東京海上日動あんしん生命、年1.8万件の顧客の声分類で75%時短を実証

年間1万8000件という「お客様の声」を、最近まで一件一件目視で読み込み、分類していました。1件に7〜8分かかるうえ、人が判断するために分類のばらつきも生じていました。過去には生成系ではないAIによる分類も検討されたものの、大量の学習データの準備や再学習の負担が重く、狙った精度を保ち続けることが難しいと判断されています。

編集部の見立てでは、ここでの困りごとは「作業が多い」という量の問題にとどまりません。分類が終わらなければ分析にも改善にも進めず、声が業務に反映されるまでの時間が延びていく。しかも分類軸が担当者によって揺れれば、蓄積された1万8000件は分析に耐えるデータ資産になりません。つまり、入口の仕分けが詰まることで、顧客の声を経営や商品づくりに循環させる回路そのものが止まっていた、という構造ではないでしょうか。

効率化と分析高度化を切り分け、二段階で組み立てた進め方が、この取り組みの骨格になっています。第一段階では業界共通の約40種というすでに存在する分類コードにAIを当てはめることに絞り、まず読み込み・分類の負荷を下げる。そのうえで第二段階として、自社で設定した重要キーワードをハッシュタグとして抽出し、クラスター分析で傾向を掘る。最初から「分析まで全部AIに」と広げず、判断基準が既に定まっている工程から手をつけた順序設計が、成果を出しやすい形につながったと考えられます。

再学習に頼らない構成を選んだことも要点です。watsonx.aiの自然言語処理に検索拡張生成（RAG／外部データを検索してAIの回答に反映させる仕組み）を組み合わせ、システムプロンプトとRAGで振る舞いを調整する設計にしたことで、新商品の投入や情報更新のたびにファインチューニング（業務向けにモデルを再学習させる作業）を回す必要がなくなりました。従来型の機械学習で壁になった再学習の重さに、技術選定の段階で正面から答えを出した格好です。個人情報を扱う前提に対しては、IBM Cloud上で稼働させる構成で応じています。

精度を最初から完璧に求めず、70〜80%を目安に「まず動かす」姿勢を共有した点も見逃せません。ビジネス部門とIT部門が組む「アプリケーションオーナー制度」のもとで役割を分け、PoC（小規模な試験導入）からスモールスタートで本格開発へ移すことで、必要な機能の見極めと資源配分を段階的に判断できるようにしています。週次のアジャイル開発で実際に動くものを見せながら検証を重ねる進め方は、生成AIを万能視も過小評価もさせない期待値の調整として機能したと読めます。

実証実験では、手作業で7〜8分かかっていた分類・承認作業が2〜3分となり、約75%の効率化を確認。年間では500時間、約20営業日に相当する時間が創出されました。AIが判断根拠を示すことで分類の根拠が見えるようになり、担当者ごとのばらつきも解消されています。キーワード抽出によるクラスター分析からは、従来の分析では捉えられなかった声の傾向が浮かび上がり、仮説立案や施策検討の精度向上につながっています。本番運用後は、PoC段階で使っていた200種類以上のコードを使わないスリムな運用も検討されており、分類に追われて手が回らなかったプロセス見直しに着手できる状態が生まれています。