LASSIC Media らしくメディア
AIチャットの外注の事例で確かめること
監修・編集責任者：牛尾 昭昌（株式会社LASSIC 執行役員）
この記事の結論
- AIチャットの外注の事例は、答える範囲・答えの元にした資料・人に引き継ぐ条件の3点で読み比べます。
- AIチャットが対応の手間を減らすのは、答えの元の資料と人への引き継ぎの条件を決めた範囲だけです。
- 問い合わせの上位の質問を数え、3点で事例と見比べて、AIチャットに答えさせる範囲を決めます。
※ 本記事は2026年11月時点の公式情報（省庁・公的機関、および製品やサービスを提供する事業者が公開している資料）に基づきます。
問い合わせの窓口で毎日同じ質問に答えている部署が、AIチャットの外注を考えるとき、事例から読み取るのは、答えさせた範囲・答えの元にした資料・人に引き継ぐ条件の3点です。外注先に相談する前に、自社の問い合わせの上位の質問を数え、公開されている事例とこの3点で見比べ、誤った答えの影響が小さい範囲から使う範囲を決めます。
総務省の自治体向けガイドブックには、住民や職員の問い合わせにAIチャットボットを使った事例が、事業者の選び方や効果とあわせて載っています。本記事では、こうした公的機関の事例を読むときに自社に当てはめて確かめる点を、窓口で起きることから順に整理します。
目次
同じ質問への対応が続くと窓口に起きること
同じ質問への対応が続くと、担当者の時間がそこで埋まり、担当によって答えがばらつき、込み入った相談への対応が後回しになります。総務省の自治体向けガイドブックに載る政令指定都市の実証も、制度の担当者に寄せられる質問の内容が重複することが多く、回答を効率化できれば例外的な問い合わせに注力できる、という問題意識から始まっています。*1
| 悩み | 読む章 |
|---|---|
| AIが誤った答えを返したらどう収めるのか | リスク：誤った答えと人への引き継ぎ |
| 外注してどのくらい対応の手間が減るのか | 費用対効果：問い合わせの件数から見積もる |
| 顧客に情報を入力されても大丈夫か | 情報の扱いと契約で確かめる点 |
問い合わせに生成AIを使う企業は珍しくありません。総務省の令和8年版情報通信白書では、日本の企業で生成AIの活用を回答した割合は「議事録・メール作成補助」が約7割と最も高く、「営業・販売」が約6割、「社内ヘルプデスク」が約5割と続きました。*2
この割合は、使っている企業の多さを示す数字です。問い合わせがどれだけ減ったかを示す数字ではないため、事例の効果を読むときも、何を数えた数字なのかを分けて読みます。
減らない原因は「答えの元の資料」が整っていないこと
AIチャットは、答えの元にした資料の範囲でしか正しく答えられません。IPAの中核人材育成プログラムの卒業プロジェクトがまとめたガイドラインは、社内の文書を検索して答えを作らせる仕組み（RAG）でも、回答の精度が上がるのは格納した情報についてのみだとし、精度を下げる情報の例に、ノイズが含まれる情報、重複した情報、最新版ではない古い情報を挙げています。*4
FAQや手引きが古いまま外注先に渡ると、AIチャットは古い内容を、もっともらしい文で返します。資料を整える手間は事例にも表れていて、愛知県内の市町村が共同で使う総合案内のチャットボットでは、問い合わせ対応に耐えうる水準にするまで、質問と答えの組（QA）を作る作業の負荷が大きく、初期のコストと労力がかかったと振り返っています。*1
自社の窓口が今どの段階にあるかは、次の3つで分かります。
- よくある質問の上位10件を数えたことがあるか
- 答えの元にするFAQの、最後の更新日が分かるか
- AIチャットが答えられないときに、人へ引き継ぐ条件を決めているか
答えに詰まる項目があれば、外注先を選ぶより先に、答えの元の資料を整える段階です。後半では、事例の読み方、件数から見積もる費用対効果、誤った答えへの備え、情報の扱いと契約の確認点を確かめられます。
事例を読み比べる4つの基準
事例を読むときは、効果の大きさより先に、次の4つの基準で中身をそろえると、自社に当てはまるかを見極めやすくなります。総務省のガイドブックの事例紹介も、取り扱うデータ、共有・提供の範囲、効果、今後の課題を項目に分けて書いているため、この4つを拾いながら読めます。
| 基準 | 目安 | 事例で読む箇所 |
|---|---|---|
| 答える範囲 | 社外の顧客か社内か、どの種類の質問か | 事業の概要、問い合わせの範囲 |
| 答えの元の資料 | FAQ・規程など何を元にし、誰が更新するか | 取り扱うデータ、QAの作り方 |
| 人への引き継ぎ | 答えられない時に人へ渡す条件と経路 | 利用前の表示、問い合わせフォームへの案内 |
| 入力の決まり | 利用者に入力させてよい情報の範囲 | 個人情報や非公開のデータを含むか |
公開された事例には、効果と経緯は書かれていても、引き継ぎの経路や入力の決まりまでは書かれていないものがあります。書かれていない基準は、外注先に尋ねる項目の候補になります。
社内のヘルプデスクから始めるかの判断
顧客向けの窓口と社内のヘルプデスクのどちらから始めるかは、誤った答えが出たときの影響の大きさで決めます。問い合わせ対応の責任者が、社内の問い合わせから試すと決めるまでの判断の流れを追ってみます。
| 判断の段階 | 見ること | この場面での判断 |
|---|---|---|
| 1. 問い合わせの種類 | 顧客向けと社内向けの、上位の質問 | 社内向けは手続きの質問が多く、答えの元になる手引きがある |
| 2. 誤りの影響 | 誤った答えが出たとき、誰に届くか | 顧客向けは誤りがそのまま顧客に届く。社内向けは社員が気づいて聞き直せる |
| 3. 答えの元の資料 | FAQや手引きの更新日と、更新する人 | 社内の手引きは更新する人が決まっている |
| 4. 入力される情報 | 顧客の情報が入力されるか | 社内向けは顧客の情報を扱わずに始められる |
| 5. 結論 | どちらから始めるか | 社内向けで試し、誤りの出方を見てから顧客向けに広げる |
公的な事例にも、庁内の問い合わせから試した例があります。先の政令指定都市の実証は、指定管理者制度について庁内の複数課から寄せられる問い合わせを対象にし、扱うデータも個人情報を含まない庁内のQAデータに限っていました。*1
事例：公的な使い方の例の読み方
東京都の事例集や総務省の白書で、要約や下書きなどの使い方を確かめられます。問い合わせにAIチャットボットを使った事例は、総務省の「自治体におけるAI活用・導入ガイドブック＜導入手順編＞」（令和7年12月 第4版）に、事業者の選び方や効果とともに載っています。
東京都デジタルサービス局の「文章生成AI活用事例集」は、要約・文案作成・メール作成など、職員が自分で使う34の活用事例を載せています。同書のアンケートでは、利用している職員に限ると、仕事の効率が向上したと回答した職員が66％でした。*3 ただし、これは職員が自分の作業に使った例で、窓口の問い合わせにAIが答えた例ではありません。事例を読むときは、どちらの使い方かを先に分けます。
問い合わせに答えさせた事例を、外注の進め方に関わる4つの点で並べると、次のようになります。
| 事例 | 答えさせた範囲 | 答えの元の文書 | 運用の担い手 | 効果の測り方 |
|---|---|---|---|---|
| 愛知県内39市町村の総合案内 | 引越・妊娠・出産など、市民の生活に関する問い合わせ | 県がベースのQAを作り、各市町村が修正 | 研究会が公募で事業者を採択。追加学習を続けている | 単純な問い合わせはAIだけで対応でき、職員の対応時間が削減された（数値の記載なし） |
| 政令指定都市の指定管理者制度（実証） | 庁内の複数課から寄せられる制度の問い合わせ | 過去の問い合わせを参考に担当課がQAを作成 | 担当課が想定問答を作り、回答への評価をもとに追加 | 約1カ月の実証で、職員の対応負担が減ったと評価 |
| 長崎県の職員からのICT関連の問合せ | 年間1万件程度のICT関連の問合せ | 過去の問合せと回答の記録 | システムの操作は事業者の常駐者 | 導入前との比較は一概にできないとしつつ、常駐の問い合わせ担当者数は減少 |
| 北九州市・下関市の庁内FAQシステム | 職員からの質問 | FAQ等のデータ | 「革新的ビッグデータ処理技術導入推進事業（令和元年度）」で開発 | 1件の問合せへの職員の対応時間が平均5分から平均2分に短縮 |
効果を数字で示した事例は限られ、示し方も「対応時間」「担当者数」「職員の負担」と事例ごとに違います。*1 他の事例の数字は自社の見積もりに当てはめず、何を数えたのかを読み取る材料にします。
費用対効果：問い合わせの件数から見積もる
上位の質問の件数と1件の対応時間から、減らせる時間の上限を見積もります。減らせるのは、AIチャットが元の資料から答えられる質問の分だけで、人へ引き継ぐ分の時間は残ります。
| 項目 | 数え方 | 見積もりでの扱い |
|---|---|---|
| 上位の質問の件数 | 1か月の問い合わせを、質問の種類ごとに数える | AIチャットに答えさせる候補になる |
| 1件の対応時間 | 担当者が1件に使う時間を、数件測って平均する | 件数に掛けて、今かかっている時間を出す |
| 元の資料で答えられる割合 | 上位の質問のうち、FAQや手引きに答えが書かれているもの | 書かれていない質問は、資料を作るまで減らない |
| 減らせる時間の上限 | 件数 × 1件の対応時間 × 資料で答えられる割合 | 上限であり、誤りを直す時間と引き継ぎの時間は差し引く |
費用の側には、外注費と利用料に加えて、答えの元の資料を整える手間を入れます。愛知県の事例のように、QAを作る作業は初期の負荷が大きくなりやすく、外注費だけで比べると見積もりから抜け落ちます。
効果の測り方は、外注先と作り始める前に決めておきます。総務省のガイドブックは、庁内FAQのチャットボットを調達するときの機能要件の例に、利用時間や内容、1件あたりの回答に要した時間、AIの精度に関するデータを出力できる機能を挙げています。*1 導入の前と後で同じ項目を数えられるよう、出力できるデータを仕様に書いておくと、上長に効果を示す材料がそろいます。
判断の材料：3つの使い方の比較
誤った答えの影響が小さい範囲から始めると、判断の材料が集まります。AIチャットの使い方を3つに分けると、誤りの影響と、整える資料・経路が次のように変わります。
| 使い方 | 誤った答えの影響 | 答えの元の資料 | 人への引き継ぎ | 入力される情報 |
|---|---|---|---|---|
| 社外の顧客の問い合わせに使う | 顧客に直接届く | 公開しているFAQや手続きの案内 | 窓口の担当や問い合わせフォームへ渡す経路が要る | 顧客の情報が入力されうる |
| 社内のヘルプデスクに使う | 社員が気づいて聞き直せる | 社内の手引き・規程 | 担当への問い合わせに戻せる | 社内の情報が中心 |
| 担当者の回答の下書きに使う | 担当者が直してから送るため、顧客に届く前に止められる | FAQや過去の回答 | 最後に答えるのは担当者 | 問い合わせの内容を担当者が入力する |
IPAの卒業プロジェクトのガイドラインも、初期の段階では対象を絞って小さく始めることで、対象の部署や利用者数、1人あたりの利用頻度を確かめ、導入コストを精査する機会になるとしています。*4
下書きに使う形は、誤りを担当者のところで止められる代わりに、担当者が読む時間が残るため、減る時間はAIが直接答える形より小さくなりがちです。どれを選ぶかは、上位の質問の種類と誤りの影響を並べて決めます。職員が自分の事務にAIチャットを使う始め方は、AIチャットを業務に使うには、何から始めるかで扱っています。
リスク：誤った答えと人への引き継ぎ
答えの元の資料を限り、答えられない時に人へ渡す経路を決めます。IPAの卒業プロジェクトのガイドラインは、格納した情報であっても必ずしも正確に回答できるとはいえないとし、どの情報について回答できるかを利用者に周知しておく必要があるとしています。*4
総務省のガイドブックに載る渋谷区の生成AIチャットボットは、利用前に、質問によっては誤った回答をする場合があること、表示されたリンク先もあわせて確かめること、意図した回答が得られないときは問い合わせフォームから問い合わせることを示しています。*1 利用者からのフィードバックで回答の精度を高めていることも紹介されています。
| 決めておくこと | 中身 | 公開資料での例 |
|---|---|---|
| 答えられない時の経路 | 問い合わせフォーム・電話・担当者のどこへ渡すか | 渋谷区：意図した回答が得られないときは問い合わせフォームへ |
| 誤りの注意の表示 | 利用前に示す文 | 渋谷区：誤った回答をする場合がある旨を表示 |
| 元の資料を直す流れ | 誤りを見つけたら、どのFAQを誰が直すか | 政令指定都市：回答への評価をもとに質問と回答を追加 |
| 試験のしかた | 過去の問い合わせと回答で、使い始める前に試す | デジタル庁：ヘルプデスクの過去の問い合わせと回答を試験に使える |
デジタル庁のガイドブックは、ヘルプデスク業務の一部をテキスト生成AIで置き換える場合、過去に実際にあった問い合わせ内容とそれに対する回答を、試験の入力と正解として使えるとしています。*5 過去のやりとりを残している窓口ほど、使い始める前に誤りの出方を確かめやすくなります。
AIの誤りは、組織が向き合う脅威としても扱われ始めています。IPAの「情報セキュリティ10大脅威 2026」の組織向けでは、「AIの利用をめぐるサイバーリスク」が初めて選ばれ、3位に入りました。*6 人へ切り替える仕組みの設計は、AIチャットボットの有人切替設計を外注で実装で詳しく扱っています。
情報の扱いと契約で確かめる点
入力された情報の保存と利用、委託先の管理、契約の終わりのデータの扱いを確かめます。公的な事例でも、扱う情報の範囲は事例ごとに違います。
- 愛知県内の総合案内：個人情報や非公開データは含まない
- 政令指定都市の実証：庁内のQAデータに限り、個人情報は扱わない。庁内に閉じたネットワークにつなぎ、データの廃棄も定期的に行う
- 長崎県のICTの問合せ：個人情報や非公開データを含み、システムの操作は事業者の常駐者が行う
総務省のガイドブックは、AIの調達では、個人情報を取り扱うケースもあるため信頼できる事業者を選ぶことが求められるとしています。*1 社内の文書を答えの元にする場合は、IPAの卒業プロジェクトのガイドラインが挙げるように、機密情報を含むデータを格納すると全ての利用者がその情報を参照できる、という課題もあります。*4
| 確かめる点 | 答えてもらう内容 |
|---|---|
| 入力された情報の保存と利用 | 保存の場所と期間、学習への利用の有無 |
| 委託先の管理 | 再委託の有無と、システムを操作する人の範囲 |
| 契約の終わりのデータ | QA・会話の記録の返却と消去の方法 |
| 作ったQAの持ち主 | 契約が終わった後も、作ったQAを自社で使えるか |
作るまでを任せるか、運用までを任せるかの分け方は、AIチャットを外注で作ると何が違うかで扱っています。
まとめ：事例は3点で読み、件数から範囲を決める
AIチャットの外注の事例は、効果の数字より先に、答えさせた範囲、答えの元にした資料、人に引き継ぐ条件の3点で読み比べます。公的な事例でも、QAを作る初期の負荷や、効果の示し方の違いが見えてきます。他の事例の数字は当てはめず、自社の上位の質問の件数と1件の対応時間から、減らせる時間の上限を見積もります。今日からは、問い合わせの上位の質問の件数を数えて3点で事例と見比べ、上長に示す材料にまとめるところから始めてください。
よくある質問
AIチャットの使い方の事例はどこで確かめられますか
東京都の文章生成AIの事例集や総務省の情報通信白書に、使い方の例があります。問い合わせにAIチャットボットを使った事例は、総務省の「自治体におけるAI活用・導入ガイドブック＜導入手順編＞」に、事業者の選び方や効果とともに載っています。読むときは、答えさせた範囲・答えの元の資料・人に引き継ぐ条件をそろえて比べます。
AIチャットで問い合わせはどのくらい減りますか
自社の上位の質問の件数と対応時間から見積もるもので、他の事例の数字は当てはめません。公的な事例でも、効果の示し方は対応時間・担当者数・職員の負担と事例ごとに違います。減らせるのは元の資料から答えられる質問の分だけで、引き継ぎの時間は残ります。
誤った答えを返したときはどうしますか
答えられない質問を人へ渡す条件を決め、元の資料を直す流れを作ります。利用前に誤りがありうることを示し、問い合わせフォームなどへ案内する経路を用意しておきます。使い始める前に、過去の問い合わせと回答で誤りの出方を試しておくと備えやすくなります。
顧客に個人情報を入力されても大丈夫ですか
入力された情報の保存と利用の扱いを、契約と社内規程で確かめる項目です。保存の場所と期間、学習への利用の有無、再委託の有無、契約の終わりの消去の方法を外注先に答えてもらいます。顧客の情報を入力させない範囲から始める方法もあります。
顧客向けと社内向けのどちらから始めますか
誤りの影響が小さい社内向けから試し、誤りの出方を見てから広げる進め方があります。社内向けなら社員が誤りに気づいて聞き直せるうえ、顧客の情報を扱わずに始められます。担当者の回答の下書きに使う形も、誤りを担当者のところで止められます。
問い合わせ対応の仕組みの相談
上位の質問の件数と1件の対応時間、問い合わせで受け取る情報の種類をお手元にご用意いただければ、話が早く進みます。数え終わっていない段階でも構いません。
Remoguとリラシクなら、リモートワークで働く社員の候補者も、業務委託で開発に加わる専門人材も探せます。
Remoguは、リモート前提で全国から即戦力のITプロ人材を調達するサービスです。リラシクは、扱う求人がすべてリモートワークのITエンジニア専門転職エージェントです。どちらもLASSICが運営しています。
出典
- *1 参考：総務省「自治体におけるAI活用・導入ガイドブック＜導入手順編＞」（令和7年12月 第4版・PDF）（https://www.soumu.go.jp/main_content/000820109.pdf）。出典：第1章3.2（北九州市・下関市の庁内FAQシステム）、4.2（渋谷区生成AIチャットボット）、第2章3（愛知県の調達・庁内FAQシステムの機能要件の例）、導入事例（愛知県内39市町村の総合案内サービス、長崎県のICTナレッジ管理、政令指定都市の指定管理者制度への問い合わせ対応）を参照（確認日2026年11月3日）（2026年11月確認）
- *2 参考：総務省「令和8年版 情報通信白書」生成AIの業務利用状況（https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121130.html）。出典：図表Ⅰ-2-1-7（業務類型ごとの生成AI活用状況と効果の実感（日本））の本文を参照（確認日2026年11月3日）（2026年11月確認）
- *3 参考：東京都デジタルサービス局「都職員のアイデアが詰まった文章生成AI活用事例集」（2024年1月30日・PDF）（https://www.metro.tokyo.lg.jp/information/press/2024/01/2024013022）。出典：1-2（34の活用事例）、付録の職員アンケート結果①（仕事の効率が向上した職員66％）を参照（確認日2026年11月3日）（2026年11月確認）
- *4 参考：IPA 産業サイバーセキュリティセンター 中核人材育成プログラム 7期生「テキスト生成AIの導入・運用ガイドライン」（PDF）（https://www.ipa.go.jp/jinzai/ics/core_human_resource/final_project/2024/generative-ai-guideline.html）。出典：2章の誤解例⑤⑥（RAG）、3.1.3（目的に応じたスコープの決定）、3.3.2（RAG利用に関する留意点）を参照。同書はプログラム卒業プロジェクトメンバーの見解に基づく（確認日2026年11月3日）（2026年11月確認）
- *5 参考：デジタル庁「テキスト生成AI利活用におけるリスクへの対策ガイドブック（α版）」（2024年6月10日版・PDF）（https://www.digital.go.jp/resources/generalitve-ai-guidebook）。出典：5.2のテストケースの作り方（過去に実際にあったやりとりをテストケースに含める）を参照（確認日2026年11月3日）（2026年11月確認）
- *6 参考：独立行政法人情報処理推進機構（IPA）「情報セキュリティ10大脅威 2026」（https://www.ipa.go.jp/security/10threats/10threats2026.html）。出典：組織向け脅威の3位（AIの利用をめぐるサイバーリスク・2026年初選出）を参照（確認日2026年11月3日）（2026年11月確認）
