AIチャットボットは、利用者が文章で送った質問に対して、AIの技術を使って自動で返答するプログラムです。ひと口にAIチャットボットと言っても、回答の作り方は「用意した選択肢や回答文から選ぶ方式」と「大規模言語モデル(LLM)がその場で文章を書く方式」とで別物で、準備するもの・誤回答の性質・開発の進め方が変わります。この記事では、種類の分け方、生成AI型が社内文書から答える仕組み、開発方式の選び分けを順に整理します。
まとめ
チャットボットは、AIを使わない方式も含めて、回答をどう作るかで4つに分けると判断しやすくなります。選択肢型と辞書型は用意した回答から選び、機械学習型は質問を学習済みの意図に振り分け、生成AI型はLLMが回答文を書きます。誤回答が許されない手続き案内は選択肢型、言い回しが多様な社内問い合わせは生成AI型、という切り分けが出発点です。
社内文書を根拠に答えさせる生成AI型は、アプリ側で必要な文書を検索してその内容をLLMに渡すRAG(検索拡張生成)で組みます。開発方式は、SaaSに文書を登録する方式、ノーコード基盤で組む方式、LLMのAPIで自作する方式、個別開発の4通りで、会員情報の参照や既存システムとの連携が要るか、それを既存の製品で満たせるかで決まります。生成AI型の回答は会社の案内として扱われるため、答えない質問と有人への引き継ぎを公開前に決めておく必要があります。
AIチャットボットの意味と、会話型AI・対話型AI・ChatGPTとの言葉の違い
チャットボットの定義と1966年のELIZAから続く仕組みの系譜
チャットボットは「チャット(会話)」と「ボット(ロボット)」を合わせた言葉で、文章や音声のやり取りに自動で応答するプログラムを指します。原型は、MITのジョセフ・ワイゼンバウムが1966年1月にCommunications of the ACM(第9巻第1号)で発表したELIZAです。要旨によれば、ELIZAは入力文に現れるキーワードをきっかけに分解規則を当てはめ、その規則に対応する再構成規則で応答を組み立てていました。キーワードが無い入力への応答の作り方も、論文が挙げる技術課題の1つでした。
キーワードを手がかりに用意した応答を返すという考え方は、今のシナリオ型・辞書型チャットボットにもそのまま残っています。2022年以降に普及したのは、回答文そのものをLLMが生成する方式で、「AIチャットボット」という言葉はこちらを指して使われることが増えました。音声で応答するものはボイスボットと呼び分けますが、回答を作る仕組みはテキストのチャットボットと共通です。
会話型AI・対話型AI・ChatGPTとの関係:指している範囲の違い
会話型AI(対話型AI)は、人と自然な言葉でやり取りするAI技術の総称で、チャットボットのほか音声アシスタントや翻訳つきの接客システムも含みます。チャットボットはその中の「チャット画面で応答する製品の形」を指す言葉で、AIを使わない選択肢型のチャットボットも含みます。範囲の違いは対話型AIの仕組みと生成AIとの違いで詳しく扱っています。
ChatGPTは、OpenAIが提供する汎用の生成AIサービスです。企業が自社サイトや社内に置くAIチャットボットも、ChatGPTと同じ種類のLLMを土台に使うことがあります。ChatGPTもファイルを渡したり社内のデータ源を接続したりすれば社内文書を参照して答えられますが、それは社員が自分の業務で使う道具としての話です。顧客や全社員に向けて置く窓口では、参照させる文書・答えない質問・有人への引き継ぎ・会話ログの保存先を、運用する会社が決めて管理する必要があり、そこが専用のAIチャットボットを作る理由になります。
チャットボットの種類:回答の作り方で分ける4方式と機能別の分類
チャットボットの分類は記事によって「AI搭載型と非搭載型」「シナリオ型とAI型」などまちまちですが、導入検討では回答の作り方で分けると、準備するものとリスクの違いがはっきりします。
| 方式 | 回答の作り方 | 事前に用意するもの | 想定外の質問 | 誤回答の性質 |
|---|---|---|---|---|
| 選択肢型 | ボタンの分岐をたどる | 分岐シナリオ | 受け付けない | 設計の誤りだけ |
| 辞書型 | キーワードで回答文を選ぶ | Q&Aと同義語辞書 | 近い回答か「不明」 | 的外れな回答 |
| 機械学習型 | 意図を分類し回答文を選ぶ | 意図ごとの例文 | 近い意図に寄せる | 別の意図の回答 |
| 生成AI型 | LLMが回答文を書く | 参照させる文書 | 文書から答える | もっともらしい誤り |
上の3方式は、返す文章を人が事前に書いておく点で共通しています。生成AI型だけが回答文を毎回新しく作るため、文書に無いことを補って書く誤り(ハルシネーション)が起きます。この違いが、次の各方式の向き不向きを決めます。
選択肢型・辞書型:分岐とキーワードで答えるシナリオ型(ルールベース)
選択肢型は「注文について」「返品について」のようなボタンを順に押してもらい、分岐の先にある回答を表示します。利用者が自由に入力しないので、設計どおりの答えしか返らず、資料請求・予約・返品受付のように手順が決まった窓口に向きます。分岐が深くなるほど利用者は目的の回答にたどり着く前に離脱しやすく、設計と保守の手間も分岐の数だけ増えます。
辞書型は、入力文に含まれる単語を登録済みの質問と照らし合わせ、最も近い回答を返します。「パスワード」「再発行」が含まれていれば再発行手順を返す、という動きです。同義語の登録が足りないと「パスワードを忘れた」と「ログインできない」が別扱いになり、未回答が増えます。
機械学習型:質問を学習済みの意図に振り分ける方式
機械学習型(意図分類型)は、「返品したい」「返したい」「キャンセルできる?」のような例文を意図ごとに学習させ、新しい質問がどの意図に当たるかを判定して、その意図に紐づく回答文を返します。表記ゆれに強い一方、返す文章は人が書いたものなので、回答内容が勝手に変わることはありません。
弱点は意図の設計と例文集めの手間です。意味の似た意図や例文が増えると取り違えが起きるため、評価結果を見ながら意図の統合や例文の追加を続ける必要があります。GoogleのDialogflow CXのように、意図ごとに登録した学習用フレーズと入力を照らし合わせて意図を判定する製品がこの方式の代表です。それでも、返す文章を一字一句管理できる点は生成AI型に無い利点で、回答の表現まで審査が要る窓口では今も選択肢に残ります。
生成AI型:LLMが社内文書をもとに回答文を書く方式
生成AI型は、大規模言語モデル(LLM)が質問の文脈を読み取り、回答文を毎回生成します。分岐や意図を事前に設計しなくてよく、「先月入社したが年末調整の書類はどこに出すか」のような複合的な質問にも、文書に答えがあれば対応できます。
その代わり、回答の正しさは参照させる文書の質と、誤りを抑える設計で決まります。古い規程と新しい規程が混在していれば古い方を根拠に答えることがあり、文書に無い内容を推測で補うこともあります。この性質を前提に組むのが次章のRAGです。
機能別の分類:FAQ型・処理代行型・配信型・雑談型と4方式の対応
「チャットボットの種類」は、何をさせるかで分けることもあります。よく使われるのはFAQ型(質問に答える)、処理代行型(予約・注文・申請を受け付ける)、配信型(LINEなどでお知らせを送る)、雑談型(目的を持たない会話)の4つです。
機能と方式は独立した軸です。FAQ型は辞書型・機械学習型・生成AI型のどれでも作れますが、処理代行型は入力項目を確実に集める必要があるため、選択肢型か、生成AI型でも項目の聞き取りだけは固定の手順にする組み方になります。予約や申請の実行は、決めた手順で外部システムを呼び出すチャットボットでもできます。AIが状況に応じて手順や使うツールを自分で選んで処理を進める作りにすると、AIエージェントの領域に入ります。
生成AI型チャットボットの仕組み:RAGで社内文書から答える処理の流れ
ベクトル検索型RAGの5段階:文書の事前準備と、質問後の検索・組み立て・生成・出典表示
RAG(Retrieval-Augmented Generation、検索拡張生成)は、LLMに答えさせる前に外部の文書を検索し、見つかった内容を根拠に文章を生成させる構成です。名前は、Patrick Lewisらが2020年5月に公開し、NeurIPS 2020に採録された論文Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasksに由来します。検索の方法には全文検索との併用などもありますが、よく使われるベクトル検索型の構成では、処理は次の5段階になります。1だけは質問が届く前に済ませておく準備です。
- 準備:FAQ・マニュアル・規程を数百字程度の断片に分け、意味を数値の並び(ベクトル)に変換して保存する
- 検索:質問文も同じ方法でベクトルに変換し、意味の近い断片を数件取り出す
- 組み立て:取り出した断片と質問を、「この資料だけを根拠に答え、無ければ分からないと答える」という指示と合わせてLLMに渡す
- 生成:LLMが断片の内容から回答文を書く
- 表示:回答と一緒に、根拠にした文書名やページへのリンクを示す
誤回答の原因は、参照文書そのものの誤りや古さ、2の検索で正しい断片が取れていないこと、3で断片の渡し方が悪いこと、4の生成での読み違いや根拠のない補完に分かれます。公開前の検証では、回答が間違っていたときにどの段が原因かを切り分けて直します。文書が原因なら文書を直し、検索が原因なら文書の分け方や見出しを直し、生成が原因なら指示文や「分からない」と答える条件を直します。構築の工程はRAG構築の手順で扱っています。
RAGとファインチューニングの役割分担:知識は検索・口調と形式は追加学習
自社の知識をLLMに持たせる方法には、RAGのほかに、LLMそのものを追加学習させるファインチューニングがあります。社内規程や製品仕様のように頻繁に改訂される知識は、文書を差し替えるだけで回答に反映できるRAGが向きます。追加学習は、回答の口調・定型の書式・業界用語の使い方を揃えたいときの手段で、知識の更新には向きません。
チャットボットの初期構築でファインチューニングから入る必要はほぼありません。違いの詳細はファインチューニングとRAGの使い分けとRAGの仕組みを参照してください。
AIチャットボットの開発方式:SaaS・ノーコード基盤・API自作・個別開発の選び分け
生成AI型チャットボットを作る方式は、回答の仕組み(RAG)をどこまで自社で持つかで4つに分かれます。
| 方式 | RAGを持つ場所 | 自社で担う作業 | 向く要件 |
|---|---|---|---|
| SaaSに文書登録 | 製品側 | 文書の登録・回答の確認 | FAQ・Webサイトの案内 |
| ノーコード基盤 | 基盤上で自社が設定 | 検索とLLMの設定・公開 | 社内問い合わせ・複数部署 |
| LLMのAPIで自作 | 自社のアプリ | 検索・画面・連携の実装 | 既存システムへの組み込み |
| 個別開発 | 自社の環境一式 | 基盤を含む全体の構築 | 既存基盤で満たせない要件 |
下の方式ほど自由度は上がりますが、自社で作って保守する範囲も広がります。期間と費用は参照する文書の量と連携先の数で大きく変わり、費用の内訳と相場はAIチャットボットの費用相場と内訳にまとめています。
SaaSとノーコード基盤:文書を登録するだけで始める方式の範囲
SaaS型は、管理画面にFAQやWebサイトのURL、PDFを登録すると、製品側の仕組みで検索と生成が動きます。設定だけで公開でき、回答ログの画面や有人チャットへの切り替え機能も最初から付いている製品が多くあります。製品が対応していない連携、たとえば会員ごとの契約内容を見て答えるといった処理はできません。
ノーコード基盤は、DifyのようにRAGの部品(文書の取り込み・検索・LLMへの指示)を画面上で組み合わせて作る方式です。使うLLMや検索の設定を自社で選べ、作ったチャットボットはWebアプリとして公開するか、APIで社内ポータルに組み込みます。手順はDifyでチャットボットを作る手順で解説しています。
LLMのAPIで自作する方式:検索と生成の部品をアプリに組み込む
LLMのAPIで自作する方式では、文書の取り込み・検索・LLMへの指示・回答画面を自社のアプリとして作ります。検索の部品は、LLMの提供元が用意する検索機能を使うか、ベクトルデータベースを自分で用意するかを選べます。
OpenAIのAPIを例にとると、文書を登録して検索させる file search ツールは、公式の料金表で保存が1GBあたり1日0.10ドル(1GBまで無料)、検索の呼び出しが1,000回あたり2.50ドルで、これにLLMのトークン料金が加わります。1件の質問で検索を1回呼ぶとすれば、月1万件の問い合わせで呼び出し料は25ドルです。総額は、この呼び出し料に、保存容量と保存日数、使うモデルのトークン使用量、開発・保守の工数を合わせて見積もります。なお、以前の作り方の解説で使われていた Assistants API は、廃止予定の一覧のとおり2026年8月26日で提供を終え、Responses API への移行が案内されています。古い手順書を参考にするときは、使っているAPIが現行のものかを確かめてください。
この方式を選ぶ理由は、既存の会員サイトや業務システムの画面にチャットを組み込みたい、回答の前後で自社のデータベースを照会したい、使うLLMを後から切り替えたい、といった要件です。逆に、画面も連携も要らないなら、SaaSやノーコード基盤より開発と保守の手間が増えるだけになります。
実装の段取りとコードはAIチャットボットの作り方と実装手順、APIの料金体系はChatGPT APIのできることと料金の仕組みで扱っています。
個別開発を検討する条件:既存の製品や基盤で満たせない連携・配置・権限
個別開発が候補に上がるのは、ログインした利用者の契約内容や注文履歴を見て答える、参照文書や会話ログを社外のクラウドに出せず自社環境に置く、回答のあとに基幹システムの照会や申請の登録まで行わせる、といった要件があるときです。ただし、どれも既存の製品や基盤で満たせる場合があります。たとえばDifyはクラウド版のほかに自社環境へのセルフホストができ、APIで既存システムとつなげます。まずは製品や基盤の仕様と要件を突き合わせ、回答速度・利用規模・画面の仕様・監査の要件まで含めて満たせない部分だけを開発する、という順番で判断します。最初から個別開発を選ぶと、回答精度を確かめる前に開発費が先に出ていくため、SaaSで問い合わせの傾向と回答精度を確かめてから移る順番を勧めます。
要件定義から構築、公開後の精度改善まで外部に任せる場合は、一創のAIチャットボット開発で、既成ツールで足りるかの切り分けから相談できます。
生成AI型チャットボットのリスク:誤案内の責任・プロンプトインジェクション・個人情報
チャットボットの誤案内で企業の責任が認められたAir Canadaの事例
カナダのブリティッシュコロンビア州の民事紛争解決審判所は2024年2月14日、Air Canadaのウェブサイトのチャットボットが忌引運賃について実際の規定と違う案内をした件で、会社側に約812カナダドルの支払いを命じました(Moffatt v. Air Canada, 2024 BCCRT 149)。審判所は、チャットボットも自社ウェブサイトの一部であり、情報が静的なページから来たかチャットボットから来たかで会社の責任は変わらないと判断しています。判決文はAir Canadaがチャットボットの仕組みについて情報を出していないと述べており、生成AIの事例とは言い切れません。カナダの1州の少額紛争の判断で、どの国でも同じ結論になるとは限りませんが、ボットの回答が会社の案内として扱われうることを示した実例です。
回答が会社の案内として扱われる以上、料金・契約条件・法令に関わる質問は、生成AIに自由に答えさせず、確定した文面を返すか有人に回す設計にします。誤回答を減らす設計と公開前の評価方法はチャットボットの失敗パターンと回答精度の設計で詳しく扱っています。
プロンプトインジェクションと誤情報:OWASPがLLMの主要リスクに挙げる項目
セキュリティ団体OWASPがまとめたLLMアプリケーションのリスク一覧(2025年版)は、1番目にプロンプトインジェクション(LLM01)を置いています。攻撃例の1つ目は、顧客サポート用のチャットボットに「これまでの指示を無視せよ」と書き込み、非公開のデータを照会させてメールを送らせるものです。同じ項目は、生成AIの仕組み上、確実な防止策があるかは明らかでないとしたうえで、影響を抑える対策を並べています。
チャットボットで実際に効くのは、ボットに渡す権限を絞ることです。回答に使う文書を読むだけの権限にとどめ、返金や予約の取り消しのような操作をさせるなら人の承認を挟みます。誤った内容をもっともらしく答える問題は、同じ一覧の誤情報(LLM09)がAir Canadaの件を例に挙げて扱っています。
攻撃の具体例とコードでの対策はプロンプトインジェクションの攻撃例と対策で解説しています。
個人情報と社内文書の扱い:入力される情報と参照させる情報の線引き
チャットボットには、利用者が氏名・注文番号・病状などを自由に書き込みます。個人情報保護委員会は2023年6月2日の生成AIサービスの利用に関する注意喚起等で、事業者が本人の同意なく個人データを含むプロンプトを入力し、そのデータが応答の出力以外の目的で扱われる場合は個人情報保護法の規定に違反する可能性があるとし、提供事業者が入力データを機械学習に使わないことなどを十分に確認するよう求めています。
チャットボットに当てはめると、確認する項目は、利用者に示した利用目的の範囲で入力を扱っているか、使うLLMのサービスが会話の内容を学習など別の目的に使わないか、会話ログの保存先・保存期間・閲覧できる人の範囲です。法人向けの契約やAPIでは学習に使わない設定が用意されていることが多いものの、条件は提供元ごとに異なるため、契約前に利用規約とデータ取扱いの文書で確かめます。参照させる社内文書の側も、閲覧権限のある社員にしか見せてはいけない規程や人事情報を同じ検索対象に混ぜると、権限の無い社員の質問への回答に出てしまいます。部署ごとに参照範囲を分けるか、公開してよい文書だけを登録します。
AIチャットボットとAIエージェントの違い:答える仕組みと実行する仕組みの境界
チャットボットは対話の窓口という形を指す言葉で、回答だけのものもあれば、決めた手順で予約や申請を受け付けるものもあります。AIエージェントは処理の進め方を指す言葉で、目的を与えるとAIが手順と使うツールを自分で選び、外部のシステムを操作して作業を終わらせます。「返品したい」という入力に対し、決めた手順どおりに返品フォームの項目を聞き取って登録するのがチャットボット、注文履歴を照会したうえで返品の可否を判断し、返送ラベルの発行まで自分で段取りを組むのがエージェントです。両者は排他的ではなく、チャット画面で動くエージェントもあります。
エージェントは誤った操作をしたときの影響がチャットボットより大きく、権限の設計と人の承認を挟む工程が必要になります。問い合わせの一次対応が目的ならチャットボットで足り、効果を確かめてから一部の手続きだけをエージェントに広げる順番が無理のない進め方です。違いの詳細はAIエージェントと生成AIの違いに整理しています。
AIチャットボットが効く業務と見送る業務の条件
効果が出やすいのは、同じ趣旨の質問が繰り返し届き、答えが文書になっていて、減らせる対応の費用が構築と運用の費用を上回る業務です。社内のIT・総務・人事への問い合わせ、ECの購入前の質問、製品の使い方の質問が代表です。業種・用途別の導入事例と数値はAIチャットボット導入事例にまとめています。
見送るべきなのは、減らせる対応の費用が構築と運用の費用を下回る窓口と、クレームや契約交渉の判断そのものを無人化しようとする場合です。採算は件数だけでなく、1件あたりの対応時間と人件費を構築・保守の費用と並べて比べます。感情への配慮が要る相談では、自動応答は受付と担当者への振り分けまでにとどめ、判断は人が引き継ぎます。採算が合わない窓口は、FAQページと問い合わせフォームの見直しを先に行います。導入を決めた後の進め方はチャットボット導入の進め方と手順で扱っています。
よくある質問
AIチャットボットとChatGPTの違いは何ですか?
ChatGPTは分野を問わず答える汎用の生成AIサービスで、ファイルを渡したり社内のデータ源を接続したりすれば、特定の会社の規程や製品仕様も参照できます。企業のAIチャットボットは、ChatGPTと同種のLLMを使う場合でも、顧客や全社員に向けた窓口として、参照させる文書・答えてよい範囲・有人への引き継ぎ・会話ログの扱いを運用する会社が決めて管理します。個人が使う道具か、会社が管理して公開する窓口かが違いです。
チャットボットの種類はいくつありますか?
分け方によって変わります。回答の作り方で分けると、選択肢型・辞書型・機械学習型・生成AI型の4つです。選択肢型と辞書型をまとめてシナリオ型(ルールベース型)と呼び、「シナリオ型・機械学習型・生成AI型」の3つで説明することもあります。機能で分けるとFAQ型・処理代行型・配信型・雑談型の4つがあり、方式とは独立した軸です。
生成AIチャットボットはどういう仕組みで答えていますか?
企業向けの多くはRAGという構成です。あらかじめ社内文書を断片に分けて保存しておき、質問が来るたびに意味の近い断片を検索し、その断片と質問をLLMに渡して回答文を書かせます。回答と一緒に根拠の文書を表示できるため、利用者も担当者も回答の正しさを確かめられます。
会話型AIとチャットボットの違いは何ですか?
会話型AI(対話型AI)は人と自然な言葉でやり取りするAI技術の総称で、音声アシスタントなども含みます。チャットボットはチャット画面で自動応答する製品の形を指し、AIを使わない選択肢型も含みます。AIチャットボットは、両者が重なる部分、つまり会話型AIの技術を使ったチャットボットです。
AIチャットボットは無料で作れますか?
無料プランのある製品やノーコード基盤で試作はできますが、会話数・登録できる文書量・利用者数に上限があり、業務で公開するには有料プランかLLMの利用料が発生するのが一般的です。無料でどこまで使えるかと切り替えの基準はチャットボットの無料プランの上限と切り替え基準にまとめています。