ニュージーランドのCXリーダーがAIで“実際に”取り組んでいる5つのこと――そして、うまくいっていないこと

4 min read

—Updated Jun 16, 2026

ニュージーランドのCXリーダーがAIで“実際に”取り組んでいる5つのこと――そして、うまくいっていないこと

DevRev Editorial

We built Computer, your AI teammate

DevRev Editorial

We built Computer, your AI teammate

1. エージェントアシスタントは成果を出している――そして基準を引き上げている

この場で最も一貫して成功していたAIのユースケースは何だったか？それは、エージェントのデスクトップ内に組み込まれ、顧客対応中にリアルタイムで関連する知識を提示するコパイロットでした。

これらは人を置き換えるものではありません。経験豊富なエージェントをより速くし、新人エージェントをより早く一人前にするものです。対応時間は短くなり、初回解決率は向上し、トレーニングの立ち上がりは短縮されます。

パターンはシンプルです。社内ナレッジに対するRAGベースの検索を、ライブの会話の中で文脈に応じて提示する。華やかではありません。しかしこの場では、「パイロット」から「本番運用」へ最も大きく進んだユースケースでした。

いくつかの組織は、これを自律的な解決へと拡張し始めています――定義された、確信度の高い問い合わせ種別については、人の介入なしにAIが一気通貫で対応するというものです。しかし合意は明確でした。自動化する権利は、まずAIが確実に支援できることを証明して初めて得られる、ということです。

2. 本当のボトルネックはナレッジの品質であり、モデルではない

この場のすべてのリーダーが、同じことを別の言葉で語っていました。「私たちのAIは、ナレッジベースの品質以上には良くならない。そして、私たちのナレッジベースはまだ十分ではない」

これはテクノロジーへの不満ではなく、運用上の課題でした。長年積み重なったドキュメント――一貫性がなく、重複し、古く、Wikiやウィキ、PDF、属人的な暗黙知に散らばっている――があるために、適切に設定されたAIでさえ信頼できない情報を取り出してしまうのです。

最も大きく前進していた組織は、ある参加者が「KMトリアージ」と呼ぶものに投資していました――まず最もトラフィックの多いナレッジ領域を監査し、そこを整え、コーパス全体ではなく厳選したサブセットからAIに回答させる、というアプローチです。

ここでの学びは「ナレッジが完璧になるまで待て」ではありませんでした。それは、最もインパクトの大きいチャネルでまず土台を整える（メール、チャット、KB検索）こと。そこで価値を証明し、それから拡大する、というものでした。

3. 信頼とガバナンスが全員のスピードを落としている――そして、それは悪いことではないかもしれない

保険、銀行、通信、エネルギー業界のリーダーが集まる場でしたから、ガバナンスをめぐる議論は予想どおり白熱しました。しかし、私たちが驚いたのはその機微でした。

誰も「コンプライアンスのせいでAIを使えない」とは言いませんでした。彼らが言っていたのは、こうです。「AIの出力が私たちの基準を満たすことを証明できるテストフレームワークが、まだ整っていない」

ギャップはポリシーではなく、計測にあります。多くの組織は、AIの精度を評価し、ハルシネーションが顧客に届く前に検知し、規制当局にコンプライアンスを示すための成熟した手段を、いまだ欠いています。何人かのリーダーは、外部に展開する前に自信と証拠を積み上げるため、まず社内（顧客向けではなくエージェント向け）でAIを導入していると述べました。

挙がった実践的なガバナンスのパターン：

顧客向けのものはすべて、人間が承認するゲート（ヒューマン・イン・ザ・ループ）を設ける。
データマスキングと匿名化を、交渉の余地のないベースライン要件とする。
ログ取得とオブザーバビリティを、あらゆる本番導入の前提条件とする。
自律的なアクションではなく、まずは支援型のAI（エージェントが受け入れ／拒否できる提案）から始める。

メッセージはこうです。ガバナンスはスピードの敵ではない。早い段階で取り組めば、最悪のタイミングでコンプライアンスの壁にぶつからずに済むため、むしろ拡大を加速させるのです。

4. トークンコストとAIの経済性が、今や現実的な議論になっている

これは今まさに話題の中心です――UberからMicrosoftまで、AIを大規模に運用する経済性は、理論的なものから喫緊の課題へと変わりました。複数の参加者がこれを、将来の懸念としてではなく、すでに痛い目に遭った、あるいは現に対処している問題として挙げました。

おなじみのパターンです。AI機能をパイロット導入し、うまく機能する。経営陣が「拡大せよ」と言う――すると突然、推論コストが誰の予算想定よりも一桁高くなる。想定外の請求。観測できないトークン消費。コストを価値に紐づける明確な手段がない。

合意されたのは、業界はより効率的な検索アーキテクチャへと向かう必要がある、ということでした――構造化された質問に答えるためだけに、数百万トークンをLLMに流し込まないようなシステムです。共有された検索レイヤー、事前構築されたナレッジグラフ、そして決定論的なデータアクセス（生のドキュメントに対するAI推論ではなく、構造化データに対するSQL）が、いずれも解決策の一部として挙げられました。

ある参加者は率直にこう言いました。「AIが何をしているのか、いくらかかっているのか、そしてその答えが本当に正しいのか――それを顧客に渡す前に知る必要がある」

5. 本当の野心は、プロアクティブでシステム横断的なCX――だが、そこに到達している人はほとんどいない

12か月後にどこにいたいかをリーダーたちに尋ねると、その答えは驚くほど一致していました：

顧客が問い合わせる前のプロアクティブな働きかけ――オブザーバビリティのデータから問題を検知し、先回りして解決する。
チャネルをまたいでパーソナライズされ、文脈を理解した対応――チャットで始めた顧客が、電話で改めて事情を説明し直す必要がないように。
CRM、エンジニアリング、サポートをつなぎ、単一のシステムだけでは見えないインサイトを浮かび上がらせるAI。

これらは非現実的なビジョンではありません。アーキテクチャ的には実現可能です。しかし、それには多くの組織がまだ持っていないものが必要です――それは、顧客のアイデンティティ、プロダクトの文脈、対応履歴をシステム横断でつなぐ共有データ基盤（shared data substrate）です。

「AIが通話を要約している」状態と、「サポートのパターン、プロダクトの利用状況、エンジニアリングの課題データを組み合わせて、どの顧客が解約しそうかをAIが予測する」状態とのギャップは、モデルのギャップではありません。それはデータ統合とメモリ（記憶）のギャップなのです。

うまくいっていないこと

失敗や行き詰まりについても、この場は同じくらい率直でした：

何にもつながっていない「ボルトオン型」のAI。 要約や振り分けはできても、顧客との関係というより広い文脈にアクセスできないポイントソリューション。単体では役立つが、積み重なって価値を生まない。
ガバナンスなき拡大。 何人かのリーダーは、パイロットが成功したのに、セキュリティ・プライバシー・承認プロセスが最初から設計されていなかったために、エンタープライズ展開の段階で止まってしまうのを目にしていました。
チェンジマネジメントの過小評価。 テクノロジーは往々にして簡単な部分です。現場のチームにAIの提案を信頼してもらうこと――そして、役割は単に「拡張」されるのではなく再設計が必要だと経営層に受け入れてもらうこと――のほうが難しいのです。
本番環境でのテスト。 複数の参加者が、堅牢な導入前テストフレームワークを持っていないと述べました。AIが指標ではなく“雰囲気”で評価されてしまい、いざ間違いを犯したときに経営層の信頼を損なうのです。