配達とモビリティ / 配車
Lyft：乗客と運転手向けカスタマーサポートAIエージェントを現場担当者が自ら作るプラットフォームの運用
- 企業
- Lyft
- 国
- 米国
- 導入状況
- 運用中
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 原文の本文を閲覧
業務課題
Lyftの技術チームが2026年5月27日にLangChainのブログに寄稿した記事によると、LyftのAI Assistはアカウントへのアクセス、車両損傷の補償、料金の確認、収入に関する異議といった乗客と運転手のサポート依頼を処理している。2023年に始めて以来、エージェントを1つ作るたびに機械学習エンジニアが数か月かける必要があり、2026年に新しい利用者層、新しい問い合わせの種類、自動運転車のサポートで需要が増えると、顧客の問題を最もよく知る現場担当者がエンジニアを通さなければエージェントを直せない仕組みがボトルネックになった。
使った技術とデータ
LyftはLangGraphでルーター型のマルチエージェント構成を作った。上位のエージェントが届いた依頼を分類して乗客向け、運転手向け、損傷補償といった専門のサブエージェントに渡し、会話のターンごとに悪意の検知と安全上の問題の検知をLLMの推論より先に並行して実行する。運用チーム、顧客の声の担当者、プロダクトマネージャーは決められたテンプレートのプロンプトとJSON設定だけで新しいエージェントを定義し、画像処理や不正検知が必要な損傷補償のようなリスクの高い業務はエンジニアが自ら作る。新しいエージェントはまず実際の問い合わせの5%から10%だけに出し、LangSmithですべての実行を追跡し、実際の会話のサンプルをLLMの評価器で自動採点してから全体に広げる。
成果
Lyftのチームによると、最初の運転手向けエージェントに約6か月かかった開発が、設定型の新しいエージェントでは約2週間に縮まり、稼働中のエージェントの100%に実際の会話を採点する自動評価が付いた。評価指標に基づく安全策でハルシネーションと矛盾した回答の割合は20%下がり、セルフサービスのプラットフォームでいくつかのエージェントを出した後、AIによる解決率は16%上がった。エンジニアではないチームメンバーの多くが自らエージェントを作り、改良している。
限界と残る課題
AIによる解決率の基準値、処理した問い合わせの件数、コストの変化は原文にない。
出典
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。