りが前提を失った
まず規模を押さえる。CX Todayの2026年評価ガイドは、手動サンプリングの評価カバレッジが全体の1〜3%にとどまるのに対し、AIによる品質管理（QM）は100%の応対を評価すると整理している。同ガイドによれば、すでに78%のコンタクトセンターがAIや自動化で会話を分析しているという。国内も足並みは近い。フライルの応対品質マネジメント白書2026は、現場リーダーから経営層まで230名への調査（2026年4月）で、月間応対の90%以上を「評価できていない」組織が多数派だと報告している。品質評価ができているのは応対の10%以下という回答が6割を超えた。
もっとも、抜き取りが手抜きだったわけではない。当て馬として置くなら、従来のサンプリングは「全件を人間が聞くのは非現実的」という制約への合理的な妥協だった。統計的には数%でも傾向はつかめる。問題は、クレームの予兆やコンプライアンス違反、稀にしか起きない重大インシデントは、たまたまその2%に入らなければ永久に見えないという点にある。フライルの調査でも、品質改善の遅れが招く影響として「クレームやエスカレーションの増加」（55.2%）、「生産性の低下」（40.9%）、「現場の負担増加・離職リスクの高まり」（31.3%）が上位に挙がった。抜き取りの限界は、平均値ではなく「端」に出る。
なぜいま100%が現実になったのか
メカニズムはシンプルだ。通話を音声認識で全件テキスト化し、その全文をLLMがルーブリック（評価基準表）に沿って採点する。人間の耳と手が律速だった工程を、文字起こしと言語モデルが引き受けた。製造業のアナロジーで言えば、抜き取り検査から全数検査への移行に近い。ラインを流れる製品を全部見られるようになったのと同じことが、会話でも起き始めている。
実績の数字も出てきた。DoorDashの事例では、人間の品質チームを手作業の採点から引きはがし、主観的な問題の発見や行動要因の分析といった高付加価値の作業へ振り向けたとされる。AIで応対品質を扱うSolidroadの調達でも、手動QAの1〜3%に対して会話の100%をAIでQAすると訴求し、Crypto.comでAHT18%減・CSAT87%から90%といった数字を挙げている（いずれも自己申告ベースで、一次情報での裏取りは要る）。国内ではカウネットの取り組みが、月間1万件・全通話の応対品質評価と育成をAIで回す仕組みを構築したと公表している。抜き取りから全数へ、という流れは海外の大規模事例だけの話ではなくなってきた。
全数化が生む「型」ー何がどう変わるのか
ここまでを踏まえて、全通話評価が現場にもたらす変化を、再現性のあるパターンとして三つに抜き出したい。
第一の型は「探す時間」から「介入する時間」への移行だ。従来のQAは、膨大な通話の中から問題のある応対を探すことに時間の大半を溶かしていた。全数をAIが一次採点すれば、人間は探索から解放され、コーチング設計や研修内容の見直しといった介入側へ時間を移せる。DoorDashが人間チームを「採点から高付加価値分析へ」動かしたのは、まさにこの型に当たる。
第二の型は、評価対象にAI自身を含めることだ。CallMinerの指摘は、稼働後のボットを「継続的な評価・再学習・監督を要するワークフォースの一員」として扱うべきだと述べている。人間のオペレーターを100%評価する基盤ができれば、同じ物差しをAIボットの応対にも当てられる。有人とAIを同一基準で評価するという発想は、Gartnerの提言とも響き合う。Gartnerは、人間が1シフトで30〜45件を扱うのに対しAIは数千件を同時にさばくとして、AIエージェントを人間の従業員と同じ枠組みで管理するなと釘を刺している。全数評価は、人とAIを別々の物差しで測ってきた運用を一つに束ね直す契機になる。
第三の型は、全数化の副産物としてのリスク検知だ。全通話を機械が読むということは、クレーム予兆やコンプライアンス逸脱、再問い合わせの多い論点を漏れなく拾えるということでもある。抜き取りでは「端」に沈んでいたシグナルが、初めて母集団全体から立ち上がってくる。
私の見立てとしてー機械に渡せる評価と、人に残る判断
全数評価が変えるのは、主に「定量化しやすい項目の網羅性」だと考えている。本人確認の手順を踏んだか、禁止表現を使っていないか、必須の案内を漏らしていないか。こうしたスクリプト遵守やコンプライアンス系のチェックは、AIが全件で回すほど価値が出る。国内でもSBI新生銀行のInnovaCall導入のように、AIが自動で応対を評価しフィードバックする仕組みが銀行で採用され始めている。ここは境界のAI側だ。
一方で、機械に丸ごと渡しにくい領域が残る。共感の質、怒っている顧客をどう鎮めたか、マニュアルにない例外にどう機転を利かせたか。これらはルーブリックに落とし込みにくく、AIの採点は「それらしい平均」に寄る。ここで自己反証を一つ入れておく。全数評価は、見えなかったものを見えるようにする一方で、常時採点される現場の萎縮や、監視強化としての受け止めを生むリスクがある。オペレーターさんが「全部聞かれている」と感じたとき、応対がスクリプトへ過剰に寄り、かえって顧客体験が硬くなることもある。評価者バイアスをAIが平準化するという触れ込みも、裏を返せばAIの採点基準そのものに埋め込まれたバイアスが全件に一律で効くということだ。人間の評価者ならレビューで気づけたズレが、機械では一貫して見過ごされる。
だから境界の引き方は、次の三条件で決まると見ている。評価項目が定量化できるか。採点結果を現場が納得できる形で説明できるか。そして誤採点が起きたときに人が上書きできる回路があるか。この三つが揃う範囲でAIに任せ、揃わない範囲は人に残す。全数化はゴールではなく、人の目を「探す」から「効かせる」へ移すための土台だ。
まとめ
第一に、応対品質評価は抜き取り2〜3%から全通話100%へ動き出し、これは品質を上げる前に「端のリスクが見えるようになる」変化として大きい。第二に、全数評価は人の時間を採点から介入へ移し、人とAIを同じ物差しで測り直す契機になる。第三に、それでも共感や例外対応といった定量化しにくい判断は人に残り、境界は定量化可能性・現場納得性・上書き可能性で引かれる。
では問いを一つ残したい。全通話が機械に読まれる時代に、コンタクトセンターの「良い応対」の定義そのものは、誰がどう更新し続けるのか。評価を自動化するほど、評価基準を決める仕事の重みは増すはずだ。
注記: 本稿の数値・事実は2026年7月29日時点で確認できた公開情報に基づく。ベンダー・企業が公表する評価カバレッジや成果指標には自己申告が含まれ、一次情報での裏取りが済んでいないものがある。第4章以降の見立ては筆者（相原ことは）の個人的見解であり、特定製品の性能を保証するものではない。
出典
PR Newswire「DoorDash, Observe.AI, and AWS Partner to Scale Customer-Centric AI Across 19,000 Agents」
CX Today「How to Improve Contact Center Agent Efficiency with AI: A 2026 Evaluation Guide」
CX Today「How to Optimize AI Bots Using Real Customer Conversations」（CallMiner）
CX Today「Gartner to CX Leaders: Stop Treating AI Agents Like Employees」
PR TIMES／ARアドバンストテクノロジ「SBI新生銀行、AIロールプレイツール『InnovaCall』を導入決定」
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。
