LiveAgent API連携によるAIカスタマーサポートエージェント
このAI搭載ワークフローは、ユーザーからの問い合わせを自社のナレッジソースや外部API（LiveAgentなど）、言語モデルに接続し、プロフェッショナルでフレンドリーかつ高い関連性のある応答を自動化します。フローは会話履歴の取得、ドキュメント検索、外部システムとの連携を行い、簡潔で構造化された回答を提供し、必要に応じて...
1 分で読める
+++ title = “カスタマーサポートで実際に機能するAI機能:技術リーダーによる実装ガイド” contentOrigin = “hi” linkbuilding = [ “AIサポート機能”, “カスタマーサポートAI”, “AI分類”, “リクエスト検証AI”, “回答アシスタント”, “AIエスカレーションルール”, “サポート自動化機能”, “AIチャットボット偏向”, “スパム対策AI”, “サポートライフサイクル自動化” ] keywords = [ “AIサポート機能”, “カスタマーサポート自動化”, “AI実装”, “サポート運用”, “AIエスカレーション”, “チャットボット偏向”, “自動分類”, “回答アシスタント” ] description = “サポートワークロードを48.5%削減した6つのAI機能の技術的詳細。サポート運用リーダーが、各機能が解決する具体的な問題、実装アプローチ、測定可能な結果を解説します。” image = “/images/blog/ecommerce-conference-jozo.jpg” tags = [ “Customer Support”, “AI Functions”, “Support Operations”, “Technical Implementation”, “Automation Strategy” ] blog-categories = [“Tutorials and Guides”] showCTA = true ctaHeading = “サポート運用にAI機能を導入する” ctaDescription = “LiveAgentのサポートチームを変革した6つのAI機能を構築しましょう—チャットボット偏向、スパム対策、自動分類、リクエスト検証、回答支援、インテリジェントエスカレーション。” ctaPrimaryText = “今すぐ試す” ctaPrimaryURL = “https://app.flowhunt.io/sign-in" ctaSecondaryText = “デモを予約” ctaSecondaryURL = “https://www.flowhunt.io/demo/" author = “mstasova” date = “2025-01-28 10:30:00”
[[faq]] question = “カスタマーサポート自動化で使用される6つのAI機能とは何ですか?” answer = “6つの機能は次のとおりです:(1)レベル1の問い合わせ偏向のためのAIチャットボット、(2)コンテキスト分析によるスパム対策、(3)データ整合性のための自動分類、(4)リクエストの検証と完全性チェック、(5)応答加速のための回答アシスタント、(6)インテリジェントなエスカレーションと引き継ぎ。各機能は、モノリシックなAI変革を試みるのではなく、特定の運用ボトルネックをターゲットにしています。”
[[faq]] question = “サポートチームはAI実装にどのようにアプローチすべきですか?” answer = “最も頻度が高く、最も反復的なやり取りから始めて、機能ごとに段階的に実装します。各機能を個別に展開し、測定可能な指標で成功を検証してから拡大します。ブログページのチャットや自動分類など、成功が最も達成しやすい領域から始め、技術サポートシナリオに取り組む前に信頼を構築します。数日の展開ではなく、数か月の最適化を計画してください。”
[[faq]] question = “サポートにAIを実装する前に必要な前提条件は何ですか?” answer = “必須の前提条件には次のものが含まれます:包括的なドキュメントを備えた整理されたアクセス可能なナレッジベース、エスカレーションルールと分類スキーマの明確なプロセス定義、既存のヘルプデスクシステムとのAPI統合機能、日々の監視と反復的改善へのコミットメント、現在のパフォーマンスには即座の完璧さではなく数か月の改善が必要であるという現実的な期待。”
[[faq]] question = “AI サポート機能は、完全なリクエストライフサイクルでどのように連携しますか?” answer = “ライフサイクルはすべての機能を統合します:ステージ1(インテリジェント受付)は、スパム対策と自動分類を使用してリクエストをフィルタリングおよびルーティングします。ステージ2(エージェント加速)は、応答ドラフトの回答アシスタントをアクティブ化し、定型的な確認応答を自動化します。ステージ3(ハイブリッドチャット)は、チャットボット処理とインテリジェントなエスカレーションを人間のエージェントに組み合わせます。ステージ4(学習ループ)は、人間のやり取りから知識ギャップをキャプチャして、AI機能を時間の経過とともに拡張します。” url = “/ja/ブログ/real-world-ai-in-customer-support-liveagent-story/” +++ Jozef Štofiráは、グローバル技術チームの管理と100以上の市場でのサポートの拡大に15年以上を費やし、現在Quality Unitでカスタマーサポート運用を率いています。E-commerce MastermindでのJozefの最新のプレゼンテーションは、AI理論ではなく、LiveAgentチームがFlowHuntを使用して展開した具体的なAI機能と、彼らが達成した測定可能な結果に焦点を当てていました。
以下は、6つの異なるAI機能、各機能が特定のサポートボトルネックにどのように対処するか、そして彼のチームが文書化した運用改善の内訳です。
詳細な指標を含む完全なLiveAgent AI実装ストーリーに興味がある場合は、LiveAgentサクセスストーリー をご覧ください。
中核的な課題:品質を犠牲にせずにエージェントの負荷を軽減する
多くのサポートチームは、遅かれ早かれ同じ問題に直面します:チケット量が予算よりも速く増加します。従来のチケット量に比例して人員を拡大するアプローチは、最終的に財務上の制約に直面します。一方、過労状態の既存のエージェントは、本当の顧客の問題に費やすべき時間を消費する反復的な問い合わせによる燃え尽き症候群を経験します。
Jozef Štofiráのアプローチは、機械が人間よりもうまく処理できるサポートタスクを特定し、それらをフィルタリングすることに重点を置いていました。最終目標は、人間の判断、共感、専門知識が最も重要な高価値のやり取りにエージェントの注意を向け直すことでした。
6つのAI機能、6つの具体的な解決された問題
Jozef Štofiráは、それぞれが特定のサポートボトルネックをターゲットとする個別の機能を中心とした構造化されたAI実装を提示しました。モノリシックな「AIサポートシステム」を展開するのではなく、彼のチームは特定の非効率性に直接対処するソリューションを実装しました。
機能1:レベル1の問い合わせ偏向のためのAIチャットボット
問題:反復的な質問、販売前の質問、実際の製品サポートニーズとは無関係な一般情報リクエストの過負荷。
解決策:LiveAgentのドキュメントとナレッジベースに直接接続されたFlowHunt AIチャットボットを、トラフィックが多く複雑さが低いページにのみ展開。
結果:手動ライブチャット量が48.5%削減。LiveAgentは、人間のエージェントを必要とする月間3,500件の会話から1,800件に減少しました。チャットボットは現在、その差を自律的に処理し、問い合わせをフィルタリングし、本当に人間の専門知識を必要とするものだけをエスカレートします。
重要な決定は、すべてを処理しようとしないチャットボットを作成することでした。基本的な質問の偏向、ドキュメントの検索、簡単なトラブルシューティングの支援にのみ焦点を当て、レベル2の複雑さを人間のエージェントにすぐにエスカレートします。
機能2:コンテキスト分析によるスパム対策
問題:従来のスパムフィルターは、技術的にはスパムではないが、有効なサポートリクエストでもない洗練されたコールドアウトリーチと半関連メッセージに対して失敗します。
解決策:キーワードマッチングではなく、コンテキストと意図のAI分析。システムは、受信メッセージが本物のサポートニーズを表しているか、自動的にクローズする必要があるかを評価します。
結果:月間2,000件以上のチケット量で、手動スパムレビューに費やされる純粋なエージェント時間を月間3〜6時間削減します。
違いは、ルールベースのシステムはパターンを探しますが、AIは意図を評価します。コールドセールスメールは、ルールベースのスパムキーワードをトリガーしない可能性がありますが、明らかにエージェントの注意を必要とするサポートリクエストではありません。
機能3:データ整合性のための自動分類
問題:時間的プレッシャーの下での手動分類は、一貫性のなさとギャップにつながります。AI実装前は、チケットの15%が未分類のままで、サポート分析とリソース配分に盲点を作り出していました。
解決策:チケットがシステムに入った瞬間にAPIを介した自動AI分析とカテゴリ割り当て。
結果:未分類チケットの完全な排除(15%から0%へ)。10,000件を超える量では、月間14〜28時間の節約になります。
より広範な影響は、サポートリーダーシップがトレンド分析、容量計画、チームパフォーマンス測定のための正確で完全なデータを持つようになったことです—以前は一貫性のない手動分類によって破損していたデータです。
機能4:リクエストの検証と完全性チェック
問題:顧客は、解決に必要な重要な情報が欠落しているサポートリクエストを頻繁に送信します。エージェントは手動でレビューし、ギャップを特定し、追加の詳細を要求します。これにより、解決が遅れ、容量が消費されます。
解決策:FlowHuntチャットボットは、受信リクエストに対して検証チェックを実行します。チャットボットは不足している情報を特定し、すぐに要求します。完全で有効なリクエストの場合、システムは即座に確認応答と適切なルーティングを提供します。
結果:600件以上のリクエスト量で月間5〜10時間の節約、さらに、明確化のための遅延したリクエストではなく即座のフィードバックによる顧客体験の大幅な改善。
顧客は、エージェントが追加情報を求めるのを待つ代わりに、必要なものについて即座のガイダンスを受け取ります。これにより、全体的な解決時間が大幅に加速されます。
機能5:応答加速のための回答アシスタント
問題:エージェントがチケットを個人的に処理する必要がある場合でも、応答の作成、ドキュメントの検索、一貫したブランドボイスと技術的正確性の確保に時間が浪費されます。
解決策:FlowHuntのAI生成応答ドラフトは、エージェントの手動入力を必要とせずに、ナレッジベースから関連情報を引き出します。残っているのは、レビュー、変更、送信だけです。複雑な応答の場合でも、エージェントは、AIが完全でプロフェッショナルにフォーマットされた回答に拡張する簡単な指示を提供するだけです。
結果:応答ごとに2〜3分の節約。このレベルの関与を必要とする月間4,000件以上の応答で、月間約166時間の節約になります。
これはトレーニングにもプラスの影響を与えます。新しいエージェントは、AIを通じた包括的なナレッジベースアクセスのおかげで、すぐに専門家レベルの応答を作成でき、ドキュメントを必死に読むストレスを排除します。
機能6:インテリジェントなエスカレーションと引き継ぎ
問題:自動化がやり取りを処理すべき時期と人間の注意が必要な時期を判断し、顧客が情報を繰り返す必要がないスムーズな移行を確保します。
解決策:FlowHuntチャットボットが独立して回答する時期と人間のエージェントに転送する時期を決定するためのエスカレーションルールを定義します。完全な会話履歴とコンテキストがすべての引き継ぎとともに渡されます。
結果:顧客はシームレスな移行を体験します。エージェントは完全なコンテキストを受け取り、ゼロから始める代わりに自然に会話を続けることができます。
この機能は、自動化の割合を最大化することではなく、機械が処理するものと人間が処理するものの境界を最適化し、それぞれが自分の強みの領域で動作することを保証することです。
完全なリクエストライフサイクル:AI機能がどのように連携するか
Jozefは、これらの6つの機能が、最初の顧客接触から解決まで、完全なサポートリクエストライフサイクル全体でどのように統合されるかの例を含めました:
ステージ1:インテリジェント受付
顧客が連絡を開始すると、2つのAI機能がすぐにアクティブになります。スパム対策は、それが本物のサポートニーズであるか、自動的にクローズする必要があるかを評価します。同時に、自動分類はコンテンツを分析し、人間のレビューが発生する前に適切なタグを割り当てます。
このフロントラインフィルタリングにより、エージェントは、ルーティングと優先順位付けのためにすでに適切に分類されている正当なサポートリクエストのみを見ることができます。
ステージ2:ハイブリッドチャット処理
FlowHuntチャットボットは受信会話を管理し、簡単な問い合わせに直接回答します。複雑さがボットの機能を超えた場合、または顧客が明示的に人間の支援を要求した場合、インテリジェントなエスカレーションは、完全なコンテキストでライブエージェントに会話を転送します。
これにより、AIが処理できるものを処理し、人間が処理すべきものを処理する階層システムが作成され、シームレスな引き継ぎにより、顧客が移行ポイントで摩擦を経験することはありません。
ステージ3:エージェント加速
人間の処理を必要とするリクエストの場合、FlowHuntを搭載した回答アシスタントが応答ウィンドウで利用できます。ドキュメントから関連情報を使用して応答ドラフトを生成し、エージェントに開始点を提供するか、回答の調査に費やす時間を大幅に削減します。
一方、自動化は、デモリクエストの確認など、定型的な確認応答と標準応答をエージェントの関与なしに処理します。
ステージ4:継続的な学習ループ
最終ステージには、人間が処理したやり取り中に特定された知識ギャップの抽出が含まれます。チャットボットの会話が、AIが既存のドキュメントから回答できなかった質問を明らかにした場合、システムは人間のエージェントが提供した専門家の解決策をキャプチャします。
この情報は、手動でのナレッジベース開発を必要とせずに、チャットボットの機能を時間の経過とともに拡張する新しいナレッジベース記事の基礎になります。システムは、完全に自動化できないすべてのやり取りから学習します。
実装アプローチ:システムを段階的に構築する
LiveAgentチームは、6つの機能すべてを同時に展開しませんでした。Michal Lichnerが彼のAI実装ガイドで概説した ように、彼らは最も影響が大きく、最も複雑さが低い機能から始めて段階的に実装し、すべての機能の日々の監視を続けました。
チャットボットは、重要な製品サポートページではなく、ブログや用語集ページなど、誤ったトラフィックが最も多いWebサイトの特定のセクションで最初に起動されました。これにより、チームはプロンプトを改善し、FAQを拡張し、より技術的なサポートシナリオに拡大する前にパフォーマンスを検証できました。
自動分類は次に来て、サポート分析に害を及ぼした即時のデータ整合性の問題に対処しました。正確な分類が確立されると、適切なルーティングと優先順位付けに依存する他の機能がその基盤の上に構築できました。
回答アシスタントは、チームが目に見えない実装を通じてブランドボイスと技術的正確性を維持するAIの能力に自信を築いた後、顧客向け機能の中で最後に展開されました。
各機能は、初期展開中に日々の監視を受けました。チームは、理論的なシナリオではなく、実際の顧客とのやり取りに基づいて、システムプロンプトを改善し、ナレッジベースを拡張し、エスカレーションルールを調整しました。
ニュースレターに登録
最新のヒント、トレンド、お得な情報を無料で入手。
技術アーキテクチャ:機能する理由
AI機能は、完全なシステム交換を必要とするのではなく、API接続を通じて既存のLiveAgentヘルプデスクインフラストラクチャと直接統合 します。これにより、進行中の運用を中断することなく段階的な展開が可能になりました。
ナレッジベース統合は、一般的なAIトレーニングに依存するのではなく、承認された会社のドキュメントを真実のソースとして使用します。これにより、幻覚リスクが大幅に減少し、実際の会社のポリシーと手順に沿った一貫性のある正確な応答が保証されます。
エスカレーションシステムは、確率的意思決定ではなく、定義されたルールを使用します。特定のトリガーが発生した場合—顧客が明示的に人間の支援を要求する、AIの信頼度がしきい値を下回る、会話の複雑さが定義されたパラメータを超える—引き継ぎは完全なコンテキスト転送で自動的に発生します。
リクエスト検証は、任意の顧客コミュニケーションスタイルを理解しようとするのではなく、テンプレートマッチングと必須フィールドチェックを通じて動作します。この実用的なアプローチは、自然言語理解の複雑さなしに、不完全な送信の90%に対処します。
成功するAIサポートの前提条件
実装を振り返って、Štofiráは、AIがこれらの結果を提供する前に存在しなければならない前提条件も特定しています:
組織化された知識:包括的で、よく維持されたドキュメントが重要です。AIは散在する部族の知識を魔法のように整理することはできません。作業するための構造化されたアクセス可能な情報が必要です。
明確なプロセス定義:エスカレーションルール、分類スキーマ、応答テンプレートを明示的に定義する必要がありました。AIは、「良い判断」についての曖昧なガイドラインではなく、その中で動作する構造を必要とします。
反復へのコミットメント:現在のパフォーマンスは、初期展開ではなく、数か月の改善の結果でした。チームは、日々の監視、継続的なプロンプト改善、実際の顧客とのやり取りに基づく継続的なFAQ拡張にコミットしました。
統合機能:APIを通じて既存のシステムとAI機能を接続する能力により、段階的な展開が可能になりました。これがなければ、チームは試みるにはリスクが高すぎるオールオアナッシングのシステム交換に直面していたでしょう。
現実的な期待:経営陣は、AIが学習時間を必要とし、すぐにピークパフォーマンスを達成しないことを理解していました。この忍耐により、チームは最初の不完全さの兆候でシステムを放棄するのではなく、適切に最適化することができました。
プレゼンテーションは、彼のチームが探求している将来の方向性の簡単な言及で締めくくられました。これには、チャットを超えた電子メールベースのチケットへのAI回答アシスタント機能の拡張、解決されたサポートのやり取りをナレッジベース記事に変換する自動化されたワークフローの開発、WhatsAppやソーシャルメディアプラットフォームを含む追加のコミュニケーションチャネルへの自律的なチケット処理の拡張が含まれます。
結論
このフレームワークは、AIを開始する場所を評価するサポートリーダーに実用的なガイダンスを提供します。
最も頻度が高く、最も反復的なサポートのやり取りを特定することから始めることが重要です。これらは、成功が最も達成しやすく、影響が最も測定可能であるため、最良の初期ターゲットを表します。このアプローチは、早期の燃え尽き症候群からあなたを救います。すぐに完璧を期待するのではなく、パフォーマンスを監視し、改善のためのスペースを見つけることを忘れないでください。明確なルール、十分な知識ソース、学習ループがあって初めて、AIはサポート運用に真に利益をもたらし始めることができます。
LiveAgentの結果は、明確な成功基準と現実的な期待を持って思慮深く実装された場合、カスタマーサポートにおけるAIが機能することを示しています。問題は、AIがサポート運用を改善できるかどうかではなく、チームがそれらの改善を持続可能にする体系的な機能ごとのアプローチにコミットできるかどうかです。
フレームワークの接続
Jozefの運用フレームワークは、AI機能が実際にどのように機能し、大規模なカスタマーサポートの日常の現実を処理するかを示しています。複雑なAI実装に興味がある場合は、シリーズの他の記事をチェックしてください:
Michal Lichnerの実装ロードマップ は、戦略的基盤を確立しました—AI努力に焦点を当てる場所と、展開前にコンテンツとプロセスを体系的に準備する方法。
Viktor Zemanの技術インフラストラクチャ は、サポート運用を自動化したら、顧客がAI媒介検索とコマースプロトコルを通じて実際にあなたを発見できることを保証します。
これら3つの視点は、一緒になって完全な全体像を形成します:AI媒介コマース環境におけるeコマースの戦略的計画、運用実行、技術インフラストラクチャ。
