問い合わせメールの振り分けを生成AIで自動化するときに大切なのは、AIの性能よりも「何に分類するか」と「間違えたときにどう拾うか」を先に決めることです。生成AIは、表現がばらばらなメールでも内容を読み取り、問い合わせの種類や緊急度を判定するのが得意です。ただし判定は必ずしも正しくありません。分類の定義が曖昧なまま導入すると判定がぶれ、誤分類を拾う仕組みがないと、重要なメールが誰にも読まれないまま放置されることがあります。
この記事は、問い合わせ窓口や共有メールボックスの運用責任者、カスタマーサポートの管理者、受信メールの仕分けに時間を取られている事業担当者に向けて書いています。生成AIでメールを分類・優先度判定・担当割当する仕組み、分類の定義の作り方、精度の確かめ方、誤分類時の運用までを順番に説明します。
読み終えたときに、自社の問い合わせメールの振り分けをどこまで自動化できそうか、導入前にどんな準備が必要か、公開後に何を見て改善するかを判断できることを目指しています。
メール振り分け自動化で生成AIが担える範囲
共有のメールアドレスに届く問い合わせを、人が一通ずつ読んで「これは請求の件だから経理へ」「これは不具合だから開発へ」と振り分ける作業は、件数が増えるほど負担になります。振り分けが遅れると、急ぎの案件への対応も遅れます。
従来のメール振り分けは、件名や本文に特定の単語が含まれるかどうかで判定するルール方式が中心でした。「請求書」という単語があれば経理へ、という具合です。ルール方式は動きが予測しやすい一方、「先月の支払いの件で確認したいことが」のように想定した単語を使わないメールには対応できず、ルールが増えるほど管理が難しくなります。
生成AIを使うと、文章全体の意味から問い合わせの種類を判定できます。具体的には次のような処理を任せられます。
- 分類：問い合わせの種類（請求・契約・不具合・使い方・解約・営業メールなど）を判定する
- 優先度判定：至急の対応が必要か、通常対応でよいかを判定する
- 要約：長いメールの要点を数行にまとめ、担当者が読む時間を減らす
- 情報の抽出：顧客名・契約番号・注文番号・製品名などを取り出す
- 担当割当の材料づくり：分類結果と抽出情報をもとに、担当チームや担当者を決める
一方で、メールに書かれていない事情を推測して判断すること、顧客との過去のやり取りを踏まえた対応方針を決めること、返金や補償の可否を判断することは、AIに任せるべきではありません。振り分けの自動化は「適切な人に早く届ける」ための仕組みであり、対応の中身を決める仕組みではないと位置づけると、設計がぶれません。
| 方式 | 得意なこと | 苦手なこと | 向く場面 |
|---|---|---|---|
| キーワードルール | 動きが予測しやすい、費用がかからない | 言い回しの揺れ、ルールの肥大化 | 件名の形式が決まっている通知メール |
| 生成AIによる分類 | 文脈から意図を読む、表現の揺れに強い | 判定の根拠が分かりにくい、まれに誤る | 顧客から自由文で届く問い合わせ |
| 両者の組み合わせ | 確実な判定はルール、曖昧な判定はAI | 設計がやや複雑になる | 定型通知と問い合わせが混在する窓口 |
分類の定義を作る：自動化の精度はここで決まる
生成AIに分類させる前に、人が分類しても迷わない定義を作ることが最も重要です。人の間で判断が分かれる分類は、AIでも判定がぶれます。
過去のメールを棚卸しする
まず、過去数か月分の問い合わせメールを抽出し、一通ずつ「何の問い合わせか」「誰が対応したか」「急ぎだったか」を記録します。全件が難しければ、無作為に数百通を選んで見るだけでも傾向は掴めます。この作業で、実際にどんな種類の問い合わせがどれくらいの割合で来ているか、どの分類で判断が迷うかが見えてきます。
分類は対応する担当の単位で作る
分類は「誰が対応するか」が一つに決まる単位で作ります。「契約関連」という分類に、契約内容の確認（営業担当）と請求額の確認（経理担当）が混在していると、分類しても結局人が振り分け直すことになります。逆に、対応者が同じなら細かく分ける必要はありません。
分類ごとに定義文と例を用意する
各分類に、「この分類に入るもの」「入らないもの」を文章で書き、代表的なメールの例を付けます。この定義文と例は、そのままAIへの指示（プロンプト）に組み込めます。複数の分類にまたがるメールの扱い（たとえば、不具合の報告と解約の意思が同じメールに書かれている場合）も決めておきます。
「その他」と「判定不能」を用意する
どの分類にも当てはまらないメールや、AIが判断に迷ったメールの受け皿を必ず用意します。無理にどれかの分類に入れさせるより、「判定不能」として人が見る方が安全です。
優先度判定と担当割当の仕組み
優先度は判定基準を明文化する
優先度の判定は、分類以上に基準を明確にする必要があります。「サービスが使えない」「本日中に対応が必要」「解約したい」「強い不満が書かれている」など、至急扱いにする条件を具体的に書き出します。AIには「至急・通常・低」の三段階程度で判定させ、至急と判定されたものはチャット通知などで即座に担当者に知らせる設計が一般的です。
優先度の判定では、見逃し（本当は至急なのに通常と判定する）の方が、過剰判定（通常なのに至急と判定する）より影響が大きいことが多いです。そのため、迷ったら至急側に倒すよう指示しておくのが基本です。ただし至急が多すぎると誰も気にしなくなるので、運用しながら基準を調整します。
担当割当はAIではなくルールで決める
分類と優先度の判定まではAIに任せ、そこから先の担当割当はルールで決めるのがおすすめです。「分類が請求なら経理チーム」「分類が不具合で優先度が至急ならサポートの当番」のように、分類結果と担当の対応表をシステム側で持ちます。割当をルールにしておけば、担当変更や休暇時の代理割当を、AIの指示を変えずに調整できます。
顧客ごとの担当営業が決まっている場合は、メールアドレスや会社名から顧客管理システムを参照し、担当者を割り当てる方法もあります。問い合わせフォームからの受付を顧客管理に連携する考え方は、問い合わせフォームからCRM登録・担当割当までを自動化するで解説しています。
判定結果は構造化して受け取る
AIの判定結果は、自由な文章ではなく「分類」「優先度」「要約」「抽出した番号」「判定の確信度」といった決まった形式で返させます。構造化出力（JSONモード）を使うと、後続のシステムが結果を安定して扱えます。判定の理由を一文で書かせておくと、誤分類の原因を後から調べやすくなります。
仕組みの構成例
全体の流れは、おおむね次のような構成になります。共有アドレスに届いたメールを、メールサービスの転送機能や受信の仕組みで取り出し、迷惑メールの判定を通した後で生成AIに本文を渡します。AIが返した分類・優先度・要約を問い合わせ管理ツールのチケットに書き込み、対応表に従って担当チームを設定し、至急のものだけをチャットに通知します。小規模なうちはノーコードの自動化ツールでこの流れを組むこともできますが、件数が増えたり、再処理やログの管理が必要になったりした段階で、仕組みとして作り直すことを検討します。
誤分類に備えた運用の作り方
どれだけ準備しても誤分類は起きます。大切なのは、誤分類が起きたときに早く気づき、正しい担当に回し直し、同じ誤りを減らしていく仕組みです。
誤分類を拾う三つの仕組み
- 担当者が「回し直す」操作を簡単にする：割り当てられた担当者が、自分の担当でないと分かったときにワンクリックで正しい分類へ変更できるようにします。変更の記録はそのまま改善の材料になります。
- 判定不能と低確信度のメールを人が見る：「判定不能」や確信度の低いメールは、振り分け担当者が確認する受け皿に集めます。
- 未対応のメールを時間で検知する：一定時間が過ぎても誰も対応していないメールを検知し、管理者に通知します。誤分類で誰にも読まれていないメールを拾う最後の網になります。
誤分類の記録を改善に使う
担当者による回し直しの記録を月に一度集計し、どの分類からどの分類への誤りが多いかを確認します。多い組み合わせについては、分類の定義文や例を見直します。分類そのものが現場の実態に合っていないと分かることもあり、その場合は分類の統合や分割を検討します。
元のメールボックスは残しておく
自動振り分けを導入しても、元の共有メールボックスはすべてのメールが残る状態にしておきます。振り分けの仕組みが止まった場合や、判定結果に疑問があった場合に、人が直接確認できるようにするためです。
人の判断をどこに挟むかの考え方は、業務自動化で残る例外処理：人が判断する工程を組み込む方法も参考にしてください。
導入の手順
- 現状を把握する：一日あたりの受信件数、振り分けにかかっている時間、振り分け担当者、振り分けの遅れで起きた問題を確認します。
- 過去メールを棚卸しし、分類を決める：前述の方法で分類の定義文と例を作ります。
- 評価用のメールを用意する：過去メールから数百通を選び、人が正解の分類と優先度を付けておきます。これが精度を測る基準になります。
- AIで試し判定する：評価用メールをAIに判定させ、正解と比べます。分類ごとの正誤、至急の見逃し件数を確認します。結果を見て定義文や指示を調整し、再度試します。
- 割当ルールと通知を設計する：分類と担当の対応表、至急時の通知先、未対応検知の条件を決めます。
- 並行運用する：一定期間、従来の人による振り分けとAIの判定を並行させ、差異を確認します。この期間はAIの判定を参考表示にとどめます。
- 本番運用に切り替える：基準を満たしたら、AIの判定に基づく自動割当に切り替えます。至急の見逃しが許容範囲内であることを切り替えの条件にします。
- 月次で見直す：回し直しの記録、判定不能の件数、未対応検知の件数を確認し、定義や指示を更新します。
具体例：業務向けSaaSを提供する会社の場合
架空の例として、中小企業向けに業務SaaSを提供している会社を考えてみます。サポート用の共有アドレスには、使い方の質問、不具合の報告、請求書の再発行依頼、プラン変更や解約の相談、そして営業目的のメールが混在して届いています。これまではサポート担当者が朝と夕方にまとめて目を通し、手作業で担当チームに転送していました。そのため、午前中に届いた「ログインできない」という報告に夕方まで誰も気づかない、ということが時々起きていました。
この会社では、分類を「使い方」「不具合」「請求・契約」「解約・ダウングレード」「営業・その他」「判定不能」の六つに絞りました。優先度は「ログインできない・データが表示されないなど業務が止まっている」「解約の意思が明記されている」「強い不満が書かれている」の三条件のいずれかに当てはまれば至急、と定義しました。
並行運用の期間に回し直しの記録を見ると、「請求・契約」と「解約・ダウングレード」の取り違えが目立ちました。プラン変更の相談が、料金の話を含むため請求に分類されていたのです。そこで定義文に「料金の話を含んでいても、契約内容を変えたい意思があるものは解約・ダウングレードに分類する」と追記し、代表例を二通加えたところ、取り違えは目に見えて減りました。このように、誤分類の傾向から定義文を直す作業を数回繰り返すことが、精度を上げる近道です。
評価用のデータを作って生成AIの出力を採点する方法は、生成AIの出力品質をどう評価するか：評価セットと採点基準の作り方で詳しく解説しています。
個人情報と運用ルールの注意点
問い合わせメールには、氏名・連絡先・契約情報などの個人情報が含まれます。生成AIのAPIにメール本文を送る場合は、利用するサービスが送信データをどう扱うか（学習に使われないか、保存期間はどうか、どの地域で処理されるか）を利用規約やデータ処理の条件で確認してください。社内の生成AI利用ガイドラインがあれば、それに沿っているかも確認します。個人情報保護法などの法令上の扱いは、必要に応じて専門家に確認してください。
また、添付ファイルの扱いも決めておきます。添付ファイルの中身まで判定に使うのか、本文だけで判定するのか。不審なメールや添付ファイルを開かずに隔離する仕組みとの順番も確認が必要です。迷惑メールやなりすましのメールが、AIの判定で至急扱いになって通知されないよう、迷惑メール対策の後に判定をかける構成にします。
よくある失敗と避け方
失敗1：分類を細かくしすぎる
分類を細かく分けるほど、境界で判定が迷う組み合わせが増えます。まずは対応する担当の単位で5〜10程度の分類から始め、運用しながら必要に応じて分けるのが安全です。
失敗2：AIに担当者名まで決めさせる
担当者の割当までAIに任せると、担当変更のたびに指示を書き換える必要があり、割当の理由も追いにくくなります。AIは分類と優先度まで、割当はルールで、と役割を分けます。
失敗3：至急の見逃しを測っていない
全体の正答率だけを見て導入を決めると、件数の少ない至急案件の見逃しに気づけません。評価では至急案件の見逃し件数を独立して確認してください。
失敗4：誤分類の記録を残していない
回し直しの操作がメールの転送や口頭連絡で行われると、何が誤っていたかが記録に残らず、改善できません。回し直しは仕組みの中で行い、記録が残るようにします。
失敗5：導入後に誰も見直さない
問い合わせの内容は、新サービスの開始や料金改定などで変わります。分類の定義が古くなると判定精度が下がります。月次の見直しを担当者の業務として位置づけておきます。
導入前のチェックリスト
- 過去のメールを棚卸しし、分類ごとのおおよその件数を把握している
- 分類が「対応する担当」の単位で作られている
- 分類ごとに定義文と代表例があり、複数分類にまたがる場合の扱いを決めている
- 「判定不能」の受け皿と、それを確認する担当者を決めている
- 至急の判定基準を具体的に書き出している
- 担当割当を分類との対応表（ルール）で管理する設計になっている
- 評価用のメールに正解を付け、至急の見逃しを確認できる
- 未対応のメールを時間で検知する仕組みがある
- メール本文をAIに送る際のデータの扱いを確認している
- 月次で見直す担当者と見る指標を決めている
よくある質問
Q. メールソフトの自動振り分け機能と何が違いますか？
メールソフトの振り分けは、差出人や件名の単語といった条件で判定するルール方式です。差出人が決まっている通知メールの整理には十分ですが、顧客が自由な文章で書く問い合わせの意図を読み取ることはできません。生成AIは本文の意味から判定できる点が違います。両方を組み合わせ、確実に判定できるものはルールで処理するのが効率的です。
Q. どのくらいの件数から自動化する価値がありますか？
件数だけでなく、振り分けの遅れがどれだけ問題になっているかで判断します。件数が少なくても、至急の問い合わせが埋もれて対応が遅れることが問題になっているなら、優先度判定と通知だけを自動化する価値はあります。振り分けに使っている時間と、遅れによる影響の両方を見て判断してください。
Q. 英語など日本語以外のメールにも対応できますか？
多くの生成AIは複数言語のメールを分類できます。日本語以外のメールの件数が多い場合は、評価用のメールにもその言語を含めて精度を確認してください。要約を日本語で出力させれば、担当者が内容を把握しやすくなります。
Q. 自動で返信まで送ってもよいですか？
受付完了の自動返信は問題ありませんが、問い合わせ内容に対する回答を人の確認なしに送ることは慎重に判断してください。まずは回答の下書きを作り、担当者が確認して送る運用から始めるのが安全です。下書き生成の考え方は、カスタマーサポート対応の自動化：チケット分類と回答下書きのAI活用で扱っています。
Otsumuに相談できること
受信件数がそれほど多くなく、分類も数種類で足りる場合は、メールソフトのルール機能やノーコードの自動化ツールに生成AIを組み合わせて、自社で仕組みを作ることは十分可能です。この記事の手順どおりに過去メールを棚卸しし、評価用のメールで精度を確かめてから運用を始めれば、外部に頼まなくても効果を出せるケースは多くあります。
一方で、問い合わせの件数が多く分類が複雑な場合、顧客管理システムや問い合わせ管理ツールと連携して担当割当まで自動化したい場合、個人情報を含むメールを安全に扱う構成を整えたい場合は、設計と開発の工夫が必要になります。誤分類の拾い方や見直しの運用まで含めて設計したいときも、外部の知見が役に立ちます。
Otsumuでは、問い合わせの棚卸しと分類の設計、生成AIを使った判定の仕組みづくり、既存ツールとの連携、導入後の改善の運用までを一貫して支援しています。目的から逆算して必要な範囲に絞り、小さく試して効果を確かめながら広げる進め方を取ります。詳しくは自社サービス運用の自動化コンサルティングや生成AIシステム開発のページをご覧ください。
自社の問い合わせメールのどこから自動化できそうか、状況を伺いながら一緒に整理することもできます。30分の無料相談からお気軽にご連絡ください。
この記事について
Otsumu株式会社が執筆しました。統計値や他社の事例には依拠せず、進め方と判断の枠組みを中心にまとめています。法務・税務・会計などの制度は、専門家や公的窓口で最新の情報をご確認ください。
執筆：Otsumu株式会社 ／ 編集日 2026.10.01