呼量予測とシフト最適化のAI化はなぜ現場で嫌われるのか ー コールセンターWFM×AIの、精度と受容の壁
呼量予測の誤差は、熟練者の手作業で±20%前後、機械学習でチューニングすると±5〜8%まで縮む。NICEが示す数字では、精度の改善幅はもう議論の余地がないほど大きい。にもかかわらず、コンタクトセンター（コールセンター）の現場でWFM（Workforce Management＝要員管理）のAI化は、しばしば歓迎されない。むしろ「AIにシフトを決められるのは嫌だ」という声が、オペレーターさんからもSV（スーパーバイザー）からも上がる。
精度が上がったのに、なぜ嫌われるのか。私の見立てを先に言えば、WFMのAIは「予測を当てる技術」として売られているが、現場が評価しているのは「外れた時にどう振る舞うか」であり、そのズレが受容の壁になっている。
1. 精度は本当に上がった ー コールセンターの呼量予測はどこまで来たか
まず事実を押さえる。呼量予測は長らく職人芸だった。国内でもコールセンタージャパンの整理にあるとおり、膨大な過去データから予測を組む作業は労力がかかり、経験と勘を持つエキスパートに依存してきた。属人的で継承が難しく、専任者の退職リスクが高いという、現場の弱点そのものだった。
そこにAIが入った。時系列モデル（ARIMA、Prophet）やニューラルネット（LSTM）を組み合わせ、過去の呼量・季節性・イベントを学習して将来の負荷を出す。NICEは45種類の予測モデルを持ち、履歴やパターンに応じて最も当たるモデルを自動で選ぶ「ベストピック」方式をとる。効果も具体的だ。Calabrio（2026年2月にVerintが買収）の事例では、Wixがシフト作成にかかる時間を40%削減し、シフトをまたぐアドヒアランス（スケジュール遵守率）とシュリンケージを改善したと紹介されている。
当て馬として、手動予測と比べれば差は歴然としている。職人が数日かけて組む予測を、AIは数分で出し、しかも当たる。ここだけ見れば、導入しない理由はない。ただし単純比較には留保がいる。予測精度の10%改善は「平常時の話」であり、後述するように、現場が本当に困る場面は平常時の外側にある。
2. なぜ現場は身構えるのか ー アドヒアランスという言葉の二面性
WFMのAI化が嫌われる理由は、精度ではなく「アドヒアランス」の扱いにある。アドヒアランスとは、決められたスケジュール（受電、休憩、離席）にどれだけ忠実に動けているかの指標だ。AIを積んだイントラデイ管理は、リアルタイムでこれを可視化する。誰が遅れて着席したか、昼休みが長かったか、離席が続いているかが、秒単位で分かる。
ここに二面性がある。運用者にとっては、サービスレベルを守るための強力な道具だ。AIによるイントラデイ管理の解説が示すとおり、需要の変動をリアルタイムに検知し、休憩や研修の再配置を自動で提案することで、目標のサービスレベルを崩れる前に守りにいける。ところが、フロントに立つオペレーターさんの視界では、同じ機能が「監視の強化」に映る。トイレに立つのも、少し長く息を継ぐのも、全部AIに見られている、という体感になる。
比喩を使えば、WFMのAIは「交通量を最適化する信号機」として設計されているのに、運転している側からは「速度違反を自動で切符化するカメラ」に見える、という状態だ。同じ技術が、立ち位置によって支援にも監視にも見える。この認識のズレを放置したまま導入すると、数字は良くなっても現場の納得は得られない。アドヒアランスの改善が、離職率の悪化と裏表になることすらある。
そしてもう一つ、AIの予測には構造的な弱点がある。学習は過去データの範囲でしか効かない。気象予測の研究では、物理モデルの方が記録破りの極端現象ではAIモデルを上回ることが示されている。評論家のGautam Mukunda氏もAIは「前例のない事象」を、疑いもなく外すと指摘する。呼量予測も同じで、大規模障害・炎上・災害・想定外の報道といった突発需要は、まさに学習データの外側にある。平常時に何千回当てても、組織の生死を分ける日には外す。現場が身構えるのは、この「外れた時に誰が責任を持つのか」が設計されていないからだ。
3. 受容される設計の型 ー 予測を当てること以外に効く4つの打ち手
ここまでの事実から、再現できそうな「型」を抜き出す。
第一の型は「予測より“外れた時の運用”を設計する」。AIの予測精度を上げることと、外れた時に立て直せることは別問題だ。突発需要に対して、誰がどの権限で応援を回すか、AIの推奨をいつ人間が上書きするか、その手順を先に決めておく。予測が当たる前提ではなく、外れる前提で組む。これが効くのは、現場の不安が「精度」ではなく「非常時の無防備さ」に根ざしているからだ。
第二の型は「アドヒアランスを“評価”ではなく“支援”に振る」。同じリアルタイム可視化でも、SVが個人を詰める材料に使えば監視になり、オペレーターさん自身が自分の状態を把握する材料として返せば支援になる。可視化の宛先を管理者だけでなく本人にも開くと、意味が反転する。
第三の型は「スケジュールに本人の裁量を残す」。カナダの大手BPO・Nordiaの事例では、拠点をまたぐシフトトレード（同じスキルを持つ他のオペレーターさんとのシフト交換）や無給休暇枠でスケジュールの裁量を本人に渡した結果、欠勤が3%減り、離職率は1四半期で10%下がったという。AIが人にシフトを押し付けるのではなく、AIが選択肢を整えて人が選ぶ。同じ最適化でも、主語を入れ替えると受容が変わる。
第四の型は「突発需要には人間の判断を明示的に残す」。国内でもTMJが北海道大学とシフト調整自動化のアルゴリズム＋AIを共同開発しているように、最適化そのものは進む。だが、最適化が届かない領域（前例のない急増）を、AIに任せず人間の裁量として切り出しておくことが、逆説的にAIへの信頼を支える。全部任せないと決めることが、任せられる範囲を広げる。
4. ここからは私の見立て
ここからは私の見立てとして書く。WFMのAI化の勝負どころは、予測精度のコンマ何%ではなく、「AIが外した日の運用」と「監視に見せない設計」の2点に集約されていくと考える。ベンダーの提案書は前者（精度）で埋まっているが、現場の受容を決めるのは後者だ。
自己反証を一つ入れておく。「そうは言っても、精度が上がれば外れる回数自体が減るのだから、外れた時の設計はいずれ些末になるのでは」という反論はあり得る。実際、平常時の予測は年々当たるようになっている。ただ、平常時に強くなるほど、現場は予測に依存し、いざ外れた日に立て直す“筋肉”が落ちる。精度の向上が、非常時の脆さを増幅する可能性がある。だから外れた時の設計は、精度が上がるほど重要になる、というのが私の立場だ。
条件付きで言えば、WFMのAIが現場に定着するのは、(1)突発需要時のエスカレーション手順が先に決まっていて、(2)アドヒアランスの可視化がオペレーターさん本人にも開かれ、(3)シフトに本人の選択余地が残っている、この3条件が揃った時だと考える。逆に、精度だけを訴求して監視色の強い運用を敷けば、数字は良くても人は辞める。
まとめ
第一に、AIの呼量予測は精度の議論を実質的に終わらせた。±20%が±5〜8%になった今、当てること自体はもう差別化要因ではない。
第二に、それでもWFMのAI化が嫌われるのは、アドヒアランスの可視化が「支援」にも「監視」にも見えるからであり、この認識のズレは技術ではなく設計で埋めるしかない。
第三に、AIは前例のない突発需要を疑いもなく外す。だからこそ、外れた日の運用と、人間に残す裁量の設計が、受容の分かれ目になる。
問いとして残したい。あなたのセンターがWFMにAIを入れる時、稟議書に並ぶのは「予測精度何%」だろうか、それとも「AIが外した日に、誰が、どの権限で動くか」だろうか。後者が一行も書かれていないなら、それはまだ現場に嫌われる設計のままかもしれない。
※本記事は2026年7月30日時点で確認できた公開情報に基づく。ベンダー公表値・導入事例の成果数値には自己申告ベースのものを含み、一次実測とは限らない。数値の解釈と「見立て」部分は筆者個人の見解であり、特定製品の推奨・否定を意図するものではない。
出典
CommunityWFM「Improving Contact Center Efficiency with Intraday Management」
Science Advances「Physics-based models outperform AI weather forecasts of record-breaking extremes」
Jefferson City News-Tribune / Gautam Mukunda「AI isn't built for black swan era of bad weather」
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。
