2024年2月、KlarnaのCEOは、同社のAIがカスタマーサービス担当者700人分の仕事をこなしていると発表しました。この発言はほぼすべてのビジネスメディアで取り上げられ、「AIが知識労働を置き換えつつある」ことを示す定番の引用となりました。AIの導入に慎重だったCXリーダーたちは、なぜ同じことをしないのかと取締役会から問われる立場に置かれたのです。
2025年5月には、Klarnaはひそかに人材の再採用を始めていました。2026年初めには再雇用が本格化し、CEOはコストを品質より優先させてしまったこと、そしてその代償を顧客満足度で払っていることを公に認めました。
メディアはこれを「AIの性能が不十分だった」という話として報じました。しかし、それは誤った解釈です。AIは設計どおりに動作していました。それこそが本当の問題であり、そこから得られる教訓は、多くの人が見出しから受け取ったものよりも限定的で、より実用的です。
この判断がもたらした人的コストについては、今年初めに取り上げました。本稿のテーマは別のところにあります。すべてを引き起こした「測定の問題」です。
誰もが間違ったものを測っていた
Klarnaが最初の発表を行ったとき、注目を集めた数字はコンテインメント、つまり人間の担当者に届く前にAIが引き受けた顧客との会話の数でした。引用によって異なりますが、やり取りの3分の2から4分の3。目を引く数字です。しかしそれは、顧客の問題が実際に解決されたかどうかとはほぼ無関係です。
コンテインメントが測るのは、AIが会話を引き受けたかどうかです。同じ問題で2回問い合わせた顧客は、AIが両方に対応すれば2件のコンテインメントとしてカウントされます。間違った回答を受け入れて諦めた顧客もカウントされます。不満のあまりカードの請求に異議を申し立てた顧客も、カウントされます。この指標が捉えていたのは量であり、成果については何も示していませんでした。
KlarnaのAIは、まさに評価されていた基準どおりに動いていました。問題は測定方法にあったのです。この違いは、いまAIベンダーを評価しているすべてのCXリーダーにとって極めて重要です。
CSATスコアは、Klarnaの量的指標が変化する前に低下していました。コンテインメントと自律解決が逆方向に進んでいたのなら、まさに予想どおりの現象です。兆候は出ていたのです。しかし、経営陣が実際に注視している数字に表れるほど結果が悪化するまで、そのギャップに気づく人はいませんでした。
そもそもなぜコンテインメントが標準になったのか
解決は定義が難しく、業界がコンテインメントを標準にした最大の理由はそこにあります。顧客の問題は本当に解決されたのか。この問いに答えるには、問題が何だったのか、回答がそれに対応していたのか、そして顧客が再び問い合わせてきたのかを把握する必要があります。一方、コンテインメントは人間が介在せずに終了した会話を数えるだけで済みます。
現在の市場で成果を維持している企業は、最初からこうした難しい問いを軸に測定の仕組みを築いてきました。再問い合わせ率（同じ顧客が14日以内に同じ問題でチケットを再オープンするかどうか）は最も明確な解決のシグナルですが、会話の中ではなく会話をまたいだ追跡が必要なため、多くの導入で見落とされています。CSATは全体の集計値よりも、やり取り単位で見ることが重要です。また、エスカレーションをAIエージェントのナレッジが不足している箇所を示す継続的なデータとして扱えば、多くのチームが考える以上の価値が得られます。
Mavenがエンタープライズでの導入全体から得たデータは、このパターンをはっきりと示しています。コンテインメント指標で運用しているお客様は、改善が頭打ちになります。一次解決率、デフレクションと解決の比率、再問い合わせの頻度で運用しているお客様は、フィードバックループが実際の成果につながっているため、改善を続けています。
測定の問題を致命的にした構造上の判断
Klarnaは、品質の低下がデータから読み取れるようになる前に人員を削減しました。その論理には一理ありました。AIが量を処理しているのだから、人員は縮小できる、というものです。しかし品質の問題はゆっくりと積み重なります。まずCSATに表れ、次に再問い合わせ、さらに解約、そして本質的に過去を振り返る指標である売上に表れます。兆候が見えたときには、立て直しを支える余力はすでに失われていました。
これは「AIが失敗した」という語り口では見落とされがちな部分です。テクノロジーは失敗していません。失敗したのは導入の構造、具体的には、AIが問題を単に引き受けているだけでなく実際に解決していることを検証する前に、人員を削減するという判断でした。
これを回避した導入では、先に人員を削減するのではなく、体制を再編しました。サポートチームは、エスカレーション対応、品質レビュー、カスタマーサクセスといった、AIには真似できない判断力を必要とする役割へとシフトしました。人員の削減はその再編の結果として生まれたものであり、人員削減ありきの発想から生まれたものではありません。違いは微妙に見えるかもしれません。しかし、結果はまったく異なります。
Klarna以降、エンタープライズの購買担当者はどう変わったか
この一件は、調達の現場ですでに起きていた変化を加速させました。いまAIを導入するエンタープライズのCXリーダーが尋ねるのは、コンテインメントではなく一次解決率です。AIがどれだけ正しいかだけでなく、間違えたときに何が起きるかを問います。管理された環境でのデモの精度スコアではなく、本番稼働中の導入から得られた再問い合わせのデータを求めています。
この変化は、商談サイクルに具体的に表れています。実際のお客様のデータでこうした問いに答えられるベンダーは、商談がスムーズに進んでいます。いまだにコンテインメントの数字を前面に出すベンダーは、より厳しい質問を受け、より長いプロセスを強いられています。「証明してほしい」というハードルは上がりました。その大きな理由がKlarnaです。
成果を維持している導入の実像
Clioは32社のAIベンダーを評価し、10社をストレステストしたうえでMavenを導入しました。現在、チャットでの問い合わせの80%を自律的に解決し、以前のシステムと比べて全体で60%多くのチケットをクローズしています。サポートチームは縮小せず、より付加価値の高い業務へとシフトしました。同社が追跡している指標はデフレクションではなく解決です。事例の全文を読む。
規制の厳しいクロスボーダー決済を手がけるPapaya Payは、90%の自律解決を達成しました。すべてのやり取りを監査可能にし、すべてのエスカレーションを追跡可能にし、SOC 2、HIPAA、PCI-DSSの基準を満たすというコンプライアンス要件が、多くの導入で省かれがちな解決への規律を必然的にもたらしました。その規律は制約ではなく、むしろ強みであることがわかったのです。
どちらの導入も、何人削減できるかを問うところから始まったわけではありません。どちらも「解決した」とは実際に何を意味するのか、という問いから始まりました。
いまAIベンダーを評価しているなら何をすべきか何かを導入する前に、解決を定義しましょう。一次解決、14日以内の再問い合わせなし、特定タスクの完了など、「解決した」が何を意味するのかを決め、それを初日からの成功基準にしてください。ベンダーがそれをどう測定するかを説明できないなら、それが答えです。デフレクションと解決のガイドでは、その設定方法を詳しく解説しています。
再問い合わせ率を最重要指標として追跡する。 標準的なCSATと並べてダッシュボードに表示しましょう。そして、AIエージェントのナレッジベースと挙動へのフィードバックループとして活用してください。同じ顧客が同じ問題で何度も問い合わせてくるなら、それは新しいチケットではなく、解決の失敗です。
エスカレーションのデータを、ワークフローの一工程ではなくシグナルとして扱う。 すべてのエスカレーションは、AIのナレッジや権限が足りない箇所を教えてくれます。最も速く改善しているチームは、そのデータを継続的に活用しています。エンタープライズ向けAIエージェントプラットフォームであれば、わざわざ掘り起こさなくても、この情報を簡単に把握できるはずです。
最初からすべてのチャネルを統合的にカバーする。 電話をかけ、次にメールを送り、さらにチャットを開いた顧客に、同じ説明を繰り返させるべきではありません。成果の数字を押し上げるのは、デモ映えする単一チャネルの自動化ではなく、チャット、音声、メールをまたいだ統合的な解決です。
大規模に品質を検証する前に人員を削減しない。 人員体制の移行は、テクノロジーの導入後ではなく、導入と並行して設計しましょう。役割は変わり、担当者はエスカレーション対応、品質レビュー、例外管理へとシフトします。ただし、その移行は成り行き任せにせず、意図して設計する必要があります。
これから先に向けて
2029年までにカスタマーサービスのやり取りの80%にAIが関与するというGartnerの予測は、いまも実現可能に見えます。この2年間で目的地は変わっていません。明らかになったのは、どの道がそこへ通じ、どの道が公の方針転換と再雇用の発表につながるのか、ということです。
80%の自律解決に到達するのは、何かを導入する前に解決を正しく定義し、その定義に照らしてAIの成果を問い、人員体制の移行を最初から計画に組み込んだ企業です。コンテインメントを最適化し、早々に人員を削減し、成果ではなく会話の数を測っていた企業こそが、教訓となる失敗例を生み出しているのです。
Klarnaの一件は、AIの能力に対する警告ではありません。有能なシステムが間違った目標に向けられたときに何が起きるかについての警告です。
AIカスタマーサービスソリューションを評価中で、本当に重要な指標で比較するためのフレームワークをお探しなら、デフレクションと解決のガイドで、説得力のあるビジネスケースの作り方を詳しく解説しています。または、デモを予約して、Mavenの解決率を現在お使いの仕組みと比べてみてください。
自社の会話でお試しください。
無料の個別デモをお申し込みください。
