顧客との通話を担う AI 電話エージェント：コンタクトセンターのプラットフォームに加えるか、音声 AI プラットフォームを使うか、自社で作るか

AI 電話エージェントは、自社に代わって電話を受けたりかけたりし、コンピューターが生成した音声で顧客と話す。よくある質問に答えたり、予約を受け付けたりでき、自分では対応できないときは通話を人に引き継ぐ。Amazon Connect、Genesys Cloud、Twilio のようなコンタクトセンターやテレフォニーのプラットフォームは、いまでは独自の AI エージェント機能を提供している。専用の音声 AI プラットフォームを既存の電話番号やシステムに接続することもできるし、開発会社に別々の部品からパイプラインを作ってもらうこともできる。どれを選ぶかは、主に、エージェントが自社のシステムで何をしなければならないのか、そして通話の録音をどこに保管してよいのかで決まる。

AI 電話エージェントはどう動くのか

通話相手が話すたびに、電話エージェントは四つの仕事をする。テレフォニー、つまり通話を自社の電話番号につなぐサービスが、通話相手の声を運んでくる。音声認識（speech-to-text）モデルが、それをテキストに変える。言語モデル、つまり ChatGPT の裏にあるのと同じ種類の AI が、何を言うか、あるいは自社のシステムにどの操作を求めるかを決める。音声合成（text-to-speech）モデルが、その答えを声にする。

OpenAI の音声エージェントに関するガイドは、これを連鎖型パイプライン（chained pipeline）と呼び、「中間のテキストを確認・変換し、各コンポーネントを個別に置き換え」たい場合に役立つとしている。もう一つの設計では、音声を受け取って音声で答える（speech-to-speech）単一のモデルを使う。同じガイドは、OpenAI の Realtime API について、「一つのモデルで音声を解釈し、何をすべきかを決め、音声で応答する」ものだと説明している。そうしたモデルを使うなら、保管する文字起こしをどうやって得るのかを尋ねる。この記事の出典はすべて2026年11月6日に閲覧した。

通話では、なぜ遅延と割り込みが重要なのか

通話相手には、何かが進んでいることが見えない。そのため、長い間は通話が切れたように聞こえかねない。通話相手が話すのをやめると、エージェントはまず、相手が話し終えたと判断しなければならない。そのあと、返答が始まるまでに、四つの仕事がそれぞれ時間を加える。判断が早すぎても代償がある：口座番号を読み上げようと通話相手が間を置いたところで、エージェントが割り込んでしまう。

OpenAI の Realtime API のドキュメントは、判断の仕方を二つ示している。一つは、あらかじめ決めた「発話の終了を検出するための無音の長さ（ミリ秒）」だけ待つ方法だ。もう一つは、「意味分類器を使い、ユーザーが発した言葉に基づいて、ユーザーが話し終えたときを検出する」方法である。

通話相手は、エージェントの話にかぶせて話すこともある。これはバージインと呼ばれる。エージェントは話すのをやめ、自分の答えのどこまでを通話相手が聞いたのかを把握しておかなければならない。Twilio の通話を自社の AI アプリケーションにつなぐ Twilio の ConversationRelay は、「通話相手が話すことで TTS の再生を遮ったとき」にそのアプリケーションに知らせる。TTS とは text-to-speech、つまり音声合成のことだ。背景の雑音や、短い「うんうん」でエージェントが止まってはならない。音声エージェントを作るためのオープンソースのソフトウェアである LiveKit は、「本当の割り込みと、会話上の相づちを区別できる」割り込み処理について説明している。相づちとは、こうした同意を示す短い声のことだ。LiveKit のドキュメントによれば、その裏にあるモデルは、同社のホスティングサービスである LiveKit Cloud で動く。

エージェントは通話をどう人に引き継ぐのか

Amazon Connect では、AI エージェントに Escalate というデフォルトのツールがあり、これは「人間の担当者に転送する」ためのものだ。Amazon Connect を販売する AWS の例では、これを、理由と要約を引き渡すカスタムの Escalate ツールに置き換えている。音声 AI エージェントのプラットフォームである Vapi は、ブラインド転送とウォーム転送のモードをいくつか用意している。ブラインド転送は「転送先と話さずに通話相手をつなぐ」。ウォーム転送は「つなぐ前に、生成した会話の要約を転送先に読み上げる」。Vapi は、この要約付きの転送を Twilio についてだけ挙げている。

苦情のように、常に人に回すケースを書き出しておく。そのうえで、そうした電話が入ったときにチームに何が見えるのかを、営業時間外も含めてテストする。

コンタクトセンターのプラットフォームに備わった AI エージェントで、何が得られるのか

この選択肢では、AI エージェントは、すでに自社のキューと録音を抱えているシステムの中で動く。AWS によれば、同社が Amazon Connect のエージェント型セルフサービスと呼ぶものは、「AI エージェントが、音声とチャットのチャネルにまたがって、顧客の問題を自律的に解決できるようにする」。エージェントは MCP ツールを通じて自社のほかのシステムにアクセスし、「注文状況の照会、返金の処理、レコードの更新など」の操作を行う。MCP は Model Context Protocol の略で、AI をソフトウェアにつなぐための標準的な方法である。Genesys は、同社の Virtual Agent が「新規と既存の両方の音声ボットフローとデジタルボットフローの中で」動くとしている。これは、同社の自動化された通話とチャットのフローを指す。

Twilio の ConversationRelay は、より多くを自社に任せる。ConversationRelay は「音声をテキストに変換し、それをアプリケーションに送る」。返答を決めるのは、自社か開発会社が作るそのアプリケーションのほうだ。Twilio の利用者にとって、この選択肢は自社で作る道に近い。

その代わり、モデルと音声はプラットフォームが選んだものを受け入れることになる。Twilio は、音声認識に Google と Deepgram を用意している。音声を受け取って音声で答える（speech-to-speech）モデルである Amazon Nova Sonic についての AWS のページは、提供開始時の音声として四つを挙げている。三つは英語、一つは米国スペイン語だ。この選択肢が向いているのは、通話の大半がそのプラットフォームを通り、そのプラットフォームが通話相手の言語に対応している場合だ。

専用の音声 AI プラットフォームが理にかなうのはどんなときか

音声 AI エージェントのプラットフォームは、電話エージェントそのものを販売している。エージェントへの指示を書き、モデルを選ぶのは自社で、プラットフォームがそれを自社の電話番号とシステムにつなぐ。Vapi の料金ページは、音声認識、言語モデル、音声を、それぞれ別のプロバイダーによる別々の項目として挙げている。同種のプラットフォームである Retell は、同社のガイドが、SIP トランキングを使って「Retell のエージェントを自社のテレフォニープロバイダーと統合し、自社の番号を使う方法を示している」と述べている。SIP トランクとは、自社の電話サービスの提供者とほかのシステムとのあいだで、インターネット経由で通話を運ぶ接続のことだ。

プラットフォームが向いているのは、コンタクトセンターに備わった AI が自社のテストに通らない場合や、複数の電話システムにまたがって一つのエージェントを使いたい場合だ。その代償として、ベンダーがもう一社増え、そのベンダー独自の条件のもとで通話相手の音声を処理する。チームへの転送も、二つのシステムをまたぐことになる。Vapi は、「デフォルトでは、Vapi はアーティファクトをクラウドに安全に保存する」と述べている。アーティファクトとは、録音、文字起こし、ログのことだ。保存先を自社のストレージに変えることもできる。

自社で電話エージェントを作る価値があるのはどんなときか

自社のパイプラインは、別々の部品をつなぎ合わせたものだ：通信事業者や Twilio のようなプラットフォームから得るテレフォニーに、音声認識、言語モデル、音声合成を加える。自社のために書かれたコードが、誰がいつ話すかを決め、割り込みに対処し、自社のシステムを呼び出し、ログを残す。LiveKit のようなオープンソースのソフトウェアが、その仕事の一部をカバーする。どの部品も、借りることも、自社のサーバーで動かすこともできる。次のうち少なくとも一つが当てはまるなら、作る価値がある：

• 音声、文字起こし、モデルのいずれかを、自社が管理するサーバーにとどめなければならない
• エージェントが、どのベンダーも接続していないシステムで操作を行わなければならない
• 通話相手の言語をよりうまく扱える音声モデルのように、部品を一つずつ選んで置き換える必要がある
• 自社の通話量では、分単位の料金が、自社のシステムを運用する費用を上回る

自社で作るには時間がかかり、ローンチ後は誰かがシステムを運用しなければならない。機械学習のチームがなくてもそれを誰が担えるのか、そして実際の通話で音声認識がどれほど正確なのかは、下の記事が扱っている。

録音と文字起こしはどこに保管され、エクスポートできるのか

録音と文字起こしは、あとから移すのが最も難しい部分なので、どこに置くかはローンチの前に決める：

• Amazon Connect：利用者が「音声会話の録音用のバケットと KMS キーを指定する」。つまり、Amazon のクラウドストレージである Amazon S3 の保存場所と、自社が選ぶ暗号鍵である
• Twilio：録音は、デフォルトでは Twilio の「暗号化されたクラウドストレージ」に置かれる。外部ストレージを有効にすると、「Twilio は新しい音声録音を、Twilio のクラウドに保存する代わりに、利用者が所有する AWS S3 バケットにアップロードする」。
• Vapi：デフォルトでは Vapi のクラウド、または自社の Amazon S3 や Google Cloud Storage
• 自社のパイプライン：自社が置いた場所

どの選択肢でも、録音、文字起こし、ログを、定期的に自社が管理するストレージにエクスポートする。文字起こしには、録音と同じアクセス権限と保存期間を設定する。

エージェントが自社のシステムで何をしてよいかは、誰が管理するのか

エージェントへの指示、つまりプロンプトは、たいていベンダーのツールの中に置かれるので、持ち出せるコピーを手元に残しておく。返金や口座の変更は自社の記録を書き換えるので、操作には答えよりも厳しいルールが必要だ。Amazon Connect は、「AI エージェントは人間の担当者と同じセキュリティプロファイルの枠組みを使い、AI エージェントがアクセスできるツールを制御する」としている。エージェントには、一覧にある操作の権限だけを与え、それ以外は与えない。そして、通話相手が誰なのかをエージェントがどう確認するのかを決めておく。

リスクのある操作を承認すべき人が、通話に出ていることはまずない。エージェントは依頼を受け付け、いつ回答があるかを通話相手に伝えることができ、自社のチームが確認したうえでそれを完了させる。どの操作に人の承認が必要かは、上でリンクした、AI エージェントと人による承認についての記事が説明している。

通話相手がカードで支払うなら、カード番号がモデルにも録音にも入らないようにする方法を尋ねる。Twilio は、AI とのセッションのあとで通話データを返すフィールドについて、「このフィールドに PCI データを含めないこと」と警告している。PCI データとは、カード業界のセキュリティ基準の対象となるカード情報のことだ。

電話番号は誰のもので、乗り換えはどれほど難しいのか

顧客は自社の電話番号を知っているので、番号の管理は手放さない。プラットフォームから購入した番号は、そこを離れるときにポーティング、つまり別の事業者への移転をしなければならない。たとえば Twilio は、番号を Twilio に移すには「5〜15日かかるが、現在のプロバイダーに拒否された場合は最長4週間かかることがある」としている。番号を自社が選んだ通信事業者のもとに置き、そこに AI をつなげば、その手間の大半は避けられる。Retell は SIP トランク経由でこれを行い、Vapi は「新規または既存の Twilio の番号」をインポートできる。そうしておけば、あとで乗り換えるときは、通話の振り分け先を変えるだけで済む。

AI が電話で話すとき、どんなルールが適用されるのか

米国では、電話消費者保護法（TCPA）が、人工音声または事前録音された音声を使った電話を制限している。連邦通信委員会（FCC）は、2024年2月2日に宣言的裁定（FCC 24-17）を採択した。その中で FCC はこう書いている：「TCPA における『人工音声または事前録音された音声』の使用に対する制限は、人間の声を生成する現在の AI 技術にも及ぶことを確認する。」したがって、そうした電話は、「緊急の目的または適用除外がない限り、電話をかけるには、電話を受ける側の事前の明示的な同意を必要とする」。そうした電話が広告を紹介したり、テレマーケティング、つまり商品やサービスの購入、レンタル、またはそれへの投資を勧める内容を含んだりする場合、FCC の規則は「事前の明示的な書面による同意」を求めている。

この裁定によれば、TCPA には「生身の担当者に相当するものを提供するとうたう技術の除外」の余地はない。人のように話す AI エージェントにも例外はない。裁定が引用する規則は、通話の冒頭で「事業者の身元を明確に述べる」ことを求めており、テレマーケティングの電話にはオプトアウトの方法を用意しなければならない。これらの要件は、「人工音声または事前録音された音声を使って消費者への発信通話を開始するあらゆる AI 技術」に適用される。顧客から自社にかかってくる電話にどのルールが適用されるかは、弁護士に尋ねる。

EU では、人工知能に関する EU の法律である AI Act の第50条(1) が、人と直接やり取りする AI システムを対象にしている。こうしたシステムは、状況から見て、合理的に十分な知識を持つ人にとってそれが明らかな場合を除き、人々が「AI システムとやり取りしていることを知らされる」ように設計されなければならない。第50条(5) は、これが「遅くとも最初のやり取りまたは接触の時点で」行われなければならないとしており、通話でいえば、それは最初の挨拶にあたる。この義務を負うのは、AI システムの提供者である。それが自社なのかベンダーなのかは、弁護士に判断してもらう問題だ。

AI Act の第113条は、2026年8月2日を一般的な適用開始日と定めている。OJ L 2026/1744 として公布された改正規則である Digital Omnibus on AI は、ほかのいくつかの日付を動かした。2026年11月6日時点で、欧州委員会の AI Act Service Desk が第50条のうち改正済みとしているのは、第7項だけである。そのタイムラインには、2026年8月2日に「透明性に関するルール（第50条）の適用が始まる」とある。

通話の録音に関するルールは、国によって、また米国では州によって異なる。米国の連邦法は、「通信の当事者の一方が事前に同意している」場合に録音を認めている（18 U.S.C. § 2511(2)(d)）。州法は、それ以上を求めることがある。ワシントン州は、「通信のすべての参加者の同意」を求めている。同州は、その通話が「これから録音される」というアナウンスを、そのアナウンス自体も録音されていれば、同意とみなしている。

EU のデータ保護法である GDPR のもとでは、個人データとは、「識別された、または識別可能な自然人に」関する情報である。EU 各国のデータ保護当局で構成される EU の機関である欧州データ保護会議（European Data Protection Board）は、仮想音声アシスタントに関する2021年のガイドラインで、音声の録音をそうしたデータに数えている。ガイドラインはさらに、「音声データは本質的に生体個人データである」と付け加えている。声を使って通話相手を識別するなら、ガイドラインによれば、その処理には GDPR 第6条に基づく法的根拠と、第9条に基づく例外が必要になる。このガイドラインはスマートスピーカーのような機器上の音声アシスタントについて書かれたものなので、通話にどう当てはまるのかは、自社のデータ保護責任者に尋ねる。

エージェントが実際の電話を受ける前に、何をテストすべきか

AI アシスタントのテストについての記事が説明しているとおり、自社の通話からテストセットを作り、合格ラインを事前に合意しておく。そのうえで、電話エージェントだけが出会うケースを加える：

• 実際の通話相手のアクセントと言語。自社の方針が許す範囲で、過去の録音から取る
• 騒がしい場所からの携帯電話やスピーカーフォンでの通話
• エージェントの話を遮ったり、話の途中で言い直したりする通話相手
• 通話相手が書類を探しているあいだの長い沈黙
• 確認のための口座番号と金額の復唱
• チームが対応中または営業時間外のときの転送
• すべての通話の冒頭での、AI であることの開示と録音の告知

通話相手が話し終えてからエージェントが最初の一言を発するまでの遅延を、最も混み合う時間帯に、実際の電話回線で測る。ベンダーがモデルや音声を変えるたびに、テストをやり直す。

ベンダーは電話エージェントにどう課金するのか

費用は五つの部分からなり、その組み合わせは選択肢ごとに異なる。価格は米ドル建てで、2026年11月6日時点の公開料金ページによる：

• プラットフォームの分単位の料金：Amazon Connect は「$0.038 per voice min (standard telephony rates apply)」（音声1分あたり0.038ドル。通常の通話料金が別途かかる）と掲載している。Twilio は Conversation Relay を1分あたり0.07ドルとしている。Vapi はプリペイドのプランで「$0.05/min Vapi hosting」（Vapi のホスティングとして1分あたり0.05ドル）を課金し、Retell は AI 音声エージェントを1分あたり0.07ドルから0.31ドルとしている
• モデルと音声処理の料金：Vapi では「Models pass-through at cost」、つまりモデルの料金は原価のまま転嫁され、上乗せで請求される。Genesys Cloud は AI の利用を独自のトークンで課金しており、その課金に関する記事には「音声ボットは17分 = 1トークンで換算される」とある
• テレフォニー：Twilio は、米国のローカル番号での着信に1分あたり0.0085ドル、さらに番号1つにつき月1.15ドルを課金する
• 録音と保存：Twilio は、通話の録音に1分あたり0.0025ドル、その保存に1分あたり月0.0005ドルを課金する
• エンジニアと保守：構築、自社のシステムとの接続、そしてモデルが変わったときのテストの再実行。自社で作る部分が多いほど、この部分は大きくなる

上の分単位の価格は、同じ部分を対象にしているわけではない。すべてのベンダーに、テレフォニー、モデル、録音、最低利用量を含めて、自社の実際の通話量1か月分の価格を出してもらう。

構築や連携を任せる会社に何を聞くべきか

• どの部品がどこで動き、どの会社が通話相手の音声を処理するのか
• エージェントが答えるまでの遅延を、自社の電話回線でどう測るのか
• エージェントは割り込みや長い沈黙にどう対処するのか。転送はどう機能するのか
• エージェントが単独で行える操作はどれで、人の承認を待つ操作はどれか
• 録音、文字起こし、ログはどこに保存され、どうエクスポートするのか
• 自社の電話番号を保有するのは誰で、それを移すには何が必要か
• 電話をかける国ごとの、AI であることの開示と録音の告知は、誰が書き、誰がテストするのか
• 最後に、コード、プロンプト、テスト通話、ログは自社のものになるのか

amBrain はどこに位置づけられるか

このブログを発行しているのは amBrain である。自社のプロダクトについて、amBrain はこう述べている：「自社プロダクトのshyash.aiは、会社の事実を集めた一つの共有メモリをもとに、調査、執筆、確認、計測を行うAIエージェントで動きます。配信されるものはすべて担当者が承認します。」

この記事は事例紹介ではなく、顧客のための仕事についても述べていない。amBrain が電話エージェントやコンタクトセンター向けの製品を構築したとは主張しておらず、上の一文も電話については何も述べていない。ここで名前を挙げた企業と公的機関は、それぞれが公開しているページから引用したものである。この記事は、amBrain とそれらのいずれかとのあいだに何らかの関係があるとは主張せず、いずれの製品も推奨しない。amBrain の価格や期間も示さない。

amBrain は2019年からソフトウェアを作っている。顧客との仕事の進め方については、こう述べている:「三つの形態:フルデリバリー、専任チーム、あるいはあなたのチームに入るエンジニア。」所有権についての一文はこうだ:「顧客は、プロダクトとコードの完全な所有権を保持する。ただし、私たちの再利用可能なコンポーネントは除く。」署名の前に、そのコンポーネントを名前で列挙した一覧を求めること。

この記事は法的助言でもない。扱っているのは、上で挙げた米国と EU のルールだけである。電話を受ける、またはかける場所ごとに、録音の同意と AI であることの開示についてどのルールが適用されるかを弁護士に確認する。amBrain が候補リストに入っているなら、ほかのどの会社とも同じ質問をすること。