健康食品EC企業が、月間約300件のカスタマーサポート問い合わせ対応をAIエージェントで自動化し、対応コストを73%削減した。4段階のパイプライン設計により、薬機法を遵守しながら「共感トーン」を維持する返信ドラフトを自動生成。人間オペレーターは最終確認のみに集中できる体制を構築した。
💡 この記事の要点（30秒で）
① 状況 ＝ 健康食品EC企業、CS担当2名で月300件問い合わせ（7割が定型）、薬機法と共感トーンの両立が壁
② 設計 ＝ 4段階パイプ（意図分類→ナレッジ検索（RAG）→ドラフト生成→コンプラレビュー）。「やらせない設計」が肝（体調相談は自動化対象外、最終送信は必ず人間）
③ 成果 ＝ 対応コスト73%削減、初回返信4.2h→23分（91%短縮）、薬機法違反0件（6ヶ月）、CSAT 3.8→4.3
④ 適用範囲 ＝ 月100件以上の問い合わせがある規制産業（金融・医療・健康食品等）。投資回収1ヶ月未満
自動化前の現実：2人体制で回らないCS業務
この企業は、健康食品をECで販売する従業員10名以下の企業だ。月商は数千万円規模。商品の性質上、購入前の不安や使用後の体調変化に関する問い合わせが多く、月間300件前後のメール・チャット対応が発生していた。
CS担当は2名。正直なところ、それでは足りない。
問い合わせ1件あたりの平均対応時間は約15分。月300件で計75時間。2人で割っても1人あたり月37.5時間をCSに費やしていた計算になる。しかも内容の7割は定型的な質問だ。「持病があっても飲んで大丈夫か」「他のサプリとの併用は問題ないか」「効果が感じられない場合の返金対応は」。パターンは決まっている。
だが、健康食品の返信には2つの厄介な制約がある。
1つ目は薬機法。「効果がある」「治る」といった表現は使えない。ECの現場では、担当者が無意識に踏み越えてしまうリスクが常にある。実際、過去に表現の修正指摘を受けたこともあったという。
2つ目は共感トーン。健康に関する問い合わせには、お客様の不安や心配が込められている。テンプレ感のある返信は、ブランドへの信頼を一瞬で壊す。「コピペだな」と感じた瞬間、顧客の心は離れる。
この2つを両立させながら月300件をさばくのは、2人体制では限界だった。
解決策：4段階パイプラインのAIエージェント設計
CRIENが設計・構築したのは、問い合わせ受信からドラフト返信生成までを4段階で処理するAIエージェントパイプラインだ。単にLLMに「返信を書いて」と投げるのではなく、各工程に明確な役割を持たせている。
ここが設計の肝で、1つのプロンプトで全部やらせると精度が落ちる。工程を分けることで、各ステップの品質を担保できる。
ステップ1：意図分類エージェント
受信した問い合わせメールを解析し、以下の5カテゴリに自動分類する。
• 商品情報の質問（成分、与え方、対象年齢など）
• 注文・配送に関する問い合わせ（配送状況、変更、キャンセル）
• 体調変化・副作用の相談
• 返品・返金の要望
• その他（クレーム、要望、感想など）
分類精度は運用開始2週間で94%に到達。残り6%は「複数カテゴリにまたがる問い合わせ」で、これは人間オペレーターにエスカレーションされる設計にした。
重要なのは、体調変化・副作用の相談は自動返信の対象外にしている点だ。これは薬機法リスクが最も高い領域であり、AIに判断させるべきではない。この「やらせない判断」が、実は設計で最も時間をかけた部分だった。
ステップ2：ナレッジ検索エージェント
分類結果に基づき、事前に構築した社内ナレッジベースから関連情報を検索する。ナレッジベースには以下を格納した。
• 商品FAQ（成分表、与え方ガイド、注意事項）計187項目
• 過去の優良回答例 約500件
• 薬機法NGワードリスト 83語
• ブランドトーンガイドライン（共感表現のサンプル集）
RAG（Retrieval-Augmented Generation）構成で、問い合わせ内容と最も関連性の高いナレッジを上位5件抽出する。ベクトル検索にはOpenAIのEmbedding APIを使用し、類似度スコア0.82以上の結果のみを次のステップに渡す。
ステップ3：ドラフト作成エージェント
ナレッジ検索の結果を元に、返信ドラフトを生成する。ここでのプロンプト設計に3つの制約を組み込んだ。
制約1：共感ファースト
返信の冒頭は必ず「お客様の状況への共感」から始める。「ご心配をおかけしております」ではなく、問い合わせ内容に具体的に触れる形にした。例えば「最近の体調の変化について、ご不安を感じていらっしゃるのですね」のように。
制約2：コピペ禁止ロジック
同一顧客への過去返信を参照し、同じ文面が3割以上重複する場合は自動的にリライトする。これにより、リピーターに対しても毎回異なるニュアンスの返信が生成される。
制約3：薬機法フィルタ
NGワードリスト83語との照合を行い、該当表現が含まれる場合は自動的に言い換える。「効果がある」は「お役に立てる可能性がある」に、「改善する」は「健康維持をサポートする」に変換する。
ステップ4：コンプライアンスレビューエージェント
最終段階で、生成されたドラフトを再度チェックする。チェック項目は4つ。
1. 薬機法NGワードの最終スキャン（ステップ3で漏れた場合のセーフティネット）
2. 個人情報の不適切な引用がないか
3. 返品・返金ポリシーとの整合性
4. トーン一貫性スコア（ブランドガイドラインとの適合度を0-100で算出、75以上で合格）
この4段階を通過したドラフトが、人間オペレーターの確認画面に表示される。オペレーターは内容を確認し、必要に応じて微修正して送信する。
人間オペレーターの境界設計：何をAIに任せ、何を人間が握るか
このプロジェクトで最も議論を重ねたのが、「AIと人間の境界線をどこに引くか」だった。
結論として、以下のルールを設定した。
AIが担当する範囲：
• 問い合わせの分類
• 関連ナレッジの検索
• 返信ドラフトの生成
• コンプライアンスチェック
人間が必ず担当する範囲：
• 体調変化・副作用に関する返信（全件手動対応）
• クレーム対応（全件手動対応）
• ドラフトの最終確認と送信ボタンの押下
• 月次のナレッジベース更新
「送信ボタンは人間が押す」。これは譲れないラインだった。
技術的には完全自動送信も可能だ。だが、健康食品という領域で、AIが生成した文面を無審査で送信するリスクは取れない。ここを自動化してしまうと、万が一の薬機法違反時に「AIが勝手にやった」では済まない。責任の所在を明確にするためにも、最終送信は人間の判断を介在させた。
実際の運用では、オペレーターがドラフトを修正する割合は全体の12%。残り88%はそのまま送信されている。つまり、AIの精度は十分に実用レベルに達しているが、「人間が見ている」という安全弁があることで、企業側の安心感が全く違う。
Before / After：数字で見る変化
導入前後の比較を具体的な数値で示す。
| 指標 | Before | After | 変化 |
|---|---|---|---|
| 1件あたり対応時間 | 約15分 | 約4分（確認・微修正のみ） | 73%短縮 |
| 月間CS対応工数 | 75時間 | 20時間 | 73%削減 |
| CS人件費（月額概算） | 約45万円 | 約12万円 | 73%削減 |
| 初回返信までの平均時間 | 4.2時間 | 23分 | 91%短縮 |
| 顧客満足度スコア（5段階） | 3.8 | 4.3 | 0.5pt向上 |
| 薬機法関連の表現修正指摘 | 月2-3件 | 0件（導入後6ヶ月間） | 100%解消 |
特筆すべきは、コスト削減だけでなく顧客満足度が向上している点だ。初回返信時間が4.2時間から23分に短縮されたことで、「すぐに返事が来た」という体験価値が生まれている。さらに、共感トーンの設計が効いており、「丁寧に対応してもらった」という評価が増えた。
AI導入で「冷たくなった」と言われるケースは少なくないが、このプロジェクトでは逆の結果が出た。設計次第で、AIは人間以上に「温かい」対応を安定して提供できる。
実装のタイムラインとコスト
開発から本番稼働まで、以下のスケジュールで進行した。
• Week 1-2：要件定義、既存CS対応の分析、ナレッジベース設計
• Week 3-4：パイプライン構築、プロンプトチューニング
• Week 5-6：テスト運用（50件の問い合わせで精度検証）
• Week 7-8：本番稼働、オペレーター研修
約2ヶ月で本番稼働に至った。
月間のAI API利用コストは約8,000円。ナレッジベースのベクトルDB運用費が月約2,000円。合計で月1万円程度のランニングコストに対し、人件費削減効果が月33万円。ROIとしては投資回収1ヶ月未満という結果になった。
技術顧問としての所感
20社以上の技術顧問を務めてきた中で、CS自動化のプロジェクトはこれが初めてではない。だが、この案件は「やらせない設計」の精度が群を抜いていた。
AI導入で失敗するパターンの8割は、「何でもAIにやらせようとする」ことから始まる。特にCSは、1件のミスがブランド毀損に直結する。健康食品という領域ならなおさらだ。
このプロジェクトでは、最初の設計段階で「体調変化の相談はAIに触らせない」「送信ボタンは人間が押す」という2つの不可侵ラインを決めた。正直なところ、クライアントからは「そこも自動化できないか」という要望はあった。だが、リスクとリターンを冷静に計算すれば、答えは明白だった。
月300件のうち、体調関連の問い合わせは約30件（10%）。この30件を人間が対応するコストは月3-4時間。一方、この30件をAIに任せて薬機法違反が1件でも発生した場合の損害は、行政指導、ブランド毀損、売上減少を含めると数百万円規模になりかねない。
「やらせない」ことの経済合理性は、計算すれば自明だ。
もう1つ印象的だったのは、コピペ禁止ロジックの効果だ。CSの現場では「テンプレ対応」が効率化の代名詞とされてきた。だが、定期購入者に毎回同じ文面を送ることは、実質的には「あなたのことを覚えていません」というメッセージになる。AIだからこそ、毎回異なる表現で、かつ一貫したトーンを維持できる。ここは人間よりAIが得意な領域だと実感した。
🏢 CRIEN視点 ── 規制産業のCS自動化は「何をAIにやらせないか」の設計こそが価値の源泉だ。CRIENの「まるごとAI顧問」では、業務フロー分解からNGワード／権限設計、本番運用まで伴走する。ChatGPT契約だけでは越えられない壁は、現場に入ってフローを設計するエンジニアがいて初めて越えられる ── これは Forward Deployed Engineer（FDE）モデル の中小企業実装。同様の「設計の核心」は 広告運用AI化事例 や マッチング業務の99.8%自動化 でも共通する。
FAQ
Q1. AIカスタマーサポートの導入にはどのくらいの期間がかかりますか？
規模にもよるが、月100-500件程度の問い合わせ対応であれば、要件定義からテスト運用まで約6-8週間が目安。ナレッジベースの構築（既存FAQや過去の優良回答の整理）に最も時間がかかるケースが多い。
Q2. 薬機法以外の業界規制にも対応できますか？
金融商品取引法、景品表示法、特定商取引法など、業界ごとのNGワードリストとチェックロジックを組み込むことで対応可能。実際に金融系のCS自動化でも同様のアーキテクチャを適用した実績がある。
Q3. 小規模事業者（月100件以下）でも導入メリットはありますか？
月100件以下の場合、コスト削減効果は限定的になる。ただし、「返信品質の均一化」「初回返信時間の短縮」「コンプライアンスリスクの低減」といった品質面のメリットは件数に関わらず得られる。月間50件以上であれば、検討の価値はある。
Q4. 既存のヘルプデスクツール（Zendesk等）と連携できますか？
API連携が可能なツールであれば、既存のワークフローに組み込む形で導入できる。Zendesk、Freshdesk、Intercomなど主要なプラットフォームとの連携実績がある。既存の運用を大幅に変える必要はない。
Q5. 導入後にナレッジベースの更新は必要ですか？
月1回程度の更新を推奨している。新商品の追加、ポリシー変更、よくある質問の傾向変化などを反映することで、回答精度を維持できる。更新作業自体は1-2時間程度で完了する。
AI活用・業務自動化のご相談
「うちのCSも自動化できるのか」「どこまでAIに任せて、どこは人間が担うべきか」。その判断こそが、AI導入の成否を分ける。CRIENでは、業務フローの分析から設計・実装・運用まで、技術顧問として一気通貫で支援している。まずは現状の課題をお聞かせいただければ、自動化の可能性と費用感をお伝えする。
