By 野村 肇 Head of Sales, Ichizoku株式会社
本記事は、「Transforming Uber’s Customer Experience with Generative AI」をもとに、超大規模マーケットプレイスで、CX（カスタマーエクスペリエンス）を変革する生成AIの実装要点を日本企業向けに簡潔に整理します。ビジネスKPI連動・二段構えのAIソリューション・意思決定エージェント化・測定の文化に焦点を当てます。
重要なポイント
- AIは事業の中核
解決時間・CSAT・品質・P&Lに全AIプロジェクトを紐づけ、専用予算と学習サイクルで本番適用を継続。 - Nova × ScoutでCXを高速化
月1,500万会話/約90%精度、70–80%自動解決、人は高付加価値案件へ集中。 - 支援から意思決定へ進化
Lumen（ルール・ポリシーエンジン）とPhoenix（アダプティブ・オートノミー）で自律的判断に段階移行。 - 測定が信頼を生む
人→AI、AI→人、AI→AIの三層評価で4,000万件/月の会話ログを監査し、プライバシー・安全性を担保。
2025年9月にシリコンバレーで開催されたThe AI Conference 2025に参加した際のレポート「Silicon Valley Trip Report #03 The AI Conference 2025 シリコンバレーから学ぶ日本への示唆 – 業界を牽引するリーダーたちが語る、世界の AI潮流と日本企業の次の一手 -」から抜粋しお届けします。フルバージョンはこちらからダウンロード頂けます。
「Transforming Uber’s Customer Experience with Generative AI」 このセッションタイトルを目にした瞬間から、私は惹き込まれました。世界70カ国、15,000都市、月間10億件を超えるトリップ、1億8千万人以上のアクティブユーザー。これがUberのスケールです。その背後では、ライダーとドライバー、注文者と配達員、レストランや店舗といった複雑なマーケットプレイスが絡み合い、毎月200億件のメッセージと4,000万件の会話が発生しています。
この規模で、どのようにして効率性・パーソナライズ・信頼を同時に実現するのか。答えは、生成AIを活用した次世代エージェントでした。
ビジネス成果に直結するAI
Uberのアプローチで最も印象的だったのは、AIを“nice to have（あると良いもの）”ではなく、ビジネスの中核に据えていることです。
すべてのAIプロジェクトは、以下の成果に紐づけられます。
- 解決時間の短縮
- 顧客満足度（CSAT）の向上
- 品質改善
- P&Lへのインパクト
また、95％の生成AIプロジェクトがPoC止まりで終わるとされる中、Uberは専用予算を設け、失敗から素早く学び、成功をスケールさせる体制を持っています。さらに、Michelangelo AIゲートウェイによるプライバシー・安全性ガードレールも徹底されていました。
Nova と Scout UberのAIソリューション
Nova（ニューロ・オムニチャネル・バーチャルアシスタント）
- 月間1,500万件以上の会話を処理、約90％の正確性
- 問い合わせの70〜80％を自動解決
- 料金返金などを自律的に処理
- センシティブな事案は人間にエスカレーション
Scout（AIコパイロット）
- 顧客履歴や意図を瞬時に要約
- ポリシーに基づいた「次の最適アクション」を提案
- 共感的でブランドに沿った応答を自動生成
- 人間の担当者は高付加価値な案件に集中可能
この2つのソリューションによって、顧客体験はスピーディかつパーソナライズされ、社員はより重要な仕事に注力できるようになっています。
アシスタントから意思決定者へ
Uberは次の進化に向かっています。単なるアシスタントから、意思決定を行うエージェントへ。
- Lumen（ルール・ポリシーエンジン）
全マーケットプレイスで一貫性とコンプライアンスを保証 - Phoenix（アダプティブ・オートノミー）
想定外のケースでも、ガードレール内で柔軟に対応
これは従来のルールベース自動化から、AIによるポリシー推論へと移行する大きな一歩です。
信頼を築く「測定の文化」
Uberが他社と一線を画すのは、測定を後付けせず、AIスタックの初期段階から組み込んでいることです。
- 人間がAIを評価 → 正確性・ギャップを確認
- AIが人間を評価 → 感情、努力度、解決度からCSATを推定
- AIがAIを評価 → 大規模な自動テスト
これにより、毎月4,000万件の会話ログを監査可能とし、信頼性と安全性を担保しています。
日本企業への示唆
Uberの事例から、日本企業が学ぶべきことは明確です。
1. 成果に直結するAI導入：P&LやCSATなど、具体的なKPIと紐づける。
2. 実験予算の確保：失敗を前提にした小規模パイロットを繰り返す。
3. AIに最適化された業務設計：ポリシーの簡素化、説明可能性、データ統合。
4. ガードレールによる信頼構築：プライバシー、リスク管理、人間の関与。
支援から意思決定へ。段階的に自律的エージェントへ移行する設計。
最後に
Jai Malkani（ジャイ・マルカニ）氏の言葉を借りると、「AIはnice to haveではない。Uberの事業運営そのものだ。」ということです。
この視点は、日本企業にとっても強いメッセージです。生成AIを単なるチャットボットに留めず、顧客体験を変革し、事業を成長させる中核技術として捉えるべき時が来ています。Ichizokuとしても、日本の企業がAIを「実験」から「本番」へ移行するための支援を続けていきます。
【FAQ】よくある質問
1. UberはAIをどのKPIに紐づけていますか？
解決時間、CSAT、品質、P&Lに紐づけています。
2. Nova と Scout はそれぞれどのような役割を担っていますか？
Novaは月1,500万件超、約90%精度、70〜80%自動解決のバーチャルアシスタント、Scoutは次の最適アクション提案と共感的応答生成を担うAIコパイロットです。
3. 意思決定エージェント化はどのように実現しますか？
Lumenで一貫性とコンプライアンスを保証し、Phoenix で想定外ケースにもガードレール内で柔軟に対応します。
4. 信頼を担保する測定の仕組みについて教えてください。
人→AI、AI→人、AI→AIの三層評価を初期からAIスタックに組込み、毎月4,000万件の会話ログを監査可能にしています。
5. 日本企業への示唆は何ですか？
KPIに直結した導入を「実験予算の常設」で継続し、業務・ポリシーをAI最適化、ガードレールを標準化したうえで、支援型（Nova/Scout）から意思決定型（Lumen/Phoenix）へ段階的に移行することです。