専門家一覧
感情認識AIによる通話中の顧客の不満・クレーム予兆の早期検知

コールセンターの「隠れ不満」を可視化する：LLMプロンプトによる感情予兆検知の実践テンプレート

約14分で読めます
文字サイズ:
コールセンターの「隠れ不満」を可視化する：LLMプロンプトによる感情予兆検知の実践テンプレート
目次

この記事の要点

  • 顧客の「隠れ不満」や「諦め」をAIが早期に可視化
  • クレームに発展する前の proactive な顧客対応を支援
  • オペレーターの精神的負担軽減と対応品質の均質化

導入

「お客様は『大丈夫です』とおっしゃっていたのに、なぜ解約になってしまったんでしょう？」

コールセンターの現場で、このような課題に直面するケースは珍しくありません。録音を聞き直してみると、確かにお客様は怒鳴ってはいません。しかし、その声には「諦め」や「失望」が滲んでいたはずです。

従来のキーワードマッチング型の分析ツールでは、こうした「行間にある感情」を拾うことは困難でした。「馬鹿野郎」という単語は検知できても、「もういいです（期待していないので）」という文脈を理解するのは難しかったからです。

ここで、LLM（大規模言語モデル）の出番となります。とくに、ChatGPTの標準モデルであるGPT-5.2（InstantおよびThinking）では、長い文脈の理解力や汎用知能が大幅に向上しました。これにより、顧客の微妙なニュアンスや隠れた不満をより正確に捉えることが可能になっています。なお、かつて温かみのある応答で親しまれたGPT-4oなどの旧モデルは、2026年2月13日をもってChatGPT上から廃止されました（API経由での利用は引き続き可能です）。そのため、これからの業務活用は、より安定性と応答品質が高められた最新のGPT-5.2環境での検証が前提となります。

高額な感情解析ツールをいきなり導入する前に、まずは手元のテキスト化された通話ログを使って、どこまで「予兆」を検知できるか試してみることをお勧めします。AI導入を成功させる組織は、決して「ツール任せ」にせず、ビジネス課題の解決に向けて「リスク定義」を明確にしています。

現在のAI活用においては、単なるキーワード指定の古い使い方から、詳細なコンテキスト指定やエージェント的な役割付与を取り入れた最新の推奨ワークフローへの移行が効果的です。OpenAIの公式ドキュメントでも、明確な指示と文脈の提供が推奨されています。この記事では、ノンプログラマーの現場マネージャーやSV（スーパーバイザー）の方々向けに、ChatGPTなどのチャット画面ですぐに検証できる4つの実践的なプロンプト構成例を用意しました。これをコピー＆ペーストし、実際のデータと最新モデルの高度な文脈理解力を掛け合わせて試してみてください。「怒鳴られる前」に対処するためのヒントが、きっと見つかるはずです。

1. 本テンプレート集の活用とゴール

なぜ今、LLMを使った予兆検知に注目すべきなのでしょうか。それは、対応が「事後」から「予防」へとシフトできるからです。

「怒り」の検知と「予兆」の検知の違い

従来の品質管理（QM）では、クレームが発生した後の通話を分析し、オペレーターへの指導を行うことが一般的でした。しかし、これでは顧客の離反は防げません。

  • 怒りの検知: 顕在化したクレーム。対応は謝罪と火消し。コストが高い。
  • 予兆の検知: 潜在的な不満。対応は先回りした提案やフォロー。信頼獲得のチャンス。

プロジェクトにおいて目指すべきは後者です。特に、日本的なコミュニケーションにおいては、不満を直接的な言葉にせず、遠回しな表現や「沈黙」で示す傾向があります。

LLMによるテキスト感情分析の可能性と限界

音声認識によってテキスト化されたデータ（通話ログ）には、声のトーン（ピッチや大きさ）が含まれていません。これは一見デメリットに思えますが、LLMにとっては「文脈」に集中できるというメリットにもなり得ます。

最近のLLMは、会話の流れから「皮肉」や「諦め」を読み取る能力が飛躍的に向上しています。もちろん、音声特徴量と組み合わせるのが理想ですが、テキストだけでも初期のスクリーニングやPoC（概念実証）には十分な効果を発揮します。

本記事で提供する4つのプロンプトパターン

今回は、実践的なアプローチとして以下の4段階でテンプレートを用意しました。

  1. 基礎編: 通話全体を5段階でスコアリングする
  2. 応用編: 感情が悪化した「転換点」を特定する
  3. 特化編: 「隠れ不満」やリスクシグナルを抽出する
  4. 検証編: AIの判定ロジックをチューニングする

これらを使って、まずは「手元のログからどのようなインサイトが得られるか」を論理的に確認してください。

2. プロンプト設計の基本：感情を数値化するロジック

2. プロンプト設計の基本：感情を数値化するロジック - Section Image

プロンプトを投げる前に、少しだけ準備が必要です。AIに「何をしてほしいか」を正確に伝えるための体系的な作法を押さえておきましょう。

AIに「文脈」を理解させる構造化データ

通話ログをただ貼り付けるだけでは、AIは誰が話しているのか混乱することがあります。話者分離（Diarization）された形式が理想ですが、最低限「オペレーター:」「顧客:」のラベルが必要です。

【重要】プライバシーへの配慮
プロンプトに入力する前に、必ず個人情報（PII）を削除または置換してください。

  • 名前 → [顧客名]、[担当者名]
  • 電話番号 → [電話番号]
  • 住所 → [住所]

評価軸の設定（不満度、緊急度、共感度）

単に「感情を分析して」と指示すると、AIは「悲しい」「嬉しい」といった一般的な感情語を出力しがちです。ビジネス活用のためには、明確な評価軸を定義します。

  • 不満度 (1-5): 顧客が抱えている不満の強さ
  • 解決度 (Yes/No): 問い合わせ内容は解決したか
  • リスクフラグ: 解約やエスカレーションの可能性

出力フォーマットの統一

分析結果をExcelやスプレッドシートで管理したい場合、自由記述の文章では扱いづらいものです。プロンプトでは必ず「JSON形式」での出力を指定し、システム的に処理しやすい形にします。

3. テンプレート①：【基礎編】5段階感情スコアリング

まずは基本となる、通話全体の「温度感」を測るプロンプトです。大量のログから「要確認」の通話を抽出する一次スクリーニングとして機能します。特に最新のLLMは文脈理解能力や抽象的推論能力が飛躍的に向上しているため、単語レベルのネガティブ検知よりも高精度な判定が期待できます。顧客の微妙なニュアンスや、言葉の裏に隠れた不満を拾い上げる第一歩として、このシンプルなアプローチが非常に役立ちます。

テンプレート①の入力となる通話ログ例

オペレーター: お電話ありがとうございます。サポートセンターの田中です。
顧客: あのさ、先週送った書類なんだけど、まだ処理されてないの？
オペレーター: 大変申し訳ございません。確認いたしますので少々お待ちください。
（保留音）
オペレーター: お待たせいたしました。現在手続き中でして、あと1週間ほどかかる見込みです。
顧客: はあ？ また待つの？ もういいよ、切るわ。

テンプレート①のプロンプト例（コピペ用）

以下のプロンプトをChatGPTに入力して実行します。現在ChatGPTの標準モデルとなっている、推論能力と安定性に優れたGPT-5.2の利用を推奨します。

なお、以前の標準であったGPT-4oは2026年2月13日をもってChatGPTのWebインターフェースから提供終了となりました。しかし、既存のチャットは自動的にGPT-5.2へ切り替わるため、移行の手間なく継続して分析が可能です。また、APIを経由したGPT-4oの利用には変更がないため、システムに組み込んで自動化している場合はそのまま稼働します。

インターネット上には様々な推奨プロンプトやカスタム指示の情報が存在しますが、公式情報として確認できないものも少なくありません。最新の機能や正確な仕様については、必ずOpenAIの公式ドキュメント（platform.openai.com/docs）を直接確認する習慣をつけてください。

準備ができたら、{{text}}の部分に上記のログを貼り付けて実行します。


## Role (テンプレート①)
あなたは熟練したコールセンターの品質管理マネージャーです。
顧客対応の通話ログを分析し、顧客の感情状態を客観的に評価してください。

## Input Data (テンプレート①)
{{text}}

## Instruction (テンプレート①)
提供された通話ログに基づき、以下の評価基準で分析を行ってください。

### 評価基準

1. Sentiment_Score (1-5): 顧客の最終的な感情スコア
   - 1: 非常に満足・感謝
   - 2: 満足・肯定的
   - 3: 中立・普通
   - 4: やや不満・苛立ち
   - 5: 激怒・強い不満

2. Key_Reason: そのスコアをつけた主な理由（20文字以内）

## Output Format (テンプレート①)
以下のJSON形式のみを出力してください。余計な解説は不要です。
{
  "sentiment_score": integer,
  "key_reason": "string"
}

テンプレート①の期待される出力例

{
  "sentiment_score": 4,
  "key_reason": "手続き遅延による苛立ちと途中切電"
}

カスタマイズのポイント

自社基準の注入
品質管理基準に合わせて、Score 4と5の定義を微調整してください。例えば、「大声を出した場合は5」といった音声特徴量のメモがログに残っている場合は、それをプロンプトに含めることで判定の正確性が増します。どのような状態を「不満」と定義するか、現場の感覚を言語化してプロンプトに落とし込む作業が、AIの精度を左右する鍵となります。

モデルの特性活用
GPT-5.2などの最新モデルや、API経由で稼働するGPT-4oといった高度な推論能力を持つAIを使用する場合、単なる「怒り言葉」の有無だけでなく、文脈から読み取れる「諦め」や「静かな怒り」も検知可能です。プロンプト内のInstructionに「言葉遣いは丁寧でも、要望が通らないことへの落胆が含まれる場合はスコアを一段階上げてください」といった定性的な指示を加えるのも有効な手段となります。環境の変化に合わせて最適なモデルを選択し、継続的な品質改善に役立ててください。

4. テンプレート②：【応用編】感情転換点（ターニングポイント）検知

4. テンプレート②：【応用編】感情転換点（ターニングポイント）検知 - Section Image

通話全体がネガティブだったとしても、最初から怒っていたのか、途中の対応で怒らせたのかでは対策が異なります。このプロンプトでは「感情の変化点」を特定します。

テンプレート②の入力となる通話ログ例

オペレーター: ご利用ありがとうございます。
顧客: すみません、使い方がわからなくて。
オペレーター: どの画面をご覧ですか？
顧客: 設定画面です。
オペレーター: 右上のボタンを押してください。
顧客: 押しました。何も起きないんですけど。
オペレーター: そんなはずはありません。もう一度強く押してください。
顧客: いや、押してるって言ってるでしょ。なんで私の操作が悪いみたいに言うの？

テンプレート②のプロンプト例


## Role (テンプレート②)
あなたはCX（顧客体験）分析の専門家です。

## Input Data (テンプレート②)
{{text}}

## Instruction (テンプレート②)
通話ログを時系列で分析し、顧客の感情が「悪化」または「好転」した決定的な瞬間（ターニングポイント）を特定してください。

## Output Format (テンプレート②)
JSON形式で出力してください。
{
  "turning_point": {
    "trigger_phrase": "感情変化のきっかけとなったオペレーターの発言",
    "customer_reaction": "その直後の顧客の発言",
    "change_type": "Worsened" | "Improved",
    "analysis": "なぜそこで感情が変化したかの分析（50文字以内）"
  }
}

テンプレート②の期待される出力例

{
  "turning_point": {
    "trigger_phrase": "そんなはずはありません。もう一度強く押してください。",
    "customer_reaction": "いや、押してるって言ってるでしょ。",
    "change_type": "Worsened",
    "analysis": "顧客の申告を否定し、操作ミスと決めつけたため不信感を招いた"
  }
}

この分析を蓄積することで、「オペレーターのどのような言い回しが地雷になるか」というNGワード集を、実データに基づいて作成できます。

5. テンプレート③：【特化編】「隠れ不満」シグナル抽出

表面的な言葉尻ではなく、文脈に潜む「諦め」や「サイレントクレーム」を検知します。

テンプレート③の入力となる通話ログ例

オペレーター: 規定により、これ以上の対応は致しかねます。
顧客: …わかりました。もう結構です。
オペレーター: ご理解いただきありがとうございます。他にご不明点は？
顧客: ないです。失礼します。

一見、納得して終わったように見えますが、これは危険な状態です。

テンプレート③のプロンプト例


## Role (テンプレート③)
あなたは心理分析に長けたカスタマーサクセスマネージャーです。
顕在化していない「隠れた不満（Silent Dissatisfaction）」を検知する任務を負っています。

## Input Data (テンプレート③)
{{text}}

## Instruction (テンプレート③)
以下のシグナルに着目し、顧客が「納得していないが諦めた」「他社への乗り換えを検討し始めた」可能性を分析してください。

### 注目シグナル
- 「わかりました（納得はしていない）」というニュアンス
- 「もういいです」「結構です」による会話の強制終了
- オペレーターの説明に対する反応の薄さ、沈黙
- 同じ質問の繰り返し（理解されていないと感じている）

## Output Format (テンプレート③)
JSON形式
{
  "silent_risk_detected": boolean,
  "risk_level": "High" | "Medium" | "Low",
  "detected_signals": ["検知した具体的な表現や文脈"],
  "interpretation": "顧客の心理状態の推測"
}

テンプレート③の期待される出力例

{
  "silent_risk_detected": true,
  "risk_level": "High",
  "detected_signals": ["…わかりました", "もう結構です", "会話の早急な終了"],
  "interpretation": "解決を諦め、サービスへの期待値を下げて離反する直前の状態。表面上の同意に過ぎない。"
}

この「risk_level: High」が出た通話こそ、SVが翌日にフォローコールを入れるべき対象です。

6. テンプレート④：【検証編】誤検知分析とチューニング

AIは万能ではありません。時には冗談を本気のクレームと捉えたり、逆に深刻な皮肉をスルーしたりします。プロンプトをブラッシュアップするための検証用テンプレートです。

テンプレート④のプロンプト例（判定理由の詳細化）


## Instruction (テンプレート④)
先ほどの分析結果について、なぜその判断に至ったのか、思考プロセスをステップ・バイ・ステップで説明してください。
特に、どの単語が決定打となったのか、文脈をどう解釈したのかを明示してください。

## Output Format (テンプレート④)
- 判定スコア: [Score]
- 根拠となった発言箇所: [抜粋]
- 文脈解釈: [AIの解釈]
- 懸念点: [判定に迷った点があれば]

この出力を見て、「AIは『結構です』を肯定と捉えているが、この文脈では拒絶だ」といったズレを見つけます。その場合、テンプレート③の「注目シグナル」に定義を追加して、プロンプトを修正（チューニング）していきます。これが現場主導の「AI育成」です。

7. 実装に向けた次のステップ

手動でのプロンプト検証によって実用的な精度が確認できたら、本格的なシステム実装へと進む適切なタイミングです。検証フェーズから実際の運用環境へスムーズに移行するために、考慮すべき重要なポイントを整理します。

API連携による自動化の検討

毎回チャット画面にテキストを手作業で貼り付ける運用方法は、データ件数が増加すると現実的ではなくなります。検証を通じて有効なプロンプトが固まった後は、APIを利用して通話ログシステムから自動的に分析を回す仕組みの構築を検討してください。Pythonなどのプログラミング言語を採用すれば、比較的シンプルなコードでこの自動化パイプラインを実装可能です。これにより、大量の通話データを日次やリアルタイムで処理する基盤が整います。

最新AIモデルへの移行と選定

システムを構築する際、利用するAIモデルの選定には十分な配慮が求められます。OpenAIの公式情報によると、GPT-4oやGPT-4.1などのレガシーモデルは2026年2月13日に提供終了となりました。

これから新規に開発を行う場合、または既存の検証環境から移行する場合は、2026年2月時点の最新標準モデルであるGPT-5.2の利用が推奨されます。GPT-5.2は100万トークン級の膨大なコンテキスト処理に対応しており、長時間の通話ログや複数件の連続処理に極めて適しています。また、高度な推論能力と長文処理時の安定性が大幅に向上している点が特徴です。

もし旧モデルでプロンプトを検証していた場合は、本格実装の前に必ずGPT-5.2環境で再テストを行い、出力の安定性を確認する手順を踏んでください。なお、システム連携のためのスクリプト開発やコーディングタスクが発生する場合は、同時に発表された開発特化型モデルであるGPT-5.3-Codexを活用することで、より効率的な実装が可能です。

セキュリティとプライバシーへの配慮

商用環境で顧客の通話ログを取り扱う場合、データの保護には細心の注意を払う必要があります。特に以下の点は必ず確認してください。

  • 学習データへの利用制限: 入力された機密データが、AIモデルの再学習に利用されないことが規約で明確に保証されている環境（エンタープライズ向けのAPI契約やAzure OpenAIなど）を選定します。
  • PII（個人特定情報）の保護: かつては複雑なマスキング処理を独自に実装するのが一般的でしたが、現在はプラットフォーム側の保護機能が大きく進化しています。公式ドキュメント（Azure OpenAI の新機能 - Azure AI services）などに記載されている通り、「PII検出コンテンツフィルター」といった機能が強化され、個人情報の識別や保護をクラウド側でサポートするケースが増えています。こうした標準機能を積極的に活用することで、開発工数を抑えつつ強固なセキュリティ環境を構築できます。

専用ツール導入の判断基準

自社開発（API連携）を進めるか、既存の専用ツール（SaaS）を導入するか。判断の分かれ目は以下の通りです。

  • 自社開発: 特殊な業界用語が多い、独自の感情評価基準がある、あるいは長期的なランニングコストを最適化したい場合に適しています。また、既存の社内システムと密接に連携させる場合も自社開発が圧倒的に有利です。
  • 専用ツール: 通話中にオペレーターへアラートを出したいといったリアルタイム解析の要件がある、導入スピードを最優先する、またはダッシュボードなどのUI/UX開発工数を削減したい場合に適しています。

今回のテンプレートによる検証結果は、どちらの道に進むにせよ、「具体的に何を検知したいのか」という要件を明確にするための貴重な資産として機能します。

本番運用に向けたロードマップ

PoC（概念実証）から本番運用へ移行する際は、小さく始めて段階的に拡張するアプローチが確実です。まずは特定の部署や製品ラインに絞って導入し、現場のフィードバックを集めながらプロンプトや判定基準のチューニングを行います。また、AI技術は進化が早いため、導入後もAzure OpenAI の新機能 - Azure AI servicesなどの公式アップデート情報を定期的に確認し、新しいセキュリティ機能やよりコスト効率の高いモデルへの切り替えを計画に組み込むことをお勧めします。

まとめ

Role - Section Image 3

「感情認識」といっても、AIにとっては入力されたテキストデータの処理に過ぎません。そこに現場の文脈や顧客心理という「意味」を持たせるのは、実務を知る担当者の的確な「問いかけ（プロンプト）」です。AIはあくまで課題解決のための手段であり、その価値を引き出すのは人間の論理的な設計です。

今回提示したテンプレートを活用すれば、今日からでも「隠れ不満」の可視化に着手できます。まずは過去に解約へ至った顧客の通話ログを10件程度ピックアップし、分析を試してみてください。そこには、これまで見過ごされていた解約の「予兆」がデータとして眠っているはずです。

検証を進める過程で、「もっと複雑な条件で顧客の感情変化を捉えたい」といった新たな課題が見つかることも珍しくありません。それは課題に対する分析の解像度が確実に上がった証拠です。得られた初期の知見を足がかりとして、最新のAIモデルの特性を深く理解し、データ特性に合わせた最適な運用フローを構築してください。

コールセンターの「隠れ不満」を可視化する：LLMプロンプトによる感情予兆検知の実践テンプレート - Conclusion Image

参考リンク

参考文献

  1. https://www.ai-souken.com/article/checking-chatgpt-version
  2. https://help.openai.com/en/articles/6825453-chatgpt-release-notes
  3. https://shift-ai.co.jp/blog/1771/
  4. https://aismiley.co.jp/ai_news/chatgpt-tsukattemita/
  5. https://atmarkit.itmedia.co.jp/ait/articles/2602/13/news015.html
  6. https://sogyotecho.jp/chat-gpt/
  7. https://qiita.com/GeneLab_999/items/72b69966b3ee805e52a6
  8. https://forest.watch.impress.co.jp/category/genai/gpt/

コメント

コメントは1週間で消えます
0 / 150
コメントを読み込み中...