全社的なVOC活用・CX改善が進まない要因とは 実現を阻む構造的な壁
企業の本質的な競争力を高めるには、コンタクトセンターを起点に全社のCX改善ループを構築する必要がある。Flyle（フライル）はこの仕組みを、全社に散在する顧客の声を統合・分析・活用するCX改善AI基盤「Flyle AI CX」、そして顧客応対を自動化するAIオペレーター「Flyle AIコンタクトセンター」の2領域を連携することで実現している。
まず重要なのが、CX改善AI基盤の整備である。ここの順番を間違えてはならないという。
「オペレーターがどれだけトーク力を磨いても、顧客の不満が根本的に解消されないままであるケースも珍しくありません。その理由は、不満の原因である商品やサービス、あるいはサイトの仕組みといったCXが改善されていないからです。これらは、コンタクトセンター単体ではコントロールが難しいといえます。顧客の声が他部門にまで届く必要があるのです」
コンタクトセンターやCX関連部門から、商品企画部や経営層にVOCを直接届けられれば良いが、現実的には難しい。同じコールログのデータでも、活用部門によって知りたい内容も粒度も異なる。そのためのデータ加工には、専門性と工数が必要だ。VOCから顧客の不満の真因特定や改善施策の検討、優先順位付けまで手が回らないことが少なくない。
しかし、実際には他部門や経営層も、商品・サービスやキャンペーン施策、自社への好感度などを知りたいはずだ。だからこそ、財部氏は「顧客の声を経営戦略に使える状態にしなければならない」と強調した。
こうしたVOC活用のギャップを解消するプロダクトが、Flyle AI CXである。VOC、コールログ、SNSのコメント、アンケート、ECサイトのレビューなど、全社に蓄積された顧客接点データをAIが収集・統合。雑多な電話やメールの内容を意味単位で要約・ピックアップし、自動でグルーピングしていく。
グルーピングで「購入決済トラブル」といった全体像をつかむこともできれば、「アプリで取得したクーポンのエラー」など、細かい粒度まで掘り下げることも可能だ。より詳しく知りたい場合は、実際の問い合わせの文面や応対の音声までさかのぼれる。そのため、課題の真因を特定し、改善のアクションがとりやすいわけだ。
さらに、従来のVOC分析で課題だったデータ加工の属人化や工数の問題も解消できる。部門・用途別の加工をAIが自動で行い、レポート作成から通知まで実行できるため、全社的なCX改善サイクルの仕組み化が可能となる。
このアプローチが、結果的にコンタクトセンターの現場にも大きなメリットをもたらす。分析結果を、Flyle AIコンタクトセンター・AIオペレーター側に還流できるからだ。
Flyle AI CXに蓄積された応対データの中から、良好な応対をAIが判別し、FAQなどに形式知化されていない暗黙知も含めて、必要な業務フローの定義やナレッジを提案する。提案は、改善によって得られる効果順に一覧表示され、ユーザーが承認ボタンを押すだけで反映が完了する仕組みだ。新たな応対データがAIオペレーターからFlyle AI CXへと蓄積され、人やAIオペレーターの評価・育成、応対品質やCX向上に活用されるサイクルが回り始める。
「AI変革の正しいステップとは」という問いへの答えも、ここにある。AIオペレーターの導入が進まない最大の理由は、AIが参照できるナレッジ・形式知が不足したまま応対の自動化を進めようとするからだ。どれほど優秀なAIを導入しても、参照する情報源がなければ回答の精度や解決率は上がらず、狙ったはずの効率化すら実現しない。Flyle AI CXが応対データからナレッジや業務フローを生成し、AIオペレーターへ還流していく──この順番であれば、立ち上がりの速さも解決率も大きく向上する。
ClaudeやChatGPTでもVOC分析はできる？ 実態は「難しい」ワケ
中には、こうしたCX改善ループやVOC分析の仕組みを、汎用生成AIで内製しようとするケースもあるという。Claude Codeがトレンド化したように、非エンジニアでもAIアプリを構築できる時代であり、実際に試す企業は多い。だが「うまくいかずに当社へ相談いただくケースがほとんど」と財部氏。その理由は大きく3つだ。
1つ目が、アウトプットの質。汎用生成AIにデータをインポートしてレポートの作成を指示することも可能だが、応対数が数万件となると、AIが一部を省略してしまうこともある。また、どのような内容でグルーピングして分析してもらえば良いのか、使い手自身が明確に言語化しなければならない。それに対してFlyleは、ユーザーが見たいデータに合わせて必要なダッシュボードを提案する。
2023年以降、フライルは100社以上の大企業にAIによるVOC分析・活用の仕組みを実装してきた。そのノウハウを再現したテンプレートも用意されている。もちろん、必要に応じてノーコードでカスタマイズすることも可能だ。
2つ目が、データガバナンスと活用の壁である。VOCには顧客の個人情報が含まれるため、個人情報保護法を踏まえたマスキングやAIによるデータ学習利用の統制、部門ごとの閲覧権限の管理が前提となる。しかし、こうした統制と多部門におけるデータ活用の定着を“両立”させることは容易ではない。汎用生成AIでは分析結果が個人のユーザーに閉じてしまうため、継続的なデータ蓄積や部門間連携のハードルがある。結局、組織のデータ基盤として業務へ定着させる仕組みを自前で作り込むことになり、費用対効果が見合わないことも多い。
Flyleは、個人情報の自動マスキング、入力データを学習利用させない構成、部門別の権限制御、SSO・IP制限までを標準で備え、統制の内側で各部門が分析・共有から改善アクションまでつなげられる。セキュリティ・ガバナンスに厳格な金融業界で導入が進むのも、この「統制」と「活用」の両立ゆえだ。
さらに3つ目の理由が、トークンあたりの投資対効果だ。あらゆる処理に最新のAIモデルを使えば、API利用料はデータ件数に比例して増大していく。それに対して、Flyleでは表記ゆれの統一や不要データの除外といった定型処理はワークフローを用いてルールベースで自動化し、文脈理解が必要な分類・要約・グルーピングに絞ってAIを適用するなど、使い分けが可能となっている。AIも、タスクの難易度に応じて軽量モデルと高性能モデルを選択できる。
「月に数十万件にのぼるデータを循環させ続ける中では、こうした積み重ねが中長期的なコストの差となって表れるのです」
