T最新テックトレンド

AIが顧客サポートの未来を再定義する：Fin Voiceが切り開く音声AIの新たな地平

AI Engineer
0:00--:--

はい、承知いたしました。動画コンテンツを深く分析し、詳細で説得力のあるブログ記事を生成します。

顧客サービスの世界は、常に進化の途上にあります。かつては電話が主流だった顧客との接点は、メール、チャット、ソーシャルメディアへと多様化し、今、私たちはAIによる新たな変革の波を迎えています。特に、音声AIが顧客サポートに与える影響は計り知れません。

本日は、AI Engineer World's Fairで発表されたIntercom社の革新的な音声AIエージェント「Fin Voice」に焦点を当て、この技術が顧客サポートの現場にどのような変革をもたらし、ビジネスにどのような影響を与えるのか、そしてその将来性について深く掘り下げていきます。

1. 顧客サービスプラットフォームIntercomとAIエージェント「Fin」の進化

Intercomは、長年にわたり顧客サービスプラットフォームとしてビジネスを支援してきました。同社のメッセンジャー製品は多くのモバイルアプリやウェブサイトで利用されており、顧客とのコミュニケーションの基盤を築いてきました。数年前には、メールやWhatsApp、そして電話といった多様なチャネルに対応する総合的な顧客サービスプラットフォームへと進化を遂げ、その地位を確固たるものにしています。

そして、GPT-4の登場から2年後、IntercomはテキストベースのAIエージェント「Fin」を発表しました。Finは、チャット上での顧客対応を自動化する画期的なツールとして、急速に成長を遂げています。

Finの驚異的な成長とパフォーマンス:

  • 顧客基盤: 5,000以上の顧客がFinを導入。
  • 解決率: 平均解決率は56%に達し、一部の顧客では70～80%もの高い解決率を誇ります。
  • 解決率の定義: 人間の介入なしにFinが対応を完了した割合を示します。

Finは単なるAIエージェントに留まらず、継続的な最適化を可能にする包括的なシステムとして設計されています。

  • Analyze（分析）: 顧客との会話履歴を分析し、自動化の機会を特定します。
  • Train（訓練）: Finのコンテンツと動作を学習・改善し、より効果的な対応を可能にします。
  • Test（テスト）: 変更を評価し、その効果を確認します。
  • Deploy（展開）: テスト済みの変更を様々なチャネルに簡単に展開できます。

この実績が示すように、Finはすでにテキストベースの顧客サポートにおいて大きな成功を収めています。そして今、Intercomはその成功体験を音声チャネルへと拡張しようとしています。

2. 音声AIが顧客サポートにもたらす革新：Fin Voiceの登場

これまでテキストベースに限定されていたFinの能力は、Fin Voiceの登場により、電話サポートへと広がります。Fin Voiceは、インバウンドコールに対応する最前線のチームメイトとして設計され、電話を受け取り、顧客の質問に答え、必要に応じて人間のエージェントに引き継ぎます。この革新的な音声AIエージェントは、わずか100日間で構築されたという驚くべきスピードで実現されました。

なぜ今、音声AIが注目されるのか？

音声AIが顧客サポートにおいて次なる大きなフロンティアである理由は明確です。

  • 顧客のニーズ: 顧客にとって、緊急性が高く、あるいはデリケートな問題が発生した場合、テキスト入力よりも音声での対話を好む傾向があります。単に「話したい」というニーズが根強く存在しているのです。
  • 市場の現状:
    • サポートチームの80%以上が未だに電話対応を行っています。
    • 世界中の顧客サービスにおけるやり取りの3分の1以上が電話で行われています。
    • 電話は時代遅れのチャネルではなく、依然として広く利用されている重要なチャネルです。

音声AIは、この根強いニーズに応え、かつ、コスト効率の高いソリューションを提供します。

音声AIがもたらす主要なメリット:

  1. 可用性 (Availability):
    • 24時間365日対応: 週末や営業時間外でも銀行やその他のサービスに問い合わせが可能になります。
  2. 待ち時間の解消 (No Wait):
    • キューで待つ必要がなく、すぐに利用できるため、顧客体験が向上します。
  3. IVRメニューの排除 (No IVR):
    • 「サポートは1を、支払いは2を押してください」といったIVRメニューが不要になります。すべてが自然な会話によって処理されます。
  4. 多言語対応 (Multi-lingual):
    • AIエージェントは30～40以上の言語に対応でき、国際的な顧客ベースを持つ企業にとって大きな利点となります。
  5. コスト削減 (Cost):
    • 米国における人間による電話サポートの平均コストは1件あたり7～12ドルですが、音声AIエージェントを利用すれば、少なくとも5分の1にコストを削減できます。
  6. スケーラビリティ (Scale):
    • ビジネスの成長やピーク時の需要増加に合わせて、AIエージェントは容易にスケールアップできます。

これらのメリットは、顧客満足度の向上だけでなく、ビジネス運営の効率化とコスト削減にも大きく貢献します。

3. Fin Voiceの構築プロセス：プロダクト開発における洞察

IntercomがFin Voiceをどのように構築したかについて、主要な7つの領域から具体的なアプローチを見ていきましょう。これは単なる技術的な話に留まらず、プロダクト開発における重要な意思決定と課題解決のプロセスを示しています。

  1. ユースケースの選択 (Choosing the Use Case):

    • 多くの音声AIスタートアップが、歯科予約やレストラン予約といった狭い問題領域から始めるのに対し、Intercomはより柔軟な「ナレッジベースエージェント」のアプローチを選択しました。
    • これは、チャット版Finが長年ヘルプ記事に関する質問（例：「料金プランは？」「返品ポリシーは？」）に回答してきた実績があったためです。
    • また、電話サポートのトランスクリプトを分析した結果、非常に多くの問い合わせがナレッジベースで解決可能であることが確認されました。API連携によってさらに解決できる範囲も広がります。
    • 初期の展開では、リスクの低い「営業時間外」のユースケースに焦点を当てました。これは、既存のメインワークフローに影響を与えずに技術を試行し、信頼を構築するためです。営業時間外ではボイスメールの代替として機能し、後に営業時間内の主要なサポートに展開する計画です。
    • その他の検討されたユースケースとして、認証、情報収集（注文ID、アカウントIDなど）、スマートルーティングがありましたが、これらは現時点ではエンドツーエンドの解決には繋がらないため、主要なユースケースとはなりませんでした。しかし、これらもサポートチームの負担を軽減する高レバレッジなユースケースとして重要視されています。

  2. 最初にリリースしたもの (What we Shipped First):

    • 最も重要な課題は、いかに早く「意味のあるもの」をリリースするかでした。Intercomにはすでに数千の顧客がネイティブの電話サポート製品を利用していたため、既存顧客から迅速にフィードバックを得ることが可能でした。
    • 開発チームは、テスト -> デプロイ -> モニター の3つの主要な体験に焦点を当てました。
      • テスト: 「Fin Voice Playground」と呼ばれる軽量なテスト環境を構築し、顧客サービスマネージャーがナレッジベースに基づいた質問をシミュレーションし、エージェントの動作を理解できるようにしました。これはプロジェクト開始からわずか4週間で実現され、内部からの迅速なフィードバックを得る上で非常に有効でした。
      • デプロイ: 顧客サービスマネージャーがFin Voiceを電話回線に展開できるようにしました。これにはエージェントの動作に関する基本的な設定や、顧客サービスチームのワークフローとの連携方法が含まれます。
      • モニター (Observability): AIエージェントによる通話で実際に何が起こっているかを可視化することを目指しました。トランスクリプト、録音、サマリー、そして通話結果を顧客サービスエージェントが確認できるようなインターフェースを提供しました。これらは派手な機能ではないかもしれませんが、大規模な顧客への展開において不可欠な要素です。

  3. 技術スタック (The Tech Stack):

    • Fin Voiceの核となる技術スタックは、以下の主要コンポーネントで構成されています。
      • STT -> LLM -> TTS ループ:
        • STT (Speech-to-Text): 音声をテキストに変換します。
        • LLM (Large Language Model): テキストを元に回答を生成します。
        • TTS (Text-to-Speech): 生成されたテキストを音声に変換します。
      • Realtime API: リアルタイムでの音声処理を可能にします。最初はこれ単体で迅速なテストに用いられましたが、後にコアアーキテクチャの一部として進化しました。
      • RAG (Retrieval-Augmented Generation): ナレッジベースからの情報検索とLLMによる回答生成を組み合わせることで、エージェントが知識に基づいて質問に回答できるようにします。これはAIエージェント体験において非常に重要な要素です。
      • Telephony: エージェントを電話回線に接続するためのコンポーネントです。
    • Intercomは、チャット版FinですでにRAGが設定されており、ネイティブの電話サポート製品も持っていたため、これらの既存の資産を活用することで開発を加速させることができました。将来的には、テキスト層を完全にスキップして直接音声から音声へ処理を行う「Voice-to-Voiceモデル」も検討されており、より自然な発話が可能になる可能性があります。

  4. 会話デザイン (Designing for Voice = Chat):

    • チャットと音声では会話の設計アプローチが異なります。音声は単に「音のあるチャット」ではないため、いくつかの重要な違いを考慮する必要がありました。
      • レイテンシー (Latency): チャットでは数秒の待ち時間は許容されますが、音声ではエージェントが1〜2秒以上沈黙すると、顧客は問題が発生したと判断する可能性があります。Fin Voiceでは、単純な問い合わせのレイテンシーを1秒に抑え、複雑な問い合わせには「確認中です」のようなフィラーワードを挿入することで、会話の流れを維持しています。
      • 回答の長さ (Answer Length): チャットでは、ユーザーは長い回答をスキップして必要な情報を見つけることができますが、音声では長い回答は煩わしく感じられます。Fin Voiceでは、複雑な回答や複数ステップにわたる回答を小さなチャンクに分割し、ユーザーに次のステップを聞きたいか確認することで、スムーズな対話を実現しています。これはトラブルシューティングのようなユースケースで特に有効です。
      • ユーザーの心理 (User Mindset): 初期テストでは、一部の顧客がFin Voiceを従来のIVRシステムのように単語で（例：「サポート」「パスワードリセット」「はい」「いいえ」）操作しようとすることが判明しました。しかし、AIエージェントが自然な文章で応答すると、顧客も自然な文章で会話するようになるという興味深い変化が見られました。これは、AIエージェントの自然さがユーザーの行動パターンを変える可能性を示唆しています。この過渡期において、AIエージェントができるだけ自然な会話ができるように設計することが重要です。

  5. 既存のサポートワークフローへの適合 (Fit into existing support workflows):

    • 音声AIエージェントが単独で機能するだけでなく、既存のサポートワークフローにシームレスに統合されることが成功の鍵となります。顧客からのフィードバックの多くは、AIエージェントそのものではなく、この統合に関するものでした。
    • エスカレーションパス: AIエージェントから人間へのスムーズなエスカレーションパスを確保する設定を構築しました。
    • コンテキストの引き継ぎ (Context Handoff): AIエージェントとの通話後、トランスクリプトの要約を生成し、人間のエージェントに引き継ぐことで、エージェントが通話内容を素早く把握できるようにしました。
    • これらは地味な機能かもしれませんが、AIエージェントをデモ段階から実用的な展開段階へと移行させる上で不可欠な要素です。

  6. 効果測定の方法 (How we know it's working):

    • Fin Voiceが効果的に機能しているかを確認するために、複数の評価方法を採用しました。
      • 手動および自動評価 (Manual and Automated Evals): テスト会話のセットを用意し、主要なコード変更ごとに手動および自動で実行します。最初はスプレッドシートでの手動評価が中心でしたが、時間とともに自動化を進めました。
      • 内部ツール (Internal Tooling): ログ、トランスクリプト、録音をレビューするための社内ウェブアプリ（Streamlitベース）を構築しました。これにより、顧客で問題が発生した場合、会話の詳細をレビューし、ログからトラブルシューティングを行うことができます。
      • 解決率 (Resolution Rate): これはFin Voiceの「北極星指標」であり、顧客に価値を提供しているかを示す主要な成功指標です。
        • ユーザーが通話中に問題が解決したと確認した場合、または
        • 少なくとも1つの回答を聞いた後にユーザーが切断し、24時間以内に再度電話しなかった場合 このいずれかを「解決」と定義しています。
      • LLMを判定者として利用 (LLM as a Judge): 実験的な取り組みとして、別のLLMを使用して通話トランスクリプトを分析し、問題点や改善機会を特定する試みも行っています。

  7. 価格設定の考え方 (How to price it?):

    • 音声AIエージェントのコストは1分あたり0.03ドルから0.20ドルの範囲で、これはクエリの複雑さや選択するプロバイダーによって異なります。
    • 価格設定モデルには主に2つのタイプがあります。
      • 使用量ベースの価格設定 (Usage Pricing): 1分あたりまたは1コールあたりの料金というシンプルなモデルで、予測しやすいメリットがあります。しかし、エージェントの品質を必ずしも反映しないため、プロバイダーと顧客のインセンティブが完全に一致しない可能性があります。
      • 成果ベースの価格設定 (Outcome Pricing): 実際に顧客の問題を解決した場合にのみ課金されるモデルです。これは顧客にとって大きなメリットがあり、プロバイダーと顧客のインセンティブがよりよく一致します。ただし、解決に至らなかった長い通話のコストはプロバイダーが負担するため、プロバイダーにとってはリスクが伴います。
    • 将来的には、市場が成果ベースの価格設定へと移行すると予想されています。

4. 最終的な考察：モデルだけでなくプロダクト全体が重要

このFin Voiceの構築経験から得られる最も重要な教訓は、「AIはモデルだけでなく、プロダクト全体の問題である」という点です。

AIエージェントを成功させるためには、単に優れたモデルを開発するだけでなく、以下の要素を総合的に考慮し、実装する必要があります。

  • 適切なユースケースの選択: 解決すべき具体的な問題と、そのAIが最も価値を提供できる領域を見極める。
  • 現実の電話会話に対応したデザイン: レイテンシーや回答の長さ、ユーザーの心理といった音声特有の課題を考慮し、自然で効果的な会話フローを設計する。
  • ツールの構築（社内外向け）: 開発チームだけでなく、顧客サービスチームがAIエージェントをテスト、デプロイ、監視、そして改善するための使いやすいツールを提供する。
  • サポートチームのワークフローとの統合: AIエージェントが既存の業務プロセスにシームレスに組み込まれるようにし、エスカレーションパスやコンテキストの引き継ぎを円滑に行う。
  • サポートチームとの信頼関係の構築: AIエージェントがチームの仕事を奪うのではなく、支援するツールであるという信頼を築くことが不可欠。最終的にAIエージェントを導入するかどうかは、彼らの意思決定にかかっている。
  • 舞台裏の複雑さを感じさせない努力: 内部的には複雑な技術が使われていても、ユーザーにとっては手間いらずで自然な体験を提供することを目指す。

Fin Voiceは、これらの要素を戦略的に組み合わせることで、顧客サポートの現場に真の価値をもたらすAIソリューションとして誕生しました。

まとめ：音声AIが拓く顧客サポートの新たな未来

Fin Voiceの登場は、AIが顧客サービスをどのように変革できるかを示す強力な事例です。AIエージェントが単なる自動応答システムではなく、顧客との自然な対話を通じて問題を解決し、さらにはコスト削減とスケーラビリティをもたらす可能性を秘めていることを証明しています。

音声AIの技術はまだ発展途上であり、これからも多くの進化が期待されます。しかし、Fin Voiceのようなプロダクトは、この技術がすでにビジネスと顧客体験に大きな影響を与え始めていることを示しています。

今後、より多くの企業が音声AIを導入し、顧客サポートのあり方が根本的に変わっていくでしょう。それは、単に効率化されるだけでなく、より人間的で、個別化された顧客体験が提供される未来を意味します。Fin Voiceは、その未来を切り開く先駆者の一つとして、私たちの注目を集め続けています。

← 一覧に戻る