情シス・ITヘルプデスクへのAI活用は、対象業務の選定、ナレッジと権限の整備、試験運用を経て、対応時間と属人化の削減につなげていく取り組みです。
全体の流れは、企画から始まり、データ整備と試験運用を経て、改善と拡大へ進む5段階です。
AIシステム開発の工程ごとの進め方と注意点については、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。
情シス・ITヘルプデスクにおけるAI活用の全体像
AI活用の狙いは、定型対応をAIに移し、人が判断や改善に集中できる状態をつくることです。担当者を減らすことが目的ではありません。
Microsoftの2026 Work Trend Indexは、2026年2月から4月に10市場の知識労働者2万人を対象に調査しました。同調査は、仕事でAIを使う人の増加と、AIエージェントが実行を担う流れを示しています（出典: Microsoft「2026 Work Trend Index」、2026年）。
情シスは「質問に答える窓口」から、AIと人が運用を改善していくサービスへと変わりつつあります。
従来型チャットボットやRPAとの違い
従来型の自動化と生成AIでは、回答や処理を行う仕組みそのものが異なります。
- 従来型チャットボット：登録された選択肢やキーワードに沿って回答
- RPA：決められた画面操作を自動化
- 生成AI・AIエージェント：自然文の意図を読み取って複数のマニュアルを検索し、情報が足りなければ、対象システム名、表示エラー、利用端末を聞き返す
権限の範囲を絞れば、チケットの起票、パスワードリセット申請、担当グループへの振り分けも連携できます。ただし、権限変更や重大障害の復旧は、無条件で自動実行させず、人の承認を挟む設計が必要です。
情シス担当者と従業員にとってのメリット
導入の効果は、情シス担当者と従業員の両方に及びます。
- 情シス担当者：回答、チケットへの転記、履歴の要約、マニュアル検索にかかる作業を減らせます
- 従業員：営業時間外にも一次回答を得られ、電話やメールで担当者を探す時間が短くなります
- SCSKの事例：月間1万件の社内問い合わせを受ける窓口で、AI導入後に25％削減（出典: SCSK「AIチャットボット PrimeAgent」、公開情報）
効果は、対象業務やFAQの品質、利用導線、改善体制の組み合わせによって変わります。製品名だけで決まるものではありません。
AI活用で実現できる具体的な業務範囲
すべての問い合わせを最初からAIに任せる必要はありません。まずは、頻度が高く、正解が明確で、失敗したときに人へ戻せる業務から始めます。
業務を第1層の定型処理、第2層の判断支援、第3層の戦略・統制に分けておくと、導入範囲と人の役割を社内に説明しやすくなります。
一次対応で自動化できる範囲
一次対応では、頻度の高い問い合わせを選んだうえで、本人確認と承認フローを組み合わせます。
- アカウント関連：パスワード忘れ、アカウントロック、MFA不通
- 接続・設定：VPN接続、Wi-Fi設定、PC初期設定
- 申請・利用案内：ソフトウェアのインストール申請、各種SaaSの使い方
最初の最小構成としては、「パスワードを忘れた」「アカウントがロックされた」「MFAが使えない」の3本から始めます。
回答のあとにフォームへ案内し、申請内容をチケットへ引き継いでおくと、電話対応への逆戻りを防げます。
ログ解析とナレッジ作成への活用
AIは、問い合わせログから頻出する言い換えを抽出して、FAQのタイトルや検索語を増やすことができます。
- ログの活用：障害ログの要約や過去チケットとの類似検索
- 対応の支援：一次切り分けの質問や履歴の引き継ぎ文を作成
- ナレッジ改善：問い合わせの言い換えからFAQの検索語を追加
AIには原因を断定させず、確認項目と根拠になるログを整理させます。最終判断は人が行う前提にすると、安全性が高まります。
ServiceNowの自社事例では、AIを使ってナレッジの作成量を3倍にしたと報告されています。2025年には、従業員の2.3百万時間を削減したとも報告されています（出典: ServiceNow「Customer Self-Service」、2026年確認）。
自社でも同じ効果が出るとは限らないため、測定方法も含めて試行します。
AIと人間の役割分担の設計
まず、人が最終判断する範囲を決め、例外が起きたときの引き継ぎを設計します。
- AIの担当：検索、要約、聞き返し、分類、定型手順の案内
- 情シスの担当：例外対応、権限の最終承認、重大障害、個人情報や契約の判断、FAQの品質管理
AIで解決できないときは、会話履歴、確認済みの環境情報、エラー文、参照マニュアルを添えて担当者へ渡します。こうした情報がそろっていれば、利用者が最初から説明し直す不満を減らせます。
情シス・ITヘルプデスクAI活用の進め方
まずはツールを選ぶ前に、問い合わせデータから対象業務を選びます。そのうえで、ナレッジと権限を整えてから検証します。
段階は、企画を出発点に、データ整備と試験運用を経て、改善と拡大へと進みます。各段階では、継続、修正、撤退の基準を決めておきます。
企画での対象業務とKPIの決め方
まず、過去3か月から6か月の問い合わせを分類し、そのうえでPoCの対象と評価指標を決めます。
- 問い合わせの分類：件数、対応時間、一次解決率、再問い合わせ率
- 業務の選定：個人情報の有無、手順の明確さ、回答頻度
- 効果の測定：自己解決率、有人エスカレーション率、平均処理時間、再問い合わせ率、誤回答率、利用者満足度
PoCに選ぶのは、頻度が高く、回答が文書としてまとまっていて、誤答したときに人が止められる業務です。
電話件数だけでは、従業員が困ったまま諦めた可能性を見分けられません。そのため、解決後アンケートも併せて確認します。
RAGに向けたFAQとマニュアルの整備
RAGは、AIが回答を生成する前に社内文書を検索し、その内容を根拠にして回答する方式です。
- 文書の棚卸し：古い手順、重複FAQ、部署ごとに異なる呼び方、画面変更前の画像、閲覧権限が不明なファイル
- FAQの整理：「誰が」「どの環境で」「何をしたいか」「手順」「できない場合の連絡先」
- 関連語の登録：「アカウントロック」「ログインできない」「パスワード間違い」などの表記ゆれ
1つのFAQに複数の質問を詰め込まず、質問ごとに分けて書きます。また、最初は200問程度から始め、ログを見ながら少しずつ増やすのが現実的です。
PoCと未解決ログによるチューニング
PoCでは、TeamsやSlackなど普段使う場所にAIを置き、対象の部署と期間を絞って試します。
未解決の原因は次の5つに分けて記録します。
- 文書がない：根拠となる文書がない
- 文書はあるが検索できない：文書があっても検索で見つけられない
- 質問の問題：質問が曖昧で、聞き返しが必要
- 権限の問題：権限によって文書を参照できない
- 行動の問題：回答は正しいが、次の行動につながらない
毎週、未解決ログを原因別に確認し、FAQの追記やチャンク分割を行うほか、同義語、聞き返し文、有人転送条件を調整します。
兼任の担当者であっても、週2時間から4時間を改善の時間として確保します。あわせて、問い合わせ数に加え、誤答率と引き継ぎの質も記録します。
失敗しないための注意点とセキュリティ対策
AIヘルプデスクは社内情報に触れるため、回答の精度に加えて、閲覧できる範囲と実行できる権限を先に決めておく必要があります。
IPAは、生成AIの組織導入、運用、リスク管理を分けて捉え、ルールの策定と文書化を重視しています（出典: IPA「テキスト生成AIの導入・運用ガイドライン」、2024年）。
NISTの生成AI向けAI RMFも、設計・開発・利用・評価の各段階で信頼性を管理する考え方を示しています（出典：NIST「AI RMF Generative AI Profile」、2024年更新）。
よくある失敗パターン
導入範囲や評価方法を誤ると、使われないまま運用が続いてしまうことがあります。
- 対象が広すぎる：初日から全社の問い合わせを対象にする計画
- 更新者がいない：FAQ移行後の更新責任者が未定のまま
- 窓口を急に閉じる：電話対応の即時廃止
- 指標が偏る：回答数だけを成果とみなすこと
人員削減を前面に出すと、利用者が質問を控えたり、担当者が協力に消極的になったりします。
利用が進まないときは、AIの性能より先に、普段の業務ツールに入口があるか、回答後の手続きにつながるか、社内での説明があるかを確認します。
閉域環境と権限管理の確認項目
セキュリティ要件では、情報へのアクセスから障害時の手動運用までを確認します。
- 認証と権限：SSO、多要素認証、部署・役職ごとの文書権限
- データの保護：入力データの学習利用、通信・保存時の暗号化、監査ログ、ログの保存期間、削除手順
- 委託と運用：外部委託先の再委託、障害時の手動運用
扱う情報の重さが違うAI（人事・給与とPC設定など）には同じ権限を与えないようにします。
レガシーなオンプレミス環境では、直接接続を急がず、読み取り専用API、中継サーバー、承認付きRPAを段階的に検討します。
APIがない画面操作は仕様変更で壊れやすいものです。そのため、監視と手動の代替手順も見積もりに含めます。
社内定着のためのチェンジマネジメント
従業員が電話の方が早いと感じれば、AIの利用は広がりにくくなります。そのため、使いやすい導線と、失敗したときに人へ戻れる安心感が欠かせません。あわせて、適切な広報と、改善に参加できる仕組みも用意します。
ベテラン社員や非IT部門には、機能の説明より先に、「何を頼めるか」「どこまで対応するか」を具体例で伝えます。
TeamsやSlackとの連携による利用率の向上
新しいポータルを作るより、TeamsやSlack、社内ポータルなど普段使う場所から質問できる形にします。
- 一連の対応：質問から解決確認、有人引き継ぎまでの流れ
- ナレッジ化：解決した会話をナレッジ候補として残す仕組み
- 回答の表示：参照文書、更新日、解決しない場合の連絡先
公開チャネルに個人情報や障害情報が流れないよう、DMやチケットへ切り替える条件を決めておきます。また、参照文書や更新日を回答に表示しておくと、AIへの過信を抑えられます。
電話・対面文化からの行動の変え方
窓口を一方的に廃止せず、AIで一次確認すると早く解決できる体験をつくります。
- 使い方を伝える：社内報や研修で示す質問例、聞き返し、有人切り替え
- 改善を促す：誤答報告の受付と、自己解決率やナレッジ改善数による評価
- 例外を残す：電話が必要な人への配慮と、緊急時の窓口の用意
情シスは、問い合わせを抱え込む対応から、仕組みを改善する対応へ移りやすくなります。
AIヘルプデスクの費用相場とコストの内訳
費用は、SaaSの利用料に加えて、ナレッジ整備や認証・権限設定も含めて考えます。さらに、連携や評価、運用改善も費用の対象になります。
- 小規模PoC：FAQ検索・回答に絞り、初期50万円から200万円程度
- 中規模導入：既存ツール連携と本番化を含み、300万円から1,000万円程度
- 個別開発：複数システム実行や閉域・オンプレミス連携を含み、1,000万円超
上記は、2026年時点の国内案件から見た実務上の目安で、一律の市場価格ではありません。金額は、対象範囲とデータ量、セキュリティ要件、連携数によって変わります。
初期費用の内訳
初期費用には、業務ヒアリングと問い合わせの分類、FAQ・マニュアルの棚卸し、RAG構成が含まれます。
- 設計：プロンプト、回答ルール、画面・チャネル設定
- 接続と権限：SSO、権限設計、既存ツールとの連携
- 導入準備：テスト、利用者向け説明
文書がPDFや画像に分散していると、抽出やOCRに加えて、重複除去や版管理にも工数がかかります。
Microsoft Copilot Studioのような従量課金型のサービスは、機能や利用回数に応じてクレジットを消費します（出典：Microsoft Learn「Billing rates and management」、2026年）。そのため、質問数だけでなく、生成回答、アクション、フローの実行量も試算します。
ランニングコストの見積もり方
毎月の運用工数をゼロと見ず、利用料や保守、有人対応を含めて見積もります。
- システム費：ライセンスまたはAPI、クラウド基盤、監視、バックアップ
- 運用費：ログ保管、ナレッジ更新、回答品質の評価
- 有人対応費：AIから引き継いだ問い合わせへの対応
月2回のFAQ更新と週次の未解決ログ確認だけでも、対象範囲によっては月10万円から50万円程度の運用費が発生することがあります。
従業員や質問の数が少ない会社では、既存ITSMや社内検索のAI機能を使うほうが合理的な場合もあります。
見積もりを取る際のポイント
見積もりを比べるときは、合計金額だけでなく、対象業務やナレッジ件数、精度、運用担当をそろえて確認します。初期費用が安くても、データ整備や連携、テスト、改善が別料金であれば、稟議のあとに費用が膨らみます。
RFPには、問い合わせ件数や利用者数、対象チャネル、既存ITSMと認証方式を記載します。あわせて、機密情報の扱いと、想定する有人引き継ぎも明記します。
要件と仕様書に盛り込む内容
要件には、対象業務、件数、AIの担当範囲を具体的に記載します。たとえば、月間3,000件のうちパスワード関連の300件に一次回答し、申請フォームへ誘導する、といった書き方になります。
- 回答条件：正答率、引用の条件、回答できない場合の文面
- 運用条件：引き継ぎ先、営業時間、ログ保存期間、個人情報のマスキング
- 検証条件：受け入れテストの方法
既存システムへ書き込む場合は、実行権限と承認者、失敗時のロールバック、監査証跡も必須です。
発注先とベンダーの選び方
生成AIのデモだけでなく、問い合わせ分類から運用改善までの進め方を確認します。
- 経験：似た従業員規模やレガシー環境での実績
- 運用方法：RAG評価、セキュリティレビュー、障害時の支援
- 責任分担：ナレッジ更新の担当と改善の進め方
「何でも自動化できる」という提案を受けたときは、自動化しない業務、撤退基準、誤答時の補償や対応も確認します。
PoCの成果物として、評価データやFAQ一覧、改善ログ、運用手順が社内に残る契約が望ましいです。
ROIと撤退基準の計算
ROIと回収期間は、削減できる時間を人件費に換算して求めます。
- 削減時間を人件費に換算したうえで、初期費用と年間運用費を差し引きます。
- 月1,000件の問い合わせのうち30％を自己解決し、1件あたり12分、時間単価3,500円とすると、月60時間を削減できます。
- 削減額は月21万円、年間252万円です。初期費用300万円と年間運用費120万円を見込むと、初年度の差引効果はマイナス168万円です。
- 2年目以降は年間132万円の効果があり、単純な回収期間は約2年3か月です。
品質改善の時間や待ち時間、戦略業務へ振り替えた価値は、計算とは別に記録します。
よくある質問（FAQ）
導入前によく寄せられる疑問に答えます。最適な方法は自社の規模や既存ツールによって変わるため、問い合わせデータとセキュリティ要件を確認してください。
情シスのAI活用は何から始めるべきですか？
問い合わせログから、頻度が高く回答が明確な業務を一つから三つ選びます。パスワードやアカウントロックは、失敗しても人へ戻しやすいため、向いています。MFAやVPNなども、同じ考え方で選べます。
KPIを決めて4週間から8週間のPoCを行い、利用率や自己解決率、誤答率、削減時間を測ります。
ハルシネーションを防ぐにはどうすればよいですか？
RAGで承認済みの文書を参照させ、回答に根拠と更新日を表示します。根拠が見つからないときは回答せず、人へ引き継ぎます。正解率だけでなく、危険な誤答もテストします。
検索には文書の閲覧権限を反映させ、権限外の情報が検索結果に混ざらないようにします。古い手順は廃止し、未解決ログも定期的に評価します。
小規模企業でもAIヘルプデスクを導入できますか？
小規模企業でも導入はできますが、可否は既存の環境と問い合わせ量を見て判断します。
- 始め方：独自開発を避け、既存サービスのAI機能と少数のFAQから検討
- 利用環境：Microsoft 365、Slack、ITSM、社内検索の機能を比べ、有人引き継ぎを用意
- 費用の判断：月間問い合わせ件数が少なく、担当者が短時間で回答できる場合は、費用が削減効果を上回る可能性
- PoCの評価：月間削減時間と運用工数を比べ、回収の見込みがなければ導入を見送る
まとめ
情シス・ITヘルプデスクのAI活用は、問い合わせを分類し、頻出する定型業務から始める業務改革です。窓口を丸ごとAIに任せる施策ではありません。
FAQを整え、AIと人の役割、権限、引き継ぎを設計したうえで、未解決ログをもとに改善を続けます。
明日から実行する順番
対象業務の選定から効果の確認まで、順番に進めます。
- 問い合わせログを集め、対象を三つ以内に絞り込みます。
- FAQの所有者と参照権限、回答できない条件を決めておきます。
- TeamsやSlackなど、利用者に近い導線でPoCを行います。
- 削減時間を人件費に換算し、初期費用とライセンス、ナレッジ更新の工数を差し引いて、回収期間を示します。
- 数字が合わなければ、対象を縮小するか導入を見送ります。
小さく始め、ログから学び、効果と安全性が確認できた範囲を広げていく方法が、2026年時点で最も再現性の高い進め方です。
参考情報
本文の数値や考え方は、次の情報源で確認できます。
- Microsoft：「2026 Work Trend Index」、「Billing rates and management」
- SCSK：「AIチャットボット PrimeAgent」
- ServiceNow：「Customer Self-Service」
- IPA：「テキスト生成AIの導入・運用ガイドライン」
- NIST：「AI Risk Management Framework: Generative AI Profile」
▼開発を相談する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
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。
・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 >>>
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。