Bank of Americaの「Erica」は、モバイルバンキングアプリの中で動く仮想金融アシスタントです。同行の公式説明によれば、Ericaは生成AIや大規模言語モデルではなく、機械学習に基づく自然言語処理で利用者の言葉を理解する設計とされています。「生成AIでなければ古い」のではないという、対話AIの設計判断の事例として読みます。

正確性が求められる応答では、統制された応答に合理性がある

口座情報や手続きといった正確性が求められる応答では、あらかじめ用意された応答の中から適切なものを返す方式に合理性があります。公式説明でも、Ericaの応答はデータに基づき継続的に見直されていることが述べられています。金融のように誤答のコストが高い領域では、自由生成よりも統制された応答が選ばれる場合があることを、この事例は示しています。技術の新しさではなく、応答に求められる正確性の水準から方式を選ぶという順序が、ここでの設計判断です。

自動応答で完結させず、「詰まったら人へ」の導線を持つ

Ericaは、質問を認識できない場合や適切な答えがない場合に、電話やチャットで専門スタッフにつなぐ導線を持っています。自動応答で完結させることだけを成功とせず、有人対応への移行を設計に含める点が実務的です。コールセンターや社内ヘルプデスクのAI化でも、この「詰まったら人へ」の導線があるかどうかが利用者の信頼を左右します。つなぐ先の解決状況まで含めて設計しなければ、導線はあっても利用者の問題は解決しません。

導入後の改善サイクルを、自社側の体制として持つ

公式説明では、会話が品質向上のために記録され、応答の改善に活かされていることが明記されています。対話AIは導入時よりも運用開始後の改善サイクルで差がつく製品です。人事・DX担当者は、導入ベンダーの機能比較だけでなく、自社側でフィードバックを集めて応答を更新する体制と頻度までを設計に含める必要があります。

社内の問い合わせ対応へ応用する場合も、同じ仕分けが起点になります。定型応答で処理できる質問の棚卸しは、方式の選定より前に行う作業です。棚卸しの結果、正確性が要る質問の割合が高いと分かれば、統制された応答を軸に据える判断が早い段階で固まります。

判断のポイント

  • 業務を正確性要求で仕分けし、生成方式と定型応答方式を使い分けているか
  • 質問を認識できない場合に、電話やチャットで専門スタッフへつなぐ導線があるか
  • 会話の記録を、応答の改善に活かす体制と頻度が決まっているか
  • 導入効果を、自動応答の完結割合だけでなく人へつないだ後の解決状況まで含めて追っているか

自社の対話AIに引き付けるなら、着手点は方式の選定の前にあります。定型応答で処理できる質問の棚卸しから始め、正確性が要る業務とそうでない業務を仕分けたうえで、どちらの方式を当てるかを決める順序が現実的です。Ericaの事例が示すのは、新しい技術を採用することではなく、業務の性質に合わせて方式を選ぶという判断そのものです。

あわせて読みたい

「コールセンターのAI活用：応対品質と効率を両立させる型」 https://axdx.aohalab.ai/#/article/48

「金融機関のAI活用は「守りの設計」から始める。情報管理と研修の進め方」 https://axdx.aohalab.ai/#/article/31

出典：Bank of America公式「Erica - Virtual Financial Assistant」 https://info.bankofamerica.com/en/digital-banking/erica?ref=tech.iqminds.me

本記事で紹介した内容は2026年11月時点の公表情報に基づきます。最新の内容は出典の一次情報をご確認ください。