エージェンティックAIとは、指示を1つずつこなすだけでなく、目標に向かって自律的に動くソフトウェアのことです。カスタマーサービスでいえば、AIエージェントが顧客の要望を読み取り、解決までの手順を組み立て、答えを持つシステムや操作を実行できるシステムを呼び出し、実際に解決できたかを確認します。その過程で、人が一つひとつ指示を出す必要はありません。ベンダーを比較する際に問うべきは「AIを使っているか」ではなく、そのソフトウェアが作業を右から左へ回すだけなのか、それとも実際に完了させるのか、という点です。
現在、ほぼすべてのサービスチームが何らかの形でこの技術に取り組んでいますが、このカテゴリーが正確に何を意味するのかを説明できるチームはごく一部です。
Gartnerは、コストの増大、成果の不透明さ、リスク管理の不備を理由に、エージェンティックAIプロジェクトの40%以上が2027年末までに中止されると予測しています（Gartnerプレスリリース、2025年6月25日）。同じ調査では、「エージェンティック」を名乗る数千のベンダーのうち、定義を実際に満たしているのは約130社にすぎないこともわかりました。Gartnerはこれを「エージェント・ウォッシング」と呼んでいます。導入企業側を見ると、McKinseyの調査では約80%の企業が生成AIを導入している一方で、ほぼ同じ割合の企業が収益への実質的な効果を得られていません（McKinsey「Seizing the agentic AI advantage」、6月13日、202 5）。
とはいえ、エージェンティックAIが成果を上げている領域は確かにあります。ある予測では、2029年までに一般的なサービス課題の80%を自律的に解決するとされています(Gartner、2025年3月5日)。必要なのは、実際にそこへ到達できるシステムと、18か月かけてチケットのルーティングを少しスマートにするだけで終わるシステムとを見分ける方法です。
エージェンティックシステムの構成要素
構成要素は6つです。多くのベンダーはそのうち2つに強みを持ち、残りについては曖昧です。
- 認識（Perception）。 テキスト、音声、画像からリクエストを読み取り、実際に何が求められているかを抽出します。
- 推論と計画。 目標をステップに分解し、その順序を決定します。これがエージェントとスクリプトを分ける点です。
- メモリ。 タスクの途中で現在地を把握するための短期記憶と、相手が誰で前回何があったかを把握するための長期記憶です。
- ツール・アクション層。 注文の照会、クレジットの発行、サブスクリプションの変更など、自社システムとの実際の接続部分です。これがなければ、返金について説明はできても、実際に返金することはできません。
- オーケストレーション。 複数のエージェントやステップを連携させ、その間でコンテキストを受け渡します。この分野では標準化が進みつつあります（ツールアクセスにはModel Context Protocol、連携にはエージェント間プロトコル）。
- ガードレールとエスカレーション。 やってはいけないことを把握し、処理を止めて人に引き継ぐべきタイミングを判断し、その際には完全なコンテキストを添えて引き継ぎます。
これらの要素は直線的ではなく、認識、計画、実行、確認、調整というループで機能します。スクリプト型のフローは一度実行されるだけで、うまくいくか失敗するかのどちらかです。
エージェンティックAIと混同されがちなもの
ベンダーの提案では、ほかに4つのカテゴリーが「エージェンティック」と称されています。いずれも実際に役立つ仕事をしていますが、どれも問題を解決するものではありません。
カスタマーサービスのさまざまな場面で役立つ、異なる種類のAI。
用語についての補足：業界では1行目を一般に「チャットボット」と呼びますが、本記事では「ルールベースのボット」と表記します。本当の違いはブランディングではなくアーキテクチャにあるためです。
オーケストレーションは解決ではない
混乱の大半はここにあるので、率直に述べます。
本番環境で最もよく見られるエージェンティックなユースケース、つまりルーティング、トリアージ、エスカレーション対応、ワークフローのオーケストレーション、パーソナライゼーションは、いずれも実際に価値のある仕事です。しかし、どれも問題を解決してはいません。チケットを読み、正しく分類し、適切なアカウント情報を取得して、適切なキューに振り分けるシステムは確かに有用ですが、顧客の問題を解決したわけではありません。オーケストレーションは既存のプロセスを速くします。解決は、実際に業務そのものを減らします。
測定に使われる用語が曖昧になるのもこの部分です。本来区別すべき3つの用語が、同じ意味で使われがちです。
- ディフレクション率。 人を介さずに処理された問い合わせの割合です。単に諦めた顧客やループから抜け出せなくなった顧客も、ログ上は成功と同じに見えるため、数値が膨らみやすい指標です。
- 封じ込め率（コンテインメント率）。 自動チャネル内で完結した会話の割合です。問題が解決したかどうかについては何も示しません。
- 解決率。 問題が実際に解決したかどうかです。24〜48時間以内に再問い合わせがないこと、または顧客への直接確認によって検証します。
実際の顧客成果を反映するのは3つ目の数値だけです。ベンダーがどの指標かを明示せずに数値を提示してきたら、まずそこを確認してください。
解決が実現するとどうなるか
重要なのは見出しの数値よりも具体的な状況です。サービス部門のリーダーは誰しも「うちの環境はその事例より複雑だ」と考えるからです。そこで、各チームが実際にどのような制約のもとで取り組んだのかを紹介します。
K1xは、少人数のサポートチームで税務・法務文書のワークフローを運用しており、長期のITプロジェクトを行う余裕はまったくありませんでした。システムは既存の環境を置き換えるのではなくその上に重ねる形で導入されたため、迅速な展開が可能になり、稼働初週で80%の自律解決を達成しました。
Clioは、法律事務所向けソフトウェアをグローバルに提供している企業で、ベンダーの主張を鵜呑みにはしませんでした。32社のベンダーを評価し、10社以上で直接比較テストを行ったうえで選定しています。その結果、80%の自律解決を実現し、有人サポートも4倍速くなりました。
フィンテック企業のRhoでは、問い合わせ件数が増える一方で、人員の増加は見込めませんでした。目標は、体験の質を落とさずに対応し続けることです。同じチーム規模のまま月間問い合わせを12%多く処理しながら、CSAT 95%を維持しました。
あるFortune 500のゲーム企業は、規制の厳しい業界で事業を展開しており、イベント時には問い合わせが急増します。通常時は月間330,000件以上のやり取りを80%の解決率で処理しており、あるピークイベントの日には13,000件のやり取りをシステムが解決しました。
実際に導入する自律性のレベル
自律性レベルのフレームワークは固まりつつあります。Cloud Security Allianceは2026年1月に6段階のモデルを公開しており、ほかの多くのフレームワークも名称は違えど、おおむね同じ構造を採用しています。
実際には、エンタープライズ導入の多くは「条件付き自律」の段階にあります。定められた範囲内ではタスク全体をシステムが処理し、範囲外のものはエスカレーションします。ベンダーがそれ以上を謳っている場合、それは製品ではなくロードマップの話です。
返金を例にすると具体的になります。条件付き自律の段階では、システムがリクエストを読み取り、ポリシーと照合し、注文情報から返金の適格性を確認し、しきい値の範囲内であればクレジットを発行し、範囲外であれば完全なコンテキストを添えて担当者に引き継ぎます。このしきい値を設定するのはお客様自身であり、システムがどこまで対応するかを本当に左右するのは、基盤となるモデルではなくこの設定です。
2つのカテゴリーを見分ける5つの質問
- システムは何を「言う」かではなく、実際に何を「する」のか。自社システム内で実行できるアクションの具体的なリストを求めてください。回答が質問への回答ばかりであれば、それは解決ではなくオーケストレーションです。
- 解決はどのように定義・検証されているのか。ディフレクションなのか、封じ込めなのか、確認済みの解決なのか。また、どの期間で測定しているのか。
- 確信度が低い場合はどうなるのか。実効性のあるエスカレーション経路を持たないシステムは、推測しているにすぎません。
- 導入にあたって自社チームに何が求められるのか。ベンダーのソリューションアーキテクトが数週間対応するのと、自社エンジニアが数週間を費やすのとでは、負担がまったく異なります。
- 自社と同じ業界・同じ規模で、実際に話を聞かせてくれる顧客企業はどこか。同等の環境での参照先との1回の対話は、どんなベンチマーク統計よりも多くを教えてくれます。
よくあるご質問
カスタマーサービスにおけるエージェンティックAIとは何ですか？
サービス上の目標を自律的に追求するソフトウェアです。リクエストを読み取り、手順を計画し、データを保持するシステム上で実行し、結果を確認します。その間、人が一つひとつ指示する必要はありません。最大の特徴は、タスクを振り分けるだけでなく、最後まで完了させることです。
エージェンティックAIとチャットボットの違いは何ですか？
ルールベースのボットは、入力をスクリプト化された回答と照合し、想定外のものはすべて人に回します。エージェンティックなシステムは、想定外のリクエストでも推論し、解決に必要な手順を導き出し、稼働中のシステム上でそれを実行します。前者はかわし、後者は解決します。
エージェンティックAIは生成AIと同じですか？
いいえ。生成AIはプロンプトに応じてテキストを生成するだけです。エージェンティックAIは、生成モデルを、計画・記憶・実行も担うより大きなシステムの一部として利用します。生成AIを導入してエージェンティックな成果を期待するのは、よくある誤りです。
AIエージェントは返金や注文変更を行えますか？
はい。それらの操作を実行するシステムに接続され、設定された範囲内での実行が許可されていれば可能です。多くの企業はしきい値を設け、それを超えるものは担当者に回しています。
カスタマーサービスにおけるAIの解決率の目安はどのくらいですか？
チャネル、複雑さ、測定方法によって異なります。実際の本番環境での数値は約50%から93%までの幅があります。他社の数値と比較する前に、各ベンダーがその数値をどのように定義・検証しているのかを必ず確認してください。
エージェンティックAIは人間のエージェントに取って代わりますか？
現在のシステムは条件付き自律で稼働しており、定められた業務を処理し、それ以外はエスカレーションします。これまでのところ見られるのは、対応力の拡大です。同じチームでより多くの件数を処理し、本当に判断が求められる業務により多くの時間を割けるようになっています。
エージェンティックAIはPCI DSSやHIPAAに準拠していますか？
コンプライアンスはカテゴリーではなく、プラットフォームによって決まります。具体的な認証、それが音声にも適用されるかどうか、そして個人データがリアルタイムでどのように扱われるかを確認してください。
エージェンティックAIプロジェクトが失敗するのはなぜですか？
Gartnerは、コストの増大、成果の不透明さ、リスク管理の不備を挙げています。その根底にある本当の問題は多くの場合、オーケストレーションを行う製品を導入しながら、解決を期待してしまうことです。
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。
