問い合わせをAIで自動仕分け｜クレーム・要望・質問を振り分ける手順

問い合わせ対応に追われて、本来やるべき仕事が後回しになっていませんか。毎朝メールやフォームを開いて、「これは技術担当」「これはクレームだから上長へ」と一件ずつ振り分ける作業は、地味なのに神経をすり減らします。

この記事では、毎日届く問い合わせをAIで「クレーム・要望・質問」に自動で仕分けし、正しい担当者へ流す仕組みの作り方を、専門知識がなくても再現できる手順で解説します。特定ツールの画面操作ではなく、何を準備し、AIに何を渡し、出力のどこを人が確認するかという「道筋」を中心にお伝えします。

Contents / 目次

1. 結論。AIの自動仕分けは「全自動」ではなく「AIが分類し人が確認する」型で作る
2. 具体的なやり方。仕分け→振り分けの仕組みを5ステップで作る
3. 効果のイメージ。仕分け工数が減り、初動が速くなる
4. よくある失敗と回避法
5. 使う側の落とし穴と、現場での妥協点
6. よくある質問

結論。AIの自動仕分けは「全自動」ではなく「AIが分類し人が確認する」型で作る

問い合わせの自動仕分けで最初に押さえるべき結論は、AIに丸投げするのではなく、AIが一次分類し、人が最終確認する協業型で組むことです。これが2026年時点で最も失敗が少なく、現場が回るやり方です。

ここで言う問い合わせの自動仕分けとは、AIが問い合わせ文を読み、内容の種類（クレーム・要望・質問など）と緊急度を判定し、最適な担当者や部署へ自動で振り分ける仕組みのことです。かんたんに言うと、受付の人がやっていた「内容を見て、適切な人に渡す」という判断を、AIが下書きしてくれるイメージです。

なぜ全自動にしないのか。大規模言語モデル（LLM）、つまりChatGPTやClaudeのように自然な文章を理解するAIは、文脈や感情までかなり正確に読み取れるようになりました。それでも、稀に分類を外します。

100件のうち数件の取り違えでも、クレームを「ただの質問」に分類してしまえば、対応が遅れて事態が悪化します。だからこそ、判定はAI、責任ある最終確認は人、という役割分担が安全なのです。

やるべきことの全体像は、次の3つに整理できます。順番に取り組めば、ツールに詳しくなくても仕組みを作れます。

• 分類の設計：自社の窓口に合わせて「どんな種類に分けるか」と「それぞれ誰に流すか」を先に決める
• AIへの渡し方：問い合わせ本文に加えて、カテゴリの定義と過去事例をセットで渡し、決まった形式で答えさせる
• 確認と改善：最初は下書き運用で人がチェックし、外れた分類を学習材料にして精度を上げていく

まず、自社の問い合わせを「種類」と「緊急度」の2軸で整理しておくと、設計がぐっと楽になります。下の表は、よくある分類と振り分けの考え方をまとめたものです。これをそのまま叩き台にして、自社の実態に合わせて言葉を入れ替えてください。

種類	見分けるサイン	緊急度の目安	主な振り分け先
クレーム	強い不満・謝罪要求・「解約」「返金」などの語	高（即時）	責任者・対応リーダー
要望	「〜してほしい」「〜があると助かる」など改善提案	中	企画・開発担当
質問	使い方・仕様・料金などの確認	低〜中	サポート担当・FAQ自動回答
営業・スパム	売り込み・無関係な一斉送信	低	除外（対応不要）

この表のように、最初は4種類くらいから始めるのがちょうどよいバランスです。AI導入を何から始めるか迷っている方は、AI導入は何から始める。中小企業が最初の1業務を決める手順もあわせて読むと、最初の一歩を決めやすくなります。

具体的なやり方。仕分け→振り分けの仕組みを5ステップで作る

仕組みづくりは、次の5つのステップで進めます。どのツールを使う場合でも、この流れは共通です。最も大事なのはステップ1とステップ2の「設計」で、ここを丁寧にやるほど、後の精度が安定します。

ステップ1。分類カテゴリと振り分け先を「1枚」にまとめる

最初にやるのは、自社の問い合わせをどう分けるかを言葉で定義することです。AIは「クレームとは何か」を自社の基準で教えてもらわないと、勝手な判断をします。だから、人間同士の引き継ぎと同じで、定義を文章にしておく必要があります。

具体的には、次の項目を1枚の表にまとめます。これがAIに渡す「判断基準のカンペ」になります。

• カテゴリ名：クレーム／要望／質問／営業・スパムなど
• 定義：そのカテゴリに入る条件を一文で（例「商品やサービスへの不満・苦情・返金や解約の要求を含むもの」）
• 具体例：実際に来た問い合わせを各カテゴリ2〜3件ずつ
• 緊急度の基準：「解約」「至急」などの語が入っていたら緊急、など
• 振り分け先：担当者名・部署・通知するチャットのチャンネル

ステップ2。AIに渡す材料を決める

AIの分類精度は、渡す材料でほぼ決まります。渡すべきものは、問い合わせ本文だけではありません。次の3点をセットで渡すのがコツです。

• 問い合わせ本文：件名と本文。可能なら送信者情報も
• カテゴリ定義：ステップ1で作った表（これが判断のものさしになる）
• 過去事例：「この文面はクレーム」と人が分類した実例を10〜20件

特に過去事例は効きます。AIは「お手本」を見せると、自社の感覚に近い判定をするようになります。最初は10〜20件で十分です。運用しながら、外れた分類のケースを事例に追加していくと、少しずつ賢くなっていきます。

ステップ3。出力の形を「JSON」で固定する

AIの答えは、自由な文章ではなく決まった形式で出させると、後の自動処理がぐっと楽になります。おすすめは、プログラムが扱いやすいJSONという形式です。かんたんに言うと、「項目名と値」をセットにした、機械が読める箇条書きのようなものです。

下は、出力フォーマットの例です。このように「何を答えてほしいか」を先に決めておくと、AIが余計な前置きを書かず、必要な情報だけを返してくれます。

{
  "category": "クレーム",          // クレーム / 要望 / 質問 / 営業・スパム のいずれか
  "urgency": "高",                 // 高 / 中 / 低
  "assignee": "対応リーダー",       // 振り分け先
  "summary": "注文した商品が届かず、返金を求めている",  // 30字程度の要約
  "reason": "「返金してほしい」という強い要求があるため", // そう分類した根拠
  "confidence": 0.92               // 自信度（0〜1）。低いものは人が確認に回す
}

ここで地味に重要なのが、いちばん下の「confidence（自信度）」です。AIに「自信のない判定は正直に低い数値で返して」と頼んでおくと、自信度が低い問い合わせだけを人が重点的にチェックできます。100件を全部見るのではなく、AIが迷った数件だけ確認すればよくなる、という仕組みです。

ステップ4。プロンプトはたたき台から始める

AIへの指示文（プロンプト）は、最初から完璧を目指さなくて大丈夫です。いまのAIは、ざっくり頼めば自分で精度の高い指示に整えてくれます。だから、下のような短いたたき台（出発点）から始めて、あとはAIと対話しながら自社の事情に合わせて詰めていくのがおすすめです。

あなたはカスタマーサポートの問い合わせ仕分け担当です。
以下の【カテゴリ定義】と【過去事例】を基準に、【問い合わせ本文】を
分類し、指定のJSON形式だけで答えてください。

【カテゴリ定義】
［ステップ1で作った定義表を貼る］

【過去事例】
［人が分類した実例を10〜20件貼る］

【問い合わせ本文】
［ここに1件分の本文が入る］

確信が持てない場合は推測で断定せず、confidenceを低くしてください。

このたたき台を一度AIに渡し、「もっと精度を上げるには、この指示文をどう直せばいい？」と相談してみてください。AI自身が改善案を出してくれます。プロンプトの文面そのものより、何を渡し、出力をどう確認するかという道筋のほうがずっと大事です。

ステップ5。下書き運用から始め、振り分けを自動化する

いきなり全自動で担当者へ流すのは危険です。まずは「AIが分類だけして、人が確認してから流す」下書き運用から始めましょう。1〜2週間運用して、AIの分類が人の感覚とおおむね一致してきたと確認できたら、自信度の高いものから自動振り分けに移していきます。

振り分けの実行は、ノーコードの自動化ツール（メールやフォームの受信をきっかけに、AI判定を挟んで、結果をチャットへ通知する流れを組めるもの）を使えば、プログラミングなしでも構築できます。具体的なツールのボタン名や設定画面は製品ごとに変わり頻繁に更新されるため、正確な手順は各ツールの公式ドキュメントで確認してください。仕組みの考え方さえ押さえておけば、どのツールでも応用が利きます。

ポイント。過去事例とカテゴリ定義の質が、仕分け精度を大きく左右します。ツール選びより先に、この「カンペ作り」に時間をかけてください。社内ナレッジとAIを組み合わせる考え方は社内情報をAIで構築するRAG活用ガイドでも詳しく解説しています。

効果のイメージ。仕分け工数が減り、初動が速くなる

この仕組みがうまく回ると、まず効くのが「振り分けにかかる時間」と「初動の速さ」です。一件ずつ目視で振り分けていた作業がAIの下書きベースになると、確認だけで済むため、仕分けの手間そのものが大きく減ります。

たとえば、仮に1日100件の問い合わせがあり、1件の振り分け判断に平均30秒かかっていたとします。これだけで1日50分、月にすると約18時間が振り分けだけに消えている計算です（これは説明のための仮の試算で、実際の数値は業種や問い合わせ内容で大きく変わります）。AIが一次分類し、人は自信度の低い数件だけ確認する形にすれば、この時間の多くを別の仕事に回せます。

もうひとつの効果は、対応の質が安定することです。属人的な振り分けだと、担当者によって「これはクレーム扱い」「これは様子見」と判断がぶれます。AIに同じカテゴリ定義を使わせれば、誰が見ても同じ基準で仕分けされ、クレームの見落としや放置が減ります。

さらに、仕分けで貯まったデータは、そのまま「顧客の声」の宝庫になります。要望がどのカテゴリに多いか、クレームがどんな場面で増えるかを集計すれば、サービス改善のヒントが見えてきます。問い合わせ対応が「コストのかかる部署」から「改善のネタを生み出す部署」に変わっていくわけです。集めた声の活かし方はAIでお客様の声を可視化するセンチメント分析も参考になります。

おすすめは、最初から大きな自動化を狙わず、定型的な質問の仕分けという小さな範囲で成果を出し、そこから対応範囲を広げていくやり方です。スモールスタートで「これは効く」という実感を社内で共有できると、その後の拡張がスムーズに進みます。

よくある失敗と回避法

問い合わせAIの導入でつまずくパターンは、だいたい決まっています。ここでは現場でよく見かける3つの失敗を、「どんな状況で起きるか→何が起こるか→どう防ぐか」のセットで紹介します。

失敗1。AIに丸投げして、複雑な対応まで任せてしまう

これは、コスト削減を急ぐあまり、クレームや込み入った相談までAIに全自動対応させようとすると起きます。すると、解決しない問い合わせがAIの中で堂々巡りし、顧客は「人間と話したいのに話せない」とストレスを抱え、満足度が一気に下がります。

防ぎ方はシンプルで、AIに任せるのは「仕分け」と「定型的な質問への一次回答」までに限定し、判断や感情的なケアが必要なものは必ず人へ渡すことです。AIで解決できないものをスムーズに人へ引き継ぐ「エスカレーション」の道を、最初から設計に入れておきましょう。

失敗2。人への引き継ぎ設計が抜けている

AIの分類精度ばかり気にして、「AIで解決できなかった問い合わせを誰がどう拾うか」を決めずに運用を始めると、この失敗が起きます。AIが「自信なし」と判定した問い合わせが宙に浮き、誰も対応しないまま放置され、結果的にクレームが大きくなります。

回避するには、自信度の低い問い合わせや特定のカテゴリは、必ず人のチェック待ち一覧に入る流れを作ることです。その際、AIにこれまでの内容を要約させて担当者に渡すと、引き継ぎがスムーズになり、顧客に同じ説明を繰り返させずに済みます。

失敗3。導入後のメンテナンスを怠る

「一度作れば終わり」と考えていると、この失敗にはまります。商品やサービスが変われば問い合わせの内容も変わるのに、カテゴリ定義や過去事例を更新しないままだと、AIの分類はだんだんズレていきます。気づいたときには「最近、振り分けがおかしい」という不満が現場にたまっています。

防ぐには、月に一度でいいので、外れた分類を見直し、新しい事例を追加する時間を運用に組み込むことです。AIの精度は「育てるもの」だと考え、担当者を1人決めておくと続きやすくなります。

顧客情報などの機密情報をAIに渡す前に、入力してよい範囲のルールを決めておきましょう。何を入れてよいかの線引きは、AIに入力してはいけない個人情報の社内ルールづくりとあわせて整理しておくと安心です。

使う側の落とし穴と、現場での妥協点

最後に、教科書的な記事には書かれにくい「現場で見えた本音」をお伝えします。結論から言うと、問い合わせAIは「楽になる」ものではあっても「ゼロ手間になる」ものではありません。ここを誤解すると、導入後にガッカリします。

まず、自動化したつもりでも、AIの判定を確認する仕事は残ります。むしろ導入直後は、AIの分類が正しいかを見る作業が増えるくらいです。本当に楽になるのは、AIが自社の感覚を学習して安定したあとです。最初の1〜2か月は「投資期間」だと割り切る覚悟が要ります。

次に、内製と外注の線引きです。プロンプトを試す、カテゴリ定義を作る、といった「設計」の部分は、自社でやったほうが絶対にうまくいきます。自社の問い合わせの肌感覚を持っているのは現場だからです。一方で、メール受信からAI判定を挟んでチャット通知まで自動でつなぐ「配管工事」の部分は、つまずきやすく時間も食います。ここだけ外部の手を借りる、という切り分けが現実的です。

コストの見落としも一つあります。AIの利用料そのものより、運用を回す人の時間と、メンテナンスの手間が、隠れたコストになりがちです。

月100件程度なら、無理に高機能なシステムを入れるより、シンプルな仕組みで十分なこともあります。逆に、月数千件を超え、複数チャネルが絡むなら、専用ツールやプロの伴走を検討したほうが結果的に安く済みます。

向き不向きもはっきりしています。問い合わせの内容がある程度パターン化されている業種は効果が出やすく、毎回まったく違う複雑な相談が来る業種は、仕分けより一次回答の支援に振ったほうが効きます。自社がどちらかを見極めてから設計するのが、遠回りに見えて近道です。社内向けの問い合わせなら、社内問い合わせを減らすAIチャットボットの自作・運用術の考え方も応用できます。

よくある質問

ここまで読んで、「やることは分かったけれど、自社だけで設計から配管まで回し切るのは大変そうだ」と感じた方も多いはずです。コレットラボ（大分・福岡を拠点にAI業務システム化を支援）では、問い合わせの仕分けのような最初の1業務から、設計・運用ルールづくりまで伴走しています。 まずは現状を整理するだけでも構いません。AI業務システム化の詳細はこちらから、お気軽にご相談ください。