チャットボットの自動応答の仕組み｜3つの型の違いと、答えられる範囲

チャットボットの自動応答で答えられる範囲は、答えのもとに何を持たせたかと、それを読むエンジンがどの型かでほぼ決まります。画面・エンジン・データという構造は同じでも、型が違えば返せる質問が変わってきます。

型を選ぶ前に、ひとつだけ決めておきたいことがあります。答えられなかった質問を、そのあと誰が拾うか。ここが空いたままだと、どの型を選んでも行き止まりが積み上がって、そのうち触られなくなります。精度は登録した内容を足しながら上げていくものなので、拾う人と直す場所を先に置いておくほうが早いと思います。

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考えたとき、チャットボットの導入を検討する企業は増えています。ただ実際に調べてみると、「シナリオ型」「AI型」「生成AI型」といった言葉が並び、それぞれがどう動いているのかが掴みにくいという声をよく聞きます。「チャットボットというのは事前に答えを全部入力しておくものでしょう？」という認識も根強いのですが、これは半分正解で、半分は実態とずれています。

この記事では、チャットボットの自動応答がどのような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読み進められる形で整理します。仕組みを理解しておくと、導入後に「なぜこの質問には答えられないのか」という場面で原因特定が早くなります。ツール選定の前提を揃える意味でも、最初に押さえておく価値のある領域です。

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。最初にこの全体像を押さえておくと、後の型ごとの違いも理解しやすくなります。

言葉で読むより、実物を見たほうが早い部分でもあります。下は「答えの出どころ」にあたる画面で、質問と回答を登録しておく場所です。

ここに登録されている内容が、そのまま自動応答の答えの範囲になります。逆に言えば、ここに無いことは答えられません。

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がこれにあたります。ここで入力された内容が、次のパーツへ受け渡されます。見た目の話だけのようでいて、入力欄の置き方や選択肢の出し方は完結率にも影響する部分です。

エンジン（ボット本体）

入力された内容を解析し、どう返すかを決める「頭脳」にあたる部分です。シナリオ型・AI型・生成AI型で大きく異なるのは、このエンジンの設計です。同じ問いを投げても、エンジンの構造によって解釈の仕方が変わります。

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「学習させた文書や会話履歴」、生成AI型では「商品情報や社内ナレッジ」などが格納されています。情報の鮮度と網羅性が、回答品質の土台になります。

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。どのパーツも欠かせませんが、答えられる質問の幅を決めるのはエンジンです。

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入れても、エンジンの処理方法によって答えられる範囲の上限は変わります。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

「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形になります。選択肢の先に答えが用意されていれば回答できますし、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。

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動かないため、間違いを言うリスクが低いのが強みです。「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FAQへの対応は得意分野で、導入コストも比較的抑えられます。設定が整えばすぐに使い始められる点も評価されています。

「想定外」の言い方に弱い

現場で最も問題になるのがここです。「診察予約はできますか？」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」と言われると、別の質問として処理されてしまいます。同じ意図でも表現が違えばヒットしない、というのがシナリオ型の構造的な制約です。

さらに、シナリオが増えるほど管理が複雑になります。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する必要があります。運用開始から半年後に「どこを更新すればいいか分からなくなった」という事態は珍しくありません。

もう一つ注意したいのが「迷子問題」です。選択肢が多くなると、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要点になります。

両者の違いはシナリオ型と生成AI型のチャットボットを比較するで詳しく整理しています。

AI型チャットボットの仕組みと「柔軟さの理由」

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。人間の言葉は、同じ意味でも表現がばらつきます。「予約したい」「アポを取りたい」「スケジュールを押さえたい」はすべて同じ意図ですが、シナリオ型はこれを別々の入力として扱います。AI型は言葉の「意味の近さ」を学習データから推定するため、表現が違っても同じ意図として認識できます。

用意していない表現にも答えられる

ユーザーがどのような言い方をしても、学習データの範囲内であれば対応できます。過去の会話ログを学習に取り込むことで、時間とともに精度が上がっていく設計になっている点も特徴です。シナリオ型のように「該当なし」で会話が止まる頻度を下げられます。

学習データの品質に依存する

AI型の精度は、学習させたデータの質と量に左右されます。古い情報しか学習していなければ古い回答を返しますし、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」というのは誤解で、何を学習させ、どう管理するかが精度を決めます。

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。

生成AIを使ったチャットボットの仕組みは生成AIチャットボットを整理するでも解説しています。

生成AI型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型ともまた違う仕組みを持っています。ここを区別しておくと、ベンダーの提案資料も読み解きやすくなります。

「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」という制約を伴います。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のではなく、回答そのものを作るという発想の違いがあります。

シナリオ型は「選ぶ」、AI型は「探す」、生成AI型は「作る」。同じチャットボットという名前でも、エンジンの発想はそれぞれ別物です。

商品データベースと組み合わせると何が変わるか

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。そこで有効になるのが、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、そのデータをもとに生成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るのが特徴です。テキスト回答だけでなく、画像・動画・地図・PDFなど複数の形式で返すこともできます。

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、どのような疑問が多いか、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設計になっています。

SHIRITAIの仕組みと機能は機能ページで詳しく紹介しています。

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、少し補正が必要です。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、ユーザーがどのような言葉で何を聞いてくるかを観察し、データを補充・改善していく期間と捉えるのが現実的です。

SHIRITAIの利用データでは、問い合わせの約50%は定型的な内容でした。この50%を自動応答でカバーできれば、月75時間（1人で半月分）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、データベースが適切に整備された状態での話です。土台の整備を飛ばすと、当然ながらこの効果は出ません。

改善の材料になるのが、実際に来た質問の記録です。

答えられなかった質問がそのまま次に登録すべき内容になります。最初の2、3か月はここを見る作業が中心になります。

精度向上のポイント

答えられなかった質問を定期的に確認することが第一歩です。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ていきます。次に、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。同じ意図でも語彙が異なるケースは想像以上に多いものです。最後に、古くなった情報の更新です。商品情報や価格、営業時間が変わった場合、データを更新しないとそのまま誤回答につながります。

精度の上げ方はチャットボットの回答精度を上げる方法で詳しく解説しています。

自社にどの仕組みが合うかを判断する3つの問い

仕組みを理解したうえで、自社にどの型が合うかを判断するときに役立つ問いを3つ挙げます。

問い合わせの内容は定型的か、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型のほうが向いています。問い合わせログを1ヶ月分だけでも棚卸ししてみると、自社の傾向が見えてきます。

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。これは型の優劣ではなく、運用主体の問題として最初に詰めておくところです。

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うえで欠かせません。「担当者に繋ぐ」ボタンがあるかどうかも、ツール選定の判断軸になります。

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なラインに収まります。

導入判断の材料はチャットボット導入のメリット・デメリットにまとめています。

困りごと別｜SHIRITAIで解決できること10

自動応答の仕組みを踏まえて、現場で起きていることを並べます。右がSHIRITAIでどう受けられるかです。

全部を一度に理解する必要はありません。よく届く質問を20件登録して、実際の返り方を見るのがいちばん早いと思います。

よくある質問

まとめ

チャットボットの自動応答は、ユーザーインターフェース・エンジン・データベースの3パーツが連携して成り立っています。シナリオ型は設定されたルールで動き、AI型は自然言語処理で意味を読み取り、生成AI型は商品データベースをもとに回答を生成します。エンジンの違いを押さえることが、ツール比較の出発点になります。

そして最も重要なのは、どの仕組みも導入後の運用によって精度が変わるという事実です。どの型を選んでも、ログを見てデータを改善していく習慣がなければ長続きしません。自動応答の仕組みを理解したうえで、自社の問い合わせ内容・運用体制・対応スコープを整理してから導入ツールを選ぶことが、失敗を避ける最短ルートになります。

選定の進め方はチャットボットの選び方を整理するを参考にしてください。

SHIRITAI（シリタイ）は、HELATH株式会社が提供するAIチャットボットサービスです。