電話は「切る」に1秒。

あなたのボイスエージェントは、最初の3秒を生き残れていますか？

先日、「電話応対を、本気で変えるなら」というテーマで登壇しました。技術やモデルの話も用意していましたが、会場の反応が最も濃かったのは「離脱」の話でした。本稿では、その中身を書きます。

電話は、減らない

FAQやチャットボットなどデジタルチャネルをいくら増やしても、電話の件数は0にはなりません。急ぎ・複雑・不安。この3つの要件は、今後も電話チャネルに残り続けます。

一方で現場は、採用難のなかで新人に「応対の振る舞い」「業務・商品知識」「システムの操作」の3つを教え込み、さらにACWの記入や基幹システムへの入力といった会話以外の業務に時間を奪われ続けています。

だから「ボイスエージェントに任せる」ことは良い選択です。ここまでは、多くの検討がスムーズに進みます。ところが導入した瞬間、最初の壁が立ちはだかります。

それは、「使ってもらえない」という壁です。

離脱コストゼロという特殊性

Webサイトからの離脱には、まだ多少の手間があります。タブを閉じる、別のサイトを探す。しかし電話の離脱は「切る」に1秒です。顧客は冒頭の数秒でこのAIと話せるかどうかを判定し、違和感はそのまま離脱になります。

社内検証で忘れられない場面があります。受話器の向こうで2秒の沈黙が流れた瞬間、テスト役のメンバーが思わず「……切れた？」とつぶやきました。Webのローディングなら誰も気に留めない、同じ2秒です。

声だけがUI

この非対称の正体は、UIの違いです。
Webでは沈黙はローディングを意味しますが、電話では沈黙は故障などの異常事態を意味します。間・相槌・声の重なり。声だけがUIである以上、その全部が体験そのものになります。

そして2026年7月8日、OpenAIがGPT-Liveを公開しました。ChatGPTの音声モードに次世代モデルが無料プラン含め順次展開され、日本人の約4,400万人が「聞く」と「話す」を同時に処理するフルデュプレックスの会話を日常的に体験できる状態になりました。

音声モデルの進化を振り返ると、2017年からのカスケード方式（音声認識→AI（LLM含め）→音声合成、数秒の沈黙）、2024年からのターン制STS（低遅延だが、沈黙や雑音をターン終了と誤判定）、そして2026年7月からのフルデュプレックス（ターン概念の排除、相槌・割り込み・沈黙待ち）へ。各社の開発競争は精度ではなく「自然さ」に向かっています。

重要なのはここからです。顧客はこの体験を「標準」と考えて、企業に電話をかけてきます。

自然な会話は、目的ではなく入場券

では「自然な会話」とは何か。Amazonは「顧客が自分の言葉で話せて、人との会話に限りなく近いこと」、Googleは「自然で、双方向的で、協力的な会話によって用件を達成させること」、OpenAIは「人間のイントネーション・感情・ペースで話すこと」と定義しています。これらを分かりやすく整理すると、ポイントは「顧客が自由に話せること」と「双方向でやり取りできること」の2点です。

実際、当社の事例でも会話の作法を見直し、より自然な会話を目指しただけで、離脱率が約20ポイント下がりました。裏を返せば、それまで顧客は「内容」ではなく「会話にならないこと」を理由に切っていたわけです。

結論。2026年後半以降、顧客は"ChatGPTの音声体験"を基準に企業へ電話をかけてきます。自然な会話は差別化要因ではなく、使ってもらうための入場券です。使ってもらえなければ、どんな良い体験も意味はない。

ただし、一つ留保を付します。自然さ「だけ」では、効果は出ません。入場券の先にあるのは、会話という資産をどう改善につなげるかという運用の話です。これは次の記事で書きます。

当社カラクリとしては、KARAKURI voice agentでフロンティアモデルの特性を活かした対話設計に取り組んでいます。宣伝ぽいですが、この「切られない冒頭3秒」はデモを一度聞いていただくのが早いと思っています。