顧客対応と業務をつなぎ、成長を支える仕組みをつくる

顧客理解と実行の質を高める、生成AI活用

生成AIを導入しても、どの仕事で使い、何をもって良い結果とするかが曖昧では、日々の業務に定着しません。MemoriaLabは、顧客の声の整理、クリエイティブ案の作成、社内情報の検索、対応文の下書きなど、目的に合う活用方法を設計します。

AIを業務へ組み込むAXを、調査・制作・実行・振り返りの流れから考えます。作成する量だけを増やすのではなく、人が顧客を理解し、仮説を選び、結果を確かめる時間と情報を確保することが目的です。業務の整理から試作、評価、運用への組み込みまでを支援します。

具体的な仕事へ、任せる範囲を落とし込む

例えばインタビューの整理では、発言を話題ごとに分け、要点と元の発言を並べる下準備をAIに任せる方法があります。担当者は文脈や言いよどみを確かめ、何が購入のきっかけだったかを解釈します。少数の発言を全顧客の傾向へ広げたり、実在しない発言で不足を補ったりしないよう、事実と仮説を分けて残します。

広告案を考える場合は、顧客の状況、商品の事実、訴求の仮説、表現上の条件を入力にします。異なる切り口の案を作り、人が根拠とブランドの方針を確認して選びます。クリエイティブの分類にも使えますが、訴求・表現・利用場面の定義をそろえ、付けられた分類を点検します。配信結果と比較できる形で記録し、次の制作仮説へつなげるところまでを一つの仕事として設計します。

顧客の声や商品情報をAIで整理し、人が根拠を確認して施策に使う流れ
図：生成AIに任せる処理と人が担う判断（説明用）

資料を検索し、根拠をたどれる回答にする

社内資料を検索してから回答をつくる仕組みは、商品仕様や対応手順を参照する場面で候補になります。例えば問い合わせへの下書きを作るなら、関連する商品情報と案内ルールを取り出し、参照した資料の該当箇所も担当者に示します。回答の確認に必要な情報を、別の画面で探し直さずに済む構成を考えます。

そのためには、最新版の資料がどこにあるか、誰が更新するか、どの範囲の利用者が参照できるかを整理する必要があります。古い資料と新しい資料が食い違えば、もっともらしい文章ができても業務には使えません。検索を組み込むだけで事実の正しさが保証されるわけではなく、必要な資料が見つかったか、回答がその根拠から外れていないかを別々に確かめます。

人が確認する場面と、責任を明確にする

AIの出力を誰が確認し、どこから実際の業務へ使うかを決めます。広告なら公開前に商品の事実や表現を確認し、顧客対応なら送信前に質問の意図と案内内容を確かめます。契約条件の変更や個別の約束など、担当者の判断が必要な内容を、下書きの生成からそのまま実行へ進めない設計にします。

情報が不足しているときは、必要な確認事項を示すか、人へ引き継ぐ流れを用意します。担当者が出力を修正・却下できることに加え、どの根拠を見れば判断できるかまで整えます。使ってよい情報の範囲も業務ごとに決め、顧客情報や社内資料を扱う条件を確認します。人による確認を最後に置くだけでなく、確認できる材料を渡すことが重要です。

評価用の例と、合否の基準を用意する

試作段階では、普段の依頼に加え、資料に答えがない質問、複数の条件がある相談、古い情報と競合する例などを用意します。何となく自然な文章かを見るのではなく、事実に反していないか、必要な条件を落としていないか、根拠を示せるか、分からないときに適切に止まれるかを評価します。用途によっては、見逃してはいけない誤りを合否の条件にします。

調整に使った例だけで良し悪しを判断せず、別に残した確認用の例でも試します。同じ依頼で設定の変更前後を比較し、出力の品質と修正時間、利用費用を合わせて見ます。自動評価を使う場合も、その判定が業務担当者の判断と合うかを確かめます。良い結果の平均だけでなく、間違いやすい種類を把握して、任せる範囲を決めます。

評価用の例で品質を確認し、業務で使った結果を集め、指示と資料を更新する循環
図：品質評価と現場のフィードバックによる改善（説明用）

現場の修正を、次の品質改善に戻す

運用では、担当者がどこを直したか、なぜ採用しなかったかを記録します。根拠が不足したのか、検索した資料が違ったのか、表現が合わなかったのかで、直す対象は変わります。指示文だけを調整し続けず、資料の整備や仕事の分け方も見直します。モデルや参照資料を変えた際は、評価用の例で品質が変わっていないかを確認します。

また、AIが作った広告案の品質と、実際に顧客へ伝わった成果は分けて扱います。採用した案は配信やLPの検証に進め、反応と受注などの結果から次の仮説をつくります。ここでいう学習は、確認した知見を資料や指示、手順へ反映することで、AIモデル自体の再学習とは区別します。経験が担当者の手元にとどまらず、チームで使える形になることを目指します。

一つの業務から、使える状態まで整える

支援範囲に応じて、対象業務の整理、試作、指示のひな型、参照資料の構成、評価用の例と結果、利用・更新手順を共有します。まずは下書きなど確認しやすい仕事から試し、品質と負担を確かめて範囲を広げます。短時間で生成できても手直しが多い場合は、そのまま拡大せず原因を見直します。

相談時には、時間がかかる作業、いま使っている資料、期待する出力の見本、間違えると困る点をお聞かせください。顧客理解から実行と検証までのどこを改善するかを決め、技術の導入を、組織が継続的に学び行動できる仕組みへつなげます。

参考資料

関連ページ：業務自動化 ／ クリエイティブ分析・検証 ／ CRM設計・連携

アプローチへ戻る