ウェビナーまとめ：AdmiralがAIエージェントで保険に関する電話対応を行う方法

Admiralは、英国、イタリア、フランス、スペインを含む世界各地で、複数の言語による顧客対応を年間数百万件行っています。

最新のウェビナー「エージェントの舞台裏：AdmiralはいかにAIエージェントで保険の問い合わせに対応しているか」では、Admiralの生成AI部門グループ責任者であるDominika Kampa氏が、この規模の対応を支えるAIレイヤーをチームがどのように構築しているかを解説しました。アーキテクチャ、テスト基準、そしてその背景にある組織づくりを取り上げています。

Admiralが目指すのは、保険業界で最も信頼される顧客体験の構築

Admiralの目標は、これまでとは異なる次元の顧客体験をつくることでした。

顧客の問題を実際には解決せず、会話だけを素早く終えるエージェントをつくるのは簡単です。

目指すのは、すべての顧客が、すべてのチャネルで、重要なあらゆる瞬間にその場で解決を得られることです。あるいは、顧客、その文脈、そして解決しようとしている状況を理解した人間の担当者へ引き継がれることです。

主要指標は、初回コンタクトでの解決率を90％にすることでした。24時間365日のサービス提供、簡潔なやり取り、そして大幅に高いNPSも追跡しています。

完結率は二次的な指標でした。最初の音声ユースケースでは、エージェントの方が速いと顧客に認知されるにつれ、チームはこの数値を大幅に改善しました。

しかし、軸となったのは解決です。Admiralは、通話がエスカレーションされたかどうかとは別に、顧客が電話で求めていたものを実際に得られたかを独自の指標として追跡しています。そのため、意図的に人間へ引き継ぐことが失敗と見なされることはありません。

規制業界における「良い」の基準

Admiralの本番導入に対する基準は高いものです。エージェント型ソリューションが、現在の人間の担当者と同等以上になってから本番稼働させることを目指しています。

これまで最も経験豊富な担当者の勘に宿っていたエッジケースの知識も、今ではユースケースごとに明示的にテストする必要があります。

実際、チームは意図的に対象範囲の境界を定めました。たとえば、脆弱性のある顧客や延滞中の顧客のケースは、ユースケースに関するエッジケースをさらに学習する間、人間の担当者に引き続き振り分けられます。

保険規制の大半は結果に基づくため、Dom氏は実務的な見方をしています。顧客と事業にとっての結果が意図どおりであれば、「どのように」実現するかは柔軟でよいという考えです。

支持は命令だけでは得られない

規制対象の組織は、言われたからという理由だけでAIを導入するわけではありません。

Dom氏はAdmiralに入社する前、McKinseyで長年にわたり変革マネジメントプログラムに携わっていました。現在、エージェント型AIの導入を提案する同業者に何を伝えるかと尋ねられた際には、そのプレイブックから3つの原則を挙げました。

1）人は自ら構築に関わったものを支持する

Admiralは、懐疑的な人の目の前にツールを直接置くことで、懐疑論に応えました。

チームは、エージェント型AIとは何かを分かりやすく伝えるため、グループの上位50人のリーダーも含め、組織全体でデモと学習セッションを実施しました。ElevenLabsとDom氏は、グループCEOのMilena Mondini de Focatiis氏を含むリーダーシップチームがゼロからエージェントを構築する研修日を開催しました。Dom氏によれば、参加者は「実際に…その体験を楽しんでいました」。

2）テクノロジーだけの話ではない

ビジョンは、損益の変化、顧客体験の変化、従業員体験の変化にあります。

成果について合意できれば、技術的な選択肢は見えてきます。Dom氏の助言は、テクノロジーから始めないことでした。

3）早い段階でガバナンスを構築する

適切なタッチポイント、適切なKPI、適切なデータをごく初期から整えることで、意思決定ははるかに容易になります。彼女の言うアンチパターンは、勘に頼った結果、誰も使わず、重要な指標も何ひとつ動かさない「とても立派な成果物」に行き着くことです。

展開モデルも重要でした。Admiralでは、グループの一部を選んで一つのテーマを深く試し、そこで得た学びを他の場所に展開するアプローチを採用しています。

まず迅速な後続展開を行い、その後に本格展開します。Dom氏によると、大幅な遅延につながる単一ドメインでの単一ユースケースではなく、車輪の再発明を10回繰り返さないという意図的な規律です。

デモ1：完済見積もり（Admiral Money）

シナリオ： ある顧客がローンを早期完済したいと考えています。必要なのは、完済に必要な金額を知ることだけです。

従来、この金額を得るには、IVRを操作し、人間の担当者に本人確認をしてもらい、バックエンドシステムが計算を実行して画面が読み込まれるのを待ち、その後PDFが届くのを受信トレイで待つ必要がありました。答えが一つの質問に、5分のプロセスがかかっていたのです。

Admiralの生成AI部門グループ責任者であるDan Clark氏が、チームが構築したものを紹介しました。

紹介された内容：

• 認証は、他の処理が実行される前に、ワークフローの開始時点で独立したサブエージェントとして動作します。
• 見張り役のサブエージェントが、発信者がAIエージェントと会話する対象として適格かを確認します。脆弱性のある顧客や延滞中の顧客は、チームがさらにエッジケースを学習する間、人間の担当者がいる優先キューへ転送されます。
• エージェントは必要な回答を予測してあらかじめ収集し、レガシー画面を待つのではなくAPI駆動で処理します。人間の担当者では約5分かかる同じ手続きが、エージェントでは約2分半で完了します。
• 成功は、顧客が認証を完了し、完済見積もりを取得できたかで測定され、エスカレーションとは別に追跡されます。
• 通話の最後に、フィードバックエージェントが顧客に体験を1～5で評価してもらいます。エスカレーションされなかった通話は、ほぼすべて4または5の評価です。

重要な理由： 時間短縮は、AIが人の代わりに応答することだけによるものではなく、画面駆動ではなくAPI駆動のワークフローによるものです。Dan氏の言葉を借りれば、これは通話時間の短縮と、それによる顧客体験の向上が大きな目的です。現在のエスカレーションは、エージェントが支援できなかったことではなく、チームが学習のために意図的に設けている制限を反映しています。

デモ2：Olivia（L’Olivier）

シナリオ： フランスのある顧客が、自分の保険契約について質問があります。ウェブサイトでチャットを開くと、昔ながらのツリー型ツールであるOllie Bot（「これならA、あれならBを押す」）が表示されます。質問は選択肢AでもBでもないため、答えを得られないまま離脱します。

L’Olivierが置き換えようとしたのは、このような体験でした。チームはElevenLabs上でナレッジベースエージェントのOliviaを構築し、現在サイトで稼働しています。

紹介された内容：

• システムプロンプト、最初のメッセージ、ワークフロー、サブエージェントはすべて、英語から翻訳するのではなくフランス語で直接記述されています。Dan氏は、顧客の言語でプロンプトを作成するとモデルの関わり方が変わるという研究を挙げ、この方法で大幅に良い結果が得られたと説明しています。Oliviaは必要に応じて英語を自動検出し、英語で応答します。
• 実際の顧客との会話をナレッジベースと照らし合わせて不足を特定し、通常は1～2時間以内に修正が本番エージェントへ反映されます。
• 変更はブランチでデプロイされ、トラフィックを段階的に分割します。1％、2％、5％、10％、25％、50％、そして100％と進め、本番トラフィックに到達する前にシミュレーションテストと手動プレビューを行います。データが変更を支持しなければ、トラフィックは即座にゼロに戻り、ロールバックする必要はありません。
• ブランチの一連のサイクルは、開始から終了まで数時間から1日で完了します。2週間のスプリントと2週間のデプロイは、もう必要ありません。

重要な理由： リリースサイクルが数週間から数時間へ短縮されたこと自体も注目に値しますが、より大きな示唆は、言語は単なるローカライゼーションの詳細ではなく、モデルの推論方法を変える可能性があるということです。

新しい市場に入れば、どんなプレイブックもそのままでは通用しない

発話の順番に関する慣習、割り込みへの許容度、通常と見なされる会話のリズムは、市場によって大きく異なります。

万能薬はありません。Dom氏によると、効果的なのは、プロンプトとアーキテクチャを理解するエンジニアと、市場の文脈を具体化できる現地法人のビジネスオーナーを組ませ、そのペアを展開の単位として扱うことです。

構築そのものは市場ごとにそれほど変わりません。変わるのは導入です。そしてDom氏は、これは顧客対応に限らず、あらゆるAI導入に当てはまると考えています。

そのためチームは、基盤となるモデルよりも、顧客教育（ウェルカムメッセージ、ポジショニング、IVRメッセージなど）に多くの時間を費やすことになると考えています。

市場をまたいだ公平な対応

保険において、脆弱性の検知は、すべての市場、言語、チャネルで満たすべき基本要件です。

Admiralは複数の経路で検知します。脆弱性については特に、どちらか一方だけを信頼するのではなく、確立された機械学習モデルと生成AIを意図的に併用しています。これにより、どのシグナルが先に検知しても脆弱性のある顧客をあらゆる段階で把握し、適切に対応できます。

この基準は、テクノロジーに案件を任せる前の段階から適用されています。完済見積もりエージェントでは、見張り役のサブエージェントがすべての発信者をスクリーニングし、脆弱性のある顧客や延滞中の顧客は人間の担当者がいる優先キューへ直接送られます。これは、チームがさらにエッジケースを学ぶ間に設けられた意図的な境界です。

また、顧客の行動は予測できないため（たとえば、Oliviaにオニオンスープの作り方を尋ねた人もいました）、チームはガードレールと予期しない事象のプロアクティブなフラグ設定を組み合わせ、誰がどのようにツールとやり取りしているかを常に把握しています。

エージェントを支えるチーム

Admiralは、グループレベルの専門知識を「ハブ」に置き、市場、顧客、従業員を理解する現地の専門家を「スポーク」に配置するハブ＆スポークモデルを運用しています。

センター・オブ・エクセレンスは2つに分かれています。1つ目は、戦略、ロードマップ、プロダクトデザイン、A/Bテストを含む成果テストを担う価値創出部門です。2つ目は、構築されるすべてのものが基準を満たし、既存のシステム環境と統合されるようにするエンジニア、アーキテクト、デリバリー担当者から成る技術部門です。

Dom氏は、将来のAIエンジニアには、コードを書くことよりも、生成AIの仕組みを理解し、アイデアを適切に構造化し、エージェント型コーディングを活用して成果を届けることが、はるかに重要になると考えています。

コアチームの周囲では、プロセスの専門家とビジネスオーナーが、プロダクトと技術の人材とともに小規模なポッドにまとめられます。彼女の言葉では、「同じ部屋に閉じ込めて」一緒に構築・テストし、その後、実際の顧客に使ってもらって問題を見つけてもらうのです。

Admiralのロードマップ優先順位付け

ここでもハブ＆スポークモデルが機能しています。グループは、大規模プロジェクトに譲れない優先順位を設定します。リスクと価値は高く、実現可能性はやや低い領域であるため、中央の支援によってボトルネックを解消できます。スポークには、キャパシティがあり、トップダウンのガイドラインの範囲内である限り、ボトムアップのイノベーションを行う余地が与えられます。

チームが策定している将来のロードマップは、IVR、音声エージェント、人間の担当者、チャネルのどこをまたいでも、顧客が同じことを繰り返す必要がない状態を目指しています。引き継ぎのたびに、文字起こしだけでなく、意図、感情、脆弱性のシグナルも引き継がれます。

セッション全編を見る

Admiralは、保険業界で最高の顧客体験を構築するという目標に近づくため、検証基準、組織の支持、テクノロジースタックを一体として再構築しました。

ウェビナー全編はこちら。