チャットボットの自動応答はどう動いているのか：シナリオ型・AI型・生成AI型の仕組みと、「答えられる限界」を正直に解説

2026年4月7日

チャットボットの自動応答はなぜ「答えられる」のか

問い合わせ対応の負担を減らしたいと思ったとき、チャットボットの導入を検討する人は増えています。でも実際に調べてみると、「シナリオ型」「AI型」「生成AI型」といった言葉が出てきて、どれがどう動いているのかがよくわからない、という声をよく聞きます。

「チャットボットって結局、事前に答えを全部入力しておくものでしょ？」という誤解も根強いです。半分正解で、半分は間違いです。

この記事では、チャットボットの自動応答がどういう仕組みで成り立っているのかを、技術的な前提知識がなくても理解できるように解説します。仕組みを理解しておくと、導入後に「なぜ答えられないのか」という場面での原因特定が早くなります。

自動応答の基本構造：3つのパーツが連携している

チャットボットは、大きく分けると3つのパーツが連携して動いています。

① ユーザーインターフェース（UI）

ユーザーがテキストを入力する画面です。WebサイトやLINE、アプリ上に表示されるチャット窓口のことです。ここで入力された内容が、次のパーツへ渡されます。

② エンジン（ボット本体）

入力された内容を解析し、どう答えるかを決める「頭脳」にあたる部分です。ここがシナリオ型・AI型・生成AI型で大きく異なります。

③ データベース・学習データ

チャットボットが参照する情報源です。シナリオ型では「質問と答えの対応表」、AI型では「学習させた文書・会話履歴」、生成AI型では「商品情報・社内ナレッジ」などが格納されています。

この3つがAPIで連携し、ユーザーの入力に対してリアルタイムで回答を生成・返答します。どのパーツも重要ですが、「エンジンがどう動くか」によって答えられる質問の幅が決まります。

よく誤解されるのが「データベースさえ充実させればどの型でも同じ結果になる」という考え方ですが、これは正確ではありません。どれだけ豊富な情報をデータベースに入れても、エンジンの処理方法によって「どの質問に答えられるか」の限界は変わります。この違いが、シナリオ型とAI型の選択に直接関わってきます。

シナリオ型チャットボットの仕組みと限界

仕組み：「Aなら B」のルールで動く

シナリオ型は、「ルールベース型」とも呼ばれます。仕組みはシンプルで、「Aという質問が来たら、Bと答える」というルール（条件分岐）をあらかじめ全て設定しておきます。

ユーザーは表示された選択肢を選びながら、ツリー状に会話を進めていくイメージです。選択肢の先に答えが用意されていれば回答できる。逆に、設定されていないルートに入ると「お答えできません」と返ってきます。

メリット：誤回答が少なく、低コストで始めやすい

設定されたシナリオ通りにしか答えないため、間違いを言うリスクが低いです。「営業時間は何時ですか？」「最寄り駅はどこですか？」といった定型的なFAQへの対応は得意です。導入コストも比較的安く、設定できればすぐに使い始められます。

限界：「想定外」の言い方に弱い

ここが現場で最も問題になる点です。「診察予約はできますか？」という質問をシナリオに登録していても、「予約を入れたいんですが」「アポの方法を知りたい」という表現で来た場合、別の質問として処理されてしまいます。

さらに深刻なのは、シナリオが増えれば増えるほど管理が複雑になる点です。商品が追加されるたび、サービス内容が変わるたびに、シナリオを手動で更新しなければなりません。運用開始から半年後に「どこを更新すればいいかわからなくなった」という事態はよく起きます。

また、シナリオ型のユーザー体験として注意したいのが「迷子問題」です。選択肢が多いと、ユーザーは途中で「自分が知りたいことへの道が見当たらない」と感じてチャットボットを閉じてしまいます。問い合わせを減らしたいのに、チャットボット自体が離脱の原因になるケースです。シナリオ型を選ぶ場合は、選択肢の数と深さを絞ることが設計上のポイントになります。

参考はこちら：https://shiritai-chat.com/column/chatbot-scenario-vs-ai

AI型チャットボットの仕組みと「柔軟さの理由」

仕組み：自然言語処理で「意味」を読む

AI型チャットボットが柔軟に答えられる理由は、「自然言語処理（NLP）」という技術を使っているからです。

人間が話す言葉は「同じ意味でも表現がバラバラ」です。「予約したい」「アポを取りたい」「スケジュールを押さえたい」は全部同じ意図ですが、シナリオ型はこれを別々の入力として処理します。AI型は、言葉の「意味の近さ」を学習データをもとに推定するため、表現が違っても同じ意図として認識できます。

メリット：「用意していない表現」にも答えられる

ユーザーがどんな言い方をしても、学習データの範囲内であれば対応できます。また、過去の会話ログを学習に使うことで、時間とともに精度が上がる設計になっています。

限界：学習データの品質に依存する

AI型の答えの精度は、学習させたデータの質と量に依存します。古い情報しか学習していなければ古い回答をします。また、「なんとなくそれっぽい答えを生成する」性質があるため、事実と異なる回答（いわゆるハルシネーション）が起きる可能性もゼロではありません。

「AIだから何でも答えられる」は誤解です。何を学習させるか、どう管理するかが精度を左右します。

もう一点、AI型で見落とされがちなのが「定期的な再学習コスト」です。AIの精度を維持するには、学習データを定期的に見直し、誤った回答パターンを修正する作業が伴います。これは自動では行われません。担当者がログを確認して手を動かす運用込みで成立する、という認識が導入前に必要です。

参考はこちら：https://shiritai-chat.com/column/generative-ai-chatbot

生成AI型チャットボットがシナリオ型と根本的に違う点

近年普及している「生成AI型チャットボット」は、従来のAI型とも異なる仕組みを持っています。

「検索して答える」のではなく「生成して答える」

従来のAI型は、登録されたFAQの中から「最も近い回答」を検索して返す設計でした。これは「答えが見つからなければ答えられない」という制約がありました。

生成AI型は、ChatGPTなどに代表されるLLM（大規模言語モデル）を使い、入力された質問に対してその場で回答文を生成します。「最も近い答えを探す」ではなく、「回答そのものを作る」のです。

商品データベースと組み合わせると何が変わるか

ただし、生成AI型を企業の問い合わせ対応に使う場合、汎用的なLLMをそのまま使うのは危険です。自社商品の情報を知らないまま回答を生成すると、的外れな答えや誤情報を返す可能性があります。

そこで有効なのが、自社の商品情報・サービス情報をデータベースとして構築し、そのデータを元に生成AIが回答するという設計です。

たとえばSHIRITAIでは、自社専用の商品データベースを構築し、そのデータをもとに生成AIがリアルタイムで回答文を生成します。シナリオに登録されていない聞き方をされても、データベースの範囲内で的確に答えられます。また、テキスト回答だけでなく、画像・動画・地図・PDFなど多様な形式での回答も可能です。

問い合わせに対応しながら、ユーザーが何を聞いてきたかのデータを全て記録するニーズ分析機能も備えており、「どんな疑問が多いか」「どこで問い合わせが止まるか」をマーケティングに活かすことができます。

SHIRITAIについて詳しく見る：https://shiritai-chat.com/

自動応答の精度は最初から高くない——改善の現実

「チャットボットを入れたらすぐに問い合わせが減る」という期待は、少し修正が必要です。

導入直後は、データベースの抜け漏れや表現のズレにより、答えられない質問が出てきます。特に最初の2〜3ヶ月は、ユーザーがどんな言葉で何を聞いてくるかを観察し、データを補充・改善していく期間です。

SHIRITAI社の調査によると、問い合わせの約50%は定型的な内容です。この50%を自動応答でカバーできれば、月75時間（1人半月分）の対応工数を半減できる計算になります。ただしこの数値は、適切にデータベースが整備された状態での話です。

精度向上のポイント

① 答えられなかった質問を定期的に確認する

チャットボットが「わかりません」と返した質問のログを見て、データベースに不足している情報を追加します。

② よく使われる言い回しに対応させる

ユーザーが実際に入力した表現と、想定していた表現のズレを埋めていきます。

③ 古くなった情報を更新する

商品情報や価格、営業時間が変わった場合、すぐにデータを更新しないと誤回答につながります。

詳しくはこちら：https://shiritai-chat.com/column/chatbot-accuracy-improvement

自社にどの仕組みが合うかを判断する3つの問い

仕組みを理解した上で、「自社にどのタイプが合うか」を判断するときに役立つ問いを3つ挙げます。

① 問い合わせの内容は定型的か、それとも多様か？

「営業時間は？」「料金は？」といった定型的な質問が大半であれば、シナリオ型でも十分対応できます。一方、商品の比較・用途の相談・複雑な手続きの案内など多様な質問が来る場合は、AI型・生成AI型が適しています。

② 運用できるリソースはあるか？

シナリオ型は初期構築のコストが高く、変更のたびに手動対応が必要です。生成AI型はデータベースを更新するだけで対応範囲が広がりますが、定期的なデータ品質の見直しは欠かせません。「誰が管理するか」を最初に決めておかないと、どちらの型でも半年後には形骸化します。

③ 答えられなかった場合の受け皿はあるか？

チャットボットがどれだけ精度を上げても、全ての質問に答えることはできません。答えられなかったケースを有人対応に渡すハイブリッド設計が、顧客満足度を維持する上で欠かせません。「担当者に繋ぐ」ボタンがあるかどうかも、ツール選定の重要な判断軸です。

チャットボットが「AI対応で完結した割合（完結率）」と「有人対応に回した割合」を計測できると、改善の優先順位が立てやすくなります。SHIRITAIの病院導入事例では、月間利用回数が約300〜400回で完結率が約47.5%でした。最初から100%を目指すのではなく、「まず半分をAIが担えるか」を目安に設計すると現実的です。

詳しくはこちら：https://shiritai-chat.com/column/chatbot-pros-cons