Resolution Learning Loop™で自動化の限界を突破する

2026年、AIがカスタマーサービスの自動化に本格的に貢献できることは、もはや共通認識と言っていいでしょう。

もちろん、AIエージェントの導入を検証段階にとどめている組織や、ChatGPTを使って既存のヘルプセンター記事を書き直している企業もまだあります。

しかしZendeskをご利用の2万社以上のお客様は、すでにZendeskのAIプラットフォームを活用し、目覚ましい成果を上げています。たとえば米国のチケットの販売・購入プラットフォームSeatGeekでは、AIエージェントによってサポート対応の半数以上を自動化し、同時に顧客満足度を2倍以上伸ばしました。また、年間1,000万人以上が利用するフランスの空港運営会社は自動化率85%を達成しており、「自動解決率80%」が絵空事ではないことを証明しています。ただし、これは魔法のように実現するものではありません。

自動化率を着実に高めている組織には、共通点があります。AIを導入して終わりにするのではなく、実際の課題にAIを使い、そこから学び、改善を重ね続けているという点です。

Resolution Learning Loop™による継続的な改善

こうした継続的な学習と改善を支えているのが、ZendeskのResolution Learning Loop™です。すべての顧客対応データを分析し、Zendesk AIが継続的に学習することで、自動化された高品質な解決を実現する力を高めていきます。今日の自動解決率は次の改善に向けた基準値となり、継続的に精度と成果が高まっていきます。

ただし、Resolution Learning Loop™は、一般的なAIプラットフォームにありがちな「改善のフライホイール（仕組み）」とは異なります。その独自性を支えているのが、Zendeskの統合型Resolution Platformです。 AIエージェントとサポート担当者が、同じプラットフォーム上で、同じデータ、ナレッジ、ツールを使って連携できる。だからこそ、改善のスピードと規模が違います。

日々の顧客対応が、次の改善と自動化を支える基盤になります。顧客と接するあらゆる瞬間が、進化のチャンスなのです。

Resolution Learning Loop™の仕組み

すべてのサポート対応は、ヘルプセンターの閲覧やAIエージェントとのチャット、メールなど、どこかから始まります。スムーズな体験であっても、摩擦を生むものであっても、すべてが改善の材料です。

チケット（問い合わせ）や会話ログ、サポート担当者の操作、外部システムのデータ。初回応答時間（FRT）や顧客満足度（CSAT）、平均処理時間（AHT）といった指標の裏側には、改善のヒントとなる豊富なデータがあります。ミスやSLA未達、教育不足、解約リスク、破綻しているワークフローなど、AIが登場する以前、こうした情報の多くは埋もれており、数か月かけた分析でしか見えてきませんでした。

Zendesk AIの力

当社のソリューションは、こうした膨大なデータを分析、解釈し、サポート担当者のパフォーマンス、対応品質、ナレッジ、業務フローにおける改善余地を明らかにします。さらに、Copilotや各種ビルダーを活用することで、誰でもコードを書くことなく、的確な改善策を簡単に実装できます。
AIは、洗練された顧客対応と、確実な解決を支える中核として機能します。

日々の顧客対応は次第にスムーズになり、自動解決の目標に着実に近づいていきます。

では、実際の業務ではどのように機能するのでしょうか。具体例で見てみましょう。

保証請求プロセスの効率化

Zendeskを導入している製造業の企業を想定してみましょう。リアルタイムでモニタリングできるダッシュボードにより、特定機種の機器に関する保証請求が急増していることが検知されました。
その影響により、サポート担当者の生産性や解決までの時間に支障が出ています。想定外の事象であるため、AIエージェントは対応しきれず、サポート担当者へのエスカレーションが増加し、全体の処理が滞っている状況です。

ここで、Resolution Learning Loop™が機能します。

• Zendesk AI（QA、Analytics、Copilot）が、チケットや会話ログ、ERPとの連携データを分析し、原因や影響範囲、対応策を明らかにします。
• Zendesk Copilot（管理者向け）が、該当機種専用の自動返信を提案し、サポート担当者の負荷を即座に軽減します。
• アクションビルダーを使えば、保証条件の確認、代替品の在庫確認、出荷承認、Slackでのアカウントチームへの通知など、Copilot支援型の保証請求ワークフローを構築および自動化できます。
• アプリビルダーでは、自然言語による指示だけで、製品情報や保証情報をサポート担当者のワークスペースに表示するサイドバーアプリを数分で作成できます。
• ナレッジビルダーが、保証対応の会話から得られた知見をもとにヘルプセンター向けの案内を生成し、顧客の自己解決を支援します。

保証請求プロセス全体をAIエージェントで自動化できるようになり、必要に応じて最終的な代替品の承認のみを人が行う運用も可能です。

ナレッジと自動化が強化されることで、顧客は必要な対応を迅速に受けられ、サポート担当者の業務効率も向上します。解決までの時間は短縮され、将来発生する保証請求についても、より迅速かつ的確に振り分け、対応できるようになります。

こうして、自動化の限界を突破できます。

注意点

Resolution Learning Loop™の効果を妨げる要因は、次のとおりです。

• データの分断：外部のAIエージェントや単一チャネルのシステムに分断された顧客対応データは、改善に活かすことができません。ほかのデータと統合したうえでAIを適用する必要があり、時間とコストがかかるうえ、運用も不安定になりがちです。
• ツールの分断：AIエージェントがサポート担当者と同じツールに接続されていない場合、改善は頭打ちになります。QAによる評価が行われない、あるいは業務フローツールにアクセスできない状態では、解決品質や自動化の成果は伸びません。
• 手作業に頼る限定的なQA：会話データ全体を分析するAI主導のQAがなければ、業務プロセスの改善点や知見の不足に気づくことができません。
• 停滞や不安：テストやPoCは重要ですが、競合は立ち止まってはくれません。慎重になりすぎると、気づいたときには差をつけられている可能性があります。

上記の障害を取り除き、自動化率をわずか10%でも高められた場合、サポート担当者は、優先度の高い顧客対応に集中できるようになります。

Zendeskによるサポート<

2025年には、世界人口の20.7%が、企業、雇用主、政府からのサポートを受けるためにZendeskを利用すると見込まれています。Zendeskはすでに2万社の組織を、自律的に対応できるサービス運用への移行において支援してきました。どの段階にある組織であっても、状況に応じた次の一歩をご提案できます。

詳しくは、Zendeskの担当者またはアカウントチームまでお問い合わせください。