Claudeカスタマーサポート導入事例 — 自動化の設計思想はどう分かれるか

カスタマーサポート企業はClaudeをどう組み込んでいるか

カスタマーサポート向けAIプラットフォームでは、Claudeを土台にする例が目立ちます。Intercom(Fin)・Decagon・Assembled(Assist)・Kodifの4社は、自社のサポート自動化プロダクトにClaudeを組み込み、Anthropicが事例ページを公開しています。

4社に共通する目標は、問い合わせをかわす(deflection)ことでなく、解決まで持っていくことです。ただし道筋は一様ではありません。全自動を志向する企業、人間のオペレーターとの協調を軸にする企業、収益化まで踏み込む企業に分かれます。さらに各社が掲げる「自動化率」は、数えているものが違います。

この記事では4社の実装と数字の定義を並べ、自社のサポート課題に近い事例を選べるようにします。自前で組む場合の手順はClaudeでカスタマーサポートチャットボットを作るにあります。

Intercomは自動化の目標をどう「解決」に置いたか

Intercomは25,000社超の顧客基盤を持つカスタマーサポートプラットフォームです。AIエージェント「Fin」は問い合わせに24時間365日応答し、人間のオペレーターは複雑な問い合わせに集中できます。VP of AIのFergal Reid氏は「顧客を苛立たせ、邪魔になるだけのdeflectionエンジンは作りたくなかった」と述べています。

数字

Finの公開数値

• 平均解決率

  51%

  チューニング前の初期状態

• 解決率の最大

  86%

  顧客のサポート量に対する上限値

• 応答時間

  30分→数秒

  従来との比較

• 対応言語

  45以上

  トーンと回答の長さも企業ごとに調整

モデル選定では、回答の正確さだけでなく解決率・顧客満足度・応答の質を見ています。Staff Machine Learning ScientistのPedro Tabacof氏によれば、軽微な修正から大きな更新まで、あらゆる変更を本番のベースラインと厳密に比較します。

Intercomは設計思想を「知識・振る舞い・行動・洞察」の4本柱で語っています。知識はナレッジベース全体を踏まえた即答、振る舞いは企業ごとのトーンや方針への追従です。行動は返金処理や口座変更といった操作の代行、洞察はサポート運用全体のAI分析による可視化にあたります。

注目したいのは「行動」の位置づけです。Tabacof氏は、複雑なワークフローを自律的にこなせるようになれば、平均50%の解決率が80〜90%に届き得ると見ています。つまり86%という上限値は、いまの平均が到達点でないことを示す数字でもあります。

導入企業の規模は幅広く、数字の出方も違います。

• Synthesia:半年で6,000件超の会話を自動解決し、1,300時間超を節約しました。セルフサービスでの解決率は最大87%です。
• Fundrise:3か月で総問い合わせ量の50%超を自動化し、応答の正確さは95%を保っています。
• Lightspeed:解決率は最大65%です。会話の99%にAIが関与し、オペレーターが1日に閉じる会話は31%増えました。顧客満足度は安定しています。

Decagonが目指す「AIらしくない」対応

Decagonは、既存のチケットシステムや顧客データベースと統合し、単純な問い合わせから、従来は人間が担っていた複雑な処理までを扱うAIエージェントを提供しています。CTO兼共同創業者のAshwin Sreenivas氏は、汎用のヘルプ記事や手順リストを返す自動化は顧客に作業を丸投げしていると指摘し、熟練した担当者のように状況を理解して代行するものを作りたかったと述べています。

くらべる

Decagonが対比させる2つの自動化

従来の自動応答

かわし型

汎用のヘルプ記事か手順のリストを返します。実際の作業は顧客の手元に残ります。

Decagonの目標

代行型

返金なら、資格の確認から決済システムでの返金処理までをエージェントが実行します。

Claudeを選んだ理由は、複数段階の複雑な指示を正確にたどれることと、企業向けのセキュリティです。Sreenivas氏は、企業ごとの込み入った業務ロジックをたどりつつ、誤りを起きる前に拾える点を挙げています。Decagonの事例ページには、過剰な推論(over-inferencing)の発生率を70%減らしたと書かれています。

顧客の使い方も幅広く、Substackは書き手向けに公開トラブルや収益化の質問へ答えるエージェントを置いています。Rippling(中小企業向けのバックオフィス基盤)は決定木ロジックをClaudeのエージェントに置き換え、各地域の規制に沿いながら人事・給与の手続きを案内しています。事例ページによれば、多くの場合は人手を介さずに解決します。

Assembledは人間とAIの協調をどう設計したか

Assembledは「Assist」というオムニチャネルのAIエージェント兼コパイロットを提供し、人間のオペレーターとAIを組み合わせる支援基盤を運営しています。共同創業者のJohn Wang氏は、AIエージェントを入れれば解決すると考える新規参入が多いと見ています。本質は、分析・行動・共感を要するTier 2以上の問題をどう解くかだといいます。

切り替えの速さを示したのが、競合サービスの5〜6時間に及ぶ障害でした。全LLMワークフローをClaudeへ20分で移し、顧客対応を止めずに済んでいます。Wang氏は、推論能力が大きく上がり、会話のトーンも標準状態で自然だったため、モデル基盤全体の見直しを始めたと語っています。

Assistの内部は、次の役割に分かれています。

• チケット分類:メタプロンプトで、顧客ごとの分類体系に合わせます。
• ルーティング:案件の複雑さと顧客の感情を見て、AIと人間のどちらが受けるかを決めます。
• 応答の生成と強化:リアルタイムで行います。
• マルチモデル構成:障害時のフェイルオーバーを前提にしています。

事例ページ掲載のモデルの使い分けは、複雑な推論にClaude 3.5 Sonnet、高速処理にClaude 3 Haikuです。

成果は導入企業ごとに違う軸で出ています。Thrasioはチケットの50%超を自動化して、200万ドル近いコスト削減と完全解決までの時間50%短縮を得ました。Honeyloveは5か月で、時間あたりの解決件数が54%増え、エスカレーションが20%減り、AI応答のCSATが18%上がっています。Assist全体では、顧客満足度が20%上がる一方でサポート費用は下がり、エスカレーションは50%超減りました。

Kodifは、サポートをどう収益源に変えるのか

Kodifは、元Uberのエンジニアリングリーダーが創業したサポート自動化プラットフォームで、Amazon Bedrock経由でClaudeを使っています。CEOのChyngyz Dzhumanazarov氏は、多くの企業がサポートを必要悪と捉え、技術投資より人員増強で解こうとすると指摘しています。創業者らがUberで作ったサポート自動化基盤は、年間で推定50〜60億ドルの節約になったとされています。

選定の決め手は精度と展開の柔軟性でした。以前は博士号を持つデータサイエンティスト2人が1か月かけてチケット分類を作ったことがあり、Claudeは少ない工数でそれに並ぶか上回る結果を出しています。Dzhumanazarov氏は「Claude 3.5 Sonnetは、返金やキャンセルのように慎重さが求められる用途で最も精度が高い」と説明しています。Bedrockでの実装は「APIを叩くのと同じくらい簡単」だったそうです。

用途

Kodifの使い道は3つ

• 自律型のエージェント

  返金やキャンセルなどの手続きをこなします。自然言語の指示でShopifyなど複数のツールを動かす自動化を作れ、判断の理由が個々の自動化に記録されます。

• オペレーターの支援

  届いたチケットから顧客の意図を読み、ナレッジベースと過去のチケットを踏まえた返信案を作ります。

• 業務データの分析

  チケットの内容から傾向を見つけ、似た問題をまとめ、新しく出てきた問題を拾います。結果は他部門との共有に使えます。

導入企業では、Trust Walletが暗号資産サポートの90%を、Halo Collarがチケットの75%を自動化しています。Dollar Shave Clubは、ページ冒頭の要約では65%、本文では75%と書かれています。

収益化の例はFellowの解約フローです。解約を始めた顧客が、注文に入れ忘れた商品に気づいて追加し、解約をやめる流れが生まれ、注文額が増えました。コスト削減では出てこない成果が、解約手続きの作り方から生じた例といえます。

品質を保つ仕組みは、評価の置き場所で分かれる

4社とも「数字が良かった」で終わらず、品質を測り続ける仕組みを事例に書いています。違いは、評価をどの段階に置くかです。

• Intercomは、公開前の評価に重心があります。あらゆる変更を本番のベースラインと比べ、解決率や満足度を横断して見ます。
• Assembledは、運用中の人の修正を使います。サポート担当者の返答をすべて評価の流れに通して比較用の基準データを作り、人がAIの返答を直した箇所を分析して精度を上げます。ある大口顧客では、数百のカテゴリーにわたる精度が62%から90%に上がりました。
• Kodifは、判断の見える化です。AIの行動ごとに詳しい理由を表示し、サポート担当者が問題を調べ、ナレッジベースをその場で直せるようにしています。

Decagonのページには、こうした運用の仕組みの記述はありません。載っているのは、過剰推論の70%減という数値です。

4社の「自動化率」は同じ物差しではない

各社の事例ページには、50%台から90%までの数字が並びます。ただし数えているものが違うので、そのまま順位をつけることはできません。

Assembledの50%超は、満足度の条件を付けたうえで「自動化したケース」を数えた数字です。Dollar Shave Clubのように、同じページ内で65%と75%の2通りが出る場合もあります。自社の目標を立てるときは、解決率なのか自動化率なのか、満足度とセットなのかを、事例ごとに読み分けることになります。

4社を横断して見えるパターン

Claudeを選ぶ理由は共通していても、何を成功指標に置くかで実装が分かれています。Intercom・Decagonは「解決の質」を競争軸にしています。Intercomは解決率や満足度、Decagonは複雑な指示への追従精度をモデル選定で見ました。一方でAssembledは人間との役割分担を前提に置き、AIで完結させる案件と、人間をAIで支援する案件を分ける設計を取っています。Kodifは自動化率の先にある収益機会まで踏み込んでいます。

人間の役割の描き方も違います。Intercomは、Finを入れた企業でレイオフは起きず、サポートチームがより価値の高い仕事へ移ると語ります。Assembledは、人間を置き換えるのでなく働き方を変えることが要点だとしています。Kodifのトップは、数年のうちにAIエージェントがサポート業務の大半を担い、人間は監督役に回ると見ていて、4社の中では最も踏み込んだ見立てです。

モデル名を挙げているのはAssembledとKodifのページで、いずれもClaude 3.5 Sonnetです。IntercomとDecagonのページはモデル名を挙げていません。

自社の課題に近いのはどの事例か

サポート業務でClaudeを直接使う具体的な書き方はClaudeで問い合わせ返信を作るにまとめています。Amazon Bedrock経由での導入を検討する場合は、BedrockのClaude料金が直接APIとの違いを整理しています。社内で法人プランとして展開する際の契約形態はClaude Enterpriseとはを参照してください。サポート担当者の作業を型で揃える公式プラグインはcustomer-supportプラグインの手順にあります。

まとめ

事例の数字は、解決率・自動化率・満足度の条件つき自動化率と、物差しが社ごとに違います。自社の目標に写すときは、まず数えるものをそろえるのが出発点です。そのうえで、評価を公開前に置くのか運用中に置くのかを決めると、参考にする事例が絞れます。