AI音声エージェントを自作するか、既製のAI電話受付を使うか

業務用のAI音声エージェントは、週末ひとつあれば作れます。それが月曜の朝、本物のお客様との接触に耐えられるかどうかは、まったく別の話です——そしてデモと「頼れるもの」とのあいだにあるこの隔たりこそが、作るか買うかという問いのすべてです。

ターミナルの前でも物おじしないタイプの経営者なら、この考えは魅力的に映るはずです。部品はすべて出そろっています。音声認識は安価なAPI呼び出しひとつ。大規模言語モデルは、あなたの受付役をよろこんで演じてくれます。音声合成はいまや、驚くほど人間らしく聞こえます。この三つをつなぎ、電話番号を配線すれば、人件費のほんの一部でロボットが回線に出てくれる——これが売り文句で、間違ってはいません。ただ、話が足りていないだけです。

この記事は、その足りない部分まで含めた正直版です。「あなたには絶対に無理だ」という話ではありません——できる人にはできますし、人によっては自作が本当に正解です。そうではなく、AI音声エージェントの自作に具体的に何が伴うのか、労力はどこに隠れているのか、本番で何が壊れるのか、そして自分の週末は作ることに使うべきか、それとも契約することに使うべきかをどう見極めるのか。曖昧な助言は、一週末で終わらせるつもりだった作業に六週末沈む原因になるので、できるだけ具体的に書きます。

AI音声エージェントの自作が、これほど魅力的に見える理由

魅力は本物ですから、話をややこしくする前に、まずそこは正当に認めておきましょう。自分で作れば、あらゆる判断が自分のものになります。第一声は、まさに自分が望んだとおりの第一声。エージェントはあなたの店の癖まで心得ています——火曜は予約なしの飛び込みだけ、青いバンの件でかけてくる男性はお客様ではなく仕入先、見積り金額は電話では絶対に言わない。すでに使っているカレンダーでもCRMでも、好きなようにつなげられます。そして運用費は、紙の上では数本のAPI利用料の合計にすぎず、通話量の少ない回線ならほとんど無料に見えることさえあります。

学びもあります。こうしたシステムが実際にどう動いているのかを本当に理解したいなら——モデルはどうやって予約と伝言を選び分けているのか、遅延はどこから忍び込むのか、なぜエージェントは時々かけてきた人の声にかぶせて話してしまうのか——ひとつ作ってみるほうが、一か月読み続けるよりも一週末で多くを教えてくれます。技術的な好奇心のある経営者にとっては、あとでその成果物を捨てることになったとしても、この学びには価値があります。

ですからこれは、自作を叩くための記事ではありません。実際にそこを歩いた人間が描いた、地形図です。問うべきは、あなたにその力があるかどうかではありません。完成し、信頼できる状態になったものが、本当にかかるコストに見合うかどうかです——そしてそのコストは、デモで目に見える部分には、まず含まれていません。

自作スタックを、部品ごとに分解する

AI音声エージェントは、ひとつのパイプラインです。かけてきた人が話し、何かがそれを文字に変え、何かが返す言葉を決め、何かがその返事を音声に変え、そのすべてが電話システムの上を流れていく。どの段階も、あなた自身が選び、統合し、料金を払い、保守しなければならない構成要素です。その解剖図がこちらです。

電話回線：通話を自分のコードまで引き込む

週末エンジニアがいちばん甘く見積もるのが、ここです。生の音声ストリームをソフトウェアに渡し、こちらの応答を送り返せる電話番号が要ります——リアルタイムで、双方向に、1秒未満の遅延で。つまり、電話事業者と、メディアストリーム（たいていは生の音声を運ぶWebSocket）と、人が話している最中もそれを安定させ続けるための配管が必要になるということです。音声コーデック、サンプリングレート、そして電話の音声は机上のマイクとは違うかたちで圧縮され、ノイズを含んでいるという事実に向き合うことになります。どこかを少しでも間違えれば、かけてきた人が聞くのは、言葉が途切れ、ワンテンポ遅れ、話の途中で回線を切ってしまうロボットです。

音声認識：かけてきた人の声を聞き取る

電話越しの文字起こしは、きれいな録音の文字起こしよりずっと難しい。かけてくる人はもごもご話し、風の中に立ち、ラジオをつけたまま運転し、どんな辞書にも載っていない名前を名乗ります。相手が言い終える前に応答できるようストリーミングの文字起こしが欲しくなりますし、加えて、相手が本当に話し終えたのか、それとも考えるために一拍置いただけなのかを見分ける仕組みも要ります。この間の取り方を読み違えれば、エージェントは人の話に割り込むか、気まずい三秒の沈黙を残すかのどちらかになります。どちらも、感じがよいとは受け取ってもらえません。

推論の層：何を話すかを決める

言語モデルが住むのがここで、あなたの本当の腕の見せどころもここです。チャットボットにプロンプトを書いているのではありません。台本から外れず、事業プロフィールから正しい事実を引き出し、料金を勝手に創作せず、予約すべきときと伝言にとどめるべきときを見分け、尋ねられたら決して人間だと偽らない——そういう電話エージェントを作っているのです。それはシステムプロンプトであり、呼び出せる道具の集まり（カレンダーを確認する、予約を保存する、SMSを送る）であり、大量のガードレールです。そして、会話のやり取りひとつごとにモデルへの往復が発生するので、費用と遅延が積み上がる段階でもあります。

音声合成：声そのもの

かけてきた人が最初に評価するのは、声です。最近の音声合成は見事に聞こえます——電話番号、住所、小数、外国語の名前にぶつかるまでは。そこでは、堂々と間違ったものを口にすることがあります。発音を調整し、ブランドに合う声を選び、そしてまた遅延と戦うことになります。速く返させたいほど、まだ生成し終わっていない音声を流しながら送り出す必要が出てきて、それ自体がちょっとした技術的な難題になるからです。

接着剤：箱と箱のあいだにあるすべて

これらの構成要素は、そのままでは互いに口をきいてくれません。オーケストレーションは自分で書くことになります——聞き、文字にし、考え、話し、割り込みを処理し、会話をまたいで状態を管理し、何が起きたかを記録し、手に余ったときは相手をきれいに引き継ぐループです。この接着剤こそが、デモを製品に変える場所であり、そのエージェントが生きているかぎり、あなたが保守し続けるコードです。

デモと本番のあいだにある溝

優秀なエンジニアほどはまる罠が、ここにあります。動くデモはすぐにできますし、それでもう完成した気になります。自分の番号にかけて、営業時間を尋ね、枠を予約してみると、美しく動く。素直に自分に感心するでしょうし、それは当然です——本物の前進なのですから。問題は、デモとは「かけ方を自分が知っている通話」だということです。本番とは、自分が台本を書かなかったすべての通話です。

小さな美容室が、金曜に自作のエージェントを本番投入したとしましょう。翌週から、本物の電話が届きはじめます——文字起こしがどうしても崩してしまう強い訛りの人。ロボットが自分を知っているかのように「いつものやつで」と頼む人。途中で割り込んで予約内容を変えようとする人。間違い電話。仕入先。電車の中で数秒おきに電波が切れる人。ブライダルの団体を受けているかどうかなど、オーナーが答えを用意しようとも思わなかった質問をしてくる人。このひとつひとつが不具合で、そのひとつひとつの裏側では、あなたが本番環境でデバッグしているあいだ、実在のお客様が実際に嫌な思いをしています。

たちが悪いのは、音声の失敗が、自分から探しにいかないかぎり目に見えないことです。あなたのエージェントで嫌な思いをした人は、不具合の報告など出しません。黙って電話を切り、二度とかけてこず、あなたはそれが起きたことすら知らないままです。テキストのアプリなら、壊れた会話を読み返せます。電話回線では、失敗は音もなく玄関から出ていきます。エージェントを作るのは、仕事の見えているほうの半分。いつ失敗しているのかを知るための観測の仕組みを作るのが、誰もブログに書かないもう半分です。

保守：終わることのないコスト

押し切って、本当にしっかりしたエージェントを本番に出せたとしましょう。おめでとうございます——あなたはそれを所有しました。「週末プロジェクト」という言い方がまるごと隠しているのが、この部分です。というのも、それは作った週末には起きないからです。起きるのは、その後のあらゆる週末です。

• モデルの入れ替わり。AI事業者は、自分たちの都合でモデルを廃止し、変更します。完璧に振る舞っていたプロンプトも、土台のモデルが更新されればずれていきますし、それを教えてくれるのは変更履歴ではなく、お客様です。
• APIの変更。電話、文字起こし、音声——どの事業者もインターフェースを進化させます。3月につなぎ合わせたものが、あなたのコードとは何の関係もない理由で、9月には動かなくなります。
• 自分の事業のほうの変化。新しい料金、新しい営業時間、新しいメニュー、スタッフの交代、休業日。そのたびにエージェントを直すことになります——しかも事実をプロンプトに直書きしていたなら、それは設定変更ではなくコード変更です。
• 費用のじわ寄せ。通話量が増えるにつれ、あるいは二つ目の言語を足すにつれ、あるいは会話が長くなるにつれ、API料金は直線的でも分かりやすくもない形で上がっていき、請求書が届くまで気づきません。
• 稼働。夜8時にサーバーがつまずいても、その回線はあなたの回線です。サポート窓口はあなた自身しかなく、かけてくる人は、それが週末かどうかなど気にしません。

どれも、作るなという理由にはなりません。ただ、「AI音声エージェントを作った」と「事業が依存するAI音声エージェントを運用している」は、まったく別の文だと正直に認める理由にはなります。前者はプロジェクトです。後者は、本当は事業を回すことに使いたいその同じ注意力を、これからずっと奪い合い続ける責任です。

既製サービスとは、実のところ何なのか

Vunoonのような出来合いのAI電話受付も、中身は同じパイプラインです——電話回線、文字起こし、推論、音声、オーケストレーション。ただし、そのパイプラインはすでに作られ、何千件もの実通話で試され、それを動かし続けることだけを仕事にしている人間が保守しています。手に入るのは部品ではありません。完成した製品と、運用上の責任を自分の皿から下ろせること、この二つです。

具体的には、週末をいくつも費やすはずだった設定が、短いウィザードになります。登録して、自分の事業を説明し——サービス内容、営業時間、伝えてよい料金、電話をどう扱ってほしいか——本物のお客様に触れる前に、その場で話しかけてテストできます。良さそうだと思えたら、番号を転送するだけ。24時間365日、25以上の言語で応対し、予約と伝言を受け、通話ごとに要約と書き起こしを送ってくれるので、回線で何が起きたのかを想像で埋める必要がなくなります。

自分で作るとなれば必要だったのに、そうと気づきにくい部分も面倒を見てくれます。手に余れば、はったりをかまさずに、伝言を受けるか折り返しを手配して、きれいに引き継ぎます。尋ねられて人間のふりをすることもありません。土台のモデルが変わればこちらが更新するので、ずれていくプロンプトを追いかけずに済みます。そして電話番号や住所、読みにくい名前の発音は、すでに別の誰かが戦って片づけたあとです。

正直な、横並びの比較

表ひとつで作るか買うかが決まるわけではありませんが、軸を並べてみると、自分の優先順位がどこに落ちるのかは見えやすくなります。どちらの側にも宣伝の艶を塗らずに書いた、取引の中身です。

最後の行に注目してください。たいていの場合、勝負を決めるのはここだからです。AI音声エージェントを作れば、AI音声エージェントに詳しくなります。事業の運営は、それだけですでにフルタイムです。作るか買うかの下にある本当の問いは、こうです。いま自分がやっている事業の上に、音声AIの基盤という事業まで抱えたいのか？

自作が、本当に正しい選択になるとき

自作が勝つ場面は現実にありますし、そうでないふりをするのは、この記事が避けようとしているまさにその不誠実さです。次のようなときは、自分で作りましょう。

• 学ぶこと自体が目的のとき。音声AIを深く理解したくて、エージェントはそのための手段である。作って、学んで、残すか捨てるかは後で決める——学びそのものが見返りです。
• 要件が本当に風変わりなとき。どの製品も外に出していない振る舞いが必要——とんでもない振り分けルール、社内のレガシーシステムへの一点物の連携、電話アシスタントというより独自の音声アプリケーションと呼ぶべき業務フロー。
• 開発の時間が、期限なしで余っているとき。空いた週末ひとつではありません——エージェントが生きているかぎり毎月確保できる、常設の時間予算です。それがあり、しかも自分の通話量では代替案より安く済むなら、自作は計算に乗ります。
• 失敗しても痛くないとき。その回線が生命線ではない。エージェントが一本しくじっても、お客様も予約も失われないなら、実害なしに人前で試行錯誤できます。

素直に既製サービスを使うべきとき

ほとんどの小規模事業にとって、正直な推奨は「買う」です。理由は能力ではなく、時間です。チェアが二台の歯科医院を考えてみましょう。取り逃した電話の一本一本が、新患だったかもしれないし、予約を取り直すクリーニングだったかもしれない。院長は歯科医師であってシステムエンジニアではなく、その希少な資源は注意力です。それをコーデックの癖やプロンプトのずれに使うのは、患者に使うのと比べて割の悪い取引です。この医院にとって、週に十本の取り逃しは、その一本一本が予約になり得たという、実在する数えられる損失であり、それを塞ぐ最短経路はリポジトリではありません——今日の午後には動いている回線です。

買う理由がいちばん強くなるのは、電話が本当に売上に効いているとき、自分の時間を基盤づくりよりも本業に使ったほうがよいとき、見事に動くことよりも確実に動くことが欲しいとき、そして日曜の夜8時にモデル提供元が変更を出したときに起きているのが自分以外の誰かであってほしいときです。作るか買うかを私たちに尋ねてくる経営者の大半が、これに当てはまります——作る力は十分にあるのに、所有はしたくないと結論づけた人も、たくさん含めて。

午後いっぱいで決める方法

タブが十二枚もある表計算は要りません。必要なのは、いくつかの問いへの正直な答えと、その答えを信じる覚悟です。

1. 1
   本当に出せる時間の予算を、口に出す

   作る週末のことではありません——これから永遠に保守へ充て続ける、毎月の時間です。その数字が正直にゼロなら、答えはもう出ていますし、それは自作ではありません。
2. 2
   その回線の重みを見積もる

   一本しくじるとお客様か予約を失うのなら、あなたが欲しいのは制御より信頼性で、それは「買う」へ強く傾きます。
3. 3
   自分が本当に何を欲しいのかを問う

   動く電話アシスタントですか、それとも、それがどう動くのかという知識ですか。どちらも正当です——ただ、行き着く判断は別なので、正直に答えてください。
4. 4
   まず速い道を試す

   既製サービスを設定して、数分のうちに話しかけてみてください。これで具体的な基準ができ、自分で作るものが週末を捧げるに足るだけそれを上回るのかを、問えるようになります。

この最後の一歩が、正直な決め手です。自作版は、まだ空想でいるあいだは美化しやすい。まず本物の、動くエージェントを目の前に置き、それから、自分の特注版が継続コストに見合うほど優れているかを判断してください。実際に代替案を耳で聞いてしまえば、答えはたいてい「いいえ」になります——そしてそれは、あなたの一か月を救った、まったく上等な結末です。