【当日資料】20231025_カラクリセッション内容_コンタクトセンターに革命を起こす生成AI時代のナレッジ活用術【送付用】

コンタクトセンターに革命を起こす

生成AI時代のナレッジ活用術

Creativity concept with robot hold lightbulb

自己紹介
結論
KCSダブルループプロセスを生成AI時代に捉え直す
生成AIの特徴
生成AIのナレッジ活用術
総結論
告知

自己紹介
結論
KCSダブルループプロセスを生成AI時代に捉え直す
生成AIの特徴
生成AIのナレッジ活用術
総結論
告知

01 ブランドパーパス

Brand Purpose　～サービスの存在意義～

カスタマーサポートを

エンパワーメントする

カスタマーサポートを

エンパワーメントする

『カスタマーサポートの現場をより強いものにしていく、内なる力を引き出す』

といった意味をこめています。

本パーパスを掲げ、カスタマーサポートの課題を一挙に解決するために

KARAKURI Digital CS Seriesの開発・提供をしています。

‹#›

CONFIDENTIAL

02 導入企業・実績

＼　様々な業種・業態のお客さまに導入いただいています！　／

‹#›

CONFIDENTIAL

03 国内トップクラスの技術力

武藤健介

東京大学大学院博士卒

AWS主催AIお笑いコンペ

「電笑戦」優勝

取締役CPO　中山智文

東京大学大学院で機械学習技術の応用研究を現役で行いながら、機械学習の社会実装を推進するため2016年10月カラクリCTO就任。博士卒

Data Scientist

大日方考輝

東京大学大学院博士課程

Gunosyデータ分析ハッカソン最優秀賞・東大駅伝新記録

川端大貴

東京大学大学院修士卒

新卒でアクセンチュア入社

アクセンチュア史上初のエンジニア職の飛び級昇格

北村拓真

数学オリンピック

金メダリスト

中嶋恭久

東京大学大学院修士卒

サイバーエージェントのアドテクコンペティション優勝

Data to Web

ドメインエキスパート　向川啓太

慶應義塾大学卒業後、DELL、

りらいあデジタル代表取締役など22年間に

わたりコンタクトセンター業界に従事

東川翔

東京大学大学院修士卒

物理オリンピック

金メダリスト

Web Engineer

CTO　宇波雄平

コンタクトセンター向けCTICRMなどを開発するZeeVaacommunications Development Manager

吉田雄紀

東京大学大学院博士卒

現役内科医・世界初の量子コンピュータープログラミングコンテスト優勝（北大/日立協賛）・数学オリンピック銀メダル・情報オリンピック銀メダル

泉裕一朗

東京大学大学院修士卒

新卒でNRI入社

銀行系大規模開発に従事

片上舜

大阪大学物理学科を首席で卒業

東京大学大学院で博士号を取得

現在は同大学助教を兼任

佐伯俊明

コンタクトセンター向けCTICRMなどを開発するZeeVaacommunications Senior Architect

‹#›

CONFIDENTIAL

04 KARAKURI Digital CS Seriesとは？

『 CSデータ基盤を中心としたトータルAIソリューション』

CXだけではなくEXも大切

真にカスタマーサポートをエンパワーメントするために …

にしています！

顧客体験（CX）領域

従業員体験（EX）領域

‹#›

CONFIDENTIAL

自己紹介

カラクリ株式会社　

代表取締役CEO　小田　志門

1980年京都府生まれ。2003年から、イー・ガーディアン株式会社（東証一部）の創業メンバー（取締役）として、SNS監視・コンタクトセンター事業の立ち上げに従事。

2017年から『カスタマーサポートをエンパワーメントする』というためのAIソリューションのKARAKURI digital CS seriesの開発・提供を開始。

自己紹介
結論
KCSダブルループプロセスを生成AI時代に捉え直す
生成AIの特徴
生成AIのナレッジ活用術
総結論
告知

前提

ポイント①

コンタクトセンターに革命を起こす

生成AI時代のナレッジ活用術

ポイント②

革命とは？

【革命の定義】

いままでにないカラクリ（技術や仕組み）で

コンタクトセンターの実務レベルが変わる

今までにないレベル

わかる　できる　やっている

今までにないレベル

わかる　できる　やっている

今までのナレッジ活用

今までにないレベル

わかる　できる　やっている

今までのナレッジ活用

ここまで

いけば革命的

といえる

ナレッジを活用していることを意識せずとも、活用している状態

（息を吐くように、ナレッジ活用ができている状態）

本セッションの結論

生成AI

時代の

ナレッジ管理

＝

◯◯◯

AIとの協同作業が業務に溶け込んでいる状態でのナレッジ管理とは？

問い

AIとの協同作業が業務に

溶け込んでいる状態とは？

仮説

つい、ナレッジを

活用してしまう状態

仮説

つい、ナレッジを

活用してしまう状態

↕

ナレッジを使え！と命令/強制されている状態

質問

Q：貴社のナレッジ活用は、

コミュニケーター/オペレーターに

とって、どちらに当てはまりますか？

質問

Q：貴社のナレッジ活用は、

コミュニケーター/オペレーターに

とって、どちらに当てはまりますか？

命令/

強制的

つい/

自発的

本セッションの結論

生成AI

時代の

ナレッジ管理

＝

◯◯◯

つい、使ってしまうナレッジのマネジメント

自己紹介
結論
KCSダブルループプロセスを生成AI時代に捉え直す
生成AIの特徴
生成AIのナレッジ活用術
総結論
告知

捉え直す

KCS ダブルループプロセス

⑧リーダーシップ/

推進

⑦パフォーマンスを

評価する

⑥プロセスを

統合する

⑤コンテンツを

健全に保つ

発展ループ（組織レベル）

解決ループ（個人レベル）

①ナレッジを捉える

②構造化する

③再利用する

④改善する

捉え直す

解決のループの概略

解決ループ（個人レベル）

①ナレッジを捉える

②構造化する

③再利用する

④改善する

（電話）問い合わせから

顧客の問題を把握する

読みやすい/検索しやすく

まとめる（問題/状況/解決策etc）

検索することで、問題の記録/

解決の記録を行う

コンテンツを

ブラッシュアップする

捉え直す

解決のループの『間違った』現場解釈

解決ループ（個人レベル）

①ナレッジを捉える

②構造化する

③再利用する

④改善する

強制的にナレッジを使え！

という命令

検索することで、問題の記録/

解決の記録を行う

捉え直す

解決のループの時代との乖離

解決ループ（個人レベル）

①ナレッジを捉える

②構造化する

③再利用する

④改善する

（電話）問い合わせから

顧客の問題を把握する

電話以外の

チャネルへの適応は？

捉え直す

解決のループの時代との乖離

解決ループ（個人レベル）

①ナレッジを捉える

②構造化する

③再利用する

④改善する

読みやすい/検索しやすく

まとめる（問題/状況/解決策etc）

ナレッジ担当者だけが

コンテンツをつくる

コンテンツを

ブラッシュアップする

捉え直す

発展のループの概略

⑧リーダーシップ/

推進

⑦パフォーマンスを

評価する

⑥プロセスを

統合する

⑤コンテンツを

健全に保つ

発展ループ（組織レベル）

リーダーシップを発揮/

時代に応じた戦略策定

実績の評価

（実際にいいソリューションを作った人を評価etc）

コンテンツ利用を拡大/

コンテンツスタンダードの設定

ワークフローの定着/

利用体験の向上

捉え直す

発展のループの概略

⑧リーダーシップ/

推進

⑦パフォーマンスを

評価する

⑥プロセスを

統合する

⑤コンテンツを

健全に保つ

発展ループ（組織レベル）

リーダーシップを発揮/

時代に応じた戦略策定

実績の評価

（実際にいいソリューションを作った人を評価etc）

コンテンツ利用を拡大/

コンテンツスタンダードの設定

ワークフローの定着/

利用体験の向上

ほぼ普遍的な内容

つい使ってしまうループ

つい、使ってしまうナレッジは、

つい、運用してしまうナレッジでもある

つい使ってしまうループ

KCS ダブルループを元に

『つい』をデザインする

捉え直す

KCS ダブルループプロセス

⑧リーダーシップ/

推進

⑦パフォーマンスを

評価する

⑥プロセスを

統合する

⑤コンテンツを

健全に保つ

発展ループ（組織レベル）

解決ループ（個人レベル）

①ナレッジを捉える

②構造化する

③再利用する

④改善する

つい使ってしまうループ

KCS ダブルループプロセス

解決ループ（個人レベル）

①ナレッジを捉える

②構造化する

③再利用する

④改善する

ポイント１：全員参加

ナレッジ担当者だけでなく、

全員でコンテンツをつくる/改善する

ポイント2：任意利用

ツールの利用を強制しない

つい使ってしまうループ

KCS ダブルループプロセス

⑧リーダーシップ/

推進

⑦パフォーマンスを

評価する

⑥プロセスを

統合する

⑤コンテンツを

健全に保つ

発展ループ（組織レベル）

ポイント3：可視化

ナレッジ作成の貢献度/ナレッジ利用有無でのオペレーション評価の可視化

つい使ってしまうループ

ポイント１：全員参加

ナレッジ担当者だけでなく、

全員でコンテンツをつくる/改善する

ポイント2：任意利用

ツールの利用を強制しない

ポイント3：可視化

ナレッジ作成の貢献度/ナレッジ利用有無でのオペレーション評価の可視化

仕掛け（カラクリ）

・自分の作ったナレッジが誰かの役に立つ体験

（利用者数/お気に入り数etc）

・ナレッジを使って助かった体験、ナレッジを使ってパフォーマンスが上がった体験

体験を自発的に作り出す

＝命令しない

つい使ってしまうループ

	命令/強制のデザイン	つい使ってしまう
ナレッジ作成を担当する人	リーダー（or 特定の数人）	全員（数人〜数百人）
ナレッジの質	普通	高い
ナレッジの量	少ない	多い
暗黙知の形式知化	ほぼなし	一文字レベルの工夫すら吸い上げることが可能
自分の工夫のチーム貢献度	ほぼ見えない	見せる
質の高いナレッジをつくるモチベーション	なし	どんどん増える/コラボレーションが加速する

つい使ってしまうループ

運用大変そう？？

	命令/強制のデザイン	つい使ってしまう
ナレッジ作成を担当する人	リーダー（or 特定の数人）	全員（数人〜数百人）
ナレッジの質	普通	高い
ナレッジの量	少ない	多い
暗黙知の形式知化	ほぼなし	一文字レベルの工夫すら吸い上げることが可能
自分の工夫のチーム貢献度	ほぼ見えない	見せる
質の高いナレッジをつくるモチベーション	なし	どんどん増える/コラボレーションが加速する

つい使ってしまうループ

今までは、運用が大変であった

▶ほぼ不可能に近い

つい使ってしまうループ

今までは、運用が大変であった

▶ほぼ不可能に近い

▶ある2つの環境変化で可能になった

２つの変化

１

２つの変化

１

電話チャネル以外の

チャネルができた

（メール/チャットetc）

２つの変化

１

電話チャネル以外の

チャネルができた

（メール/チャットetc）

生成AIが出てきた

（AIが進化した）

２つの変化

１

電話チャネル以外の

チャネルができた

（メール/チャットetc）

コンテンツ

スタンダードの変化

２つの変化

１

電話チャネル以外の

チャネルができた

（メール/チャットetc）

コンテンツ

スタンダードの変化

今まで

検索しやすい/

わかりやすい

２つの変化

１

電話チャネル以外の

チャネルができた

（メール/チャットetc）

コンテンツ

スタンダードの変化

今まで

検索しやすい/

わかりやすい

追加で

そのまま応対に

コピペできる

２つの変化

・改善の粒度が細かくなった

（一文字レベルで改善可能）

▶全員参加の意味が出た

・使用数/顧客満足度/CPHなどの指標との関連を可視化しやすくなった

▶効果の測定がしやすくなった

コンテンツ

スタンダードの変化

今まで

検索しやすい/

わかりやすい

追加で

そのまま応対に

コピペできる

２つの変化

１

電話チャネル以外の

チャネルができた

（メール/チャットetc）

生成AIが出てきた

（AIが進化した）

２つの変化

１

電話チャネル以外の

チャネルができた

（メール/チャットetc）

生成AIが出てきた

（AIが進化した）

変化

コンタクトセンターに革命を起こす

生成AI時代のナレッジ活用術

ポイント②

次の話題に入る前に

今、変化すべき？

⑧リーダーシップ/

推進

⑦パフォーマンスを

評価する

⑥プロセスを

統合する

⑤コンテンツを

健全に保つ

発展ループ（組織レベル）

Q：自社は変化すべきか？

・電話『中心』の応対チャネルから変化の兆しがない/今後10年単位で見ても大きな変化はない

・競争環境が緩やかであり、コンタクトセンターが担う役割も変化しないほうが有益である

『変化しないことで被る損害』

が少ない業界/会社も存在する

変化の必要性の判断軸

コラボレーションが活発で、

生産性/品質の高いオペレーションを、

競争相手が実施してこない場合/無視できるレベルの場合

▶現状維持が得策

全体の傾向は？

✔日本国内は、計画よりもノンボイス比率が向上している

✔一方、海外では下げ止まりの傾向も出始めている（新たな課題設定がされている）

自己紹介
結論
KCSダブルループを生成AI時代に捉え直す
生成AIの特徴
生成AIのナレッジ活用術
総結論
告知

問い

そもそも、AIは、

どんな人を支援してくれるのか？

生成AIの研究（1/2）

概要

5,179人のカスタマーサポートに生成AIベースのアシスタントを導入して1時間あたりの問題解決数（問い合わせ等を捌けた件数）を調べた論文
経験が浅かったり、低スキルのサポートで効果が出やすく、ベテランは効果が出づらかった
AIは暗黙知を広め、新人のオンボーディングに特に効果的であることが示された
その他にもAIは顧客の満足度の向上、マネージャーの負荷の軽減、定着率の増加などをもたらすことが示された
結果、平均14%問題解決数が増えた

カスタマーサポートのオペレーター支援に

GPTを活用した研究（2023.4）

仕組み

利用データは３００万件程度の会話のログ。それには解決したかどうか、かかった時間、トップオペレーターかどうかのフラグの情報が付与されている。
AIは以下の二つのことを行う
問い合わせに対して回答内容を予測する
関連ナレッジを提示する
また、予測の精度の高い会話パターンと低い会話パターンをあらかじめ調べておき、低い会話パターンでは提示を行わない

CONFIDENTIAL

生成AIの研究（2/2）

AIが生産性に与える影響（2023.9/23）

概要

ハーバード大学の研究によると実は、能力が低い人ほどAIから受けられる恩恵は大きい
仕事の精度は40%向上し、スピードも20%早くなったとのこと。中でもメリットが大きかったのは下位50%の人だったという結果です
今までのAIテクノロジーは、元々生産性の高い人を底上げする傾向があったが、生成AIは逆で、スキルの低い人のほうが大きい点が着目すべきポイント

▶類似の結果が多数発表されている

CONFIDENTIAL

当社の事例（１/2）

A社の事例：AIテンプレート作成/管理ツールの利用

新人オペレータの回答時間

測定前

測定後

AI利用あり

AI利用なし

11:23

09:40

11:23

11:44

新人オペレータの顧客からの満足率

測定前

測定後

AI利用あり

AI利用なし

100

75％

78％

100％

AI利用者は、活用後、生産性/仕事の品質向上の傾向が、

1ヶ月程度で結果が出た

CONFIDENTIAL

当社の事例（２/2）

B社の事例：AIテンプレート作成/管理ツールの利用

ベテラン vs 新人＋AI

処理件数

ベテラン

新人＋AI

3.5件/時間

5件/時間

ベテラン（AIなし）よりも、新人＋AIのほうが成果が出ることがわかった

CONFIDENTIAL

事実

AIは、特に新人の仕事の進捗を加速させる

補足

全体の傾向は？

伏線回収

コンタクトセンターに革命を起こす

生成AI時代のナレッジ活用術

３つの仕掛け

仕掛け１

AIは、特に新人の仕事の進捗を加速させる

ポイント2：任意利用

ツールの利用を強制しない

◀ツールは使わないと、

自分もチームも会社も顧客も

みんな損をする

（な状況をつくる）

問い

万能に見える生成AIの

特徴と課題は？

実はたった2種類しかない生成AI実装方針

fine-tune型（勉強＆記憶型）

マニュアル/WEBサイト情報/Q＆Aコンテンツ/過去ログなどのデータを事前に学習させて、覚えた知識でQに対するAを生成する

前の週にテスト勉強をして，試験に臨む

RAG型（教科書持ち込み型）

質問に関連する回答候補のデータを、マニュアル等から逐一検索してきて，Qと検索結果をLLMにインプットし，Aを生成させる。

教科書を持ち込んで試験に臨む

現時点では『記憶型』は、お金とリソース勝負

fine-tune型（勉強＆記憶型）

マニュアル/WEBサイト情報/Q＆Aコンテンツ/過去ログなどのデータを事前に学習させて、覚えた知識でQに対するAを生成する

前の週にテスト勉強をして，試験に臨む

ChatGPTと話してみると、一般的な知識であればちゃんと答えられるのに、汎用AIは追加で学習させるとうまくいかないことが多い
学習させるには様々なテクニックが必要
データ量も膨大に必要（数十万〜）
Input-outputの形式のデータ（質問と回答のような形式）にする必要がある
マニュアル形式のようなものを記憶させるのはそのままでは難しい
膨大なコストがかかる（精度次第で、数百万円〜百億円）
自動分類、形式（口調）変換など、一部のタスクでは有効

「RAG型（教科書持ち込み型）」は色々出ている

概要

Microsoft製
今年６月にリリース
データをアップロードするだけで、独自のチャットボットを作ることができるというコンセプト

仕組み

① 質問文をもとに、マニュアルや、過去ログ、テンプレを検索する（意味検索）

② 検索結果をプロンプトに含めてChatGPT等に渡し、その情報を参考にして、質問への回答を考えさせる

＊非常にシンプルな構造

Add your data（Azure）

「RAG型（教科書持ち込み型）」の実装イメージ

① 質問文をもとに、マニュアルや、過去ログ、テンプレを検索する（意味検索）

② 検索結果をプロンプトに含めてChatGPT等に渡し、その情報を参考にして、質問への回答を考えさせる

この箇所に検索結果を挿入する

【プロンプトの例】

あなたはA社のカスタマーサポート担当者です。以下にユーザーからの問い合わせと、参考になりそうな情報が与えられるので、問い合わせの回答メールを作成してください。

# 問い合わせ

ログインできません

# 参考情報

Q: ログインできない

A: パスワードリセットを行なってください。手順は〜

…

RAG型（教科書持ち込み型）

質問に関連する回答候補のデータを、マニュアル等から逐一検索してきて，Qと検索結果をLLMにインプットし，Aを生成させる。

教科書を持ち込んで試験に臨む

「RAG型（教科書持ち込み型）」がうまくいかない理由

検索で失敗している

作成で失敗している

『教科書持ち込み型』のチャットボットは、特に検索で失敗している

「RAG型（教科書持ち込み型）」がうまくいかない理由

検索で失敗している

作成で失敗している

この失敗を乗り越えない限り、

「つい、使ってしまうナレッジ」の状態にはならない

検索での失敗を回避すること抜きに、

実践で生成AI活用は不可能

検索で失敗している

1.検索エンジンを強くする

2.データを整理する

作成で失敗している

1.生成AIの性能を上げる（GPT-4を使う）

2.プロンプトを工夫する

1.検索エンジンを強くする

2.データを整理する

生成AIモデル

サーチエンジン

データ

検索

エンジン

【最低限満たすべき3つのポイント】

・日本語に強い

・CS分野のワーディングに強い

・貴社の業界/サービス/顧客層に強い

▶出来合いのベクターサーチなどでは弱い

Q＆A

GPT

PDF

URL

検索エンジン性能は、生成AIの性能とは別に最適化するしかない

1.検索エンジンを強くする

2.データを整理する

カスタマーの入力と、利用する非構造化データの間でGAPが生まれている

カスタマーの入力

マニュアルデータ等の内容

？

カスタマーは質問を入力する

ケースが多い

マニュアル等には質問よりも

回答データに近いデータで構成されている

（質問データが圧倒的に足りない）

マニュアルとなるデータには、通常のベクターサーチ/意味検索では精度が出づらい

1.検索エンジンを強くする

2.データを整理する

カスタマーの入力と、利用するデータの間のGAPが少ない状況が理想

カスタマーの入力

カスタマーは質問を入力する

ケースが多い

OK！！

Q＆A形式に変換

活用する非構造データから、

Q＆A形式の半構造データに変換する

マニュアルデータ等の内容

Q＆Aデータ形式になっていればいるほど、生成AIのアウトプットの質が上がる

1.検索エンジンを強くする

2.データを整理する

生成AIで活用できそうなデータ資産種別のメリット・デメリット

	メリット	デメリット
FAQ	ほとんどそのまま入れられる	表や画像形式は生成AIで対応しづらい網羅されていない
定型AIチャットボット	Qのデータをたくさん用意しているのでヒット率が高い	構築がそれなりに大変網羅されていない
マニュアル	正しい情報が豊富にある	質問と回答のセットにはなっていない
応対ログ	質問も回答も網羅されている	仕様が変わった際に対応しづらい
質問例付き定型文（KCS）	運用の中で網羅性があがっていく人間の生産性を上げつつ、 AIの精度も上がっていく	作り上げるまでに時間がかかる

万能に見える生成AIの特徴と課題は？

生成AI活用は、Fine-tune型（勉強＆記憶型）と、RAG型（教科書持ち込み型）の２つがあるが、企業の顧客対応シーンにおいてはRAG型（教科書持ち込み型）での活用がいい

しかし、RAG型（教科書持ち込み型）では成功している事例はあまり見ない。失敗する要因は、『検索で失敗する』と『作成で失敗する』の２種類しかない。

特に検索で失敗するケースが多く、対策も難易度が高い。①検索エンジンを強化することと、②データの質を高める、の両輪が必須

自己紹介
結論
KCSダブルループを生成AI時代に捉え直す
生成AIの特徴
生成AIのナレッジ活用術
総結論
告知

問い

実際に、生成AIの課題はわかったが、

どのように乗り越えればいいのか？

生成AIのリスク

従来の顧客対応に

求められること

間違うことがある

（ハルシネーション）

遅い

（生成に時間がかかる）

高い

（GPT-4の場合＠100円程度）

正確

迅速な対応

安い

（コストパフォーマンスが高い）

生成AIは顧客対応に求められていることと、相性が非常に悪いリスクを抱えている

CONFIDENTIAL

リスクを補う必要がある

生成AIのリスク

対応策

検索性能を十分に向上させ、

アウトプットの質を高める

・プロンプトの工夫/データセットの整備

・『速い』定型AIとのハイブリッド運用

『安い』定型AIとのハイブリッド運用

間違うことがある

（ハルシネーション）

遅い

（生成に時間がかかる）

高い

（GPT-4の場合＠100円程度）

新たな重要な論点として、いかに定型AIとハイブリッドさせるのか？が出てくる

CONFIDENTIAL

そもそも『定型AI』の仕組みとは？

■定型AIの仕組み

・定型AIは、質問に対して都度、回答を生成しておらず、事前にセットした回答を呼び出す仕組み

・そのため、「足りない情報を勝手に補足したり」「誤った回答を勝手に生成する」という現象はおきません

チャットボット/FAQ

Qに関連して、

Aを評価

事前に人間が作成したA

最も評価の高いAを表示

（もしくは上位数件表示や

上位順表示）

Q＆Aコンテンツを

必要分作成

（数十〜数千件程度）

定型AIは、人間と対話しているような感覚は得られないが、

回答が正確・速いという生成AIにはないメリットがある

CONFIDENTIAL

コンタクトリーズンに適したハイブリッドの組み方が望ましい

よくあるコンタクトリーズン（FAQ）は定型AIで対応

最適なQ＆Aコンテンツがない/複数の回答にまたがるような質問に対する回答を生成AIの領域とするようなハイブリッド運用が１つの最適解

よくあるコンタクトリーズンのうち、

手続き・個人認証等が必要なものは

定型AI×データ連携で対応

ロングテールなコンタクトリーズンは生成AIで対応

CONFIDENTIAL

運用する中で、自然と良質なデータを溜める

Natural Refine Cycle（ナチュラルリファインサイクル）

〜データが自然なサイクルで精緻化される体制をつくる〜

②情報・ログの収集

（WEBサイト/マニュアル/通話ログ・メールログ etc）

③オペレーション現場で

利用しやすいデータへの変換

（応対テンプレート/トークスクリプトetc）

④AIフレンドリーなデータへの変換

（Q＆Aデータ/顧客DB/商品DB etc）

①ナレッジの質の向上

コンタクトセンター内の業務プロセスの中で、AI向けのデータの質が自然と高まる状態をつくる

CONFIDENTIAL

本セッションの結論

生成AI

時代の

ナレッジ管理

＝

◯◯◯

つい、使ってしまうナレッジのマネジメント

本セッションの結論

定型と

生成の

ハイブリッド管理

生成AI

時代の

ナレッジ管理

＝

つい、使ってしまうナレッジのマネジメント

タイトルと本文etc

ハイブリッド管理の要諦

従来のQ＆A管理

ハイブリッド前提

タイトルと本文etc

ハイブリッド管理の要諦

従来のQ＆A管理

ハイブリッド前提

前提として、

投入するデータ種別が変わる

＊マニュアル、URLsなど

タイトルと本文etc

ハイブリッド管理の要諦

従来のQ＆A管理

コンテクスト（文脈）

ハイブリッド前提

ハイブリッド管理の要諦

・その企業のサービス概要、顧客像など、企業もユーザーも暗黙に理解しているベースの情報

（例）ユーザのペルソナ、属性、サービスの概要etc

・『このマニュアルは何なのか？』『誰のためにどんな目的でつくられているのか？』などの、投入するデータの前提の常識

（例）カテゴリ情報、各種メタ情報、付加情報

ハイブリッド前提

コンテクスト（文脈）

ハイブリッド管理の要諦

Q＆Aデータ

（Q＆A、マニュアル、ログ、商品データ、WEBページ etc）

ハイブリッド管理の要諦

顧客関連

データ

（顧客データ、行動データetc）

商品/サービス

データ

（商品情報/在庫情報etc）

Q＆Aデータ

（Q＆A、マニュアル、ログ、商品データ、WEBページ etc）

ハイブリッド管理の要諦

コンタクトセンター内のデータ基盤

顧客関連

データ

（顧客データ、行動データetc）

商品/サービス

データ

（商品情報/在庫情報etc）

Q＆Aデータ

（Q＆A、マニュアル、ログ、商品データ、WEBページ etc）

様々なデータを掛け合わせて活用できる土台をつくる意味が出てくる

ハイブリッドの威力は凄まじい

（１）構造化データ

顧客

商品

顧客情報、注文履歴など1to1の情報提供に必要な情報

【構造化データを呼び出す情報】

・個人を特定する情報

・伝票番号/製造番号/会員番号etc

ポテンシャルがすごい

データ連携

の仕組み

（２）半構造化データ

テンプレート

FAQ

データ構造が一律の

非構造化データ

GPT

（３）非構造化データ

マニュアル

カタログ

顧客対応に必要な

情報が記載されているデータ

【半/非構造化データを呼び出す情報】

・伝票番号/製造番号/会員番号etc

・問い合わせカテゴリetc

問い

ハイブリッド管理のイメージはついたが、

つい、つかってしまうほどではないと

感じますが？

メリットを訴求

ハードルを下げる

ハードルが高い

ハードルを下げる

仕掛け２

説明書なしで、見ただけですぐ使える

ツールを選定する/作る

これは革命だ！と言われたモノやサービス

Woman with Influencer Vlog Display in Tablet

Robot vacuum cleaner, robot vacuum cleaner wipes floors, power b

簡単

わかりやすい

さらに・・・

仕掛け３

コラボレーションしたくなる仕組み/

貢献がわかる仕組み

イメージ

自己紹介
結論
KCSダブルループを生成AI時代に捉え直す
生成AIの特徴
生成AIのナレッジ活用術
総結論
告知

本セッションの総まとめ

コンタクトセンターに革命を起こす

生成AI時代のナレッジ活用術

本セッションの総まとめ

定型と生成の

ハイブリッド管理

本セッションの総まとめ

全員参加

定型と生成の

ハイブリッド管理

AIの組み合わせ

データの循環

本セッションの総まとめ

全員参加

定型と生成の

ハイブリッド管理

AIの組み合わせ

データの循環

『つい』を生み出す

仕掛け（カラクリ）

本セッションの総まとめ

全員参加

定型と生成の

ハイブリッド管理

つい、使ってしまうナレッジのマネジメント

AIの組み合わせ

データの循環

『つい』を生み出す

仕掛け（カラクリ）

使わないほうが損な

状況をつくる

説明書なしで使える

ハードルの低さ

コラボレーションを

誘発する（貢献と承認）

自己紹介
結論
KCSダブルループを生成AI時代に捉え直す
生成AIの特徴
生成AIのナレッジ活用術
総結論
告知

コンセプト

最高のCSチームづくりを促す

一人ひとりがより効率的、高品質に仕事ができること
個々人のチームへの貢献の流れを作ること
辛さを軽減し、楽しさ、向上心を持てるようにすること

事例

メール対応の作業時間を約30％短縮

品質向上で顧客からのお礼メールが2倍に

メール対応の作業時間を約29％短縮

新人さんの教育期間が14ヶ月→5ヶ月に

23年6月リリース

導入27チーム、総アカウント数335人

平均約30％の効率化を実現しています

CONFIDENTIAL

お願い

（１）KARAKURI assist１ヶ月無料キャンペーン実施！お試ししたい企業様

（２）BPO、コンタクトセンタ−事業者様との協業

（３）その他、『最高のチームづくりを促す』ための新機能/新プロダクトの相談に乗ってくださる人、コンタクトセンターでのAI活用の意見交換

ぜひ、名刺交換、よろしくおねがいします！

Q＆A、感想