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エージェントを外注するには、まず対象業務とKPIを決め、RFPを作ることから始めます。そのうえでPoCで安全性を確かめてから本番化すると、品質を保ちやすくなります。

AIシステム開発を依頼する会社の選び方やRFPの作り方については、無料ホワイトペーパー「AIシステム開発の完全ガイドブック」で詳しく解説しています。

▼RFP作成前に読みたい無料ホワイトペーパー
・AIシステム開発の完全ガイドブック
・【2026年最新版】AI駆動開発の完全ガイドブック

問い合わせ対応のAIエージェントとは

問い合わせ対応のAIエージェントは、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と比べると、複数の情報源や手続きを組み合わせて、目的の達成を支援できる点に特徴があります。

4つの基本機能の切り分け

発注時は、AIチャットとひとまとめにせず、初期範囲に含める機能を分けて決めます。機能の範囲によって、必要な連携と見積額が変わるからです。

• 顧客接点：WebチャットやAI音声ボットで、一次受付を行います。
• オペレーター支援：会話中に、回答候補や関連マニュアルを提示する機能です。
• 後処理：会話の要約と分類、CRMへの入力を自動化します。
• 品質評価：会話ログをもとに、正確性や禁止表現を確かめます。

従来のチャットボットやIVRとの違い

従来型とAIエージェントの違いは、回答の仕組みと安全制御にあります。

• 従来型：シナリオやキーワードに沿って動き、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：RAGで社内文書を検索し、文脈に応じて回答を組み立てます。
• リスク：自由度が高いほど、誤回答や個人情報漏えいのリスクが増えます。
• 安全制御：回答できないときは答えず、本人確認が必要な操作は認証後にだけ許可するよう発注先に求めます。

問い合わせ対応のAIエージェントの発注形態

発注形態は、既製SaaS、SaaSのカスタマイズ、個別開発の3段階で考えると整理しやすくなります。業務が標準的であればSaaSが候補になり、独自のCRMや本人確認があればカスタマイズを検討します。複数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ら、個別開発が候補に挙がります。

SaaS・カスタマイズ・スクラッチの比較

方式を選ぶときは、導入の速さと、自社側に残る運用責任を見比べます。FAQ検索と有人引き継ぎから始める方法も、現実的な選択肢です。

• SaaS：初期費用と期間を抑えられ、モデルやセキュリティの更新も任せられます。
• カスタマイズ：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：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。

SaaSを選ぶ場合は、データの保存場所、プロンプトとログの扱い、外部API連携の制約を確かめます。

開発委託と運用BPOの使い分け

開発と毎月の運用は分けて考え、必要な業務だけを外部に委託します。

• 開発委託：システムを作る作業を、外部の会社に依頼します。
• 運用BPO：社内に担当者を確保できないときは、ナレッジ更新や回答監査を外注できます。
• ニット社の事例：AIが一次対応を行い、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。
• 見積もり：「作る範囲」と「毎月任せる範囲」を分けて提示してもらいます。

ただし、この金額は特定サービスの例です。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。

RFPと要件整理の進め方

RFPは、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。そのために、過去3か月から12か月のデータと、正解ナレッジの所在や更新責任者を整理しておきます。

• 業務実績：問い合わせの件数や平均処理時間を、チャネル比率や上位カテゴリとともにまとめます。
• 運用状況：放棄率、一次解決率、繁忙時間帯を押さえます。
• 正解データ：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内容を確かめます。

対象業務と成功条件の定義

初期対象は、件数が多く、回答の根拠を文書にまとめやすく、誤回答の影響が比較的小さい領域から選びます。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が候補になります。

一方で、返金・与信・医療判断・契約変更は、本人確認や人の裁量が必要です。そのため、AIが情報を整理して人へ渡す範囲から始めます。

RFPには、回答自動化率30%とあわせて、安全条件も書いておきます。例として、正答率95%以上、有人切り替え成功率99%、CSAT維持などが挙げられます。

技術要件と運用要件の書き分け

技術要件と運用要件を分けて書くと、見積もりの前提がはっきりします。要件が曖昧なままだと、初期見積もりのあとに追加開発が膨らみます。

• 技術要件：チャネル、API連携、認証を含めます。加えて、検索ファイル形式、応答時間、同時接続数、対応言語も書きます。
• 音声要件：認識・合成の遅延、方言や騒音への対策、通話録音の保管方法を盛り込みます。
• 運用要件：ナレッジ更新、プロンプト変更の承認者、ログ監査、モデル再評価、障害時の有人転送を決めておきます。

個人情報とセキュリティの要件化

問い合わせには、氏名、住所、電話番号、注文番号、決済情報などの個人情報が含まれることがあります。

• 入力データ：個人情報を検知してマスキングし、LLMへ送る前に削除または置換する処理を求めます。
• 保存ログ：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。
• 契約条件：AIに渡すデータの利用範囲、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かめます。

（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の決め方

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、契約形態は工程ごとに使い分けて考えます。

企画・要件定義・PoCは準委任契約にして、作業時間と検証内容を合意する方法があります。一方で、本番機能の実装や納品物が明確な部分は、請負契約にできます。

そのうえで、成果物と検収条件、変更手続きを具体的に定めます。再委託や保守の範囲も、取り決めておきます。

AI特有の契約項目

AIの契約では、モデルや外部システムにまつわる論点を、発注前に確かめておきます。

• 入力データ：基盤モデルの提供会社が、入力データを学習に使うかどうかを確かめます。
• 再評価：モデルや埋め込みを変えたとき、誰が再評価を行うかを決めておきます。
• 責任と権利：回答誤りの責任分担、自社のFAQや会話ログの所有権、ベンダーの作成物の利用権を取り決めます。
• 外部システム操作：誤操作の取消、権限の分離、操作履歴、障害時の手動手順を、契約書や仕様書に残します。

SLAと保守・改善の範囲

本番運用では、応答時間や稼働率、障害通知をSLAで定めます。加えて、復旧目標と問い合わせ窓口、回答の正確性も確認の対象にします。

LLM APIや音声APIが止まったときに備えて、別モデル、シナリオ型の回答、有人転送のどれに切り替えるかを決めておきます。

RAGの週次更新、誤回答分析、評価データ作成、プロンプト改善は、保守費に含めるか別料金にするかを分けて考えます。そうすると、予算を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の月額利用料や初期設定・連携費、個別開発費に分けて考えます。ナレッジ整備費と運用保守費も、あわせて把握しておく必要があります。

LLM・検索・音声APIの従量課金も含めます。単純なFAQチャットであれば、数十万円規模から始められる場合もあります。

CRM連携や本人確認、音声、複数業務の自動実行を含めると、PoCから本番までで数百万円以上になることがあります。そのため、問い合わせ量と機能をそろえて比較します。

要件定義・RAG・連携による初期費用の変動

初期費用は、要件定義の深さやナレッジの整形量、CRM・PBXなどとの連携数によって変わります。

見積もりを「AI部分一式」でまとめられると比べにくいため、作業項目と工数に分けて出してもらいます。

• ナレッジ整備：ExcelやPDFをそのまま検索させず、見出しと本文が分かるMarkdownやプレーンテキストへ変換して、表記ゆれを整えます。
• 認証・システム連携：本人確認や決済照会を行う場合、API設計と権限管理が加わります。
• 監査・テスト：監査ログの実装やテストケースの作成が、費用に影響します。

ランニングコストの試算方法

ランニングコストは、問い合わせ量に応じて増える従量費と、固定費に分けて試算します。

• 従量費：LLMの入出力、埋め込み生成、ベクトルDBの保存・検索、音声認識・音声合成を見積もります。
• 固定費：サービス利用料、ログ保管、監視、ネットワーク、有人対応の残存コストを含めます。
• 試算式：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ます。
• ROI：人件費に加えて、AHT短縮、放棄呼減少、夜間受付、教育短縮、再問い合わせ減少も見込みます。

Vertex AIは、モデルごとに入力と出力を分けて課金します。さらに、コンテキストキャッシュを使うと、入力処理費を削減できます。この内容は、Google Cloud「Vertex AI Pricing」（2026年8月確認）に記載されています。

Amazon Bedrockも、API呼び出しやモデル利用量に応じた従量課金です。AWSの「Amazon Bedrock or Amazon SageMaker AI?」（2026年8月確認）でも説明されています。

会話が長くなると入力トークンが増えるため、回答の短縮、検索範囲の限定、キャッシュの利用がROIに影響します。

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、問い合わせ業務を理解し、導入後も改善を続けられるかで選びます。そのうえで、同じRFPを複数社に渡し、価格や期間、成果物を同じ粒度で比べます。加えて、前提と除外項目も確認します。

価格の安さに加えて、追加費用の条件と、失敗時に元へ戻せる仕組みが明示されているかを評価します。

類似業務での実績の深さ

導入社数に加えて、似た問い合わせチャネルや規制、CRM、音声環境での実績を尋ねます。自動化率やFCR、CSAT、AHTの変化も確認します。

富士通のSalesforceサポートデスクでは、生成AIで約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）。

他社事例の数字は業務条件によって変わります。そのため、問い合わせ件数や対象範囲を確かめたうえで、自社のベースラインと比べます。

見積書の前提条件と成果物の比較

見積書は項目ごとに揃えて、条件と成果物を比べます。デモでは、成功例以外の入力も試し、応答とエスカレーションの動きを確かめます。

• 費用項目：要件定義、データ整備、RAG、連携を分けます。テスト、教育、保守も、別々に出してもらいます。
• 成果条件：質問数、正解判定、有人引き継ぎ、修正回数、モデル変更時の対応を押さえます。
• デモ入力：回答不能、怒り、情報不足、API障害のケースを試します。

人とAIの協働設計の提案力

100%の自動化を目指すと、品質や現場への定着を損ねやすくなります。たとえば、音声認識が方言や屋外の騒音に弱い場合は、有人への転送の比率を調整します。

• 本人確認：認証が必要な問い合わせは、人へ引き継ぎます。
• 複雑な会話：クレームや高い感情、規定回数を超えた聞き返しがあった場合は、転送します。
• 根拠不足：回答の根拠が見つからない場合は、人が対応に入ります。

カスハラ対策として、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もあります。こうした技術も含めて、働く人の心理的安全性まで提案できるかを確かめます。

失敗しない導入ステップとKPI設計

導入は、現状分析からPoC、限定公開、本番拡張、継続改善の順に進めます。初回のPoCでは、問い合わせカテゴリを一つか二つに絞ります。

過去ログから代表的な質問と難しい質問を抽出し、精度や検索根拠を検証します。個人情報のマスキングや有人転送、ログ分析も、検証の対象になります。

RAGの週次改善を前提とした発注

RAGの精度は、導入時の検索設定だけで決まらず、導入後の改善によって左右されます。ナレッジを週次で更新する運用を決めるだけで、自動化率が10ポイント以上向上するケースもあります。

• データ整備：FAQの表記ゆれを直し、Markdownやプレーンテキストに整えます。
• 検索調整：同義語辞書や取得ドキュメント数を調整します。
• 構成調整：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、プロンプトを見直します。

自動化率の改善効果は、自社のデータで検証する必要があります。

効率と顧客体験のKPI

効率と顧客体験の両方を測ります。自動化率が上がっても、CSATが下がる場合には、回答の範囲や引き継ぎを見直します。

• 効率：自動化率、呼量削減率、平均処理・後処理時間、応答時間、処理件数を見ます。
• 顧客体験：一次解決率、FCR、CSAT、再問い合わせ率、有人転送後の解決率を追います。

KDDIアイレットは、RagasとDatadogのLLM Observabilityを使い、回答精度の判定と可視化を自動化しました。この事例では、人的チェックの工数を月2.6人日削減しています（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）。

削減した時間は、人員削減に直結させず、複雑な問い合わせへの対応やFAQ改善、顧客への提案、教育に振り向けます。

Klarnaのように完全自動化を急ぎ、品質や現場の負荷に問題が出た事例は、反面教師として扱います。そのうえで、人が価値を出しやすい業務に集中できる基盤として設計します。

よくある質問

外注時によくある質問を取り上げます。費用や導入期間、データ、運用体制も含めて、判断の材料にしてください。

問い合わせ対応AIエージェントの開発費用はいくらですか？

FAQ中心のSaaSであれば、初期設定と月額利用料から始められます。CRM連携や音声、本人確認、独自処理が加わると費用が上がるため、初期費用と月額固定費、API従量課金を分けて見積もります。保守費と追加開発費も、別に積み上げて考えます。

SaaSと個別開発はどちらを選ぶべきですか？

標準的なFAQ対応を早く試すなら、SaaSが適しています。一方で、深い連携や独自の認証、業務処理が必要な場合は、個別開発やカスタマイズを検討します。

判断に迷うときは、低リスクのカテゴリをSaaSでPoCし、効果と制約を確かめてから個別開発へ進みます。

個人情報を含む問い合わせにも対応できますか？

対応は可能です。そのためには、入力時の検知やマスキング、送信先の利用条件を決めます。加えて、ログの暗号化や権限、保存期間、削除手順も設計します。

本人確認や決済情報の照会は、認証済みのAPIと人の承認を組み合わせると、リスクを抑えやすくなります。

導入にはどのくらいの期間がかかりますか？

期間は、対象範囲と連携数によって異なります。FAQ検索だけの検証であれば、数週間から数か月が目安です。

一方で、CRMや音声、認証を含む本番開発は、数か月以上を見込むのが一般的です。

期間を短くするには、対象カテゴリと正解ナレッジ、評価質問、意思決定者を先に揃えておきます。加えて、PoCで検証する項目も絞ります。

まとめ

外注時は、問い合わせ業務と対象範囲を整理したうえで、SaaS・カスタマイズ・スクラッチの中から発注形態を選びます。

RFPには、業務KPIやナレッジ、CRMやPBX連携を記載します。加えて、本人確認、個人情報マスキング、有人転送、障害時の代替策も書き込みます。

契約では、データの利用や生成物とコードの権利、検収、SLAを確かめます。保守とモデル変更時の責任分界も、取り決めておきます。

発注前に確認するチェック項目

発注前には、必要な項目を一枚にまとめておきます。

• 業務と品質：対象問い合わせ、成功KPI、利用ナレッジをまとめます。
• 安全と連携：連携先、個人情報、有人切り替え、障害時の代替策を確かめます。
• 費用と体制：初期・月額費用と改善担当者を記載します。

この一覧をRFPと見積比較表に共通して使うと、提案範囲をそろえて判断できます。

導入後の改善体制を含む契約条件

導入後の改善や費用を見通すため、運用条件と委託先の比較軸を、契約時に整理します。

• 改善作業：誤回答や未解決の問い合わせを週次で確認し、ナレッジなどを更新します。
• 契約条件：改善会議、レポート、作業回数、追加費用について合意します。
• 運用費：LLMの従量課金やベクトルDB、音声API、ログ・監視、ナレッジ更新も、ROIに含めて考えます。
• 委託先比較：類似実績、RAG改善力、セキュリティ、連携、有人運用を比べます。

契約の参考資料は、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・選定ガイドです。

導入事例は、富士通の事例を紹介したSalesforceの導入事例と、KDDIアイレットのRagas・LLM Observability事例で確認できます。

人とAIで役割を分担し、回答品質と顧客体験を継続的に改善する体制を、発注条件に含めます。自動化率は、その指標の一つとして扱います。

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。