チャットボットとは｜種類・仕組み・費用と2026年の選び方

社内から同じ質問が毎日届く、タイ人スタッフからの申請手続きの問い合わせで総務の午前中が消える、顧客からの一次問い合わせに営業が張りつく。こうした負荷の受け皿としてチャットボットとは何かをあらためて整理したい、という相談が増えています。ただし2026年のチャットボットは、数年前のシナリオ型とは別物といえるほど選択肢が広がり、同じ言葉で全く違うものを指す状態になりました。本稿では定義と仕組みから始めて、ルールベース型・生成AI型・RAG型の違い、市場の動き、タイの日系工場での活用シーン、そして自社に何が向くかの見極め方までを順に整理します。

チャットボットとは何か｜定義と基本的な仕組み

言葉の定義から始めます。ここを曖昧にしたまま社内で議論すると、参加者それぞれが違うものを想像したまま話が進み、要件定義の段階で必ず巻き戻ります。

定義は「対話の形式で自動応答するソフトウェア」

チャットボットとは、テキストや音声による問いかけを受け取り、あらかじめ用意された論理または学習済みのモデルに基づいて応答を返すソフトウェアの総称です。「チャット」と「ロボット」を組み合わせた造語で、日本語では自動会話プログラム、対話型エージェントなどと呼ばれることもあります。

ここで押さえておくべきは、この言葉が指しているのは「対話という見た目の形式」であって、中身の技術ではないという点です。決められた選択肢を出し分けるだけの単純なプログラムも、大規模言語モデルが文章を組み立てて回答するものも、利用者から見て「聞いたら返ってくる」形になっていれば、どちらもチャットボットと呼ばれます。この定義の広さが、社内の議論を噛み合わなくさせる最大の原因です。

経営層が「チャットボットを入れたい」と言ったとき、思い浮かべているのは生成AIとの自由な対話かもしれません。一方で情シス担当者は、既存FAQの選択肢を並べたシナリオ型を想定しているかもしれません。両者の想定は費用も工期もリスクも二桁違うことがあります。最初の会議で「どの型を指しているのか」を確認するだけで、後の手戻りはかなり減ります。

仕組みは三つの層に分けて考えると整理しやすい

技術的な詳細に踏み込まなくても、チャットボットの中身は次の三つの層に分けて理解できます。この分け方は、どの型を選んでも共通して当てはまります。

入力を解釈する層。利用者が打ち込んだ文章や選んだ選択肢を受け取り、それが何についての質問なのかを判定する部分です。ルールベース型ではキーワード一致や選択肢の分岐で処理し、AIチャットボットでは言語モデルが意味を捉えます。
回答を決める層。判定した意図に対して、どの答えを返すかを決める部分です。あらかじめ書いておいた定型文を出すのか、社内文書を検索して要約するのか、モデルに文章を生成させるのかがここで分かれます。
引き継ぎと記録の層。答えられなかったとき、あるいは答えるべきでないときに、人の担当者へつなぐ部分です。加えて、やり取りの内容を記録して後から改善に使えるようにします。

導入検討の場で見落とされやすいのは三つ目です。デモで見せられるのは一つ目と二つ目の層ばかりですが、実運用で効果が出るかどうかは、答えられなかった質問をどう拾い、誰に渡し、どう蓄積するかで決まります。ここが設計されていないチャットボットは、導入から数か月で「結局使われていない」状態になります。

「一次対応の受け皿」と考えると導入判断がぶれない

チャットボットの役割を一言で言えば、人が対応していた問い合わせのうち、繰り返し発生して答えが決まっているものを機械側に引き受けさせる仕組みです。全ての質問に答えさせる装置ではありません。

この前提に立つと、導入の成否を測る指標も自然に決まります。問い合わせの総件数のうち何割を人に回さずに完結できたか、人に引き継いだ場合にどれだけ情報が引き継げていたか、という二点です。逆に、回答の自然さや会話の流暢さは、それ自体では業務効果につながりません。

チャットボットの種類｜ルールベース型・生成AI型・RAG型の違い

2026年時点で企業が現実的に選べる型は、大きく三つに整理できます。この三つは優劣の関係ではなく、得意な問い合わせの性質が違うと考えるのが正確です。

ルールベース型（シナリオ型）は境界が明確で予測しやすい

あらかじめ用意した質問と回答の対応表や、選択肢の分岐を辿らせるシナリオで動く型です。想定した経路の外に出ることがないため、返す内容を完全に管理できます。

運用面の数字も分かりやすい水準にあります。チャットボットの型を比較したResumly.aiの記事によれば、ルールベース型は小規模な仮想マシン上で運用する前提で月額50〜150米ドル程度とされています。同記事が2023年のGartner調査として引用しているところでは、ルールベース型を使う組織の71%が「人への引き継ぎ率5%以下」に収まっており、予測可能性が高いと整理されています。決められた範囲の質問しか受け付けない代わりに、その範囲内では安定して完結するということです。

この性質から、金融や医療のように誤った回答が直接リスクにつながる規制業界では、ルールベース型が引き続き選ばれています。製造業でも、就業規則や申請手続きのように「答えが一意に決まっており、勝手に言い換えられては困る」領域はこの型が向きます。

弱点は、想定外の聞き方に弱いことと、シナリオの保守が人手作業として残り続けることです。質問の言い回しが増えるたびにパターンを追加する必要があり、運用担当者が異動すると急速に陳腐化します。

LLM型（生成AIチャットボット）は柔軟だが引き継ぎが増える

大規模言語モデルに直接問い合わせを渡し、文章として回答を生成させる型です。想定外の聞き方にも応答でき、シナリオを書く手間がほとんど要りません。導入初期の体験は圧倒的に良く、社内デモでの受けも良い型です。

一方で、運用コストと安定性の面では別の数字が出ています。同じResumly.aiの比較では、LLM型は1日あたり1万トークンの利用を想定した場合にAPI利用料込みで月額300〜600米ドル程度とされ、ルールベース型のおよそ数倍の水準です。さらに、同じ2023年のGartner調査の引用では、LLM型のボットの58%が「引き継ぎ率20%以上」となっており、その主因はハルシネーション、つまりもっともらしい誤答が生じることだと整理されています。

引き継ぎ率20%以上という数字の意味は、実務の視点で読むと重いものです。10件のうち2件以上が結局人に回ってくるということであり、しかも回ってくるときには「誤った回答を一度提示された後」の状態になっていることがあります。ゼロから聞かれるより、間違いを訂正するほうが手間がかかる場面は少なくありません。

チャットボットとは｜種類・仕組み・費用と2026年の選び方 - figure 1

RAG型は自社の文書に基づいて答えさせる

RAG（検索拡張生成）は、回答を生成する前に自社の文書やデータベースを検索し、その検索結果を根拠として言語モデルに文章を組み立てさせる方式です。モデルが記憶している一般知識ではなく、社内に実在する文書を材料にするため、LLM型のハルシネーションを抑えつつ、自社固有の内容に答えられるようになります。

製造業の現場に当てはめると、この違いは決定的です。「当社のライン停止時の一次連絡先」「この設備の点検周期」といった質問は、一般的な言語モデルがどれだけ賢くても正しく答えられません。答えは社内文書の中にしか存在しないからです。RAGを組み合わせて初めて、これらの質問がチャットボットの守備範囲に入ります。

ただしRAGは万能ではありません。検索対象になる文書が整理されていなければ、古い版の手順書を根拠に自信を持って誤答します。導入前に「どの文書を正とするか」を決める作業が必ず発生し、実際にはこの文書整理のほうが構築作業より重いことも珍しくありません。

三つの型の性格を並べると次のようになります。

型	月額の運用コスト目安	引き継ぎ率の傾向	向いている問い合わせ
ルールベース型（シナリオ型）	50〜150米ドル程度（小規模な仮想マシン運用の前提）	使う組織の71%が引き継ぎ率5%以下	手続き案内、規則の確認など答えが一意のもの
LLM型（生成AI型）	300〜600米ドル程度（1日1万トークンのAPI利用料込み）	ボットの58%が引き継ぎ率20%以上	聞き方が定まらない相談、文章の下書き
RAG型（LLM＋自社文書検索）	LLM型に文書基盤の構築・保守が加わる	根拠文書の整備度に依存	社内文書に答えがある固有の質問

費用と引き継ぎ率はいずれもResumly.aiの比較記事に基づく目安で、引き継ぎ率の二つは同記事が2023年のGartner調査として引用している数字です。利用者数や連携先の数、実際のトークン消費量によって費用は大きく動くため、表の値は型ごとの相対的な差を掴むためのものと考えてください。実際の見積で費目がどう積み上がるかはチャットボットの費用構造で分解しています。

2026年の主流はハイブリッド構成になりつつある

ここまでの整理から自然に導かれるのが、型を一つに決めない構成です。2026年時点の企業導入では、ルールベースの型で応答の境界を決めつつ、その内側をLLMやRAGが担うハイブリッド構成が主流になりつつあります。

具体的には、就業規則や申請手続きのように誤答が許されない領域はルールベースの分岐で固定し、そこから外れた自由な質問だけをRAGに渡し、それでも答えが見つからなければ人に引き継ぐ、という三段構えです。ルールベース型の予測可能性とLLM型の柔軟性を、領域ごとに使い分ける発想と言い換えてもかまいません。

チャットボットとは｜種類・仕組み・費用と2026年の選び方 - figure 2

この構成の利点は、リスクの高い質問がそもそも生成AIに届かないことです。「この設備を止めてよいか」「この化学品を廃棄してよいか」といった質問に対して、モデルが推論で答えてしまう経路を最初から塞げます。逆に、雑談に近い相談や言い回しの揺れは内側で吸収されるため、利用者からは自然な対話に見えます。

型ごとの向き不向きと、自社の問い合わせをどう振り分けるかについてはチャットボットの型の比較と選び方で個別に扱っています。

2026年のチャットボット市場動向とタイの状況

市場の数字は、社内稟議で「なぜ今なのか」を説明する材料になります。ただし引用の仕方には注意が必要です。

市場規模の推計は調査会社によって幅がある

チャットボット市場の規模については、複数の調査会社が異なる推計を出しています。どれか一つを唯一の数字として扱うのは避けるべきです。

The Business Research Companyのレポート（Research and Marketsが2026年2月に配信）では、市場は2025年の102.5億米ドルから2026年には132.8億米ドルへ拡大するとされ、年成長率は29.5%と示されています。同レポートは2030年に375.3億米ドルへ達すると予測しています。

一方、Mordor Intelligenceの2026年7月30日時点のレポートでは、2026年の市場規模を114.5億米ドルとし、2031年には324.5億米ドル、年平均成長率23.15%で拡大すると見込んでいます。同レポートはアジア太平洋地域が年平均成長率24.71%で世界平均を上回るペースで成長するとしており、地域別では北米が2025年時点で市場シェア38.72%を占め最大と整理しています。

調査会社	2026年の市場規模	将来予測	成長率
The Business Research Company	132.8億米ドル	2030年に375.3億米ドル	年成長率29.5%
Mordor Intelligence	114.5億米ドル	2031年に324.5億米ドル	年平均成長率23.15%

同じ2026年の市場規模でこれだけの開きが出るのは、調査会社ごとに「チャットボット市場」に含める製品の範囲が違うためです。社内資料に引用する際は、どちらの数字を使うにせよ出典と発行時期を明記し、単一の確定値であるかのように示さないことをおすすめします。伸びている方向性は両者で一致しており、稟議の材料としてはそれで十分機能します。

タイのデジタル産業は景況感が改善している

タイ国内の環境についても、参考になる指標があります。Nation Thailandが2026年8月12日に報じたタイのデジタル産業センチメント指数は、2026年第2四半期に48.4ポイントとなり、前四半期の44.5ポイントから上昇しました。業種別では、ソフトウェアが51.1、デジタルサービスが50.6、通信が50.0となり、いずれも「好況」の目安とされる50ポイント以上に到達しました。調査対象は5業種で、この水準に届いたのは上記の3業種です。AI需要の高まりが牽引役とされています。

ここで明確にしておくべきなのは、この指数はチャットボット単体の統計ではないという点です。タイのデジタル産業全体の景況感を示すものであり、チャットボット固有の需要を直接測った数字ではありません。社内で引用する際にチャットボット市場の指標として扱うと、後から根拠を問われたときに説明できなくなります。

とはいえ、指数の全体値が48.4と50を下回るなかで、5業種のうちソフトウェア・デジタルサービス・通信の3業種だけが50ポイント以上に戻っているという構図は、タイ国内でシステム投資の意欲が特定領域に集中していることを示唆します。日系企業の側から見れば、現地ベンダーの提案が増える時期であり、比較検討の材料が集めやすい局面とも読めます。

タイの日系工場でのチャットボット導入事例と活用シーン

ここからは製造業の現場に引き寄せて考えます。タイの日系工場という条件を置くと、他の業種とは優先順位の付き方が変わります。

社内問い合わせの一次受けが最も効果を出しやすい

最初に検討すべきは、顧客向けではなく社内向けです。総務・人事・情シスに寄せられる問い合わせは、件数が多く、内容が繰り返し、答えが文書に存在するという三条件を満たしており、チャットボットが最も効きます。

タイの日系工場でよく挙がるのは、年次休暇の残日数の確認方法、社会保険の手続き、給与明細の見方、制服やロッカーの申請、IT機器の貸出手順といった質問です。いずれも規程や手順書に答えが書いてあるにもかかわらず、担当者に直接聞くほうが早いために口頭で処理され、結果として担当者の時間が細切れに削られます。

この領域を機械側に寄せる進め方は社内問い合わせの自動化で具体的に整理しています。

顧客・取引先からの一次問い合わせを仕分ける

外向きの用途では、受注状況の確認、納期の問い合わせ、仕様書や図面の再送依頼といった定型的な連絡が対象になります。これらは営業担当が個別に対応していることが多く、担当者不在時に止まる典型的な業務です。

ただし外向きの導入は、社内向けより難易度が上がります。相手の言い回しを制御できないこと、誤答が取引先との関係に直結すること、そして回答内容が基幹システムの実データに依存することの三点が理由です。受注や在庫の情報を返そうとすれば、生産管理システムとの連携が前提になり、チャットボット単体の話では収まりません。顧客対応面の設計は顧客対応チャットボットで詳しく扱っています。

多言語対応はタイ拠点で特に価値が出る

タイの日系工場では、日本人駐在員、タイ人スタッフ、場合によってはミャンマーやカンボジアからの従業員が同じ職場にいます。日本本社への報告は日本語、現場の指示はタイ語、社内システムの画面は英語、という三重構造になっている企業も珍しくありません。

この環境では、同じ内容の案内を複数言語で維持する作業自体が固定的な負荷になっています。生成AIを組み合わせたチャットボットは、一つの原文から複数言語の応答を返せるため、規程改定のたびに翻訳版を作り直す手間を減らせます。

注意点も明確です。就業規則や安全に関わる文言は、機械翻訳の揺れが許容されません。ここでもハイブリッド構成の考え方が効きます。法的・安全上の重み付けが高い文言は言語ごとに人が確定した定型文を持たせ、それ以外の案内文だけを生成に任せる、という切り分けです。

チャットボットとは｜種類・仕組み・費用と2026年の選び方 - figure 3

自社に何が向くかを見極める四つの問い

型の選定は、技術の優劣ではなく、対象業務の性質で決まります。次の四つの問いに答えるだけで、候補はかなり絞れます。

その問い合わせの答えは、文書に書いてあるか。書いてあるならRAG型が候補になり、書いていないなら先に文書を作る作業が必要です。
誤答が起きたときの損害は、訂正で済むか。済まないならルールベース型で境界を固定します。
問い合わせは何言語で来るか。二言語以上なら生成AIの価値が大きく上がります。
回答に基幹システムの実データが要るか。要るなら生産管理システムとの連携設計が主題であり、チャットボット部分は全体の一部にすぎません。

四つ目は特に見落とされます。「納期を教えてくれるチャットボット」を作るとき、難所は対話の部分ではなく、受注データを安全に読み出して権限のある相手にだけ返す仕組みのほうです。ここを見誤ると、チャットボットの選定に時間をかけたのに動かない、という結果になります。

効果を測る指標を先に決めておく

導入の前に、何をもって成功とするかを決めておくことをおすすめします。実務的に使いやすいのは次の三つです。

自己完結率。人に引き継がずに終わった問い合わせの割合です。前述の型ごとの引き継ぎ率の差が、そのままここに現れます。
一次回答までの時間。人が対応していた場合との比較で見ます。
引き継ぎ時の情報量。人に渡ったとき、担当者が最初から聞き直す必要があったかどうかを記録します。

回答の自然さや利用者の満足度は、これら三つの後に見る指標です。最初から満足度を追うと、業務効果につながらない改良に工数が向かいます。

導入の進め方と費用感の概要

進め方の骨子は、対象業務の絞り込み、文書の棚卸し、小さな範囲での試験運用、対象拡大という順序です。この順序を飛ばして全社展開から入ると、答えの根拠になる文書が揃っていないことが後から判明し、構築済みの仕組みごと作り直しになります。

費用については、前述のとおり型によって運用コストの水準が大きく異なります。ルールベース型が月額50〜150米ドル程度、LLM型がAPI利用料込みで月額300〜600米ドル程度という目安は、あくまで運用フェーズの費用であり、初期構築費、既存システムとの連携費、文書整備の工数は別に見る必要があります。実際の稟議では、この「表に出にくい費目」が総額を決めます。

多言語運用を前提にした場合の進め方と費用の考え方はチャットボット導入の費用と進め方で具体的に整理しています。

よくある質問

チャットボットとAIチャットボットの違いは？

チャットボットは対話形式で自動応答するソフトウェア全般を指す広い言葉で、AIチャットボットはそのうち機械学習や大規模言語モデルを使って入力を解釈・応答するものを指します。あらかじめ書いた分岐だけで動くルールベース型もチャットボットに含まれますが、通常はAIチャットボットとは呼びません。運用面では、Resumly.aiの比較記事によればルールベース型が月額50〜150米ドル程度で、使う組織の71%が引き継ぎ率5%以下に収まるのに対し、LLM型は月額300〜600米ドル程度で、ボットの58%が引き継ぎ率20%以上になるという差があり、柔軟性と予測可能性のどちらを取るかという選択になります。

チャットボット導入の費用はどのくらいかかる？

運用フェーズの目安として、ルールベース型は月額50〜150米ドル程度、LLM型はAPI利用料込みで月額300〜600米ドル程度とされています。ただしこれは応答部分の費用であり、実際の総額は初期構築費、既存の生産管理システムや人事システムとの連携費、そして回答の根拠になる文書を整える工数によって決まります。とくに文書整備は見積書に載りにくい一方で工数が読みにくく、社内側の負担として残りやすい費目です。見積を比較する際は、応答部分の月額だけでなく、連携先の数と文書整備の責任分界点を揃えて確認してください。

生成AIチャットボットのハルシネーションはどう防ぐ？

完全に無くす方法は現時点でありません。実務的な対処は二段構えです。第一に、RAGを組み合わせて自社の文書を根拠に回答させ、モデルの記憶だけで答えさせないこと。第二に、誤答が許されない領域はルールベースの分岐で固定し、生成AIに質問が届かないようにすることです。2026年時点の企業導入でハイブリッド構成が主流になりつつあるのは、この二段構えを構造として実装した形だからです。加えて、答えられないときに人へ引き継ぐ経路を必ず用意し、無理に答えさせない設計にしておくことが前提になります。

まとめ

チャットボットとは対話形式で自動応答するソフトウェアの総称であり、言葉が指すのは形式であって中身の技術ではないため、社内議論では最初にどの型を指すのかを揃える必要がある
仕組みは入力の解釈、回答の決定、引き継ぎと記録の三層に分けて考えると整理しやすく、実運用の成否は見落とされがちな三層目で決まる
ルールベース型は月額50〜150米ドル程度で運用でき、使う組織の71%が引き継ぎ率5%以下と予測可能性が高く、金融や医療のような規制業界に向く
LLM型はAPI利用料込みで月額300〜600米ドル程度で、ボットの58%が引き継ぎ率20%以上となり、その主因はハルシネーションである
RAGを組み合わせるとハルシネーションを抑えて自社文書に基づく回答ができるようになり、2026年時点ではルールベースで境界を決めて内側をLLMやRAGが担うハイブリッド構成が主流になりつつある
市場規模の推計は調査会社によって幅があり、The Business Research Companyは2026年を132.8億米ドル、Mordor Intelligenceは114.5億米ドルとしているため、単一の確定値として引用しない
費用と引き継ぎ率の目安はResumly.aiの比較記事、引き継ぎ率の原典は2023年のGartner調査であり、社内資料に転記する際は出典と年次を添える
タイのデジタル産業センチメント指数は2026年第2四半期に48.4ポイントへ改善したが、これはチャットボット固有ではなくデジタル産業全体の景況感である
タイの日系工場では社内問い合わせの一次受けが最も効果を出しやすく、多言語環境という条件が生成AIの価値をさらに押し上げる
型の選定は、答えが文書にあるか、誤答の損害は訂正で済むか、何言語で来るか、基幹システムの実データが要るかの四点で絞り込める

チャットボットは、対象業務を決める前に製品を選ぶと必ず作り直しになる領域です。どの問い合わせを機械に寄せるべきか、既存の生産管理システムや人事システムとどこまでつなぐ必要があるか、といった検討段階のご質問でも構いません。タイ拠点で日本語・タイ語・英語が混在する環境での運用について、実際の業務フローを前提にご相談いただくことも多くあります。まずは現状の問い合わせの中身をお聞かせいただければ、機械に寄せられる範囲と手をつける順序を一緒に整理します。ご連絡はお問い合わせフォームからお願いします。