AIチャットボットは大きくシナリオ型とAI型（生成AI）に分かれ、AI型はさらにFAQ検索、文書RAG、GraphRAGと方式が枝分かれします。方式が変われば答えられる質問の幅と精度が変わり、コストも変わります。定型の一問一答ならシナリオ型やFAQ検索で足ります。型番の照合や複数資料をまたいだ根拠のある回答が要るなら、文書RAG以上を選ぶ必要があります。まず自社の問い合わせがどのタイプかを見極めてから方式を決めてください。
シナリオ型とAI型（生成AI）の違い
シナリオ型は、あらかじめ用意した分岐（ボタンや選択肢）に沿って会話を進める方式です。「配送状況を知りたい」「返品したい」のように、ゴールが決まった手続きを案内するのは得意です。反面、想定しなかった聞き方をされると詰まります。分岐を人手で保守し続ける前提なので、質問の種類が増えるほどメンテナンスが重くなります。
AI型は、利用者の自然な文章を解釈し、社内の資料やFAQをもとに文章で回答します。言い回しの揺れに強く、1つの質問に複数の情報源を突き合わせて答えられます。ただしAI型と一口に言っても、参照する仕組みが違えば精度も守備範囲も別物になります。ここを分けて考えないと、導入後に「思っていたほど賢くない」となりがちです。
帝国データバンクの2026年3月調査では、生成AI活用の課題として情報の正確性を挙げた企業が50.4%と最多でした（帝国データバンク「生成AIに関する企業の動向調査」2026年3月）。チャットボット選びでも、正確さをどう担保するかが方式選択の分かれ目になります。
方式別の比較
AI型の内訳まで含めて4方式を並べます。上から下へ、扱える質問の複雑さと構築コストが上がっていきます。
方式 | 仕組み | 得意な質問 | 限界 | 向く用途 |
|---|---|---|---|---|
シナリオ型 | 事前に作った分岐フローに沿って選択肢で誘導 | 手続き案内、定型の一問一答 | 想定外の聞き方に弱い、分岐保守が重い | 問い合わせの種類が少なく手順が決まった窓口 |
FAQ検索型 | 質問文とFAQを意味の近さで照合し該当回答を返す | 言い回しの揺れがある単発の質問 | FAQに無い内容は答えられない、複数条件の組み合わせが苦手 | よくある質問が整備済みのサポート窓口 |
文書RAG型（生成AI） | マニュアルや規程を検索し、該当箇所を根拠に生成AIが回答を作る | 手順・条件が絡む説明、資料に書かれた内容の要約 | 複数文書をまたぐ関係の推論が弱い、検索の精度に品質が左右される | マニュアルや社内規程が多く、根拠提示が要る問い合わせ |
GraphRAG型 | 資料を関係のネットワーク（ナレッジグラフ）にしてから検索・回答 | 型番と部品の対応、原因と対処、条件が連鎖する質問 | 構築の手間が大きい、データ整備の設計が必要 | 製品や契約が複雑で、関係をたどる回答が必要な現場 |
自社の質問タイプで選ぶ
方式は流行りではなく、寄せられる質問の性質で決めます。目安はこうです。
- 定型の手続き案内が中心：シナリオ型かFAQ検索型で十分です。まず整備済みのFAQを活かせるFAQ検索型を試すのが現実的です。
- マニュアルの内容を根拠つきで答えたい：文書RAG型。回答に出典を添えられるので、担当者の一次対応を肩代わりできます。
- 型番や部品、条件が連鎖する質問が多い：GraphRAG型。文書RAGでは拾いきれない関係を、ナレッジグラフでたどって答えます。
迷ったら、直近1か月の問い合わせを20件ほど書き出し、シナリオで捌けるもの、FAQで足りるもの、資料を横断しないと答えられないものに仕分けしてみてください。3つ目が多いほど、文書RAG以上の投資が効きます。方式の違いをもう少し掘るならGraphRAGとは？ベクトルRAGとの違いとナレッジグラフは発注者に何の得があるかが参考になります。
方式が絞れたら、製品・ベンダーを比較する7つの基準
方式が決まっても、同じ方式の中で候補は複数残る。ここから先の差は、デモの賢さではなく導入後の運用で効いてくる設計に出る。比較の場で確認すべき基準を7つに分け、それぞれ確認の質問まで落としておく。
1. 回答精度（自社の質問でどこまで答えられるか）
精度はカタログ値ではなく、自社の質問で測る。実際の問い合わせから20〜30問を抜き出して各候補に投げ、答えられた数と、間違えたときの間違え方を見る。堂々と誤答するのか、「分かりません」と言えるのかの差は、導入後の信頼に直結する。
確認する質問：「自社の実際の問い合わせデータを使った精度検証は、契約前にできますか」
2. 根拠表示（回答の出どころを示せるか）
根拠があれば、利用者は答えをそのまま使ってよいか自分で判断できる。根拠がなければ結局担当者に確認することになり、問い合わせは減らない。規程やカタログのように正確さが求められる領域では、事実上の必須条件になる。
確認する質問：「回答に引用元の文書名と該当箇所は表示されますか」
3. 人への引き継ぎ（答えられないときの設計）
回答精度が100%になることはないので、答えられない質問こそ設計の見せどころになる。確信度が低い回答を検知して有人対応へ引き継げるか。引き継ぐとき会話履歴は担当者に渡るか。利用者が同じ説明を二度させられる構成は、不満として真っ先に現れる。
確認する質問：「有人へ引き継ぐ条件は何で、そのとき会話履歴はどう渡りますか」
4. CRM・業務システム連携（回答の先の業務につながるか）
「配送状況を教えて」に答えるには、FAQではなく受注システムの照会が要る。既存システムとつながらないチャットボットは、答えられる範囲が一般論に限られ、担当者の仕事はあまり減らない。
確認する質問：「自社で使っているCRM・基幹システムとの連携実績、またはAPI連携の手段はありますか」
5. 権限（誰に何を答えてよいか）
社内向けでは、部門や役職によって見せてよい情報が違う。権限設計のないチャットボットに社内文書を投入すると、検索性が上がった分だけ、見せてはいけない情報への到達も速くなる。情シスの審査で止まるのは、たいていこの点だ。
確認する質問：「利用者の所属・役職に応じて、参照できる知識源を分けられますか」
6. 運用更新（ナレッジを誰がどう直すか）
導入した瞬間がいちばん賢く、その後劣化していくチャットボットは多い。答えられなかった質問のログは残り、そこからFAQを追加する導線はあるか。更新が専門業者への依頼になっている製品は、依頼の手間の分だけ更新されなくなる。
確認する質問：「答えられなかった質問の一覧を見て、自社の担当者がナレッジを追加・修正できますか」
7. KPI・分析（効果を何の数字で確認するか）
自動回答率、有人引き継ぎ件数、回答後の解決率といった数字が取れるかを確認する。数字が取れれば、どの質問領域を強化すべきかが分かる。取れなければ、更新の投資判断がずっと感覚頼みになる。
確認する質問：「自動回答率と有人引き継ぎ件数は、ダッシュボードや帳票でいつでも確認できますか」
導入時に確認したい3点
方式が決まっても、作り方を誤ると精度が出ません。発注前に次を確認してください。
- 根拠を提示できるか：回答の出典（どの資料のどこか）を返せる構成か。根拠がないと、もっともらしい誤答を見抜けません。
- データを外に出さない構成か：社内資料を学習用に外部へ渡さず、自社が管理する環境内で処理できるか。VPS上に閉じた構成でも実用的な精度と速度は出せます。
- 答えられなかった質問を改善に回せるか：未回答やあいまいな回答を記録し、資料やグラフを継続的に足していく運用があるか。ここが精度を伸ばす分岐点です。
精度を上げる具体的な作り方は社内ナレッジAIの精度を上げる作り方、答えられない場面の潰し方はチャットボットが答えられない5つの原因と対策にまとめています。
よくある質問（FAQ）
Q. AIチャットボットとシナリオ型チャットボットはどちらが良いですか？
A. 優劣ではなく用途で分かれます。手続き案内など答えが決まった問い合わせはシナリオ型で確実に捌けます。聞き方が多様で資料を根拠に答えたいならAI型が向きます。質問の8割が定型ならシナリオ型、資料を横断する質問が多いなら文書RAG以上を選んでください。判断のヒントはチャットボットが答えられない5つの原因と対策にあります。
Q. FAQ検索型と文書RAG型はどう違いますか？
A. FAQ検索型は用意したFAQの中から近い回答を返す方式で、FAQに無い内容は答えられません。文書RAG型はマニュアルや規程そのものを検索し、生成AIが該当箇所を根拠に文章を組み立てます。手順や条件が絡む説明まで踏み込みたいなら文書RAG型が適します。詳しくは社内ナレッジAIの精度を上げる作り方をご覧ください。
Q. GraphRAGはどんなときに必要ですか？
A. 型番と部品、原因と対処のように、情報どうしの関係をたどらないと答えられない質問が多い場合です。文書RAGは1つの資料の該当箇所を返すのが得意ですが、複数の資料や項目にまたがる関係の推論は弱くなります。関係を検索できるGraphRAGが効きます。仕組みはGraphRAGとは？ベクトルRAGとの違いで解説しています。
Q. 社内資料を使うと情報漏洩が心配です。安全に作れますか？
A. 資料を外部の学習に渡さず、自社が管理する環境の中だけで検索・回答する構成にすれば、データを外に出さずに運用できます。VPS上に閉じた構成でも実用的な精度は出せます。回答に出典を添える設計にすれば、誤答も見抜きやすくなります。問い合わせ自動化の進め方は問い合わせ対応を生成AIで自動化する進め方を参照してください。
目標水準の置き方の例として、Beekleが構築した社内ヘルプデスクのチャットボット（従業員100名のSaaS企業）では、月200件以上のIT問い合わせに対しFAQ150件を整備し、定型質問の75%をAIが自動回答、情シスへの引き継ぎは月50件まで減った。建材メーカー（従業員400名）の顧客サポートでは、200種類以上のカタログを知識源に、月300件以上の問い合わせの60%をAIが自動対応している。どちらも最初から高精度だったわけではなく、答えられなかった質問のログからナレッジを直す運用で到達した水準だ。設計目標としては、定型質問の7〜8割を目安に置くことが多い。
BeekleのAIチャットボット開発 問い合わせ対応をAIで自動化します。社内資料に基づく根拠付き回答、答えられない質問を人につなぐ設計、導入後の精度改善まで伴走します。Q. AIチャットボットの比較は、まず何から始めればよいですか？
A. 製品の資料集めより先に、「誰の、どの質問への対応を減らすか」を決めることをおすすめします。対象が決まれば、方式の選択も7つの比較基準も、自社の質問群に対する具体的な確認に変わります。実際の問い合わせログを1週間分眺めるのが早道です。
Q. 導入済みのチャットボットが使われていません。乗り換えるべきですか？
A. 乗り換えの前に、使われない原因の切り分けをおすすめします。答えられる範囲が狭い（ナレッジ不足）、聞き方が違うと答えられない（シナリオ型の限界）、答えの根拠が見えず結局人に聞く（根拠表示の欠如）では、打ち手が違います。ログが残っていれば、答えられなかった質問の一覧から原因は特定できます。
Beekleにご相談ください Beekleでは、AI活用や業務システム開発について、作るものの整理、費用感、進め方まで一緒に確認します。まだ曖昧な段階でも、最初に何を決めればよいかから相談できます。