結論: 中小企業のAIカスタマーサポート（CS）は、Decagonのような月数十万円級SaaSに頼らずとも、Claude API + 既存サイトのフォームで月1〜5万円から自前構築できます。鍵は「7手順」（FAQ収集→構造化→RAG構築→Voice連携→KPI設計→運用ルール→継続改善）を順番通りに踏むこと。問い合わせ件数を実測で40〜60%自動化できます。
この記事の要点:
- FAQ収集から運用までの7手順 × 各5プロンプト＝合計15個のコピペ可能プロンプトを全公開
- Claude Haiku 4.5 + 簡易RAG構成で月1〜5万円から自前構築できるコスト試算（実数値）
- Voice AI連携で電話応対も自動化（既存記事のAI Voice 7強比較と組み合わせる構成）
対象読者: 従業員10〜200名規模、月間問い合わせ500〜10,000件のSaaS・EC・サービス業の経営者、カスタマーサクセス責任者、IT責任者
読了後にできること: 今日から1つだけ、自社のFAQをAIに学習させる「FAQ収集プロンプト」を試せる
はじめに：「Decagonが月50万円。うちには高すぎる」
「AIカスタマーサポートツールを試したいけど、月50万〜100万円って中小企業にはキツい」
顧問先のSaaS会社（年商5億円規模、従業員30名）の代表から、半年前に直接聞いた言葉です。Decagon、Sierra、Ada といった大手のAI CSプラットフォームは性能は良いものの、契約単価が中小企業の予算では成立しないケースが多いんです。
でも、いま研修先で実際に動いているのは、「Claude API + 既存Webフォーム + ベクトルDB」を組み合わせた自前構築型。月1〜5万円で、問い合わせの40〜60%を自動化できる構成が現実的に組めます。問い合わせ件数が多い企業ほど採算が合いやすく、月10,000問い合わせクラスでもAPI料金は月5万円程度に収まります。
この記事では、FAQ収集から継続改善までの7手順 × 各5個＝合計15個のコピペ可能プロンプトを全公開します。Decagon等の高額SaaSと自前構築の使い分け、Voice AI連携、KPI設計までを通しで解説します。
SaaS型ツール比較を先に検討したい場合は、AIカスタマーサポート7強比較を読んでから本記事に戻ってきてください。社内向けチャットボットを作りたい場合は、社内AIチャットボット完全ガイドのほうが該当します。本記事は顧客向けCS構築に絞ったガイドです。
まず試したい「5分即効」3つのプロンプト
長い記事を読む前に、まずこの3つを試してください。Claude/ChatGPTにコピペするだけで、明日のCS業務が変わります。
即効1: 過去30日のCS問い合わせから「FAQ候補」を抽出する
研修先のSaaS会社で実際に試したら、120件の問い合わせから23個のFAQ候補が抽出され、そのまま社内Wikiに転記して即運用に乗りました。
あなたはCS運用の責任者です。以下の問い合わせ履歴から、FAQ化すべき質問パターンを抽出してください。
【問い合わせデータ】
[CSV: 日時、顧客ID、質問内容、回答内容、解決時間]
【出力】
1. 頻出パターン Top20:
- 質問の本質（要約）
- 件数（30日内の発生回数）
- 平均解決時間
- 既存マニュアルでの掲載有無
2. FAQ化すべき優先順位:
- 高(週5件以上 & 既存マニュアル未掲載)
- 中(週1-4件 or 既存マニュアル要更新)
- 低(月1-3件)
3. 各FAQの「想定される派生質問3つ」
4. 解決に複数部門連携が必要な質問の抽出（CS単独で回答不可なもの）
【ルール】
- 個人情報は伏字に置換
- 「同じ質問の言い回し違い」を統合してカウント
- 顧客を非難するトーンを排除し、回答可能性の観点で書く効果（測定根拠）: 研修先のSaaS会社1社で2026年1〜3月に検証。3ヶ月のCS問い合わせ約1,800件から、上位23パターンが全体の62%を占めることが判明。これらをFAQ自動応答化することで、CS担当の手作業対応を約60%削減できる試算となりました。
即効2: 顧客の問い合わせメールに「3案」で下書き返信
「これ、一次返信を3パターン下書きしてくれる」プロンプト。研修先のCS担当が「確認して送るだけ」になり、1通あたりの対応時間が15分→3分になった事例があります。
あなたはサポート担当者です。以下の顧客の問い合わせに、返信案を3パターン作成してください。
【顧客の問い合わせ】
[本文を貼り付け]
【関連するFAQ・社内ナレッジ】
[既存FAQから関連する3-5項目を貼る]
【顧客プロフィール】
- プラン: [Free/Standard/Enterprise]
- 利用期間: [年]
- 過去の問い合わせ履歴: [件数、トーン]
【出力】
- 案A(短文・即解決型、200字以内)
- 案B(標準・関連情報も提示、500字以内)
- 案C(詳細・チュートリアル付き、800字以内)
各案の最後に「想定される追加質問3つ」「次のアクション」を箇条書き。
【ルール】
- 顧客を待たせている場合は冒頭でお詫び
- FAQに記載のない情報は推測せず、「確認します」とエスカレ前提で書く
- リンクの遷移先は実在のものだけ（架空URLは禁止）即効3: チャット応対の「トーン整え」を自動化
新人CS担当の文面を、ベテランのトーンに自動で整えるプロンプト。語尾の硬さ・敬語の重複・無駄な前置きを削るのに使います。
あなたはCS文面の編集者です。以下のドラフトを、3パターンのトーンで整えてください。
【ドラフト】
[新人が書いた返信文を貼り付け]
【顧客のプロフィール】
- プラン: [Free/Standard/Enterprise]
- 関係性: [初回/継続/トラブル中]
- 過去のやりとりトーン: [フランク/標準/敬語多め]
【出力】
- 案A(プラン無料・新規ユーザー向け): フレンドリーで丁寧、絵文字1個まで
- 案B(標準プラン顧客向け): プロフェッショナルで簡潔、敬語標準
- 案C(エンタープライズ向け): 重厚な敬語、根拠を明示
各案で:
- 修正後の文面
- 修正のポイント（なぜそう変えたか）
- 文字数の変化
【ルール】
- 顧客の質問に対する答えそのものは変えない
- 過剰謝罪・冗長な前置きは削除
- 自社サービスの宣伝（追加プラン勧誘等）は混ぜない中小企業のAI CS構築は「7つの手順」で考える
| 手順 | 内容 | 所要期間 | 難易度 |
|---|---|---|---|
| ① FAQ収集 | 過去問い合わせから頻出パターン抽出 | 1週間 | 低 |
| ② FAQ構造化 | カテゴリ分類・派生質問を含めた整理 | 1-2週間 | 低 |
| ③ RAG構築 | ベクトルDB（Pinecone/Supabase等）に投入 | 1-2週間 | 中 |
| ④ Webフォーム連携 | 既存サイトの問い合わせフォームと接続 | 2週間 | 中 |
| ⑤ Voice AI連携 | 電話応対も自動化（任意） | 2-4週間 | 中〜高 |
| ⑥ KPI設計 | CSAT・解決率・エスカレ率を計測 | 1週間 | 低 |
| ⑦ 運用・継続改善 | 月次でFAQ更新・問い合わせ傾向分析 | 継続 | 中 |
順序のおすすめは ① → ② → ③ → ④ → ⑥ → ⑦ → ⑤。Voice AIはハードル高めなので最後。⑥のKPI設計を④のWebフォーム連携の後にしておくと、リリース直後から計測できます。
手順①〜⑦：構築フローの各プロンプト集
#1 FAQ候補の抽出（即効1の発展版）
即効1のプロンプトに、自社固有の運用基準（プラン別、業界別）を組み込んだ発展版。社内ナレッジマスター（製品マニュアル・利用規約・過去FAQ）を最初に渡します。
# 自社マスター（最初に渡す）
当社のサービス: [サービス名・概要]
主要プラン: [Free/Standard/Enterprise]
よくある誤解: [顧客が勘違いしやすいポイント]
回答禁止事項: [法務上回答してはいけない項目]
エスカレーション先: [部門・連絡方法]
このマスターを踏まえて、以下の問い合わせデータからFAQ候補を抽出してください。
[即効1と同じ構造]#2 FAQの構造化（カテゴリ分類）
以下のFAQ候補を、顧客が探しやすいカテゴリ構造に整理してください。
【FAQ候補リスト】
[抽出された質問パターン20-50個]
【出力】
1. カテゴリ階層（大分類→小分類）:
- 例: アカウント / 料金・支払い / 機能・操作 / トラブルシューティング / 規約・法務
2. 各FAQに「メインタグ」と「関連タグ」を付与
3. 検索キーワード候補（顧客が打ちそうな表現の揺れ含む）
4. カテゴリ別の問い合わせ件数バランス（偏りがあれば指摘）
5. 重複・統合候補の検出
【出力フォーマット】
JSON形式で、後でRAG（ベクトルDB）に投入できる構造にしてください。
{
"id": "faq_001",
"category": "アカウント/ログイン",
"question": "...",
"answer": "...",
"tags": ["...", "..."],
"related_faqs": ["faq_002", "faq_005"]
}#3 RAG用の「問い合わせ→FAQマッチング」プロンプト
以下の顧客問い合わせに対して、関連性の高いFAQを上位5つランキングし、最終回答を生成してください。
【顧客の問い合わせ】
[本文]
【検索候補FAQ（ベクトルDBから取得した上位5件）】
[FAQ JSON配列]
【出力】
1. 関連度ランキング:
- FAQ ID, 関連度（0-100）, マッチング根拠
2. 最終回答（候補3案）:
- 案A: 1つのFAQに完全一致 → そのまま返答
- 案B: 2-3のFAQを組み合わせ → 統合回答
- 案C: マッチするFAQなし → エスカレーション or 「もう少し詳しく」依頼
3. 信頼度: [高/中/低]
4. 信頼度が「中・低」の場合は、人間担当者にエスカレーション推奨
【ルール】
- FAQ外の知識は使わない（ハルシネーション防止）
- 関連度が低い場合は無理に答えない
- 顧客プラン別に回答を変える必要があれば明示#4 Webフォーム→AI応答→人間チェックの分岐ロジック
顧客の問い合わせを、AI自動応答 / 人間担当者へのエスカレ / 緊急対応 のどれに振り分けるか判定してください。
【顧客の問い合わせ】
[本文]
【顧客プロフィール】
[プラン、契約金額、利用期間]
【出力】
1. 振り分け判定: [AI自動応答 / 人間エスカレ / 緊急]
2. 判定理由
3. 緊急判定の場合の通知先
4. AI自動応答の場合、信頼度と「人間レビュー要否」フラグ
【判定基準】
- AI自動応答: FAQで完結する質問 + 顧客プランがStandard以下
- 人間エスカレ: 解約・返金・苦情 + Enterprise顧客 + マッチFAQなし
- 緊急: サービス停止系・セキュリティ事故系・法的脅迫系
【ルール】
- エンタープライズ顧客は原則人間が初期対応する
- 顧客の感情的トーン（怒り・不満）は人間エスカレ要検討
- 出力はJSON形式で、システムに渡せる形式にする#5 Voice AI（電話応対）の最初の3秒スクリプト
電話の問い合わせ冒頭3秒で「自然」と感じてもらうVoice AIスクリプトを作成してください。
【自社情報】
- サービス名: [名前]
- 想定される電話の用途: [問合せ/解約/苦情]
- 電話受付時間: [時間帯]
【出力】
1. 受話の最初3秒スクリプト（人間の挨拶+用件確認の感じ）
2. 顧客の発話を待つ「間」のミリ秒設計
3. 用件カテゴリの自動判定→次の発話分岐
4. AIが対応できない場合の「人間担当者へ転送」のスクリプト
5. 顧客がイライラした場合の「鎮静化フレーズ」3案
【ルール】
- 人間との違いは正直に告知（「AIが応対しています」と冒頭で）
- 解約・苦情は3秒以内に人間へ転送
- 業界の自主規制（金融・医療等）に反する応対は避ける#6 CSAT（顧客満足度）の自動測定プロンプト
顧客とのやりとり履歴から、CSATスコアを自動推定してください。
【やりとり履歴】
[初期問い合わせから解決までの全文]
【出力】
1. 推定CSAT（1-5の整数）
2. スコアの根拠（顧客のトーン変化、解決スピード、追加質問の有無）
3. 顧客が満足/不満を感じたポイント
4. 改善のための運用提案
5. CSATアンケート送信の推奨タイミング
【ルール】
- 顧客の発言を歪曲しない
- スコアは保守的に（疑わしきは1段階下げる）
- アンケート送信は問題が解決した直後を推奨#7 月次の問い合わせ傾向分析レポート
月次の問い合わせデータから、運用改善のための分析レポートを作成してください。
【入力】
- 月次の問い合わせ件数（カテゴリ別）
- 平均解決時間
- AI自動解決率 / 人間エスカレ率
- CSAT分布
【出力】
1. エグゼクティブサマリ（3行）
2. 数字で見る今月の動き（前月比・前年同月比）
3. AIが解決できなかった問い合わせの傾向
4. FAQ追加・更新の候補（件数の多い未対応カテゴリ）
5. 来月の運用改善アクション3つ
【ルール】
- 数字は実データのみ
- 推測は「※仮説」マーカー
- 改善アクションは「実装可能な範囲」に絞る領域別 残り8プロンプト（FAQ収集・運用ルール・継続改善）
上記7プロンプトに加えて、運用ルール設計・継続改善・トラブル対応で使える残り8プロンプトを概要のみリストアップします（詳細プロンプトは各リンク先記事で展開予定）。
- #8 顧客対応の社内ガイドライン草案生成 — 業界特性・自社プラン構造を反映
- #9 苦情・クレームの感情分析と対応シナリオ — 怒り・失望・不安を分類して応対指針
- #10 解約理由の集約と引き留め文面 — 解約申し出メールから引き留め可否判定
- #11 顧客のオンボーディング資料生成 — プラン別の初期セットアップガイド
- #12 NPS（推奨度スコア）アンケート設計 — 中小企業向けの簡易版テンプレ
- #13 問い合わせの法務リスク事前検出 — 訴訟・規制違反・個人情報案件の早期分類
- #14 多言語問い合わせの一次対応 — 英中韓語の問い合わせを自動翻訳→FAQマッチング
- #15 既存ナレッジ（社内Wiki/Notion）からのFAQ自動抽出 — 既存ドキュメントを再利用
月1〜5万円の自前構築コスト試算（実数値）
| 規模 | 月間問い合わせ | API料金（Haiku 4.5） | API料金（Sonnet 4.6） | 合計目安 |
|---|---|---|---|---|
| 小規模 | 500〜1,000件 | 約¥500〜¥1,000 | 約¥6,000〜¥12,000 | 月¥5,000〜¥15,000 |
| 中規模 | 3,000〜5,000件 | 約¥3,000〜¥5,000 | 約¥36,000〜¥60,000 | 月¥10,000〜¥70,000 |
| 大規模 | 10,000件超 | 約¥10,000〜 | 約¥120,000〜 | 月¥30,000〜 |
※ 1問い合わせあたり平均4Kトークン（input 2K + output 2K）想定。Anthropic Claude Sonnet 4.6 は input $3/MTok・output $15/MTok（2026年5月時点）。Haiku 4.5は $0.25/$1.25。プロンプトキャッシング（90%割引）とBatch API（50%割引）を併用するとさらに削減可能。
追加で、ホスティング（VPS等 月¥1,500-3,000）とベクトルDB（Pinecone/Supabase 月¥0-3,750）が必要。SaaS型のDecagon等が月¥50万〜と比較すると、自前構築は1/10〜1/30のコストで済むケースが多いです。
AIサポート構築が陥りがちな失敗パターンと回避策
失敗1: FAQ整備せずにAIだけ導入する
❌ 「とりあえずChatGPT APIを繋いで、AI が良い感じに答えてくれる」と期待
⭕ FAQ・社内ナレッジを先に整備してから、AIに学習させる（RAG構成）
なぜ重要か: AIは「学習させた知識」を答えるツール。学習させていない情報はハルシネーション（捏造）します。研修先で「自前FAQ整備せずにAI導入」した企業は、契約条件と異なる回答を顧客に返して苦情に発展した事例がありました。FAQ整備＝AI導入の事前準備、と捉えてください。
失敗2: 全問い合わせをAIに任せる
❌ 解約・苦情・法務関連まで含めて全部AI自動応答
⭕ 振り分けロジック（プロンプト#4）で、AI / 人間 / 緊急 を必ず分岐させる
なぜ重要か: 解約・返金・法務関連はAIが対応するとリスクが大きいです。とくに「契約書の解釈」「個人情報削除依頼」「裁判予告」を含む問い合わせはAIが誤った判断をすると企業の法的リスクに直結します。
失敗3: KPI設計をリリース後に考える
❌ AI CS導入してから「効果どう測ろうか」と考え始める
⭕ リリース前にKPI（CSAT・解決率・エスカレ率）を定義し、計測の仕組みを組み込む
なぜ重要か: 効果が見えないと、社内の継続予算を確保できません。研修先では、「自動解決率40%以上、CSAT 3.5以上、エスカレ率20%以下」を最初に設定して、月次レビュー会議で進捗確認する運用が定着していました。
失敗4: 月次のFAQ更新を怠る
❌ 一度作ったFAQをそのまま運用し続ける
⭕ 月次で「AIが答えられなかった質問」を分析→FAQ追加する継続運用
なぜ重要か: 顧客の質問は時代とともに変わります（新機能リリース・規制変更・季節性）。プロンプト#7の月次レポートを使って、毎月10〜30件のFAQを追加すると、自動解決率が3ヶ月で15-20%向上した事例があります。
SaaS企業4ヶ月のCS自動化結果（事例区分: 実案件 – 匿名加工）
事例区分: 実案件（匿名加工）
以下は弊社が支援したSaaS企業の事例です。守秘義務のため社名・サービス名を一部加工しています。
会社プロフィール: 国内SaaS企業。年商5億円規模、従業員30名、月間アクティブユーザー約3万人
測定期間: 2025年12月〜2026年3月（約4ヶ月）
導入したAI活用: Claude Haiku 4.5 + Supabase Vector + 既存サイトのフォーム連携で自前構築。Decagon検討から自前構築に方針転換
測定方法: 既存のCS管理ツールでKPIを月次集計
結果:
- 月間問い合わせ件数: 約2,500件 → CS担当が対応する件数 約1,000件（約60%自動解決）
- 平均一次解決時間: 平均8時間 → 平均15分（AI自動解決部分）
- CS担当者の工数: 月160時間 → 月70時間（約56%削減）
- API+インフラ料金: 月約¥35,000（Decagon見積¥600,000の約6%）
ポイント: 削減できた工数で、CS担当が「解約防止のための既存顧客フォロー」「ハイタッチオンボーディング」に注力。結果として、解約率が4ヶ月で約12%→約8%に改善し、ARR（年間経常収益）が前年比15%向上。「コスト削減」より「攻めの体制への再配置」が、定着のキーでした。
セキュリティと運用ルールの設計
- 顧客の個人情報をAPIに送る前にマスキング: 氏名・メールアドレス・電話番号は伏字化（[NAME], [EMAIL]等）。実装は OSS のPII検出ライブラリで自動化可能。
- API入力データの学習除外設定: Anthropic Claude API は標準で入力が学習に使われない設定だが、契約条件を必ず確認。
- FAQに記載のない情報は推測しない: プロンプト#3のルールで「FAQ外の知識は使わない」を必ず明記。ハルシネーション事故防止の最重要ルール。
- 緊急エスカレーション窓口: 法務・苦情・サービス停止系の問い合わせは即座に人間担当者へ通知（Slack Webhook等）。
- 月次の運用レビュー会議: KPI推移・苦情事例・FAQ更新を毎月レビュー。AI出力の品質低下を早期検知。
関連して、ChatGPT/Claude業務活用の全体像は ChatGPT ビジネス活用 完全ガイド にまとめています。
中小企業AIサポート構築の3つのアクション
- 今日: 即効1（FAQ候補の抽出プロンプト）を、自社の過去30日のCS問い合わせデータに対して試す。FAQ化候補トップ10を出してみる。
- 今週中: 抽出されたFAQを社内Wiki（Notion/Confluence等）に整理。プロンプト#2（カテゴリ分類）を使って構造化。
- 今月中: 開発者または外部パートナーと、Claude API + ベクトルDBの最小構成（PoC）を組む。1ヶ月後にKPI測定を開始し、Decagon等のSaaSと比較して投資判断。
あわせて読みたい:
- AIカスタマーサポート7強比較 — Decagon・Sierra・Ada等のSaaS比較
- AI Voice エージェント7強比較 — 電話応対自動化（手順⑤の補完）
- AI導入戦略 完全ガイド — 業務領域別の導入順序フレームワーク
次回予告: 次の記事では「中小企業のAIマーケティング自動化」を予定。リード獲得・育成・受注後フォローの3領域で、本記事と同じ構造のプロンプト集を準備中です。
参考・出典
- Claude API 料金 — Anthropic 公式（参照日: 2026-05-09）
- Claude API Docs 料金ページ — Anthropic 公式（参照日: 2026-05-09）
- Claude API Pricing: Haiku 4.5, Sonnet 4.6, Opus 4.7 — BenchLM.ai（参照日: 2026-05-09）
- Anthropic API Pricing in 2026: Complete Guide — Finout（参照日: 2026-05-09）
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。
ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。
