「AIを導入済み」は成熟度を語らない ー 2つの調査が示した、PoCから本番へ上がれない壁の正体

2026年9月10日、コンタクトセンター（コールセンター）のAI活用の深さを測る調査が2本公表されました。

1本目は、AIを使ったWEM（ワークフォース・エンゲージメント管理）のベンダーであるSuccessKPIがCMSWireと共同で実施した「Contact Center Maturity Survey」です。同社の発表によると、世界のコンタクトセンター運営者400名のうち82%が、限定的なAIパイロット（38.25%）か初期導入の段階（43.75%）にとどまっていました。完全にAI駆動のワークフローに到達したと答えたのは2.5%です。

2本目は、会話AIのboost.aiとシステム開発のCiklumが調査会社Coleman Parkesに委託した「2026 State of AI in BFSI Contact Centers: From Pilot to Agentic CX」です。英国・北欧・DACH（ドイツ・オーストリア・スイス）の銀行・金融・保険（BFSI）で、顧客サービスのAI戦略の意思決定に関わる200人に聞いています。両社の発表では、41%がAIのパイロットを動かしながら本番稼働しているものが一つもなく、完全にエージェント型で統合されたサービスモデルに到達したのは4%でした。

2本は対象も設問も違うので、数字を足したり比べたりはできません。それでも、回答者を「AIを使っているか」ではなく「どこまで導入が進んだか」で分け、大半が手前に残っているという構図は共通しています。

そこで立てたい問いは、なぜPoC（実証）は本番に進まないのか、です。私の答えは、boost.aiの調査で最も多く挙がった障壁は既存システムとの連携で、SuccessKPIの調査では過半がデータをAIに使える形に整理・統合できていないと答えた、つまり壁の多くはモデルの外側にある、というものです。ただし不正確な回答への懸念も残ります。立場としては、導入率ではなく実装の深さで自社を測り、PoCの設計段階で本番の条件を先に書くことを勧めます。

この記事の要点

• ①SuccessKPIの調査では82%が限定的なパイロットか初期導入の段階で、53%が「データがAIに使えるほど整理・一元化されていない」と回答した（同社発表）。boost.aiの調査では41%がパイロットのみで本番稼働ゼロ、4%が完全にエージェント型で統合されたサービスモデル（両社発表）

• ②boost.aiの調査が挙げた阻害要因（既存システム連携、規制の不確実性）と、SuccessKPIの調査が示した準備不足（データの整理・統合、ガバナンスの体制）は、どちらもモデルの外側にある。ただし不正確なAI回答が導入時の懸念として最も多く挙がった点も残る

• ③どちらもベンダーによる調査で、段階の定義文は公開資料で確認できない。市場の絶対値ではなく、「導入」と「本番」の距離を測る材料として読む

1. 数字を、性質ごとに読み分ける

2つの調査の数字を、原文の表記と読み手が置く留保に分けて並べます。

SuccessKPI × CMSWire（世界のコンタクトセンター運営者400名、同社発表）

boost.ai × Ciklum（欧州BFSIの意思決定者200人、両社発表）

SuccessKPIのレポート紹介ページによると、回答者の地域構成は米国50%、英国・アイルランド25%、APAC 25%で、2026年5〜6月に実施されました。規模区分はオペレーター「2,000人未満」が31.75%、「2,000〜5,000人」が36.25%、「5,000人超」が32.25%です。

boost.aiの調査は2026年5月11日から6月1日に実施され、両社のリリースによると業種は銀行40%、保険40%、金融サービス20%でした。

2. 2つの調査は、何を「初期」「完全」と呼んでいるか

公開資料で確認できた段階の区分を並べます。

軸が違います。SuccessKPIは「AIの導入段階」と「ワークフロー自動化の深さ」を別々の項目として発表し、boost.aiは「本番稼働がどこまで広がったか」で分けています。「限定的なパイロット」と「パイロットのみ」は似て見えますが、後者は本番が一つも無い状態を指し、前者はそこまで言っていません。

共通して見えるのは、SuccessKPIの「完全統合（full integration）」、boost.aiの「統合されたサービスモデル（integrated service model）」と、上位の区分に「統合」の語が入っている点です。段階名を見る限り、AIが単体で動くかではなく、チャネルや業務システムとつながっているかが上位の区分を分けていると読めます。定義文は公開されていないため、これは段階名からの当ラボの読みです。

別の調査で定義も違いますが、コンタクトセンター基盤のTalkdeskが8月に公表した調査では、98%の組織が顧客対応のどこかにAIを導入している一方、エージェント型AIと部門横断のオーケストレーションを組み合わせて用件を最後まで解決している組織は15%でした（同社調査）。

3. 壁の正体。boost.aiの阻害要因と、SuccessKPIの準備不足を分ける

阻害要因として発表しているのはboost.aiの調査です。SuccessKPIの数字は阻害要因ではなく現状の成熟度として発表されているので、分けて並べます。

既存システムとの連携（boost.ai）。 boost.aiの調査で最も多く挙がった障壁は、既存システム連携の複雑さでした。CiklumのRobert Easter氏（CRO）はリリースで、障壁は構想ではなく、レガシー基盤へのAIの統合、分断されたデータ、厳しい規制の枠組みの複雑さだと述べています。SuccessKPIも、オペレーター5,000人超の組織は分断されたシステムとサイロ化したプロセスに苦しむことが多いとしています。

規制の不確実性（boost.ai）。 boost.aiのレポート紹介ページは、本番への移行を阻む要因を「レガシー連携から規制の不確実性まで」と要約しています。規制についての数値はリリースにありません。boost.aiのHenry Vaage Iversen氏（CCO）は、規制環境で本番へ進むことは技術と同じだけ組織の課題だと述べています。当ラボが7月に保険業界のAI照会対応と規制の摩擦点で整理したとおり、国内の保険では、AIが閉じてよい範囲そのものが保険業法の募集行為ラインや要配慮個人情報の扱いで狭く決まります。PoCで答えられても、本番で同じ範囲を任せられるとは限りません。

モデルの性能（boost.ai）。 一方でboost.aiの調査では、障壁とは別に、導入時の懸念として最も多く挙がったのが不正確なAI回答でした。性能の壁が消えたわけではありません。

データの準備（SuccessKPI）。 SuccessKPIの調査では、データがAIに使えるほど整理・一元化されていないという回答と、報告・分析システム間の統合が限定的か存在しないという回答が、どちらも過半でした。

運用とガバナンスの体制（SuccessKPI）。 SuccessKPIは、人とAIエージェントが顧客対応を分担するハイブリッド型へ移る動きに、ガバナンスとデータ管理の体制が伴っていないと指摘し、品質モニタリングを手作業か限定的な自動化で行う組織が半数近いとしています。

当ラボは9月11日公開の「コールセンターAIの投資順序を決める」で、株式会社miiboの久野祐揮氏が挙げたAIカスタマーサポートの4つの壁（初期構築・公開前検証・精度向上・データ連携）を出発点に、4工程で詰まりを分けました。4つの壁という区分は久野氏のもので、以下の対応づけは当ラボの整理です。

並べると、項目は④と②に集まります。PoCで確かめやすいのは「答えが返るか」で、④の接続と権限、②の出してよい基準はPoCの環境では省略されやすい部分です。

4. ラボの見立て。PoCが「本番の条件」を外に置いている

ここからは私の見立てです。

PoCは多くの場合、「このAIは自社の問い合わせに答えられるか」を試す場として設計され、接続先システム、参照させるデータの範囲、承認者、規制上の確認、運用を担う人といった本番の条件は外に置かれがちです。PoCが成功しても、それらが未決なら移行はそこで止まります。boost.aiの調査の「パイロットはあるが本番はゼロ」という回答は、この構造の結果として読めます。私の読みですが、Iversen氏も本番への準備を最初から戦略上の優先事項として扱う企業が抜け出す、という趣旨を述べています。

目的の置き方も効きます。boost.aiの調査では61%がAIを主にコスト抑制に使っていると両社は発表しています。目的が削減だけならPoCの評価も削減見込みに寄り、連携やデータの条件は評価項目に入りにくくなります。

自己反証を2つ置きます。

第一に、調査主体の利害です。SuccessKPIは自社を「AIガバナンス層」を提供する基盤と説明し、boost.aiは規制業種向けの会話AIを、Ciklumはシステム統合を手がけています。「壁は連携・データ・ガバナンスにある」という結論は、それぞれが売っているものと重なります。また、原文は「パイロットを実施中（running）」で、費用対効果が合わず本番化を見送る判断に向かうパイロットも「本番ゼロ」に含まれ得るため、そのすべてを「進めなかった」と読むのは言い過ぎです。

第二に、母集団と地域差です。SuccessKPIの調査は回答者の半数が米国で、規模の区分は中規模（2,000〜5,000人）が36.25%、大規模（5,000人超）が32.25%です。国内のセンターと比べるときは、この規模の分布を前提に置く必要があります。「広範な導入」の判断は回答者の基準に依存するため、米国の値が低いのが実態の差か自己評価の厳しさの差かも区別できません。boost.aiの調査も欧州のBFSIに限られます。

5. SV・センター長への示唆

第一に、自社の現在地を「導入の有無」ではなく深さで書く。 当ラボの整理として、本番で稼働しているチャネルの数、AIが後続の手続きまで閉じている業務の数、AIが参照できるデータの一元化の度合い、AIの設定変更の承認者と品質を見る担当、の4つを数えます。答えられない項目が現在地です。

第二に、PoCの計画書に「本番の条件」の欄を先に作る。 接続するシステムと改修の担当、参照させる顧客情報の範囲と承認者、規制・コンプライアンスの確認時期、本番運用の担当者と週あたりの時間、撤退の基準です。当ラボの着手前・PoC後・本番前の3段階チェックリストは、この欄を埋めるときの点検表になります。金融・保険のように規制が重い業種では、コンプライアンスの確認を本番前ではなくPoC前に置きます。

第三に、データの棚卸しはPoCと並走させる。 整備の完成を待つ必要はありませんが、棚卸しを飛ばすと本番の段階で同じ問題に戻ってきます。当ラボが整理したPoC前に棚卸しすべき5つの資産（FAQ・ログ・CRM・マニュアル・権限）から、報告・分析の仕組みとつながっていないものを先に洗い出します。

第四に、ベンダー調査の数字を稟議に使うときは、調査主体・母集団・段階の定義を併記する。 「82%が初期段階」「41%がパイロット止まり」を業界平均のように使うと、自社の段階の定義と揃いません。誰が誰に何を聞いた数字かを添え、自センターの4つの深さの数字と並べます。

6. 結び

第一に、2つの調査は対象も定義も違いますが、段階名を見る限りどちらも「どこまで導入が広がり、つながっているか」で段階を切り、大半が手前に残っていることを示しました。導入率はもう成熟度を説明しません。

第二に、boost.aiの調査が挙げた阻害要因（既存システム連携、規制の不確実性）と、SuccessKPIの調査が示した準備不足（データの整理・統合、ガバナンスの体制）は、どちらもモデルの外側にあります。ただし性能の壁が消えたわけではありません。

第三に、PoCが本番に進まない理由の一つは、本番の条件をPoCの外に置いたまま始めることにあると私は見ています。どちらもベンダーによる調査で、結論が各社の事業と重なるという留保は外せません。

あなたのセンターのPoC計画書には、「本番で誰が、どのシステムにつなぎ、誰の承認で動かすか」を書く欄があるでしょうか。無いなら、次のPoCはその欄を作るところから始めることを勧めます。

注記：本記事の数値は、SuccessKPI、boost.aiとCiklum、Talkdeskの各発表とレポート紹介ページに基づき、2026年9月11日時点で確認したものです。いずれも各社が実施または委託した調査で、第三者による検証は確認していません。本レポートはフォーム登録制で、段階の定義や設問文は公開資料の範囲を超えて確認していません。2つの調査の数字は相互に比較・合算していません。4つの壁という区分は株式会社miiboの久野祐揮氏に帰属し、4工程への対応づけと見立ては筆者個人の見解です。本記事は公開情報をもとにした筆者の分析であり、記事作成にはAIによるリサーチ支援を活用しています。

参考リンク

元の発表

• SuccessKPI「Most Contact Centers Have an AI Strategy but Do Not Execute on Automation, Finds SuccessKPI Survey on Contact Center Maturity」（2026年9月10日） https://www.globenewswire.com/news-release/2026/09/10/3359582/0/en/most-contact-centers-have-an-ai-strategy-but-do-not-execute-on-automation-finds-successkpi-survey-on-contact-center-maturity.html

• SuccessKPI「Benchmarking the 2026 State of Contact Center Maturity」 https://successkpi.com/cx-maturity-benchmark-2026/

• boost.ai・Ciklum「41% of BFSI Organisations Have AI Pilots That Have Never Reached Production. Just 4% Have Reached Full Scale, New Research Reveals」（2026年9月10日） https://www.prnewswire.co.uk/news-releases/41-of-bfsi-organisations-have-ai-pilots-that-have-never-reached-production-just-4-have-reached-full-scale-new-research-reveals-302874275.html

• boost.ai「2026 State of AI in BFSI Contact Centers: From Pilot to Agentic CX」 https://boost.ai/guides/2026-state-of-ai-in-bfsi-from-pilot-to-agentic-cx/

当ラボの関連記事

• AIプロジェクトの6割は「データ」で消える ー コールセンターがPoC前に棚卸しすべき5つの資産 https://ccai-lab.com/articles/2026-08-14-data-readiness-checklist

• 【AI導入プロジェクトが頓挫する組織要因 ー 技術以外の失敗を反転したチェックリスト https://ccai-lab.com/articles/2026-08-15-project-failure-org-checklist

• 保険業界AI照会対応の実態 ー FISC・金融庁ガイドラインとAI自動化の摩擦点 https://ccai-lab.com/articles/2026-07-07-insurance-ai-regulation

• CCaaS大手が「AIの統制層」を売り始めた ー Genesysの新スタックをコールセンター目線で読む https://ccai-lab.com/articles/2026-09-05-trend-genesys-agentic-orchestration

• 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 https://ccai-lab.com/articles/2026-08-11-metrics-definition-audit

外部出典

• Talkdesk「Companies are deploying AI in customer experience faster than they can make it work」（2026年8月25日） https://www.globenewswire.com/news-release/2026/08/25/3350556/0/en/companies-are-deploying-ai-in-customer-experience-faster-than-they-can-make-it-work.html

よくある質問

2つの調査の数字を並べて比べてもよいですか

比べられません。SuccessKPIの調査は米国・英国/アイルランド・APACのコンタクトセンター運営者を対象に、AIの導入段階とワークフロー自動化を別々の項目として発表しています。boost.aiとCiklumの調査は欧州の銀行・金融・保険の意思決定者を対象に、本番稼働の広がりで段階を分けています。どちらも段階の定義文は公開資料で確認できないため、同じ「パイロット」でも同じ状態を数えているとは限りません。共通しているのは上位の区分に「統合」の語が入っている点で、段階名からは「チャネルや業務システムとつながっているか」で上位を分けていると読めます（定義文が非公開のため、当ラボの読みです）。

PoCが本番に進まない主な理由は何ですか

boost.aiの調査が挙げた阻害要因は既存システムとの連携と規制の不確実性で、最も多く挙がった障壁は既存システム連携の複雑さでした。SuccessKPIの調査は、データの整理・一元化やガバナンスの体制が追いついていない現状を示しています。一方で、不正確なAI回答が導入時の懸念として最も多く挙がっており、性能の問題が消えたわけではありません。当ラボは、本番の条件をPoCの外に置いたまま始めることが、移行の止まる一因だと見ています。

自社のAI成熟度はどう測ればよいですか

導入しているかどうかではなく、深さで数えることを勧めます。当ラボの整理では、本番で稼働しているチャネルの数、AIが後続の手続きまで閉じている業務の数、AIが参照できるデータの一元化の度合い、AIの変更を承認し品質を見る担当の有無の4点です。ベンダー調査の数字と比べる場合は、その調査の母集団と段階の定義を併記してください。

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。