チャットボット導入事例｜タイ日系工場に多い4類型と失敗の分かれ目

「チャットボット 導入事例」で検索すると、削減率や対応件数の派手な数字が並びます。ただ、そこに出てくるのは日本国内のコールセンターか、欧米のBtoC企業の話が大半で、従業員の大多数がタイ語話者という在タイ日系工場の環境に、そのまま当てはめられるものはほとんどありません。この記事では個社名の事例を並べる代わりに、弊社が工場ITの現場で日常的に相談を受ける4つの導入類型を取り上げます。類型ごとに、対象業務、導入前の課題、効果が出る条件、典型的なつまずき、費用感の目安を整理しました。自社がどの類型に当たるかを先に決めてしまえば、製品選びは後からでも間に合います。

他社の導入事例が自社に転用できない理由

チャットボットの事例記事が役に立ちにくいのは、成果の数字だけが切り出されて、その数字が成立した前提が書かれていないからです。「問い合わせが30%減った」という一文には、月に何件の問い合わせがあったのか、誰が何語で聞いていたのか、答えの根拠になる文書が何本あったのかが含まれていません。前提が違えば、同じ製品を同じ設定で入れても結果は再現しません。

弊社の支援先を見ていると、成否を分けているのは製品の性能ではなく、次の3つの軸のどこに問い合わせが位置しているかです。

• 誰が聞くか。全従業員なのか、製造現場のオペレーターに限られるのか、日本人駐在員が混ざるのか。
• 何を根拠に答えるか。1本の規程集で足りるのか、設備マニュアルと過去の是正記録をまたぐのか。
• 答えの寿命はどれだけか。数年変わらないのか、法改正や制度切り替えで年に何度も書き換わるのか。

この3軸で切ると、在タイ日系製造業の導入案件はきれいに4つの類型に分かれます。以下では、その4類型を順に見ていきます。

数字の現在地を先に押さえる

類型の話に入る前に、2026年時点の外部データを確認しておきます。数字は距離を置いて読むべきものですが、社内で予算の話をするときの背景としては有効です。

デロイトが2025年8月から9月にかけて24か国の3,235人のIT・事業リーダーを対象に実施した調査「State of AI in the Enterprise 2026」では、回答者の74%が2027年までに自社でAIエージェントを利用しているだろうと見込んでいます。一方で、エージェント型AIについて成熟したガバナンス体制があると答えたのは21%にとどまりました。導入意欲と管理体制の間に大きな開きがあることを、この調査は示しています。

マッキンゼーが2023年6月に公表した「The economic potential of generative AI」は、16の業務機能にまたがる63のユースケースを分析し、生成AIが年間2.6兆から4.4兆ドルの経済価値を生む可能性があると推計しました。カスタマーオペレーション領域はその中で大きな比重を占めています。ただしこれは2023年時点の推計で、実現ではなく潜在価値である点は押さえておく必要があります。

同社のより新しい「State of AI」調査を紹介した業界メディアの報道によれば、回答企業の88%が日常的にAIを利用し、生成AIの利用は72%に達しています。これは2024年の33%から大きく伸びた数字です。ただし全社規模でAIをスケールさせる段階に入っていない企業が3分の2近くを占め、AIエージェントについては62%が実験段階にとどまり、本格展開に進んでいるのは23%でした。回答者の51%が何らかの負の結果を経験し、30%が回答の不正確さを挙げています。

ガートナーは2025年6月25日付のプレスリリースで、エージェント型AIプロジェクトの40%超が2027年末までに中止されるだろうと予測しました。理由として挙げられているのは、コストの膨張、事業価値の不明確さ、リスク統制の不備です。同社は既存製品にエージェントの名前を付け替えるだけの「エージェント・ウォッシング」にも触れており、数千を数えるベンダーのうち実体を伴うのは130社程度だと見ています。

導入は進むが、統制と回収の設計で止まる。これが2026年の全体像です。以下の4類型では、その回収の設計を類型ごとに具体化していきます。

類型①　社内FAQ・規程検索型｜最初の1本に選ばれやすい

最初の1本としてもっとも選ばれやすいのが、社内規程や様式の在りかを案内するタイプです。

対象業務

有給休暇の残日数の確認方法、経費精算の締め日、出張申請の様式の場所、健康診断の受診手順といった、答えが1本の文書に確定して書いてある問い合わせが対象です。総務と情報システム部門への問い合わせのうち、相当な割合がここに入ります。

質問の型が有限で、答えの根拠が就業規則や社内規程集という1つの文書群に閉じているのが、この類型の特徴です。だからこそ構築が軽く済みます。

導入前の課題

タイ拠点でよく見るのは、規程そのものは整備されているのに、従業員がその所在を知らないという状態です。共有フォルダの階層が深く、改訂履歴が「最新版」「最新版2」「最終版」といったファイル名で並んでいて、どれが有効なのか担当者にしか分からない。結果として、文書を探す代わりに総務に聞くほうが速い、という行動が定着します。

もう1つは、答える側の属人化です。特定の担当者だけが正しい版を把握しているため、その人が休むと問い合わせが滞ります。

効果が出る条件

この類型で効果が出るのは、次の条件がそろったときです。

• 月間の問い合わせ件数が700件を超えている。これを下回ると、後述する損益分岐に届きません。
• 対象範囲の規程が最新版に一本化され、改訂の責任者が決まっている。
• 「答えの版」が動いたときに、誰がチャットボット側を更新するかが決まっている。

3つ目が抜けたまま稼働させると、半年後には古い答えを返す機械が残ります。社内問い合わせを「答えの版」の問題として整理する考え方は、社内問い合わせ自動化の記事で台帳の作り方まで詳しく扱っています。

典型的なつまずき

もっとも多いのは、登録するFAQの本数を最初から増やしすぎるケースです。300問を用意しても、実際に聞かれる質問の上位30問で全体の6割から7割を占めます。残りの270問は保守負担だけを増やし、しかも改訂時に更新漏れの温床になります。

次に多いのが、質問文の表記ゆれを軽視することです。「有給」「年休」「ลาพักร้อน」「annual leave」が同じ制度を指すことを、シナリオ型のボットは自動では理解しません。同義語の登録を運用に組み込んでいないと、稼働初月の自己解決率が想定の半分程度で止まります。

生成AI型を選んだ場合は逆の失敗が起きます。根拠文書の提示を実装しないまま公開すると、もっともらしい誤答が規程の話として流通します。規程領域では、回答に必ず出典の条番号を添える設計が前提になります。

費用感の目安

シナリオ型のFAQボットで組む場合、初期構築は8万から15万バーツ、年間の運用費は22万から30万バーツが目安です。この帯には、プラットフォームの月額、初期構築費の償却分、そして社内で発生するメンテナンス工数が含まれます。

費用を層に分けて積み上げる方法は、チャットボット費用の記事で5層に分解して扱っています。見積を横並びで比較するときは、どの層まで含んだ金額なのかを必ずそろえてください。ベンダーによって、初期構築費に既存システム連携が入っていたり入っていなかったりします。

類型②　多言語ヘルプデスク型｜タイ語チャットボットの本番はここ

在タイ日系製造業でもっとも需要が大きく、同時にもっとも難易度が高いのがこの類型です。

対象業務

タイ語、英語、日本語の3言語で同じ問い合わせを受け、同じ内容の答えを返すヘルプデスクです。タイ人従業員はタイ語で聞き、日本人駐在員は日本語で聞き、他国籍のマネージャーは英語で聞きます。ところが答えの根拠になる規程は、日本語の本社版とタイ語の就業規則が別々に存在し、英語版は要約だけ、という状態が珍しくありません。

質問の言語と、根拠文書の言語が一致していない。これが多言語チャットボットの技術的な本質です。

導入前の課題

タイ拠点で繰り返し起きるのが、言語ごとに答えが食い違う事象です。日本語の本社規程が改訂されたのに、タイ語の就業規則に反映されるまでに数か月かかる。その間、日本語で聞いた人と、タイ語で聞いた人が違う答えを受け取ります。人が答えている限りは担当者の記憶で補正されますが、機械に載せた瞬間、この食い違いがそのまま自動配信されます。

もう1つの課題は、一次対応の言語的な偏りです。総務に日本語のできるタイ人スタッフが1人しかいない拠点では、その1人に問い合わせが集中し、実質的な単一障害点になっています。

効果が出る条件

• 3言語の規程について、どの言語が正本かが文書ごとに決まっている。
• 型番、設備名、社内用語、制度の固有名詞が翻訳除外リストとして管理されている。
• 言語別に自己解決率を計測する仕組みがある。全体平均で見ると、タイ語の低下が日本語の高さに隠れます。

翻訳をどの層で行わせるか、つまりFAQを言語ごとに複製するのか、質問だけ翻訳するのか、多言語の埋め込みで検索するのかという設計の選択肢は、チャットボット導入ガイドの記事で3方式を比較しています。この記事の類型論と合わせて読むと、自社に必要な構成が絞りやすくなります。

典型的なつまずき

最大のつまずきは、タイ語の検索精度を日本語と同じ基準で受け入れ試験にかけてしまうことです。タイ語は単語間にスペースを入れないため、単語分割の精度が検索のヒット率を直接左右します。日本語で90%の正答率が出た設定でも、タイ語では70%台に落ちることがあります。この差を稼働前に測っていないと、公開後にタイ人従業員の利用が急速に離れます。

もう1つは、費用側の誤算です。タイ語のようにラテン文字を使わない言語は、同じ意味の文章でもトークン数が大きく膨らみます。日本語や英語で4語から5語のトークンに収まる表現が、タイ語では15語から20語以上を消費することがあり、従量課金の構成では非ラテン系言語のコストが3倍から8倍に達する場合があります。日本語でのPoCの実績値をそのまま年間予算に掛けると、本番で足が出ます。

多言語対応のチャットボット技術は東南アジア言語への対応を年々広げていますが、対応言語一覧に名前があることと、自社の社内用語を含む文書で実用精度が出ることは別の話です。ベンダーの対応言語表ではなく、自社の文書を使った試験で判断してください。

費用感の目安

3言語で根拠文書の横断検索が必要になるため、この類型は生成AIとRAGを組み合わせた構成になるのが通例です。初期構築は40万から60万バーツ、年間の運用費は70万から80万バーツが目安になります。文書の整備費と、従量課金のタイ語分の上振れが、この帯を押し上げる主因です。

なお、会話ログには従業員の氏名や社員番号が入ります。タイの個人データ保護法の執行は本格段階に入っており、ログの保存期間、学習利用の可否、アクセス権限は設計段階で決めておく必要があります。

類型③　現場問い合わせ・トラブルシューティング型｜文書がないと始まらない

製造現場からの問い合わせを受ける類型です。効果は大きいものの、前提の難易度が突出しています。

対象業務

設備のアラーム表示の意味、停止時の一次切り分け手順、消耗品の交換頻度、過去に同じ症状が出たときの対処といった、製造現場のオペレーターと保全担当からの問い合わせが対象です。夜勤帯に日本人の技術者がいない拠点では、この類型の価値がとくに大きくなります。

導入前の課題

現場からの問い合わせは、件数そのものは多くありません。多くないのに深刻なのは、1件あたりの停止コストが大きいからです。ラインが止まっている間に、誰に聞けばよいか分からない時間が発生し、その時間がそのまま損失になります。

構造的な課題は、答えの根拠が文書化されていないことです。設備マニュアルは英語かドイツ語の原文のまま棚にあり、実際の対処法は特定のベテラン保全担当者の頭の中にあります。過去の是正記録は紙のファイルか、部門ごとのExcelに散らばっています。

効果が出る条件

• 過去1年から2年の是正記録が、症状と原因と対処のセットで電子化されている。
• 設備マニュアルの該当箇所が、機種と型番で引ける状態になっている。
• 現場の端末から入力できる手段が用意されている。手袋をした状態でキーボードは打てないため、音声入力か、選択式の絞り込みが要ります。

1つ目が最大の関門です。是正記録の電子化が終わっていない状態でチャットボットの見積を取ると、答えの入っていない箱を買うことになります。

典型的なつまずき

もっとも多いのが、文書整備の工数を本体費用に含めずに計画してしまうことです。是正記録の電子化と構造化には、対象範囲によっては数か月と相応の人件費がかかります。この前工程の費用が、チャットボット本体の構築費を上回ることは珍しくありません。

もう1つは、効果の測り方を誤ることです。この類型を「問い合わせ件数の削減」で評価すると、ほぼ確実に回収不能という結論が出ます。現場問い合わせは件数が少ないため、1件あたり40バーツ相当の一次対応工数を削っても、年間の運用費に届かないからです。この類型で測るべきは件数ではなく、停止時間の短縮です。一次切り分けに到達するまでの時間が20分から5分になったなら、その15分にラインの時間あたり損失額を掛けたものが効果額になります。

暗黙知の比率が高いため、自己解決率の天井も他の類型より低くなります。3割から4割程度で頭打ちになることを前提に、残りを人が受ける導線を最初から設計しておくべきです。

費用感の目安

チャットボット本体は初期30万から50万バーツ、年間の運用費は45万から60万バーツが目安です。ただし前述のとおり、是正記録と手順書の整備費が別途必要になります。見積を取る前に、自社の是正記録が今どの形式で、どこまでさかのぼって残っているかを確認してください。ここが決まらないと、どのベンダーも正確な見積を出せません。

類型④　人事・総務バックオフィス型｜効果は大きいが審査が要る

4つ目は、人事制度と社会保険まわりの問い合わせを受ける類型です。

対象業務

社会保険の給付申請、退職金の計算根拠、産休や育休の取得条件、住民登録に関わる手続き、各種申請様式の記入方法などが対象です。類型①と一見似ていますが、答えの根拠が社内規程だけでなく、タイの労働法令と社会保障制度に及ぶ点が違います。

導入前の課題

この領域の問い合わせは、答えの寿命が短いのが特徴です。法改正や制度の切り替えが起きるたびに、正しい答えが書き換わります。しかも切り替え日をまたぐ質問、たとえば「来月申請する場合はどちらの制度が適用されるか」といった問いが集中します。

さらに、個別合意の存在が話を複雑にします。就業規則の一般則とは違う条件が個別の雇用契約に書かれている従業員がいる場合、規程だけを根拠にした回答は誤りになります。

効果が出る条件

• 制度の切り替え日が、いつからいつまでどちらが適用されるかという形で明文化されている。
• 個別合意がある従業員を、機械が答えずに人へ回す条件として定義できている。
• 人事領域の回答について、公開前に人がレビューする体制がある。

3つ目は省略されがちですが、この領域では必須です。生成AI型のヘルプデスクでは、事実と異なる回答が生成されるリスクが指摘されており、とくに人事制度のように従業員の金銭的な不利益に直結する領域では、レビュー体制なしでの公開は避けるべきだという指摘があります。給付の対象になるかどうかを機械が誤って断定すると、訂正しても信頼は戻りません。

人事領域に絞った設計の考え方は、人事問い合わせAIの記事で扱っています。

典型的なつまずき

この類型に特有のつまずきは、「回答」で評価してしまうことです。人事や総務の問い合わせの多くは、最終的に申請書の提出につながります。機械が制度を説明できても、申請様式が間違っていれば差戻しが発生し、担当者の工数は減りません。

そのため、この類型は回答の正確さだけでなく、正しい様式へ誘導できたかで測るほうが実態に合います。「回答」で測ると自己解決率は5割から6割ですが、「申請への誘導」で測ると7割を超えることがあります。同じシステムでも、評価指標を変えると回収の見え方が変わります。

もう1つは、繁忙期の偏りです。この類型の問い合わせは年末調整や賞与の時期に集中します。年間の平均件数で損益分岐を計算すると、実際の負荷軽減効果を過小評価します。

費用感の目安

初期構築は15万から25万バーツ、既存の人事システムとの連携が必要な場合は6万から20万バーツが上乗せされます。年間の運用費は30万から45万バーツが目安です。連携の有無で金額が大きく動くため、残日数の照会のような個人別の回答を含めるかどうかを先に決めてください。含めない設計なら、類型①に近い費用帯で収まります。

4類型の比較｜自己解決率の天井と損益分岐

ここまでの4類型を、回収の観点から並べます。自己解決率の天井は、弊社が支援先で見ている設計上の目安であり、調査機関が公表した統計値ではありません。損益分岐の件数は、有人対応1件あたり40バーツ、つまり時間単価300バーツで8分という前提から算出しています。

この表で注目すべきは、類型③の損益分岐が月2,700件前後になる点です。現場からの問い合わせが月2,700件に達する工場はまずありません。つまり類型③は、一次対応の工数削減だけでは構造的に回収できません。にもかかわらず類型③の導入が正当化される場合があるのは、効果の測り方が違うからです。

自社がどの類型に当たるかが決まれば、どの指標で稟議を通すかも同時に決まります。逆に、この対応関係を決めないまま「問い合わせ削減率」を一律の評価軸に据えると、類型③と④の投資は必ず否決されます。

4類型を1本にまとめようとして失敗する

弊社が相談を受ける案件で、もっとも頻度が高い失敗がこれです。

「どうせ入れるなら全部入りで」という判断で、社内FAQも現場のトラブルシュートも人事の問い合わせも、1つのチャットボットに載せようとします。窓口が1つになるのは利用者にとって良いことのように思えますし、ライセンスも1本で済むように見えます。

しかし4類型は、答えの根拠となる文書も、更新の頻度も、求められる精度も、誤答したときの影響の大きさもすべて違います。1本にまとめると、次のことが起きます。

まず、精度の基準が最も厳しい類型に引きずられます。人事の給付判定を誤れないため、全体の回答を保守的にする。すると、規程の在りかを聞いただけの質問にも「担当者にご確認ください」と返すようになり、類型①の利用者が離れます。

次に、更新の責任者が決まらなくなります。総務、人事、生産技術、保全のうち誰が答えの版を保証するのかが曖昧になり、結果として誰も更新しません。半年後、古い答えを返す機械だけが残ります。

さらに、費用の配賦ができなくなります。どの部門の予算で運用費を持つかが決まらず、次年度の予算取りで宙に浮きます。

ガートナーがエージェント型AIプロジェクトの中止理由に挙げた「コストの膨張」と「事業価値の不明確さ」は、まさにこの状態を指しています。避け方は単純で、類型ごとに別の窓口として立ち上げ、後から入口だけを統合することです。裏側の知識ベースと更新責任を分けたまま、利用者から見た入口を1つにするのは技術的に難しくありません。逆の順序、つまり最初に統合してから分けるのは、ほぼやり直しになります。

自社はどの類型から始めるべきか

複数の類型に当てはまる場合、どこから着手するかで成否が変わります。判断の順序を整理します。

段階1　類型の選定

まず、直近3か月の問い合わせを100件でよいので実際に集めて、4類型のどれに入るかを分類します。この作業を飛ばして「うちは現場の問い合わせが多い」と感覚で決めると、実際には総務への定型問い合わせが大半だったというずれが後で判明します。

分類の結果、件数がもっとも多い類型と、1件あたりの損失がもっとも大きい類型が違うことがよくあります。最初の1本は、件数が多い類型を選んでください。回収が見えやすく、社内に成功体験が残るためです。1件あたりの損失が大きい類型③は、2本目以降に回すのが現実的です。

段階2　PoC

選んだ類型について、実際の質問30問から50問で試験します。ここで確認するのは、製品のデモではなく自社の文書での精度です。多言語を含む場合は、必ず言語ごとに測ってください。

PoCの期間は4週間から6週間を目安にします。これより短いと表記ゆれの傾向が見えず、長いと本番の意思決定が遅れて熱量が落ちます。

段階3　本番

本番稼働では、対象範囲を意図的に狭く始めます。上位30問で全体の6割から7割をカバーできるという性質があるため、最初から全問を載せる必要はありません。狭く始めて、答えられなかった質問のログを見て追加していくほうが、保守負担が軽く済みます。

答えられない質問を人へ回す導線は、稼働初日から用意してください。ここが無いと、利用者は1度目の失敗でその機械を使わなくなります。

段階4　定着

稼働後3か月から6か月が、実際にはもっとも重要な期間です。マッキンゼーの調査で全社展開に至っていない企業が3分の2近くを占めるという結果が出ているのも、この定着の段階でつまずくケースが多いことの裏返しだと考えられます。

この段階でやることは3つです。答えられなかった質問のログを月次で棚卸しすること。規程が改訂されたときにチャットボット側を更新する手順を運用に組み込むこと。そして、言語別と部門別の利用率を見て、伸びていない層に何が起きているかを確認することです。

生成AI型のヘルプデスクは、シナリオ型に比べて利用率と満足度が高くなる傾向が報告されています。ただしそれは、根拠文書が整備され、更新が回っている場合の話です。定着の運用が無ければ、方式の違いは効きません。

なお、製品カテゴリそのものの選び方については、チャットボット比較の記事で4つの方式を向き不向きの観点から比較しています。類型が決まった後、段階2に入る前に読むと選定が速くなります。

よくある質問

チャットボット導入は何から始めればよいですか

製品の情報収集ではなく、直近3か月の問い合わせを100件集めて分類することから始めてください。この記事の4類型のどれに当たるかが決まると、必要な機能、想定される費用帯、評価に使う指標が同時に決まります。逆に、分類の前に製品デモを見ると、デモで見えた機能に引きずられて要件が決まってしまいます。

タイ語対応のチャットボットの費用はどれくらいですか

タイ語を含む3言語のヘルプデスクを構築する場合、初期構築で40万から60万バーツ、年間の運用費で70万から80万バーツが目安です。日本語のみの構成に比べて高くなる理由は2つあります。1つは根拠文書を言語ごとに整備する必要があること、もう1つはタイ語がラテン文字を使わないためトークン消費が大きく、従量課金部分が膨らむことです。日本語で行ったPoCの実績値をそのまま年間予算に換算すると、実際の請求額と乖離します。

社内FAQのチャットボットで、どれくらいの問い合わせが減りますか

類型によって天井が違います。規程や様式の所在を案内する社内FAQ型であれば6割から7割程度、多言語を含むと4割半ばから6割、現場のトラブルシュートでは3割から4割半ばというのが、弊社が支援先で見ている目安です。これらは調査機関の統計ではなく設計上の見立てですが、稟議の前提として全類型に一律で7割や8割を置くと、ほぼ確実に未達になります。

生成AI型とシナリオ型のどちらを選ぶべきですか

答えの根拠が1本の文書に閉じていて、質問の型が有限であればシナリオ型で足ります。複数の文書をまたいで探す必要がある場合や、質問の表現が予測できない場合は生成AI型が向きます。ただし生成AI型を人事や規程の領域で使う場合は、回答に根拠の出典を必ず添える設計と、公開前の人によるレビュー体制を前提にしてください。事実と異なる回答が生成されるリスクは、この領域では実害に直結します。

まとめ

チャットボットの導入事例を読むときに見るべきなのは、削減率の数字ではなく、その数字が成立した前提です。誰が何語で聞いていて、答えの根拠がどこにあり、その答えがどれくらいの頻度で書き換わるのか。この3点が自社と違えば、成果は再現しません。

在タイ日系製造業の案件は、社内FAQ・規程検索型、多言語ヘルプデスク型、現場トラブルシューティング型、人事・総務バックオフィス型の4つに整理できます。類型ごとに自己解決率の天井が違い、費用帯が違い、回収を測るべき指標が違います。とくに現場トラブルシューティング型は、問い合わせ件数の削減では構造的に回収できず、設備の停止時間で測る必要があります。

そして、4類型を1本のチャットボットにまとめようとしないことです。答えの版を保証する責任者が類型ごとに違う以上、裏側は分けたまま、入口だけを後から統合するのが現実的な順序になります。最初の1本は、件数がもっとも多い類型を狭い範囲で立ち上げ、答えられなかった質問のログを見ながら広げていく。この進め方が、もっとも失敗の少ない道筋です。

自社の問い合わせがどの類型に当たるのか、その類型で費用が回収できる件数に届いているのか。この2点は、製品を選ぶ前に社内で答えを出しておきたいところです。弊社は工場ITのインテグレーターとして、タイの製造現場で日々こうした問い合わせの整理に関わっています。まだ製品を決める段階になくても、手元の問い合わせデータをどう分類すればよいかといった検討段階のご相談から承っていますので、お問い合わせページからお気軽にお声がけください。

参考情報

• Deloitte「State of AI in the Enterprise 2026」2025年8月から9月に24か国の3,235人のリーダーを対象に実施 — Deloitte US
• McKinsey Global Institute「The economic potential of generative AI: The next productivity frontier」2023年6月 — McKinsey
• McKinsey「State of AI」調査のCX領域における含意を扱った報道 — CX Today
• Gartner「Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027」2025年6月25日 — Gartner Newsroom
• RICOH Chatbot Service 業種別の導入事例まとめ — リコー
• 生成AI型ヘルプデスクの利用率と満足度の傾向に関する解説 — SmartAT
• 生成AIヘルプデスクにおけるハルシネーションのリスクとレビュー体制の必要性 — Helpfeel
• 多言語対応チャットボットの技術動向 — SiteGPT