完結率・自己解決率・自動化率は各社で定義がずれている ー 指標を突合するチェックリスト

「解決率97%」という発表と「自動完結52.7%」という発表が同じ月に並ぶと、後者が見劣りして見える。ソフトバンクの発表では、LINEMOのカスタマーサポートにSierraのAIエージェントを導入した結果、問い合わせの解決率が83%から97%に向上したとされる。一方、カラクリのプレスリリースでは、三井ダイレクト損保のセンターで夜間問い合わせの52.7%をボイスエージェントが自動完結したとされる。では前者のAIは後者の2倍近く優秀なのか。そうとは言えない。この2つの数字は、分子も分母も計測範囲も違う可能性が高いからだ。本稿の立場を先に言えば、コールセンターAIの数値比較は「定義を突合してから」でなければ意思決定の材料にならない、である。

1. コールセンターAIの「成果数値」は乱立している

2026年に入って、AIの成果を数値で語る発表が急増した。HubSpotの発表では、Customer Agentがサポートチケットの72%を有人エスカレーションなしで解決し、導入企業は10,000社を超えたとされる。トランスコスモスの発表では、ボイスボットから音声AIエージェントへの刷新で自己解決率が約19%から約52%に伸びたとされる。

ITmediaの取材記事では、Zoomが自社サポートでチャット問い合わせの98%をAIが無人解決していると語っている。

72%、52%、98%。数字だけを並べると優劣がついたように見えるが、母集団がまるで違う。HubSpotの72%は「チケット」が母数で、同社の顧客層はSMB比率が高く定型問い合わせが多い可能性がある。トランスコスモスの52%は音声チャネルの自己解決率で、Zoomの98%はチャットというテキストチャネル限定の数字だ。しかもいずれも発表企業自身による自己申告で、第三者検証は付いていない。

当て馬として会計の数字を考えるとわかりやすい。売上高や営業利益は会計基準という共通の定義があるから他社比較ができる。コールセンターAIの完結率・自己解決率・自動化率には、その会計基準にあたるものが存在しない。もっとも、各社が数字を偽っているという話ではない。各社がそれぞれ合理的な定義で測った数字が、共通のラベルで呼ばれていることが問題なのだ。

2. なぜずれるのか ー containment・resolution・deflectionは別物

ずれの正体は、英語圏では3つの異なる指標として区別されているものが、日本語では「完結率」「自己解決率」あたりに丸められてしまう構造にある。

第一にcontainment rate（封じ込め率）。Decagonの用語解説によれば、これはAIが有人へ転送せずに対話を終えた割合であり、計算式は「完結セッション÷そのチャネルに入った総セッション」だ。重要なのは、顧客の問題が解決したかどうかを問わない点である。顧客がチャットボットに苛立って途中で去っても、有人に転送されていなければ「contained」に数えられうる。

第二にresolution rate（解決率）。こちらは顧客の問題が実際に解決したかを問う指標で、エスカレーションなしの完結に加えて、解決確認のステップや応対後のCSATと組み合わせて測るのが本来の姿だ。containmentが高くてもresolutionが低い状態は普通に起こる。

第三にdeflection rate（回避率）。Kustomerの用語解説によれば、これはFAQやチャットボット等のセルフサービスで、チケット起票や有人接触に至る前に問い合わせを解消した割合を指す。ここには計測上の難所があって、「解消した」と判定するには、同じ用件で顧客が一定期間内に再接触しないことを確認する必要がある。Metabaseの指標解説などでは、この再接触の窓は24〜72時間で設定するのが一般的とされるが、窓を設けずに計算すれば数字は簡単に膨らむ。

アナロジーで言えば、野球の打率のようなものだ。打率の分母は打席数ではなく打数で、四球や犠打は除外されている。この除外ルールを知らずに「10打席で3安打だから3割」と計算する人と、正しく打数で計算する人の数字は比較できない。コールセンターAIの数字も同じで、分母から何を除外しているかを確認しない限り、率の高低は何も語らない。

さらに分母の範囲もずれる。カラクリの52.7%は「夜間」という時間帯限定の数字であり、営業時間内の全呼を分母にすれば当然もっと低くなる。Zoomの98%は「チャット」限定で、電話を含めた全チャネルの数字ではない。範囲を狭く切るほど率は上がる。これも各社の発表が悪いのではなく、読む側が範囲を確認する必要があるという話だ。

3. 突合チェックリスト ー 数字を比較する前に確認する4点

他社事例やベンダー提案書の数値を自社の判断材料にする前に、次の4点を突合する。ベンダーとの商談なら、そのまま質問リストとして使える。

① 分子の定義: 「完結」は何をもって完結か。 有人に転送しなかっただけか、用件の解決を確認したのか。解決確認の方法は何か（対話末尾の確認ステップ、CSAT、後日の再接触有無）。途中離脱は分子に入るのか。この1問目で、containment型の数字かresolution型の数字かが判別できる。

② 分母の範囲: どの母集団の率か。 チャネル（電話・チャット・メール）、時間帯（全時間か夜間・時間外のみか）、用件（全用件か、AIに向く定型用件に絞ったか）。トランスコスモスの19%から52%への改善は、ボイスボットから音声AIエージェントへの構成変更に伴う数字であり、分母の設計が同じかどうかも本来は確認したい点だ。

③ 除外条件: 分母から何を落としているか。 いたずら電話・無言呼・対象外用件・営業時間外の切断などをどう扱うか。除外を増やすほど率は上がるため、除外リストの開示があるかどうか自体が、その数字の信頼性のシグナルになる。

④ 再問い合わせの窓: 解決の賞味期限をどう見るか。 deflection型・resolution型の数字なら、同一用件での再接触を何時間追いかけたか。窓なし・24時間・72時間では数字が大きく変わる。窓の設定が明示されていない「解決率」は、containment rateの言い換えである可能性を疑ってよい。

この4点は、ベンダー選定だけでなく自社KPIの設計にも効く。Metrigyの調査では、697社のデータでエージェント支援AIが平均処理時間を29.5%短縮したとされるが、こうした運用指標も「どの通話を母集団にした平均か」を押さえて初めて自社との比較に使える。

4. ここからは私の見立て ー 定義の統一は来ない。だから突合の技術が資産になる

ここからは私の見立てとして書く。コールセンターAI指標の業界標準定義は、少なくとも数年内には成立しないと見ている。ベンダーには自社に有利な定義で発表する合理性があり、業界団体が標準を作っても発表資料への強制力がないからだ。むしろ発表数値は今後さらに増え、定義のずれたまま流通する数字の総量は膨らむだろう。

自己反証もしておく。「定義がずれているなら数字は全部無意味か」と言えば、そうではない。同一組織が同一定義で追い続ける数字は、改善の傾きを正確に示す。LINEMOの83%から97%への変化は、両時点が同じ定義で測られている限り、他社と比較できなくても改善の事実としては十分に意味がある。危ういのは絶対値の横比較であって、時系列の縦比較ではない。

そのうえで、この状況が続くなら価値を持つのは「数字を持っていること」ではなく「数字の定義を尋ねられること」だ。センター長やCS部長が本稿の4点を質問として持っているだけで、ベンダー提案書の読み方は変わる。逆に、自社の数字を外に出すときも、分子・分母・除外・窓を添えて開示すれば、それ自体が信頼の担保になる。数字の透明性で選ばれる側に回るという戦略は、定義が乱立している今だからこそ成立する。

まとめ

第一に、コールセンターAIの完結率・自己解決率・自動化率には会計基準にあたる共通定義がなく、containment・resolution・deflectionという別概念が同じ日本語ラベルで流通している。第二に、数字の絶対値を横比較する前に、分子の定義・分母の範囲・除外条件・再問い合わせ窓の4点を突合する必要がある。第三に、定義の標準化を待つより、突合の質問を持つこと・自社数値を定義付きで開示することが実務上の資産になる。

あなたのセンターが今ダッシュボードで追っている「完結率」は、4点のうちいくつに答えられる定義で測られているだろうか。

注記: 本稿の事実関係は2026年8月11日時点で各出典URLを確認した。引用した解決率・完結率等の数値はいずれも各社の自己申告値であり、第三者検証は確認できていない。4章は筆者個人の見解である。

出典

• ソフトバンク「ソフトバンクとSierra、AIエージェントでカスタマーサポートの顧客体験を変革するサービスの日本展開に向けた戦略的パートナーシップ契約を締結」

• カラクリ「三井ダイレクト損保、コールセンターAIで『デジタルデバイド解消』へ苦情ゼロ・夜間の問い合わせ52.7％を自動完結」

• トランスコスモス「transcosmos evolves its CX platform into trans-DX Plus for Support with new AI agent capabilities」

• ITmedia「チャット問い合わせ『98％』をAIが無人解決 Zoomが語る『安く・速くさばく』コールセンターの限界」

• CX Today「HubSpot Customer Agent Resolves 72% of Support Tickets Without Human Escalation」

• Metrigy「What Metrigy's Latest AI Data Reveals About Contact Center Staffing」

• Decagon「What is Containment Rate? Chatbot Metric Definition」

• Kustomer「Ticket Deflection: Definition, Formula, and How to Improve」

• Metabase「Deflection Rate: Definition, SQL & How to Track It」

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。