問い合わせ対応のAIエージェント開発/構築の発注/外注/依頼/委託方法について

問い合わせ対応のAIエージェントは、FAQを答えるだけでなく、顧客の意図を理解して社内システムを参照し、必要に応じて人へ引き継ぐ仕組みまで含めて発注・外注することが重要です。

問い合わせ対応のAIエージェントを導入したいと考えていても、「SaaSを契約すべきか、個別開発すべきか」「RFPに何を書けばよいか」「費用相場はどの程度か」と迷いやすいものです。この記事では、発注形態の選び方から要件整理、契約、費用の考え方、委託先の比較、PoC後の運用まで、外注を成功させる実務上の進め方を解説します。自社の問い合わせ件数や既存CRM、個人情報の扱いを前提に、見積書の金額だけでは判断できない差を見極められるようになります。

問い合わせ対応のAIエージェントとは何ですか？

問い合わせ対応のAIエージェントとは、自然言語で受けた相談を解釈し、ナレッジ検索や業務システムとの連携を通じて、回答・処理・引き継ぎを実行するソフトウェアです。固定された選択肢を返すチャットボットよりも、複数の情報源や手続きを組み合わせて目的達成を支援できる点に特徴があります。

発注時は「AIチャットを作る」と一括りにせず、顧客接点の自動化、オペレーター支援、後処理の自動化、品質評価の自動化に分解します。顧客接点ではWebチャットや音声ボットが一次受付を担い、オペレーター支援では会話中に回答候補や関連マニュアルを提示します。後処理では要約・分類・CRM入力を自動化し、品質評価では会話ログから正確性や禁止表現を確認します。どの機能を初期範囲に入れるかで、必要な連携と見積額が大きく変わります。

従来型は、あらかじめ作ったシナリオやキーワードに沿って回答するため、質問の言い換えや複合的な相談に弱い傾向があります。AIエージェントはRAGで社内文書を検索し、会話の文脈に応じて回答を組み立てます。ただし、自由度が高いほど誤回答や個人情報漏えいのリスクも増えるため、発注先には「答えられないときは回答しない」「本人確認が必要な操作は認証後だけ許可する」といった制御まで求める必要があります。

問い合わせ対応のAIエージェントはどの発注形態が適していますか？

発注形態は、既製SaaSの導入、SaaSを自社向けに設定するカスタマイズ、個別開発の3段階で考えると整理しやすいです。対象業務が標準的で、早く効果を検証したい場合はSaaSが向いています。既存CRMや独自の本人確認フローがあり、標準機能だけでは足りない場合はカスタマイズ、複数の業務システムをまたぐ自律処理や厳格なデータ管理が必要な場合は個別開発を検討します。

SaaSは初期費用と導入期間を抑えやすく、モデルやセキュリティ機能の更新も提供会社に任せられます。一方で、データの保存場所、プロンプトやログの扱い、外部API連携の制約を確認する必要があります。カスタマイズは自社業務に合わせやすい反面、標準アップデートとの互換性を保つ費用が発生します。スクラッチ開発は自由度が高い反面、モデル選定、RAG、監視、障害対応まで自社の運用責任が広がります。最初から全機能を作り込まず、FAQ検索と有人引き継ぎから始める判断が現実的です。

自社で運用担当者を確保できない場合は、開発会社への委託に加えて、ナレッジ更新や回答監査をBPOとして外注する方法があります。ニット社の事例では、AIが一次対応し、人間のアシスタントが個別判断とFAQ更新を担うハイブリッド型を月額12万6,000円から提供しています。ただし、この金額は特定サービスの例であり、自社の問い合わせ量や連携範囲にそのまま当てはまる相場ではありません。発注時は「作る範囲」と「毎月任せる範囲」を分けて見積もってもらいます。

RFPと要件整理はどのように進めますか？

RFPは「生成AIを使いたい」という技術要望ではなく、問い合わせ業務の現状と達成したい成果を伝える文書です。過去3か月から12か月の問い合わせ件数、チャネル別の比率、上位カテゴリ、平均処理時間、放棄率、一次解決率、繁忙時間帯を整理します。正解データとして、FAQ、製品マニュアル、規約、過去回答、エスカレーション履歴の所在と更新責任者も記載します。

初期対象は、件数が多く、回答根拠を文書化しやすく、誤回答の影響が比較的小さい領域を選びます。たとえば営業時間、配送状況、手続き方法、サービス仕様の案内は候補になります。反対に、返金・与信・医療判断・契約変更など、本人確認や人の裁量が必要な業務は、AIが情報を整理して人へ渡す範囲から始めます。「回答自動化率30%」だけでなく、「正答率95%以上」「有人切り替え成功率99%」「CSATを維持」といった安全条件もRFPに書きます。

技術要件には、Webチャット・メール・電話などのチャネル、CRMやチケット管理とのAPI連携、認証方式、検索対象のファイル形式、応答時間、同時接続数、対応言語を含めます。音声の場合は、音声認識と音声合成の遅延、方言や騒音への対策、通話録音の保管方法も必要です。運用要件には、ナレッジ更新の頻度、プロンプト変更の承認者、回答ログの監査、モデル更新時の再評価、障害時の有人転送を記載します。ここを曖昧にすると、安い初期見積の後に追加開発が膨らみます。

問い合わせでは氏名、住所、電話番号、注文番号、決済情報などが入力される可能性があります。入力時に個人情報やカード番号を検知してマスキングし、LLMへ送信する前に削除または置換する処理、保存ログの暗号化、アクセス権限、保存期間、削除手順をRFPで指定します。経済産業省の契約チェックリストも、AIに提供するデータの利用範囲、生成物の利用条件、ログ、セキュリティ、個人データの第三者提供を確認項目として整理しています（出典：経済産業省「AIの利用・開発に関する契約チェックリスト」、2025年）。

契約形態と責任分界はどう決めますか？

AIエージェントは、仕様を最初から完全に確定しにくい開発です。そのため、企画・要件定義・PoCは準委任契約で作業時間と検証内容を合意し、本番機能の実装や納品物が明確になった部分は請負契約にするなど、工程ごとに契約形態を使い分ける方法があります。契約名だけでなく、成果物、検収条件、変更手続き、再委託、保守範囲を具体的に定めることが大切です。

基盤モデルの提供会社が入力データを学習に利用するか、モデルや埋め込みを変更したときに誰が再評価するか、生成回答の誤りによる責任をどう分担するかを確認します。自社のFAQや会話ログの所有権、ベンダーが作成したプロンプト・評価データ・連携コードの利用権も重要です。AIエージェントが外部システムを操作する場合は、誤操作時の取消、権限分離、操作履歴、障害時の手動手順まで契約書または仕様書に残します。

本番運用では、回答の正確性だけでなく、応答時間、稼働率、障害通知、復旧目標、問い合わせ窓口をSLAで定めます。LLM APIや音声APIが停止した場合に、別モデルへ切り替えるのか、シナリオ型回答へ戻すのか、全件を有人へ転送するのかも確認します。RAGの週次更新、誤回答分析、評価データ作成、プロンプト改善を保守費に含むのか、別途作業になるのかを分けると、導入後の予算が読みやすくなります。

問い合わせ対応のAIエージェントの費用相場と内訳

費用は、SaaSの月額利用料、初期設定・連携費、個別開発費、ナレッジ整備費、運用保守費、LLM・検索・音声APIの従量課金に分けて考えます。単純なFAQチャットなら数十万円規模から始められる場合がありますが、CRM連携、本人確認、音声対応、複数業務の自動実行まで含めると、PoCから本番まで数百万円以上になることがあります。固定の相場を断定せず、問い合わせ量と必要機能をもとに同じ前提で比較してください。

初期費用の大きな差は、要件定義の深さ、ナレッジの整形量、認証やCRM・PBXとの連携数、テストケースの数で生まれます。ExcelやPDFをそのまま検索させるのではなく、表記ゆれを統一し、見出しと本文が分かるMarkdownやプレーンテキストへ変換する作業が必要です。本人確認や決済状態の照会を行うなら、API設計と権限管理、監査ログの実装が加わります。見積では「AI部分一式」ではなく、作業項目と工数を分けてもらいます。

月額費用は、サービス利用料だけではありません。LLMの入力・出力トークン、埋め込み生成、ベクトルDBの保存と検索、ログ保管、監視、音声認識・音声合成、ネットワーク、有人対応の残存コストを足し合わせます。たとえばGoogle CloudのVertex AIはモデルごとに入力と出力を分けて課金し、コンテキストキャッシュで入力処理費を削減できる仕様です（出典：Google Cloud「Vertex AI Pricing」、2026年8月確認）。AWSもAmazon BedrockをAPI呼び出しやモデル利用量に応じた従量課金として説明しています（出典：AWS「Amazon Bedrock or Amazon SageMaker AI?」、2026年8月確認）。

試算式は、「月間問い合わせ数×1件あたりのLLM入力・出力量×単価」に、検索、音声、保存、監視の固定費を加える形が基本です。会話が長いほど入力トークンが増えるため、回答を短くする、検索対象を絞る、キャッシュを使うといった設計がROIに影響します。人件費削減だけでなく、AHT短縮による処理能力、放棄呼の減少、夜間受付、教育期間の短縮、FAQ改善による再問い合わせ減少まで金額換算します。

委託先の選定と見積比較で確認すべきポイント

委託先は、AIのデモがきれいかどうかだけでなく、問い合わせ業務を理解し、導入後の改善を続けられるかで選びます。提案依頼では同じRFPを複数社へ渡し、価格、期間、成果物、前提条件、除外項目を同じ粒度で回答してもらいます。最安値を選ぶより、追加費用が発生する条件と、失敗時に戻せる仕組みを明示する会社を評価することが大切です。

確認する実績は、AIを導入した社数だけでは不十分です。自社と似た問い合わせチャネル、業界規制、CRM、音声環境を扱ったか、導入後の自動化率・FCR・CSAT・AHTがどう変わったかを尋ねます。富士通のSalesforceサポートデスクでは、生成AIの活用により約8割の工数削減を紹介しています（出典：Salesforce「生成AIで約8割工数削減」、2024年）。ただし、他社事例の数字は業務条件によって変わるため、問い合わせ件数や対象範囲を確認して自社のベースラインと比較します。

見積比較では、要件定義、データ整備、プロンプト設計、RAG、画面、API連携、テスト、教育、保守を項目別に揃えます。特に、テスト用の質問数、正解判定の方法、有人引き継ぎの条件、納品後の修正回数、モデル変更時の対応が差になりやすい部分です。デモでは成功例だけでなく、答えられない質問、怒りの感情、情報不足、API障害を入力し、どのような応答とエスカレーションになるかを確認します。

問い合わせ対応では、100%自動化を目標にすると品質と現場定着を損ねやすくなります。本人確認、クレームや高い感情、聞き返しが規定回数を超えた場合、回答根拠が見つからない場合は、人へ切り替えるルールを設けます。音声認識が方言や屋外騒音に弱い場合は、有人転送の比率を調整します。カスハラ対策として、顧客の怒鳴り声をオペレーターが受け止めやすい音声へ変換する技術など、働く人の心理的安全性まで提案できる委託先は、単なる自動化ベンダーと区別できます。

失敗しない導入ステップとKPI設計

導入は、現状分析、PoC、限定公開、本番拡張、継続改善の順に進めます。最初のPoCでは、問い合わせカテゴリを一つか二つに絞り、過去ログから代表的な質問と難しい質問を抽出します。回答精度だけでなく、検索根拠が表示されるか、個人情報をマスキングできるか、有人転送が機能するか、ログを分析できるかを検証します。

RAGの精度は、導入時の検索設定だけで決まりません。FAQの表記ゆれを直し、Markdownやプレーンテキストに整え、同義語辞書を登録します。改善が足りなければ、取得ドキュメント数、セマンティックランカー、チャンクサイズ、埋め込みモデル、プロンプト構成を順番に調整します。ナレッジを週次で更新する標準化だけで、自動化率が10ポイント以上向上するケースもありますが、自社データで検証する必要があります。

効率のKPIには、自動化率、呼量削減率、平均処理時間、後処理時間、応答時間、オペレーターの処理件数を設定します。顧客体験のKPIには、一次解決率、FCR、CSAT、再問い合わせ率、有人転送後の解決率を置きます。自動化率が上がってもCSATが下がるなら、回答範囲を狭める、説明を短くする、早めに人へ引き継ぐなどの修正が必要です。KDDIアイレットはRagasとDatadogのLLM Observabilityを使い、回答精度の判定・可視化を自動化し、人的チェック工数を月2.6人日削減した事例を公開しています（出典：KDDIアイレット「生成AIの回答精度の判定を自動化・可視化」、2026年8月確認）。

導入判断では、削減できた時間を単純に人員削減へ直結させないことも重要です。Klarnaのように完全自動化を急ぎ、サービス品質や現場の負荷に問題が出た事例を反面教師に、余力を複雑な問い合わせ、FAQ改善、顧客への提案、教育へ再配分します。AIエージェントは人を置き換える道具ではなく、人が価値を出しやすい業務へ集中するための業務基盤として設計します。

よくある質問

問い合わせ対応のAIエージェントを外注するときに、担当者からよく寄せられる質問をまとめます。費用だけでなく、導入期間、データ、運用体制も含めて判断してください。

FAQ中心のSaaS導入なら初期設定と月額利用料から始められますが、CRM連携、音声、本人確認、独自の業務処理を加えるほど費用は上がります。相場だけで決めず、初期費用、月額固定費、API従量課金、保守費、追加開発費を分けた見積を取得してください。

標準的なFAQ対応を早く試すならSaaS、既存システムとの深い連携や独自の認証・業務処理が必要なら個別開発またはカスタマイズが向いています。迷う場合は、SaaSで低リスクなカテゴリをPoCし、効果と制約を確認してから個別開発へ進む段階導入が適しています。

対応できますが、入力時の検知・マスキング、送信先の利用条件、保存ログの暗号化、権限管理、保存期間、削除手順を設計しなければなりません。本人確認や決済情報の照会は、AIが直接判断するのではなく、認証済みのAPIと人の承認を組み合わせる構成にするとリスクを抑えやすくなります。

対象範囲と連携数によって異なりますが、FAQ検索だけの検証は数週間から数か月、CRMや音声、認証を含む本番開発は数か月以上を見込むことが一般的です。期間を短くするには、対象カテゴリ、正解ナレッジ、評価質問、意思決定者を先に揃え、PoCで検証する項目を限定します。

まとめ

問い合わせ対応のAIエージェントを外注する際は、まず問い合わせ業務の現状と対象範囲を整理し、SaaS・カスタマイズ・スクラッチの発注形態を選びます。RFPには、業務KPI、対象ナレッジ、CRMやPBXとの連携、本人確認、個人情報のマスキング、有人エスカレーション、障害時のフォールバックを記載します。契約では、データ利用、生成物とコードの権利、検収、SLA、保守、モデル変更時の責任分界を確認します。

発注前は、対象問い合わせ、成功KPI、利用ナレッジ、連携先、個人情報、有人切り替え、障害時の代替手段、初期費用と月額費用、改善担当者を一枚にまとめます。この一覧をRFPと見積比較表に共通して使うと、会社ごとに異なる表現や提案範囲を揃えて判断できます。

本番稼働後は、誤回答や未解決問い合わせを週次で確認し、ナレッジ・検索設定・プロンプト・エスカレーション条件を更新します。改善の会議体、レポート、作業回数、追加費用の条件まで合意しておくと、導入して終わりにならず、問い合わせ対応のAIエージェントを業務に定着させやすくなります。

費用は初期開発費だけでなく、LLMのトークン従量課金、ベクトルDB、音声API、ログ・監視、ナレッジ更新を含めてROIを試算します。委託先は、類似業務の実績、RAGの改善力、セキュリティ、既存システム連携、失敗時の有人運用まで比較してください。参考情報として、経済産業省のAIの利用・開発に関する契約チェックリスト、Google CloudのVertex AI Pricing、AWSのAmazon Bedrockの料金・選定ガイド、富士通事例を紹介したSalesforceの導入事例、KDDIアイレットのRagas・LLM Observability事例を確認できます。

自動化率を上げることだけを目的にせず、人とAIが役割分担しながら、回答品質と顧客体験を継続的に改善できる体制を発注条件に含めることが、長く使えるAIエージェントへの近道です。

会社紹介

株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。

また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。

もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。

株式会社riplaの会社HPはこちら

・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>

執筆者プロフィール

張田谷凌央

株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。