毎日使っているのに信頼度はたった7%？オペレーターはなぜAIを信頼しないのか
衝撃的な数字が示す「現場と経営の断絶」
米UJETが2026年に公表した調査結果が、コンタクトセンターのAI導入に関わる人間にとって、重く受け止めるべき数字を示した。
同調査（米国の現場オペレーター250名対象）によれば、日常的にAIを使って業務を行っているオペレーターのうち、AIの出力結果を「信頼している」と答えた人はわずか7%（原文は「93%が出力を額面通りには信頼せず確認が必要」で、その裏返しにあたる）。そして「AIは自分の日々の業務に必要不可欠だ」と答えた人は、一人もいなかった。
毎日使っている。しかし信頼していない。なくても問題ない。
この数字は、AIを推進する経営層やベンダーが「現場への普及が進んでいる」と見なしているものの実態を、率直に暴いている。ツールとして提供されてはいるが、現場のオペレーターにとってのAIは、まだ「なくてはならないもの」にはなっていない。
「使っている」と「信頼している」は別の話
まず整理しておきたいのは、「使っている」と「信頼している」は本質的に異なるということだ。
職場にツールが導入されれば、使わざるを得ない場面は自然に生まれる。上から「これを使いなさい」と言われれば使う。しかし、それが信頼につながっているかどうかは別問題だ。
オペレーターがAIの出力を信頼していない場合、実務上どういう行動が起きるか。AIが提案した回答をそのまま使わず、自分で確認してから顧客に伝える。AIが示した情報が不安で、別の情報源でも裏を取る。あるいは、AIを使わずに自分の記憶と経験だけで対応する。
これは「AIが生産性を上げている」状態ではない。むしろ確認作業が増え、AIがない場合より業務負担が増しているケースすらありうる。
なぜ信頼されないのか。三つの構造的要因
① 回答の精度が「使いものになる水準」に達していない
AIは「それらしい答え」を返すことに長けている。しかし「正しい答え」を返すかどうかは別だ。特に、自社の商品・サービス・規約に関する固有の知識が必要な場面では、汎用的な学習データをもとにしたAIが誤った情報を提示するリスクがある。
オペレーターは顧客に対して正確な情報を伝える責任を負っている。一度でも「AIが言ったことを顧客に伝えたら間違いだった」という体験をすれば、信頼は急速に失われる。その後にAIを使い続けるとしても、「確認必須の補助ツール」という位置づけに固定される。
HubSpotのAIカスタマーエージェントは自己解決率70%を公表しており、その背景には自社製品に関するナレッジをAIに徹底的に学習させたことがあるとされる。現場のオペレーターがAIを信頼するためには、まず「このAIは自社の業務を知っている」という確信が必要だ。
② データの分断が「使えるAI」を作れていない
調査の回答コメントでも目立っていたのが、データの分断化・分散という指摘だ。
AI活用の品質は、そのAIが参照できるデータの質と量に直結する。しかし多くのコンタクトセンターでは、顧客情報・過去の対応履歴・商品データ・業務マニュアルが複数のシステムに分散して存在し、統合的に管理されていない。
バラバラなデータをつなぐ統合的なナレッジ基盤がなければ、AIは断片的な情報しか持てない。断片的な情報をもとにした回答は精度が低く、オペレーターは信頼できない。
AIに現場を信頼させるためには、AIに与えるデータ基盤の整備が不可欠だが、これは「AIを導入する」より難しく、時間がかかる作業だ。
③ 現場が置き去りにされている
もう一つの構造的な問題は、AI導入のプロセスにおいてオペレーターが蚊帳の外に置かれがちであるということだ。
経営層がROIを見てAI導入を決定し、情報システム部門が発注し、ベンダーが実装する。現場のオペレーターは、ある日突然「今日からこのツールを使ってください」という形でAIを渡される。
なぜそのAIが必要なのか、どういう仕組みで動いているのか、自分たちの業務のどこに使うのか。これらの説明が不十分なまま導入されると、オペレーターはAIを「上から押しつけられたもの」として受け取る。そこに信頼は生まれない。
「信頼7%」が意味する経営へのメッセージ
この数字を経営層はどう読むべきか。
「現場が保守的なだけ」と片付けるのは間違いだ。オペレーターの信頼を得られていないAIは、業務効率化の効果を半分以上無駄にしている。AIの能力がいくら高くても、現場が使いこなさなければROIは出ない。
また、「もっとAIを使うよう現場に指示する」という対応も本質をはずす。使用を強制しても信頼は生まれない。信頼が生まれない限り、AIは「確認が必要な補助ツール」のままであり続ける。
現場のAI信頼度を高めるために必要なのは、次の三つだ。
① ナレッジ基盤の整備。自社固有の情報をAIに学習させ、「このAIは自社を知っている」という実感を与える。
② 小さな成功体験の積み重ね。全業務への一気適用ではなく、AIが確実に役立つ限定的な業務から始め、「これは使えた」という体験を現場に作る。
③ 現場を巻き込む設計プロセス。オペレーターが「自分たちのために作られたツールだ」と感じられるよう、導入設計の段階から現場の声を取り入れる。
ElevenLabsが示す「後付けできる音声AI」という選択肢
同時期、音声AI開発の大手ElevenLabsの日本法人が、既存システムへの音声機能後付けを可能にする「Speech Engine」の提供を開始したというニュースも注目に値する。
これが意味するのは、既存の会話シナリオや業務システム連携はそのままに、音声認識と音声生成の部分だけをElevenLabsの高性能エンジンに差し替えられるという選択肢だ。
この発想は、現場の信頼獲得という観点からも示唆がある。すでにある業務フローを大きく変えずにAIの精度だけを上げる。オペレーターが慣れ親しんでいる業務の流れは維持しながら、AIの出力品質を高める。変化の衝撃を最小化しながら、信頼に値する性能を手に入れる方法の一つだ。
まとめ
オペレーターがAIを毎日使っているにもかかわらず、信頼しているのは7%、必須と答えた人は0%
「使っている」と「信頼している」は本質的に別。強制使用は信頼を生まない
信頼されない原因は、回答精度の不足・データ基盤の分断・現場が置き去りの導入プロセス
現場の信頼なきAIは、投資効果の半分以上を無駄にする
信頼を獲得するにはナレッジ基盤整備・小さな成功体験・現場参加型の設計の三点が不可欠
ElevenLabsの「後付け音声エンジン」は、業務変化を最小化しながら精度を上げるという現実的な選択肢を示している
本記事は、CC AI Lab編集長・千葉によるPodcastの内容をもとに、オウンドメディア掲載用に再構成・加筆したものです。
