会話型AIの設計：より人間らしいユーザー体験を作る方法

会話型AIの設計は、かつては意思決定ツリーを構築することを意味していました。初期のチャットボットやIVRメニューは、あらかじめ決められた厳格な分岐で動作していました。請求は1を押す、「はい」か「いいえ」と答える、そして顧客の質問が想定した経路のいずれかに当てはまることを願う、という仕組みです。このモデルが機能するのは、会話があらかじめ構築した範囲内にとどまる場合だけでした。

AIエージェントはこの制約を取り除きました。会話をリアルタイムで推論し、ナレッジベースを参照し、ツールを呼び出し、すでに話された内容を記憶できるため、固定スクリプトに縛られません。

しかし、この変化によって会話型AI設計の必要性がなくなったわけではありません。むしろ、求められる水準は上がりました。頼れる厳格なスクリプトがないため、あらかじめ決められた会話ではなく、自由度の高いリアルタイムの会話でも機能するよう、エージェントのペルソナ、ワークフロー、判断ポイントを十分に定義する必要があります。

このガイドでは、チャットと音声エージェントにおける会話型AI設計の実際の意味、それがすでに評価対象となっている指標に重要な理由、そしてより自然に感じられるために最適化すべき点を解説します。適切に設計すれば、顧客とつながり、より迅速で質の高いサービスを提供するAIエージェントを導入できます。

概要

• 会話型AI設計とは、会話が自然に感じられるよう、AIエージェントのコミュニケーションを構造化し、最適化することです。
• 音声AIはテキストよりも許容範囲が狭く、チャット画面では気にならない音声、レイテンシー、タイミングの問題も、音声での会話を機械的に感じさせる可能性があります。
• ElevenAgentsは、音声、ペルソナ、会話フローを制御する機能と、あらゆるチャネルでレイテンシーを最適化する機能を組み合わせ、人間らしいAI音声・チャットエージェントを実現します。

会話型AI設計とは？

会話型AI設計は、AIエージェントの振る舞いを構成するUXの実践です。ペルソナから、参照するガードレール、ワークフロー、ナレッジベースまで、すべてを連携させ、会話をプロダクト体験の他の要素と同じように洗練されたものにします。

ただし、その構成はどこでも同じではありません。エージェントは単一の構成から、チャット、音声、SMSなど複数のチャネルで動作できます。各チャネルには固有の制約がありますが、最も厳しいのは音声です。音声がエージェントのチャネルの一つである場合、適切な声を選んで出力し、ペースやターンテイキングをリアルタイムで管理し、間が通話切断のように感じられる前に応答を返さなければなりません。チャットでは多少遅い、あるいは完璧ではない応答でもやり取りが損なわれることはほとんどありませんが、音声ではそうはいきません。

チャットエージェントに会話型AI設計を実装する際に考慮すべき点と、音声で追加される要素を見ていきましょう。

顧客はこれらの要素を一つひとつ意識的に評価しているわけではありません。ただ、何か違和感があれば気づき、その感覚だけでエージェント全体への信頼が損なわれ、そもそも導入した目的が脅かされます。

優れたユーザー体験に会話型AI設計が重要な理由

ターンテイキング、レイテンシー、ペルソナなど、上記のすべての要素は、顧客を支持者にも批判者にも変えうる重要な瞬間に、顧客がブランドをどう受け止めるかに影響します。その認識は、チームが評価される指標に直接表れます。

• 満足度と解決率の向上： エージェントがすぐに応答し、不自然に話を遮らなければ、顧客はやり取りをより高く評価します。
• 離脱の削減： 顧客が会話から離脱する理由は、長い待ち時間だけではありません。通話中の不自然な間や、チャットでの硬直的でブランドに合わない返信など、期待に沿わない応答は、会話を終えたいという同じ衝動を引き起こします。
• 解決までの時間を短縮： 明確な会話フロー設定と適切に設計されたワークフローにより、行き止まり、質問の繰り返し、「担当者におつなぎします」となる場面を減らせます。
• 有人エージェントへのエスカレーションを削減： エージェントが会話フローを自然に処理し、定義されたワークフローに従えば、顧客を混乱させて有人対応を求めさせるのではなく、初回でより多くの問題を解決できます。

たとえば、 eDreams ODIGEOを見てみましょう。世界最大級のオンライン旅行プラットフォームである同社は、AIエージェントをElevenAgentsで5つの主要言語に展開しました。その結果、低レイテンシーの音声合成と、各通話の開始時点におけるより正確な意図認識などにより、解決速度を二桁改善し、通話転送率を二桁削減しました。こうした成果は会話設計以外にも多くの変数に左右されますが、優れた会話型AI設計で何が可能になるかを示しています。

ElevenAgentsでの会話型AI設計

ElevenAgentsでは、エージェントが人間らしく感じられるかを左右するペルソナ、音声、ターンテイキング、引き継ぎ、レイテンシーなどを最適化できます。実際の会話でもエージェントが役割を果たせるよう、各要素の設定・最適化方法を説明します。

ペルソナと音声の選択

ペルソナは顧客の第一印象を決め、適合しなければ会話が始まる前から信頼を損ないます。親しみやすい小売ブランドに対して硬すぎるペルソナでは、エージェントが役立つことを何も言う前から、顧客はその対応を疑問視します。まずはシステムプロンプトで形作りましょう。ここでは、エージェントの役割、個性、ガードレールを最初に定義します。

音声エージェントでは、そのペルソナを声でも表現する必要があります。金融関連の通話にはカジュアルすぎる声は、テキストでのペルソナの不一致と同じ印象を与えるため、音声選択も同じ仕事の一部になります。まずは以下から始めましょう。

• 音声の選択： ブランド、対象ユーザー、内容に合う声を選びます。アクセント、性別、トーンは、通話者との信頼関係を築き、会話の雰囲気を決めるのに役立ちます。
• 多言語サポート： 市場をまたいで一つの声をデフォルトにするのではなく、サポートする言語ごとに音声を選択します。複数の言語に一つの声を無理に使うと、少なくとも一つの言語では外国語のように聞こえ、築こうとしている信頼を損ねがちです。

ElevenAgentsでは、ボイスライブラリで11,000以上の音声を利用できます。アクセント、キャラクター、ユースケースで検索できるため、ゼロから始める必要はほとんどありません。合うものがなければ、短いオーディオサンプルから既存の声をクローンするか、ゼロからデザインするという2つの方法があります。希望する年齢、アクセント、トーン、ペースをテキストプロンプトで指定してください。

会話フローの設定

音声では、会話は最も厳しい時間制約の中で進みます。間が単なる余白であるチャットとは違い、通話でのリズムの途切れは、すぐに無音や接続切れと受け取られます。このリズムを適切に整えることが、音声エージェントを会話の自然な参加者に感じさせる最大の要素であり、その出発点となるのがターンテイキングモデルです。

ElevenLabsのターンテイキングモデルは、話者が単に間を置いているのではなく、実際に話し終えたタイミングを検出するよう構築された、研究に基づくシステムです。固定の遅延に基づいて推測するのではなく、エージェントがいつ応答すべきかを判断できます。

さらに、会話フローを最適化するために調整できる設定は次のとおりです。

• ターンタイムアウト： 顧客がまだ考えている途中で割り込んだり、話し終わった後に待たせたりしないよう、エージェントが応答前に無音で待機する時間です。
• ソフトタイムアウト： 「少々お待ちください」「確認します」など、処理中の間をつなぐためにエージェントが使う短いフィラーです。顧客が通話が切れたと思わないようにします。実際の応答時間は変動するため、「1秒お待ちください」のように特定の時間を約束するフィラーは避けてください。
• 割り込み： 顧客が発話中に重ねて話し始めた際、エージェントが話すのを止めるかどうかです。自然なやり取りには有効にしてください。法的免責事項、安全指示、最後まで聞く必要がある内容など、完全な伝達が重要な場合は無効にします。
• 応答の積極性： 顧客が話し終えた後、エージェントがどの程度すぐに応答するかです。「積極的」は迅速な応答が重要なカスタマーサービスに適しています。「慎重」は、電話番号やメールアドレスなどの顧客情報を収集する際に最適で、数字の途中で発話を遮るのを防げます。「標準」は一般的な会話に適したデフォルトです。

ここでの小さな調整が大きな違いを生みます。タイムアウトをわずかに変えるだけでも、気配りのあるエージェントと、相手の話を遮っているように感じるエージェントの差になります。

ワークフロー、引き継ぎ設計、スクリプト

ワークフローは、ElevenAgentsで会話型AI設計の多くを実践する場所です。何がいつ起きるのか、つまり判断ポイント、エスカレーション経路、引き継ぎなど、本来ならエージェントの即興に委ねられるすべてを定義します。

ワークフローは、エージェントを洗練させる他の2つのシステムと連携します。システムプロンプトは、あいさつや引き継ぎなど重要な局面において、役割、トーン、発言すること・しないことといったエージェントの基本動作を定義します。プロシージャは、顧客の本人確認や返品手続きの案内のような、単一で明確に定義されたタスク向けの、より規範的な選択肢です。顧客の発言に応じて分岐するのではなく、会話の流れにかかわらず、開始から終了まで段階的に固定された順序に従います。

エージェント構築を最も簡単に始める方法は、事前構築済みエージェントテンプレートを使うことです。ワークフローとシステムプロンプトの出発点が用意されているため、ゼロから構築するのではなく微調整から始められます。独自のものにするために、まずは次の変更を加えてみましょう。

• 判断のマッピング： すべての判断ポイントでエージェントが何をするかを正確にマッピングし、会話全体を開始から解決まで定義します。 サブエージェントノードを使うと、フローの特定箇所でシステムプロンプト、モデル、さらには音声も調整できます。これにより、機密性の高い検証ステップを、通話前半のカジュアルな雑談よりも厳格なガードレールの下で実行できます。
• エスカレーションのトリガー： その場でエージェントに判断させるのではなく、有人対応への引き継ぎを促す明確なトリガーをワークフローに組み込みます。たとえば、2回試しても問題が解決しない場合、顧客が上席担当者を求めた場合、取引がセンシティブまたは高額で有人対応が必要な場合にエスカレーションします。
• 引き継ぎコンテキスト： システムプロンプトで、注文IDやアカウント番号など、転送前にエージェントが収集すべき情報と、引き継ぎを開始する条件を定義します。次に、その保存済みの詳細を転送ツールの設定にマッピングします。これにより、有人担当者に顧客が同じ内容を繰り返すことなく、情報が自動的に引き継がれます。
• スクリプト化された表現： 重要な場面での正確な文言をシステムプロンプトで定義します。最初のあいさつ、エラーメッセージ、法的免責事項、エスカレーション時の引き継ぎは、エージェントの即興に任せるべきではありません。「現在、その情報にアクセスできません」のように正確な文言を指定するほうが、何か問題が起きたときにエージェントへ表現を推測させるより確実です。

ワークフロー自体はElevenAgents内でビジュアルグラフとして構築され、各判断ポイントとエスカレーションのトリガーは、直接確認・編集できるノードとしてマッピングされます。

運用開始後は、分析データが同じグラフに実際の会話データを重ねて表示するため、顧客がどこで行き詰まったり離脱したりしているかを正確に把握し、推測に頼らず修正できます。

レイテンシーとパフォーマンス

レイテンシーは、やり取りが人間らしく感じられるかどうかを左右する最大の要因の一つです。会話の他のすべてが順調でも、応答の遅さは、相手が機械だと顧客に意識させる最も早い方法の一つです。

エージェントがチャットと音声のどちらで動作していても、パイプラインの各部分がそれぞれレイテンシーを加えます。どちらにも当てはまるものもあれば、音声の場合にのみ当てはまるものもあります。

• LLM： モデル選択はすべて、コスト、推論品質、速度のトレードオフであり、最適なバランスは会話によって異なります。FAQや予約確認のようなシンプルで頻度の高いやり取りは、より高速で軽量なモデルでも体験を損ないません。金融アドバイスや複数ステップのトラブルシューティングなど、より複雑なタスクでは、少し応答が遅くても、通常はより強力な推論モデルに費用をかける価値があります。
• ナレッジベースとRAG： ナレッジベースの参照ごとに、エージェントが応答するまでのラウンドトリップが追加されます。そのため、広範に検索する必要があるものより、無駄がなく焦点を絞ったナレッジベースのほうが高速に応答します。
• インテグレーションとツール呼び出し： Salesforceで注文を検索したり、カレンダーで空き状況を確認したりといった外部ツールの呼び出しは、それぞれラウンドトリップを追加します。どのツールを呼ぶべきかエージェントが迷わないよう、ツールの説明を明確にし、会話に実際に必要なツールだけを呼び出してください。
• 地域とデータホスティング： ElevenAgentsのリージョンをデータのホスティング先に合わせ、電話ベースの導入では電話サービスプロバイダー（Twilio、SIPなど）のリージョンにも合わせてください。エージェントのリージョンと通話ゲートウェイのリージョンが世界の反対側にある場合、会話が始まる前からその距離がレイテンシーを加えます。
• スピーチtoテキスト（音声のみ）： Scribeは、エージェントが推論する前に顧客の発話を文字起こしします。ライブ会話には、精度より速度を優先するバッチ版ではなく、リアルタイム版の（Scribe v2 Realtime）を使用してください。
• ターンテイキング（音声のみ）： エージェントがいつ応答するかを決定します。詳細は前述のとおりです。ターンの終了検出をためらうモデルは、パイプラインの残りが始まる前に遅延を加えるため、独自のレイテンシー要因として覚えておく価値があります。
• テキスト読み上げと音声の選択（音声のみ）： デフォルト音声、合成音声、Instant Voice Cloneは、Professional Voice Cloneよりも高速に応答します。追加の忠実度がレイテンシーとのトレードオフに見合う場合にのみ、Professional Voice Cloneを使用してください。

レイテンシーについて詳しくは、レイテンシー最適化のベストプラクティスおよび、レイテンシーの測定・報告方法をご覧ください。

ElevenAgentsで最初のエージェントを設計する

ここで取り上げた要素は、AIエージェントにおける会話型AI設計の実践そのものです。すべてElevenAgentsにネイティブに組み込まれており、ノーコードコンソールから設定できるため、単に質問に正しく答えるだけでなく、実際の会話ができるエージェントを構築できます。

実践的な支援を求めるチームには、ElevenLabsの Forward Deployed Engineersが直接連携し、本番環境対応のエージェントを要件定義、構築、立ち上げまで支援します。運用開始後もパフォーマンスの微調整をサポートします。

自分で構築する場合でも、サポートを受ける場合でも、違いを最も早く実感する方法は試してみることです。今すぐエージェントを作成するか、営業チームに相談してください。

会話型AI設計に関するよくある質問