月208時間削減した、Salesforce×生成AIを活用したカスタマーサポート改革～構築だけで終わらせない、チームスピリットの「現場で育てる」AI活用～

チームスピリットのカスタマーサポート組織とは：プロダクトの成長を支える顧客対応

─まず、貴社の事業概要と、皆様が担当されている業務領域についてお聞かせください。

手島氏：

株式会社チームスピリットは、勤怠管理、経費精算、人事管理などを一体化したSaaSシステム「TeamSpirit」を提供しています。最大の特徴は、世界シェアNo.1の顧客管理プラットフォームであるSalesforceを基盤として動作する点にあります。

私はプロダクトオペレーション本部という組織を統括しており、全領域のカスタマーサポートおよびテクニカルサポートを管掌しています。 これまでの部門の役割に加えて、技術畑のバックグラウンドを活かして、オペレーションのDX化も担っています。また、外部システムとの連携開発を担う部門も同じ組織内にあり、サポートから得られた知見をシステムへ還元することも行なっています。

礒野氏：

弊社のサポート体系は大きく2つあり、契約に付帯する「無償サポート」と、より手厚い支援を行う「有償オプション」に分かれています。

今回AI活用を本格的に開始したのは、私たちが所属するカスタマーサポートユニットの専用ポータルサイトを通じたテキストベースでやり取りを行う「無償サポート」の領域です。 月間約1,200件という多くの問い合わせに対し、いかにスピードと品質を両立させるかが、ユニットリーダーとしての私の大きなテーマでした。

横井氏：

私は現場のメンバーとして、実際の顧客対応を担当しています。日々届く多種多様な質問に対し、最適な回答をすることが求められる役割です。

顧客対応の最前線で起きていたこと：ベテランの勘と育成の壁

─AI導入を検討される前、現場ではどのような課題が深刻化していたのでしょうか。

礒野氏：

最も大きな課題は、業務の属人化とリソースの限界でした。月間1,200件の問い合わせは、平日に換算すると1日あたり約60件。これを6名体制で対応していました。顧客対応の流れとしては、顧客の問い合わせ文を一行ずつ読み解き、社内ナレッジと類似ケースから最適な回答を探して回答を作成する…という工程を繰り返していました。

チームスピリットは10年以上の歴史があるサービスなので、社内には膨大なナレッジや過去の対応ケース（※1）が蓄積されています。しかし、その大量の情報の中から必要な答えを素早く引き出すには、相応の経験が必要でした。

（※1）Salesforceにおいて、顧客からの問い合わせ内容やその対応履歴を記録・管理するためのレコード（サポートチケット）。これらが蓄積されることで、サポート業務における重要な過去の対応履歴として活用される。

手島氏：

ベテランならではのノウハウの一つに、「表記揺れ」への対応があります。

たとえば「有給」というキーワード一つをとっても、顧客が「給与の給」で入力されるか「休みの休」で入力されるかで、従来の検索エンジンでは結果が変わってしまいます。こうした言い回しの違いを先回りして検索ワードを変えるのは、ベテランの経験によって補われていた部分。これが属人化の正体でした。

横井氏：

現場の目線で言えば、ナレッジ化されていない過去の対応ケースの中に眠っている知見が非常に重要でした。しかし、過去のやり取りを適切なキーワードで検索するのはナレッジ検索以上に難易度が高い。ベテランの頭の中だけにある「あの時のあの顧客のケース」という暗黙知をどう引き出すかが課題でした。

─サービスレベルや組織運営にも影響は出ていたのでしょうか。

礒野氏：

回答品質のばらつきも大きな課題でした 。私たちのサポートチームでは、特定の顧客を専任で担当するアカウントベースではなく、届いた問い合わせごとに担当者をランダムに割り当てる体制をとっています 。

そのため、対応するメンバーの習熟度によって、回答のトーンや質に大きな差が生じていました 。「前回の回答は非常に丁寧だったのに、今回は簡素すぎる」といったサービスレベルのブレは、顧客の不信感に直結しかねません。

手島氏：

部門長として、メンバーが日々の問い合わせ対応に追われ、改善業務に回す時間を捻出できていない点も大きな課題でした。

本来なら、繰り返される問い合わせを分析し、ナレッジの改善や製品へのフィードバックを行うべきですが、その余裕が全くありませんでした。この悪循環を断ち切るには、抜本的な改革が必要だと感じていました。

プロジェクト発足とパートナー選定：全社を動かす「最初の成功事例」を作る

─AI活用を推進するにあたって、どのような意思決定プロセスがあったのでしょうか。

手島氏：

実を言うと、全社的に「AIを活用しよう」という指針自体は出ていたものの、具体的にどの部署が何をやるかという点では足踏みしている状態でした。各部門が縦割りで動いている中で、実際に推進されるのを待っていては進まない。そこで、私が管掌するカスタマーサポート部門で、先行してプロジェクトをスタートさせました。

まずは自部門で目の前の課題を解決し、それを全社展開のきっかけにしようと考えたのです。

─Salesforce基盤での構築にこだわった理由、そしてパートナーとしてギブリーを選ばれた経緯を教えてください。

手島氏：

日常業務のすべてがSalesforce上で行われているため、わざわざ外部のAIツールに切り替えて使うような設計は避けたかった。オペレーターの動線を最優先し、Service Cloud（※2）の中にAIを溶け込ませる「Einstein（※3）」や「Data Cloud（※4）」を活用する方針を固めました。

（※2）Service Cloud（サービスクラウド）
Salesforceが提供するカスタマーサポート業務向けのクラウドサービス。顧客からの問い合わせ、過去の対応履歴、ナレッジなどを一元管理し、サポート業務の効率化と品質向上を支援する。

（※3）Einstein（アインシュタイン）
Salesforceに組み込まれているAI機能群の総称。問い合わせ内容の要約や回答案の生成などをSalesforce画面上で行うことができ、カスタマーサポート業務の効率化を支援する。

（※4）Data Cloud（データクラウド）
企業内に点在するデータを統合・整理するSalesforceのデータ基盤。統合されたデータをAI（Einstein）に提供することで、より精度の高い分析や回答生成を可能にする。

パートナー選定については、Salesforce社に相談したところ「AI領域で非常に信頼できる会社がある」と、ギブリーさんを紹介いただいたのがきっかけです。

新しい領域であるため、Salesforce製品の構築支援会社ではなく、AIとSalesforceの両方に深い知見を持つ専門的なパートナーが必要でした。ギブリーさんのAIの技術や業務実装力と、伴走型の支援スタイルは私たちのニーズに合致していました。

AIを業務で使える形にする設計思想：100%を求めない「役割分担」

─AIを導入する際、現場に対してどのような期待値調整を行いましたか。

手島氏：

ここは非常に重要ですが、「AIに100%を求めないこと」をメンバーに徹底して伝えました。「AIを入れればすべて自動で答えてくれる」という過度な期待を持たせると、わずかな誤回答があっただけで現場の信頼を失い、使われなくなってしまいます。

私たちの設計思想は、問い合わせをレベル分けしてAIの活用範囲を明確にすることにありました。

・レベル1〜2（ナレッジで解決可能）： AIが回答案を作成し、効率化する。
・レベル3〜4（顧客固有の環境調査が必要）： 従来通り、人間が深く調査して対応する。

全体の約半分を占めるレベル1〜2をAIで確実に対応し、人間はより高度なレベル3〜4に集中する。この役割を明確にしたことで、現場もAIのことを、仕事を奪い合う競合としてではなく、業務を支援するツールとして受け入れることができました。

─オペレーターの具体的な業務フローはどのように変わったのでしょうか。

横井氏：

顧客からのケースを開くと、画面上に「回答を生成する」ボタンが表示されます。これを押すと数秒で、問い合わせ内容を要約した上で、最適な回答案と、その根拠となったナレッジおよび過去ケースが3件ずつ提示されます。

私たちは、その生成された回答案が正しいかどうかを目視でチェックします。内容が合っていれば、一部を微調整して送信するだけ。ゼロから文章を書く手間がなくなりました。

リリース後の共創プロセス：検索・回答精度を高めるための改善プロセス

─導入初期、精度に関してはどのような状況だったのでしょうか。

手島氏：

最初は実運用に向けてまだまだ改善が必要な状態でした。特にAIが顧客の「お世話になっております」といった丁寧な挨拶文まで重要な情報として拾いすぎてしまい、検索したい内容がズレてしまっていたのです。その結果、関係のないナレッジを提示してしまうことがありました。

礒野氏：

そこでギブリーさんと協議し、「検索の前に、まずAIで問い合わせ文を要約する」というプロセスを挟むことにしました。ノイズを削ぎ落とし、顧客が本当に困っていることの本質だけを抽出してからナレッジを検索する。リリース当初の課題に対し、ギブリーから提案された「要約検索」ロジックを導入したことで、実用的なヒット率へと変化していきました。

─現場でのフィードバック体制はどのように構築されたのでしょうか。

礒野氏：

構築して終わりにしないために、リリース後の2ヶ月間を集中改善期間と定めました。全メンバーが、AIの回答が正解か不正解かをExcelシートに記録しました。不正解の場合、本来欲しかった回答と考えられる原因を一件ずつ書き込み、それを毎週ギブリーさんに渡してプロンプトやデータの読み込ませ方を修正してもらう。その後もチームメンバーによる継続的な改善サイクルの積み重ねが、AIを実業務で使えるツールに育て上げた最大の要因です。

手島氏：

ギブリーの担当者さんに弊社オフィスへ直接お越しいただき、現場の横で実際の画面を見ながら「ここのニュアンスが違うんだ」と膝を突き合わせて議論した時間がありました。実際の操作画面を横で見ながら議論したことで、リモート会議では伝わらない現場業務の解像度が高まり、改善が進みました。

数字と現場の声が示す成果：生産性1.3倍、新人の基準を塗り替える

─導入によって得られた定量的な成果を詳しく教えてください。

横井氏：

実際に数値としても明確な成果が現れました。1件あたりの対応時間が平均10分短縮され、組織全体で月間約208時間の工数削減を実現しました。生産性に換算すると約1.3倍の向上です。

最も象徴的だったのは、個人の対応件数の変化です。以前の弊社では「月150件対応できれば一人前」という基準がありましたが、今では入社1年未満の新人が、AIを使いこなして月200件以上を対応しています。従来のベテラン基準を、新人でも達成できるようになりました。

礒野氏：

リソース面でも大きな変化がありました。本来であればもう1名採用が必要なほどひっ迫していましたが、現在は「今いる人数でも余裕を持って回せる」状態です。

以前は1日2回、午前と午後にオンラインで新人が自由に入って相談できる場を設けていました。そこでは常に新人が殺到し、相談待ちの行列ができる。ベテランはその対応に追われ、自分の案件が進まない。これが組織全体の大きな負担になっていました。

その相談会も、週2回に減らし今では行わなくて済むようになりました。AIを組み込むことでナレッジやケースの検索精度が高まり、また一次回答の指針を示してくれるため、新人でも自分で判断できる領域が広がったのです。

─顧客満足度や現場の心理的な変化はいかがでしょうか。

礒野氏：

アンケート結果に明確な変化が現れました。以前は「回答が遅い」というお声をいただくこともありましたが、今ではほとんどなくなり、代わりに「迅速な対応への感謝」が目立つようになりました。以前は2営業日以内の返信がギリギリでしたが、今ではほぼ全ての問い合わせに当日中に回答案を作成できています。この「即応性」が顧客の安心感に直結しています。

横井氏：

精神的な余裕も生まれました。以前は朝出社して未対応案件が溜まっているのを見ると、どうしても気持ちが焦る瞬間がありましたが、今は「ボタンを押せば回答の叩き台がすぐにできる」という安心感があります。心理的な負担が少なく業務に取り組めるようになりました。さらに、AI活用により捻出された時間を使い、現場自らがプロンプト改善やナレッジの磨き上げといった運用改善に従事できるようになりました。

成功の要因と継続的改善の仕組み：現場主導の改善プロセス

─今回のプロジェクトを成功に導いた、最大の要因は何だと思われますか。

手島氏：

「早期リリースと現場での共創」を重視し、最初から完璧を求めず、現場のフィードバックを受けながらAIを継続的に改善していくスタンスを貫いたことです。完璧を求めすぎると、リリースが遅れ、現場の熱も冷めてしまう。まずは動くものを作り、現場と一緒に育てていく「共創」の姿勢が不可欠です。

─現場のメンバーが自発的に改善に参加する仕組みをどう作ったのでしょうか。

礒野氏：

「フィードバックをしても何も変わらない」と思わせないことです。隔週で開催している改善会議では、メンバーの指摘に対して「プロンプトのこの部分をこう修正した」という結果を必ず返します。また、個人のKPIやチーム目標の中に「フィードバック件数」を組み込み、改善の貢献を可視化したことも功を奏しました。

手島氏：

また、チームにAIを活用した業務改善を自分ごととして捉える「推進者」がいたことも大きい。礒野・横井のように、現場で実際に使い倒し、「もっとこうすれば良くなる」と発信し続けるメンバーの存在が、周囲を巻き込んでいきました。

今後の展望：サポートの枠を超えていく

─今後の展開としてどのような構想を描いていますか。

礒野氏：

AIの導入により、実は教育のあり方が根本から変わりました。これまでは「ナレッジやケースを検索してゼロから回答を書く方法」を教えていましたが、これからは「AIが作った回答が正しいかを判断する目利き力」を教える時代になります。この逆転の発想に基づいた、新しいオンボーディングプログラムを構築していく予定です。

手島氏：

また、オペレーター業務の効率化にとどまらず、将来的には自己解決を支援する仕組みを構築し、サポートチームがより高度な顧客対応や製品開発への貢献にシフトする未来を描いています。

─同様の課題を抱える企業へのアドバイスをお願いします。

手島氏：

外部パートナーに丸投げせず、「自分たちでも手を動かして精度向上を追求する」という覚悟を持つことです。また、構築期間と同じくらいの検証・改善期間をあらかじめスケジュールに組み込んでおくことを強くお勧めします。

礒野氏：

AI導入は決して華やかな魔法ではありません。地道で泥臭いチューニングの連続です。最初は心が折れそうになるかもしれませんが、現場の能動的な姿勢と、Salesforce・AI双方に精通したギブリーの伴走支援が噛み合ったことが、本プロジェクトの成功要因だと感じています。

─Salesforce × 生成AI活用、次の一歩を踏み出しませんか。

Salesforceに蓄積されたデータは、多くの企業にとって重要な資産です。しかし、そのデータを生成AI活用に十分活かしきれている企業は、まだ多くありません。

ギブリーは、1,000社を超える企業へのAI活用支援と豊富なSalesforce製品基盤の構築・活用支援実績を持つAIソリューションベンダーです。Agentforce及びEinsteinなどの様々なSalesforce製品の導入・活用支援に特化したサービスを提供しています。

ギブリーの支援は、構築して終わりではありません。戦略策定から環境構築、ナレッジの整備やプロンプトのチューニング、そして組織への定着まで、一気通貫で伴走します。現場の業務フローを深く理解した上で、生成AIが本当に成果を出せる形に落とし込む。こうした実装力と伴走型の支援体制が、ギブリーの強みです。

AgentforceやEinsteinを活用したカスタマーサポートの効率化・高度化など、Salesforce環境における生成AI活用の可能性は急速に広がっています。まずは貴社の課題や現状について、お気軽にご相談ください。最適な活用の方向性を、一緒に見つけていきましょう。