問い合わせ対応や初回のヒアリングをAIに任せたい、という話は増えました。ただ、実際にやろうとすると詰まるのは「間違えたらどうするか」です。米Wondr Healthは、健康プログラムの参加者との最初の対話をAIコーチに置き換えたことを公表しています。医療に近い領域で、答えを誤れば実害が出る場面です。Anthropicが公開した導入事例に、その設計と検証の進め方が書かれていました。使ったモデルの名前より、会話を誰がどう見張っているかのほうが参考になります。
この事例の対象
Wondr Healthは、行動と生活習慣の変化にもとづく体重管理プログラムを提供している企業です。公式サイトによると、対象は個人だけでなく、雇用主・健康保険プラン・福利厚生のコンサルタントを含みます。従業員向けの福利厚生として導入される形が中心です。公式サイトには、2,100を超える雇用主・健康保険プラン・パートナーと取引があり、米国内の参加者は「2+ million」と記載されています（出典の表記のまま示します）。
プログラムの中身は3つに分かれています。習慣づくりを支える行動面のコーチング、1対1の栄養サポート、そして希望者向けのGLP-1医薬品の管理です。人のコーチが伴走することが前提の設計で、そこが今回の話の肝になります。
導入事例のほうには、抱えていた問題が書かれています。参加者ごとの初回対応に30分から60分かかっており、コーチが同じような質問への回答に追われていたというものです。最初につまずいた参加者はそのまま離脱しやすい、という指摘もあります。人を増やせば解けますが、それはコストがそのまま増えるということでもあります。
何をしたか：初回の対話をAIに置き換えた
Wondr Healthは、パートナー企業のBlank Metalとともに「Wonda」というAIコーチング層を作りました。Amazon Bedrock経由でClaudeを使う構成です。導入事例には、役割ごとにモデルを使い分けていることが書かれています。コーチングの推論にはClaude Opus 4.5、安全面の検知にはClaude Sonnet、自動評価にはClaude Haikuという分担です。全体の制御にLangGraph、動作の追跡にLangSmithを使っています。
回答の根拠についても記載があります。Wondaの応答は、Wondr Health自身のカリキュラムをRAGの仕組みで参照して組み立てられます。モデルが持っている一般知識だけで答えるのではなく、自社が用意した教材の範囲に回答をつなぎとめる形です。医療に近い話題で、根拠のない説明が混ざることを避けるための構造だと読めます。
結果として、これまで30分から60分かかっていた初回対応が、10分の案内つき対話に置き換わったと公表されています。人のコーチが最初の説明に費やしていた時間が、そのまま短くなったということです。
安全側の設計：もう1体のエージェントが会話を見る
この事例でいちばん参考になるのは、安全面の作り方です。導入事例には、会話と並行して動く安全用のサブエージェントが置かれていると書かれています。参加者とのやり取りを1ターンごとに監視し、引き継ぐべき内容だと判断したら、Zendeskにチケットを自動で作って人のコーチへ渡します。
つまり、応答の品質を「良い答えを返せるか」だけで担保していません。「危ない兆候を見つけて手を離せるか」という別の系統を用意しています。応答する側と監視する側を分けているため、応答側が誤った判断をしても、監視側がそれを拾える構造になります。
Blank MetalのJason Dehlerさんは、この領域で必要なモデルについて「範囲の内側にとどまり、臨床的に正確に答え、何かおかしければ適切にエスカレーションできる、と信頼できるモデルが要る」と述べています。求めているのは賢さではなく、境界を越えないことと、越えそうなときに手を挙げることだという言い方です。
評価の仕組みも自動化されています。Claude Haikuを評価役として使い、応答を機械的に採点する構成です。人が全件を読む方式では、対話量が増えた時点で回らなくなります。評価を機械に持たせたうえで、危険な兆候だけを人へ回すという二段構えになっています。
公表されている結果
公開前の検証について、はっきりした記述があります。実際の参加者がAIコーチに触れる前に、Wondr Healthのチームは700件を超える質問を試しました。6種類の利用者像を想定し、エンジニアの手を借りずにテストできる画面を用意したうえでの検証です。作った側が想定する質問ではなく、参加者が実際に投げそうな質問を並べて潰したということになります。
導入事例に挙げられている結果は次のとおりです。30分から60分かかっていた初回対応が10分の対話に置き換わったこと。口調・共感・個別性について良い反応が得られていること。そして、人のコーチには聞きづらかった内容を、参加者がAIに対しては打ち明けたという観察です。最後の点は、既存のチャットボットの利用状況からも同じ傾向が見えていたと書かれています。匿名で聞けることが、機械側の利点として働いた形です。
現在の段階も明記されています。第1段階の検証は完了し、第2段階のベータ展開が進行中で、そこで継続率と定着を測っている最中だとされています。つまり、継続率が何ポイント改善したという確定値は、まだ公表されていません。本記事でも、その数値を推測で補うことはしません。
日本の実務者が参考にできる点
業種が違っても持ち帰れる点が3つあります。
1つ目は、応答と監視を分けることです。1つのAIに「正しく答え、かつ危ないときは止まれ」と両方を求めると、どちらも中途半端になります。会話を見る役を別に立て、引き継ぎ先（この事例ではZendeskのチケット）まで決めておけば、止まる条件を運用として持てます。
2つ目は、公開前に質問を並べて潰すことです。700件超・6種類の利用者像という規模感は、ひとつの目安になります。重要なのは件数そのものより、エンジニアを介さずに現場が試せる画面を先に作った点です。実際に対応している人が思いつく質問こそ、本番で飛んでくる質問だからです。
3つ目は、回答の出どころを自社の資料に縛ることです。Wondaはカリキュラムを参照して答えを組み立てています。同じ考え方は、料金表・規約・手順書を持つ事業なら、そのまま適用できます。モデルの一般知識で答えさせないという判断が、誤りの量を先に減らします。
一方で、そのまま真似できない部分もあります。この事例は、人のコーチが最初からいる事業に、入口の対話を足した構成です。人が受け止める先が無いまま入口だけを自動化すると、監視側が引き継ぐ相手を失います。導入の順序としては、引き継ぎ先の体制が先です。
公表されていないこと
継続率や定着率が実際にどう動いたかは、第2段階で測定中とされており、数値は公表されていません。コーチの人数がどう変わったか、費用がいくらかかったかも記載がありません。Wondaが扱える話題の範囲、対応言語、提供地域についても、導入事例には書かれていませんでした。
公式サイトに載っているプログラム全体の実績値（参加者数や取引先数など）は、Wondaの導入によるものとして示されているわけではありません。両者を結び付けて読まないよう、ここでは分けて扱っています。
この分野の実務を相談したい方へ
記事で扱っている内容は、当社が実務として支援している領域です。 自社で進めるか外部に任せるかの判断からご相談いただけます。