AIチャットで問い合わせが増えたら失敗か：コールセンターとマーケが一緒に読む数字

Webサイトにチャット型のAIを置いたら、問い合わせの件数が増えた。コールセンター（コンタクトセンター）の月次報告で、この一行はたいてい悪い知らせとして読まれる。削減を約束して入れた道具で、処理量が増えたように見えるからだ。

ところが、同じ現象を逆の意味で語る現場もある。CC AI Labのmiibo対談で、同社COOの久野祐揮氏は、多品目ECの顧客がCRMツールを使ってAIチャットを半分の顧客にだけ出す対照実験を進めていると話した。話しかけやすくなるぶん問い合わせは通常のフォームより増えるが、顧客が入力する情報を見ると、出していない側より「活性化してる感じ」がある、という観察である。コンバージョン率やLTVが上がったかどうかは、同氏自身が「かもしれない」と留保しており、結果はまだ出ていない。

では、件数が増えたとき、何を見れば失敗か成功かを判定できるのか。本稿の立場は、件数そのものでは判定できず、増えた中身を3つに分けて初めて議論できる、というものだ。以下の手順・表・数値例はすべて編集部案であり、miiboおよび対談で触れられた企業の実験結果ではない。

1. 従来フォームからの移動と新しく生まれた質問を分ける

AIチャット導入後に増えた問い合わせは、少なくとも次の3種類が混ざっている。

1つ目はチャネル置換。これまで問い合わせフォームや電話で来ていた用件が、チャットに移っただけのものだ。総数は変わらず、入口が変わっている。

2つ目は新規接点。フォームを書くほどではなかったが、チャットなら聞いてみる、という質問である。ECなら「このサイズで合うか」「AとBの違いは何か」といった購入前の相談が典型になる。

3つ目は未解決再接触。チャットで聞いたが解決せず、あらためてフォームや電話に来たものだ。これはチャットが処理量を二重にしている部分で、負荷増としてそのまま数えるべきである。

3つ目が小さくないことは、海外の調査でも繰り返し確認されている。Gartnerの2024年8月の発表では、顧客5,728人への調査（2023年12月実施）で、セルフサービスで問題を完全に解決できた割合は14%にとどまった。顧客が「非常に簡単」と感じる問題でも36%である。失敗の最多要因は、関連する情報を見つけられないこと（43%）だった（数値はCX Todayの報道でも確認できる）。

さらにGartnerのチャネルシフトをめぐるCX Todayの報道によれば、顧客1,492人への調査（2022年12月実施）で、カスタマージャーニーの88%はセルフサービスで始まり、その後に複数チャネルへ移っている。

ただし、これらはセルフサービス全般を測った数字で、生成AIを使ったチャットに限った値ではない。示しているのは「チャットを置けば解決が完結する」とは前提にできない、という一点である。

道路にたとえると分かりやすい。バイパスを通すと、既存の道からの乗り換え（置換）に加えて、それまで出かけなかった人が車を出す（新規接点）。一方で、行き止まりの多い道なら、戻ってきた車が元の道を再び混ませる（再接触）。交通量が増えたこと自体は、バイパスの成否を語らない。

2. 会話件数・利用者数・購入前後を同じ期間で読む

3種類を分けるには、数字の取り方をそろえる必要がある。要点は3つだ。

第一に、会話件数と利用者数を分ける。1人が同じ用件で3回チャットを開けば、会話件数は3になる。件数だけで報告すると、置換も新規接点も膨らんで見える。

第二に、用件を購入前と購入後に分ける。コールセンターが従来受けてきたのは主に購入後の用件（配送・返品・変更）で、購入前の相談はマーケティング側の領分に近い。チャットのログを購入前・購入後でタグ付けするだけで、増えた件数がどちらの部門の話なのかが見える。

第三に、同じ期間・同じ母数で比べる。理想は、対談で語られたような表示群と非表示群の同時比較である。導入前後の比較は、季節やキャンペーンの影響を切り離せない。

ここで当て馬を1つ置く。米Williams-Sonomaは2026年8月の決算説明会で、AIアシスタント「Olive」を使った顧客は使わない顧客の3倍の率で購入に至ったと述べた（CX Diveの報道、同社発表）。この数字は利用者と非利用者を比べたもので、もともと買う気の強い人ほどアシスタントに話しかける、という選び方の偏りを含みうる。群ごとの購入率を比べる対照実験とは、問いが違う。「チャットを使った人の購入率」は、チャットを置いた効果の答えにはならない。

では実際に分けるとどう見えるか。以下は編集部が作った仮想例である（実在企業の数値ではない）。

前提は、同じ4週間、訪問者数がそれぞれ5万の表示群と非表示群。表の単位は、項目名の括弧内に示す。

合計だけを見れば、問い合わせ件数は非表示群の500に対して表示群は1,380で、比は約2.8になる。月次報告に載るのはこの数字だ。

分けて読むとこうなる。表示群の購入後のフォーム・電話（件数330）のうち90はチャットで解決しなかった再接触なので、チャットを経ずに来た購入後の初回問い合わせは240。非表示群の450と比べた差の210が、チャットへの置換と読める。チャットで購入後の用件を聞いた利用者260のうち90（約35パーセント）が戻ってきており、これが未解決再接触である。購入前の利用者440は、フォームにはほぼ来ていなかった新規接点だ。

そして、人が対応した件数は、フォーム・電話の380と有人切り替えの40を足して420。非表示群の500より80少なく、減少率は16パーセントになる。問い合わせの合計が大きく膨らんだ同じ月に、オペレーターの負荷は減っている、という読み方が成り立つ。

3. 負荷増と相談機会の増加を判定する会議シート

分けた数字を、コールセンターとマーケティングが同じ表で読むための会議シートを編集部案として示す。

再接触を数える期間（上の例では7日）は、商材と用件の性質で決める。窓の設計そのものは一次解決率の設計を扱った記事で整理したので、ここでは群間で同じ窓を使うことだけを条件にする。

判定は、概ね次の3パターンに分かれる。

• 負荷増として扱う: 有人対応件数が増え、再接触率も高い。チャットが用件を解かずに二重化している。ナレッジと切り替え導線の見直しが先で、表示範囲を広げる段階ではない

• 置換として扱う: 有人対応件数が減り、新規接点は小さい。コールセンターの効率化施策として評価できる。件数の増加は会話件数の数え方の問題である

• 相談機会の増加として扱う: 有人対応件数は横ばいか減少で、購入前の新規接点が大きい。この場合、増えた件数の評価軸はコールセンターのコストではなく、マーケティング側の購入率である

仮想例は3つ目に当たる。ただし、購入率2.00パーセントと2.10パーセントの差は、この規模の群では偶然の範囲に収まる可能性がある。仮想例では検定をしていない。実際の判定では、差が誤差の範囲を超えるかを確認するまで「効果あり」と書かないことを会議のルールにしておく。

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。

AIチャットで問い合わせが増えたときに本当に起きている問題は、数字の読み違いより、部門ごとに同じ数字が逆の意味を持つことだと考えている。処理件数で予算を組むコールセンターにとって、仮想例の会話1,000はコストに見える。購入率で評価されるマーケティングにとって、購入前の利用者440は見込み客との接点に見える。どちらも間違っていない。だから片方の部門だけで判定すると、もう片方にとっての価値か損失を見落とす。対談で語られた、カスタマーサポート・DX・マーケティングがワンチームで同じ実験を見ている体制は、この読み違いを会議の構造で防ぐ形だと読める。

一方で、この見立てには弱点もある。群を分けて同時比較できるのは、多品目ECのように訪問者が多く、CRMで表示を出し分けられる企業に限られる。訪問者が少ないサイトやBtoBの窓口では、群を分けても購入率の差は誤差に埋もれやすい。その場合は導入前後の比較に頼るしかなく、季節要因を完全には外せない。会議シートの上3行（置換・再接触・有人負荷）はコールセンター単独でも計測できるが、下2行の評価は条件がそろわないと「判断保留」にとどまる。

それでも、件数の増加を即座に失敗と書かないための条件は、次の3つに絞れると考える。

1. 会話件数ではなく利用者数と用件区分（購入前・購入後）で数えている

2. 再接触を、群間で同じ期間の窓で数えている

3. 有人対応件数と群全体の購入率を、コールセンターとマーケティングが同じ表で見ている

まとめ

第一に、AIチャット導入後の問い合わせ増加は、チャネル置換・新規接点・未解決再接触の3つが混ざった数字であり、合計だけでは成否を判定できない。

第二に、分けるには会話件数と利用者数、購入前と購入後、同じ期間と同じ母数という3つのそろえ方が要る。利用者と非利用者の比較は、効果の答えにならない。

第三に、判定の場にはコールセンターとマーケティングが同じ表を持ち寄る必要がある。一方の部門のKPIだけでは、同じ会話件数の増加が損失にも機会にも見えてしまう。

あなたのセンターの月次報告で「問い合わせが増えた」と書かれた行は、3つのうちどれを数えていたのだろうか。

対談の本編を読む

本稿の出発点になった多品目ECの対照実験について、CS・DX・マーケティングがワンチームでどう見ているのか、まだ答えが出ていない論点は何かは、miibo 功刀雅士氏・久野祐揮氏との対談で語られています。

【コールセンターは「コンテキストセンター」になる】AIカスタマーサポートを阻む“4つの壁”の超え方（会員限定）

注記

確認日: 2026年9月18日。本稿の手順・会議シート・判定パターン・数値例は編集部が独自に作成した案であり、miiboおよび対談で触れられた企業の実験設計・結果を示すものではありません。対談で語られた実験は進行中で、コンバージョン率やLTVへの効果は確認されていません。Williams-Sonomaの数値は同社の決算説明会での発表を報道経由で引用したもので、第三者検証はされていません。Gartnerの数値はセルフサービス全般を対象とした海外調査です。見解は筆者個人のものです。

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。