音声AIが電話対応を奪う？人に残る仕事の境目
画像出典: ぱくたそ (写真: sakiphoto)
音声AIが自然に話せるようになった核心は、声の作り込みよりも「相手が話し終えたか」を判定するターンテイキングと、応答が返るまでの時間短縮にあります。定型的な問い合わせはAIが完結できる範囲まで来ている一方、例外的な判断・交渉・本当の意味での感情の受け止めは人に残り、国内の実証も人とAIを組み合わせる形で進んでいます。
電話応対の自動化は、長いあいだ「番号を押してください」の自動音声どまりでした。それがここ数年で、普通に話しかけて普通に返ってくるところまで来ています。変化の速さが不安に直結するのは自然なことです。
ただ、何が変わって何が変わっていないかは、しくみを見るとかなりはっきりします。音声AIが得意になったのは「会話のテンポ」であり、苦手なままなのは「想定の外側」です。この違いがわかれば、自分の仕事のどこが置き換わり、どこが残るのかを自分で判断できます。
音声AIはどういう順番で返事を作っているのか？
まず前提を合わせます。リアルタイムで話せる音声AIの基本構造は、音声入力 → STT（音声認識でテキストにする） → LLM（大規模言語モデル。文章を予測して生成するAI）が返事の中身を決める → TTS（テキストを音声に変換する技術） → 音声出力という3段階のパイプラインです。人間でいえば「聞き取る・考える・声に出す」を分業している形になります。
この3段階の外側を、もう2つのしくみが包んでいます。ひとつはターンテイキング（相手がいつ話し終えたかを判定すること）、もうひとつは割り込み処理（こちらが話している途中で相手が話し始めたときの対応）です。会話が自然かどうかは、実はこの外側の2つで決まります。
さらに、この分業そのものを畳んでしまう設計も出ています。OpenAIのRealtime APIは、音声をいったん文字に起こさず直接入出力する「speech-to-speech」の構成を採り、文字起こし処理とそのネットワーク往復を省いています。持続的な接続で音声とテキストをやり取りし、目安500ミリ秒未満という低遅延の対話を狙った設計です。
なぜ「間」が自然になったのか？
人の会話で気持ち悪さが出るのは、たいてい声質ではなく間です。相手の語尾にかぶせれば失礼になり、一拍遅れればぎこちなくなる。音声AIにとって、この「話し終えた」の判定が最大の難所でした。
今の音声AIは、これを複数の手がかりの組み合わせで判定しています。
- 音声区間検出（VAD）── 声が出ている区間と無音の区間を分ける
- 無音の長さの閾値 ── どれだけ黙ったら「終わり」とみなすか
- 発話パターンと抑揚（プロソディ）の分析 ── 語尾が下がったか、まだ続きそうか
- 割り込み処理 ── 遮られたら自分の発話を止める
「えーっと」で一瞬黙っただけなのか、本当に言い終えたのか。無音の長さだけで測ると前者で切ってしまうので、抑揚や発話パターンを合わせて見るわけです。音響情報とLLMを融合させてターンテイキングや相づちを予測する研究も進んでいます。
そして時間の話です。会話全体が人間らしいと感じられるには、パイプライン全体の応答がおおむね700ミリ秒未満で完結する必要があるとされています。興味深いのは、この遅延の大部分が音声認識や音声合成そのものではなく、ターンテイキングの判断と、LLMが最初の1文字を出すまでの時間に起因するとされている点です。つまり「聞き取りが速くなった」から自然になったのではなく、「いつ話し始めるかの判断」と「考え始めの速さ」が詰まったから自然になった、という順番になります。
声そのものはどこまで来ているのか？
合成音声の側も水準が上がっています。2026年時点で、吐息や笑い、微細な感情の揺れまで再現できる水準に達しているとされ、業界最高水準とされるエンジンでは、聞き手が機械音声だと見抜く誤認率が2.83%まで下がったという報告があります。この数値は個別の調査レポートで示されたもので、公的機関が検証した値ではありません。
日本語の聞き取り側も、リアルタイムの文字起こし精度が90%超に達しているとされます。この水準に届いたことで、「ご用件の方は1を、それ以外の方は2を」という番号選択式のIVR（自動音声応答）から、自然な文章で話しかけられるボイスボットへの移行が進みました。読者が電話をかける側で感じている変化の正体は、ここです。
怒っているかどうかをAIは判別できるのか？
できる部分があります。音声AIには音声感情認識（Speech Emotion Recognition）という技術が載るようになり、声のトーン・話す速さ・音響的な特徴から、いらだちや不満といった状態を推定します。
コールセンターの運用では、この感情スコアが一定の閾値を超えたときにエスカレーション通知を出す、という使い方が行われています。AI側がトーンや話速を落として応答を変える、あるいは人間のオペレーターへ転送する、といった分岐です。
ただし、ここが大事なところです。推定しているのは音響的な特徴から見た感情の兆候であって、相手が何に傷つき何を求めているかの理解ではありません。感情的なニュアンスを読み取り、本当の意味での共感をもって応答する点では人間のオペレーターが優れているとされており、この差は検出精度を上げれば埋まるという性質のものではないのです。
日本の現場ではどこまで任されているのか？
国内でも実証と導入が進んでいます。ENEOSホールディングスとENEOSは、2026年2月16日から、音声対話AIスタートアップのVerbexが開発した音声AIエージェントを使い、EV充電サービス「ENEOS Charge Plus」のコールセンター業務で実証実験を始めました。対象は充電器の利用や故障に関する問い合わせで、目的は応対内容の標準化と顧客の待ち時間短縮です。Verbexの音声AIエージェントは、他業界の導入事例で問い合わせの80%をオペレーターなしで完結、顧客の待ち時間を90%削減という成果を挙げているとされています。
投資も動いています。音声AIコンタクトセンター事業を手がけるRecho（東京）は2026年にシリーズAで約7億円を調達し、KDDI・アルティウスリンクとの協業、KDDI Open Innovation Fund Vからの出資を受けています。
背景にあるのはコスト構造です。日本のコンタクトセンター市場は2024年度で約9,314億円規模、1席あたりの月間コストは20〜50万円（金融業界では40〜60万円）とされ、人件費の高騰と採用難がAI導入を押しています。
一方で、大手企業で人員50%削減・コスト数十億円規模の削減という事例の報告もありますが、これは個別記事での言及で、企業名や算定根拠まで確認できる形では公表されていません。逆に、大手コールセンター企業の一部は、AI普及による大幅な人員削減よりも生産年齢人口の減少によるアウトソーシング需要の増加を見込み、大規模な削減計画は持たないとしています。業界全体としてどちらに振れるかを示す数字は、まだ出そろっていません。
人に残るのはどの場面か？
技術のしくみから逆算すると、残る領域ははっきりします。AIが強いのは「想定された範囲を、速く、均質に、大量に」です。裏を返せば、想定の外側に出た瞬間に人が必要になるということです。
| 対応の性質 | AIが担える | 人が必要 |
|---|---|---|
| 問い合わせの型 | FAQ的な質問、手続きの案内、在庫確認などの定型 | 前例のない質問、条件が入り組んだ個別事情 |
| 感情への対応 | 声のトーンからいらだちを検出し、転送の判断をする | 相手が何に困っているかを汲み、真の共感をもって応える |
| 判断の種類 | 決められたルールに沿った案内 | 例外の承認、交渉、その場で責任を伴う判断 |
| 聞き取り | 標準的な話し方の日本語 | 方言・早口・業界固有の専門用語が混ざる通話 |
上の表のうち、現場で最初につまずくのは一番下の行です。方言・早口・専門用語の聞き取り精度は実運用の課題になりやすく、想定外の質問が出たときに有人オペレーターへスムーズに転送できる設計があるかどうかが、現場での成否を分けるとされています。AIの性能そのものより、AIが「無理です」と言えたあとの導線が勝負になるということです。
業界が有望視しているのも、全面置き換えではなくハイブリッドの方向です。定型的なクレームはAIが受けられても、真の感情理解や交渉、例外対応が必要なケースは人が担う。この分担が現実解として置かれています。
どの操作までAIが自分で決めるのか？
自分の仕事との距離を測るうえで、分けて考えておきたい点があります。音声AIエージェントは「話す」だけでなく、システムを操作する機能を持つ場合があります。このとき、人の承認を経る操作と、経ずに実行される操作がどう分かれているかは、製品ごとの仕様であって一律ではありません。
照会（残高や在庫を読むだけ）は人の承認なしで実行される設計が一般的ですが、変更を伴う操作（契約内容の変更、返金処理、解約の受付）を承認なしで実行させるかどうかは設定で変わります。既定値がどちらになっているかは製品によって異なるため、公表されている仕様で確認するしかありません。読み取りだけなら誤作動の影響は小さく、書き込みが伴うと影響が残ります。この線引きは、AIの会話精度とは別の軸の話です。
自分の仕事がどちら側かを確かめるには？
抽象論で不安を抱えるより、自分の通話を数本振り返るほうが早いです。
- 直近の通話を10本思い出す内容を一行で書き出します。記録が残っているならそれを見ます。
- 台本どおりに終わったものに印を付ける案内・確認・受付だけで完結したものがこれにあたります。ここが音声AIの射程です。
- 印が付かなかったものの理由を書く「例外を通した」「相手が怒っていて事情を聞き直した」「前例がなく上に確認した」など、台本から外れた理由を具体的に書きます。
- 理由を分類する例外判断・交渉・感情の受け止め・前例のない事態。これらが、今のしくみでは人に残る領域です。
3と4に書くことが多いほど、置き換わりにくい仕事をしているということになります。逆に2ばかりなら、そこは早晩AIが受ける前提で、自分の時間をどこへ移すかを考える材料になります。
公的な数字はどこまで出ているのか？
最後に、判断の前提として知っておきたいことがあります。AIがコールセンター職をどれだけ代替したかを定量化した公的統計は、まだ確立していません。厚生労働省はIoT・ビッグデータ・AIが雇用や労働に与える影響について2016年に調査研究を実施していますが、それ以降の専門調査は公表されていません。
人材紹介会社のコンサルタントを対象にした調査で、コールセンターが会計・事務職などと並んでAI代替の可能性が高い職種として挙げられている、といった業界側の見方はあります。ただし調査の実施年や母集団の規模は公表されていません。
つまり今あるのは、技術の到達点と個別企業の事例と業界の見立てであって、職全体がどうなるかの確定した数字ではありません。急いで結論を出す材料は、まだ揃っていないというのが正確なところです。しくみと境目を把握したうえで、自分の仕事のどこに例外判断と交渉が含まれているかを確かめる。今できるのはそこまでで、それで十分だと思います。
よくある質問
音声AIはなぜ自然な間で返事ができるようになったのですか？
音声区間検出（VAD）、無音が続いた長さの閾値判定、発話パターンと抑揚の分析、割り込み処理を組み合わせて「相手が話し終えたか」を判定しているためです。会話が人間らしいと感じられるには応答全体がおおむね700ミリ秒未満で完結する必要があるとされ、その遅延の大部分は音声認識や音声合成ではなく、この判定とLLMが最初のトークンを出すまでの時間に起因するとされています。
音声AIは相手が怒っていることを判別できますか？
声のトーン・話す速さ・音響的特徴から感情状態を推定する音声感情認識という技術で、いらだちや不満の兆候は検出できます。コールセンターでは感情スコアが閾値を超えたときにエスカレーション通知を出す運用が行われています。ただし推定しているのは音響的な兆候であり、相手が何に困っているかを汲んで真の共感をもって応答する点では人間のオペレーターが優れているとされています。
コールセンターで人にしか対応できないのはどんな場面ですか？
前例のない質問、条件が入り組んだ個別事情、例外の承認や交渉、責任を伴うその場の判断、そして相手の感情を受け止める対応です。方言・早口・業界固有の専門用語が混ざる通話も実運用上AIの課題になりやすく、想定外の質問が出たときに有人オペレーターへスムーズに転送できる設計があるかどうかが現場での成否を分けるとされています。
AIがコールセンターの仕事をどれだけ代替したかの公的な統計はありますか？
代替率を直接定量化した公的統計は確立していません。厚生労働省はIoT・ビッグデータ・AIが雇用・労働に与える影響について2016年に調査研究を実施していますが、それ以降の専門調査は公表されていません。現在あるのは個別企業の導入事例と業界側の見立てであり、職全体の帰結を示す確定した数字ではありません。
※記事で使用した内容・数値は変更される場合があります。最新情報は公式サイトをご確認ください。