OpenAI のすべてのインタラクションのサポートを改善する

この記事は、OpenAI のテクノロジーに基づいて当社が独自のソリューションを構築する方法について説明するシリーズの一部です。

これまでサポートとは、キュー、チケット、およびスループットを意味してきました。しかし、OpenAI ではそれだけでは不十分でした。当社は、何億人ものユーザーにサービスを提供し、毎年何百万ものリクエストを処理し、その量は毎年何倍にも増えています。

大半の組織は規模の大きさに対処しようとしています。規模の大きさと超成長に対処しようとしている組織はそれほど多くはありません。その双方への対処と並行して、この方程式を変えうるテクノロジーも開発しようとしている組織はほとんどありません。これを組み合わせてサポートを根本から見直そうと取り組む当社の立ち位置は、ユニークなものになりました。

サポートはボリュームの問題ではありません。エンジニアリングと運用設計上の課題です。そのため、私たちはこれまでとは異なるものの構築に取り組みました。すなわち、すべてのインタラクションを次の改善に活かすというビジネスモデルです。

運用チームは、サポートの質問への対処にチャットボットの使用以上のことをしたいと考えていました。サポートを継続的に学習し、改善する AI オペレーティングモデルとして再考するというビジョンです。

その中心にあるのが次の 3つのブロックです。

• サーフェス。サポートシステムが対話する場所です。チャット、メール、電話だけでなく、製品に直接内蔵されたヘルプも増えています。
• 知識。静的なドキュメントだけではなく、実際の会話、ポリシー、コンテキストから導き出された、生きた、継続的に改善されるガイダンスです。
• 評価と分類機能。ソフトウェアと人間が一体となって構築する品質の定義を共有したものや、フィードバックを測定・改善・強調するためのツールです。

これらはバラバラなものではなく、ループを形成しています。企業内の会話で発見されたパターンは、開発者の FAQ に情報を提供できます。あるケースについて書かれた評価から、数千以上のケースに対するモデルを強化できます。また、同じプリミティブがチャット、メール、音声など、すべてのサーフェスを強化するため、改善点は自動的にすべてのチャンネルに拡大します。

サポート担当者のロールは常に変化します。トランザクションを処理することを主眼とするモデルから、全体的な構造の一部となるモデルへと移行することを目標としています。サポート担当者は、ボトムアップ方式の変更の伝達を通じて直接的に、また日常業務の自然な動作を通じて間接的に、アーキテクチャ自体に貢献することができます。

担当者は、テストケースにすべきインタラクションにフラグを立て、新しいパターンを見つけたら分類機能を提案して伝達し、さらにはワークフローのギャップを数日で埋めるための軽量なオートメーションのプロトタイプを作成します。学習も変化しています。ポリシーだけにとどまらず、インタラクションを評価し、構造的なギャップを特定し、改善をフィードバックします。

この新しいアプローチでは、サポート担当者を対応者であると同時にビルダーにすることを目指しています。

その結果、サポート組織はスループットによって定義されるというよりも、進化する能力によって定義されるようになります。すべての担当者が、ユーザーにサービスを提供するだけでなく、すべてのユーザーにサービスを提供する機械を積極的に改善する役割を担うことになります。

このようにしてサポートを構築できるのは、OpenAI のスタック上に構築されているからに他なりません。

• Agents SDK は、デフォルトでステップレベルのトレースと監視機能を提供します。実行をリプレイし、ツールの呼び出しを検査し、根本的な原因を即時にデバッグすることができます。
• Responses API は、トーン、正確さ、ポリシーの遵守のための分類機能を強化します。
• Realtime API は音声サポートを可能にします。
• OpenAI の評価ダッシュボードは、品質を測定可能にし、時間の経過を簡単に可視化できるようにします。

プラットフォームのプリミティブは既存のものであるため、システムをつなぎ合わせる時間が減り、重要な仕事、つまり最適なものの定義、その測定、改善に集中する時間を増やすことができます。

まず、うまく機能する単純な Q&A 回答システムから着手しました。Agents SDK を使用して、払い戻しや請求書、インシデント検索などの動的なアクションに速やかに拡大しました。より大きなコンテキストウィンドウ、Deep Research、より強力なエージェント機能によってモデルの改善が続くと、それに応じてその進化を即時に採り入れることができます。

評価により、日常会話は本番環境でのテストに利用されます。ただ問題を解決するだけでなく、丁寧に、明確に、一貫性を持たせることで、「優秀」なものを体系化します。担当者はこの段階で直接的な役割を果たし、評価となる強い例と弱い例にフラグを立てます。それらの評価は、モデルの挙動を制御するために本番環境で継続的に実行されます。

「通常、問題があれば、できるだけ早く助けてほしいと思います。当社の AI ツールを使うことで、こうした回答をより迅速に得ることができます。そして同じように重要なこととして、私たちはモデルが回答すべきでない状況も認識しています」と、Support Automation のソフトウェア エンジニアである Jay Patel は述べています。

学習は解決した時点で終わるのではありません。パターンは、知識、オートメーション、製品設計にフィードバックされます。このシステムは、ユーザーには回答のスピードアップ、ビルダーにはフィードバックループの緊密化、また、あらゆるサーフェスに対して一貫した高品質のレベル向上を実現します。

さらに、学習するのは AI だけではありません。AI とともに組織も学習します。スペシャリストは、モデルに不足している点を調べ、新しい分類機能を作成し、ファインチューニングに使用されるデータセットを提供します。監視機能ダッシュボードは品質を測定可能にし、パフォーマンスが時間の経過とともにどのように向上するかを示します。

最も重大な変化はツールではなく、人々、および組織が成功を測定する方法です。サポートの専門家は、単に問題を解決するだけでなく、知識を洗練し、モデルを改善し、システムそのものを拡張することで認められます。リーダーたちは新しいタイプのチームメイトを求めています。現場での共感と設計の直感を組み合わせ、サポートの手法とシステムを改善する好奇心を兼ね備えた人材です。

また、サポートが最終目標にならないようにすることをビジョンとしています。それがアクションとなり、すべての製品のサーフェスに織り込まれます。ユーザーは「チケットを開く」のではありません。必要なものをその場所から手に入れるだけです。

規模への対応として始めたものが、人と AI がどのように連携していけるかを示し、協調的で、適応力があり、継続的に改善を進めるための青写真となりました。