ChatGPT・Claude・Geminiで会話分析を実践するコツ――カスタマーサポートの品質チェックを残業頼みから解放する

カスタマーサポートのチャットログが増えると、人力で読み返すのは本当にしんどい：高リスクな文言を見落とす、集計基準がバラバラになる、感情に引っ張られて判断がブレる。私は「会話分析」という考え方で品質チェックをするほうが好きだ。意図・感情・重要エンティティを抽出し、その上で解決率や応答速度などの指標を見ると、効率がかなり上がる。

同じ対話をChatGPT／Claude／Geminiにそれぞれ投げるとき、どう聞く？

対話の一部を貼り付けて、モデルに構造化結果をそのまま出力させれば、後は表に流し込んで集計できる。

• 汎用プロンプト：ユーザー意図、感情（1〜5）、製品／価格／返金などのエンティティ、クレームのエスカレーション有無、1文の改善提案を抽出し、JSONで出力してください
• ChatGPT：品質チェックの採点表やNGワード一覧のように「ルール」をきっちり書くのに向いていて、出力がより安定する
• Claude：長い対話の要約や「この発言がなぜユーザーを怒らせたのか」といった繊細な分析が得意で、読み終えると少し教えられた気分になる
• Gemini：多言語対応やチャネル帰因をついでにやるのに向いており、中英が混ざった対話を同一のタグ体系に統一できる

品質チェックを追跡可能なKPIにする

一般的な会話分析のやり方を参考にして、「解決したかどうか」だけでなく、頻出問題Top、ネガティブ感情のトリガー、初回応答時間、解決率も追うべきだ。モデルの出力フィールドを固定すれば、集計基準をめぐって毎日言い争うこともなくなる。

Midjourneyは何ができる？ ただ絵を描くだけじゃない

私はMidjourneyに「感情トレンド」と「トーク改善ポイント」をポスター風に可視化させて、上司への報告の手間を大幅に減らしている。プロンプトは例えばこう書く：カスタマーサポート会話分析ダッシュボード ネガティブ感情ヒートマップ 解決率折れ線グラフ 企業データ可視化スタイル シンプル 高コントラスト。

ちょっとした注意

対話データは必ずマスキングすること。氏名、電話番号、注文番号は先に置換しておく；そうしないと、どれだけ強力なモデルでもコンプライアンスリスクは救えない。

この一連の流れをもっとスムーズに現場導入したいなら、アカウントや利用時の落とし穴も含めて遠回りを減らしたい人は、Titikeyをのぞいてみて。よく使う定番案は全部あちらにまとめてある。