メール対応の80%を自動分類する：LLMベースのトリアージ実装
問い合わせメールの一次仕分け（カテゴリ・優先度・担当者の判定）は、件数が増えるほど人手では追いつかなくなる領域である。 LLMベースのトリアージシステムを導入すると、定型的な問い合わせの70〜80%程度を自動分類でき、 残りの判断が難しいケースだけを人が確認する運用に切り替えられる。本記事では、実装のステップと、 現場で実際につまずきやすいポイントを具体的に解説する。
背景・現状の課題
問い合わせメールをカテゴリ・優先度・担当者ごとに手動で振り分ける作業は、件数が1日数十件を超えたあたりから ボトルネックになりやすい。担当者の主観による分類基準のばらつきや、繁忙期の対応遅延（一次返信までの時間が 通常時の2〜3倍に伸びるケースもある）が典型的な問題として挙がる。
実装の3ステップ
| ステップ | 内容 | ポイント |
|---|---|---|
| 1. 分類基準の言語化 | カテゴリ・優先度・担当者の判定ルールをプロンプトに落とし込む | 既存の手動振り分け実績（過去メール）から基準を逆算すると精度が上がりやすい |
| 2. トリアージシステムの構築 | 受信メールをLLMに渡し、カテゴリ・優先度・担当者をJSON形式で出力させる | 自由記述ではなく構造化出力（Structured Output）にすることで後続処理が安定する |
| 3. 精度評価とフィードバックループ | 分類結果を人が確認し、誤分類のパターンをプロンプトやFew-shot例に反映する | 継続的に精度を測定しないと、運用中に精度が緩やかに劣化していることに気づきにくい |
実装上の落とし穴と対策
- 初期の学習データ不足：過去の振り分け履歴が少ないと分類基準が安定しない。まずは既存のカテゴリ体系をルールベースで言語化し、LLMにはその基準への当てはめを担わせる方が、ゼロから学習させるより早く安定する。
- 誤分類の見落とし：分類精度を測定せずに本番投入すると、誤分類が積み重なって顧客対応の遅延に直結する。導入初期は全件を人がダブルチェックする期間を設け、誤分類率が一定水準（目安として5%未満）に落ち着いてから自動化率を上げていく。
- 優先度判定の曖昧さ：「緊急」「重要」といった優先度の境界は業務によって解釈が割れやすい。具体的な判定基準（応答SLAの時間軸など）を明文化してプロンプトに含めることで、判定のばらつきを抑えられる。
導入前後の変化
導入前は、担当者が受信箱を上から順に確認し、内容を読んでからカテゴリ・優先度・担当者を判断していた。 1件あたりの判断自体は数十秒でも、件数が積み重なると1日の作業時間の相当部分を占めてしまう。 導入後は、LLMが一次分類を提示し、担当者は分類結果の妥当性を確認するだけで済むため、 1件あたりの確認時間は判断していた頃の3分の1〜4分の1程度に短縮できる。浮いた時間を、 自動分類では対応しきれない複雑な問い合わせの一次対応に充てられる点が、単純な工数削減以上の効果になる。
まとめ
LLMベースのトリアージは、分類基準を明文化し、構造化出力で受け取り、継続的に精度を測定するという3点を押さえれば、 定型的な問い合わせの大半を自動化しつつ誤分類も低く抑えられる。全自動を目指すのではなく、 判断が難しいメールだけを人に回す「一次フィルタ」として設計するのが現実的な着地点である。
