Column

AIは怒った顧客をなだめられるか——感情知性の測り方が変わった

LLMの感情知性を動的な会話シナリオで評価するEIBenchが提案された。サポート・防衛・修復・ラポールの4次元で15モデルを比較し、ターン単位の強化学習で感情管理能力を大幅に向上させた研究の現場への示唆。

2026 / 06 / 19 5 分で読める English version →

AIと顧客の会話ターンが感情スコアのグラフとともに可視化されているフラットイラスト

こんにちは。Affectosphere Group の井下です。

カスタマーサポートに AI を導入している企業から、こんな声をよく聞きます。

「クレーム対応のトーンが機械的すぎて、むしろ火に油を注いだ」——。

AI チャットボットの応答品質は文法的な正確さでは評価できません。怒っている顧客に対して、適切なタイミングで共感を示し、状況を修復し、長期的な信頼関係を築けるか。そこが問われます。

2026 年 6 月に arXiv で公開された研究（Rongzhi Zhu、Xiang Huang ほか；arXiv:2606.15532）は、この問いに正面から向き合うベンチマーク「EIBench」を提案しています。LLM の感情知性（Emotional Intelligence）を動的な対話シナリオで評価し、強化学習で改善する仕組みをまとめたものです。

今日の 3 点

サポート・防衛・修復・ラポールの 4 次元・2,222 シナリオで 15 モデルを評価する動的ベンチマーク EIBench が公開された。
ユーザーの感情状態を会話の各ターンでシミュレータが追跡し、ターン単位の報酬を与える Centered Turn-Credit GRPO で感情管理能力を大幅に改善した。
このフレームワークは、カスタマーサポート AI の調達評価や MLOps 品質ゲートとして直接応用できる。

① 「一問一答」では測れない感情知性

従来の LLM 評価は、主に静的な設問への回答品質を見るものでした。

ある感情的なメッセージに対してモデルが良い返答を生成できるか——それを単一ターンで採点する形です。しかし実際の会話は違います。最初は穏やかだった顧客が、やり取りを重ねるうちに怒りを募らせることがある。逆に、適切に対応すれば次第に落ち着いてくる。感情は会話の流れの中で動的に変化します。

EIBench は、この動的性を評価に組み込みました。シミュレータがユーザー役を担い、各ターンでユーザーの感情状態を追跡・更新します。モデルが会話全体を通じてどれだけうまく感情を管理できたかを測るわけです。

評価軸は 4 つです。まず「サポート（Support）」——感情的に困っている相手に共感と支援を示す能力。次に「防衛（Defense）」——不合理な怒りや攻撃的なトーンに対して冷静さを保ちながら関係を守る能力。三つ目が「修復（Repair）」——一度傷ついた関係を立て直す能力。四つ目が「ラポール（Rapport）」——会話を通じて長期的な信頼を積み上げる能力です。

2,222 のシナリオを用いて 15 モデルを評価した結果、静的な評価では高評価を得ていたモデルも、動的なシナリオでは大きく順位が入れ替わるケースがあったとしています。

② ターン単位の報酬が感情管理を改善した

研究のもう一つの柱は、Centered Turn-Credit GRPO（GRPO 拡張）と呼ばれる強化学習手法です。

従来の強化学習では、会話全体の結果に対して報酬を与えることが多く、「どのターンの応答が良かったか・悪かったか」が曖昧になりがちでした。しかしこのアプローチでは、シミュレータがターンごとにユーザーの感情変化を追跡し、各ターンの貢献度を細かく評価します。

「第 3 ターンの応答が感情悪化を引き起こした」「第 5 ターンで共感表明をしたことで感情が改善した」といった粒度でフィードバックを与えることで、モデルは会話の局所的なダイナミクスを学習できます。

この手法によってモデルの感情管理能力が大幅に向上したとしています。静的な評価では捉えられなかった動的な感情管理の改善を実現した点が、この研究の大きな貢献です。

③ カスタマーサポート AI の調達評価基準として使う

ではこの研究を、現場にどう活かすか。

最も直接的な応用は、カスタマーサポート AI の調達・切り替えの評価基準としての活用です。

現在多くの企業が複数の AI ベンダーを比較するとき、応答の正確さや処理速度、コストを見ます。しかし感情的に困難な顧客とのやり取りをどれだけうまく処理できるかは、従来の指標では測れませんでした。EIBench の 4 次元評価フレームワークを参照することで、「怒り顧客への対応品質（サポート・修復次元）」と「長期的なラポール構築力」を定量的に比較できます。

想定部署はコールセンターの AI 自動化担当と、AI 調達を担うプロダクトマネージャーです。参考にすべき KPI は「感情的なエスカレーション発生率」と「1 次解決率（怒り顧客対象）」の組み合わせでしょう。

もう一つの活用方法は、MLOps の品質ゲートです。

RL 改善版モデルをプロダクション投入する前に、EIBench 相当の動的シナリオでスコアを計測し、一定水準を超えた場合のみデプロイを許可する仕組みを作れます。静的なベンチマークだけでは見逃せていた感情管理能力の退行（regression）を検出できます。

HRtech や LegalTech 事業者にとっても示唆があります。たとえばハラスメント相談窓口のボットや、法律相談の初期受付 AI が対象です。感情的に傷ついたユーザーと接する場面での応答品質は、そのサービスへの信頼に直結します。EIBench の修復・ラポール次元は、こうしたユースケースで特に重要な評価軸になります。

「感情的に動的な AI」を選ぶ時代へ

AI の評価基準が変わりつつあります。

一問一答の正確さから、感情の動的変化に適切に対応できるか——そこが問われるようになってきました。EIBench は、その転換点を象徴するフレームワークです。

AI を導入する側の組織も、「感情知性の動的評価」という視点を調達基準に加える時期が来ていると思います。怒った顧客をなだめられる AI かどうかは、もはや技術的な好み　の問題ではなく、顧客体験と業績に直結する選択です。

では！

参考論文

Rongzhi Zhu, Xiang Huang, Yuchuan Wu, Rui Wang, Zequn Sun, Tao Ren, Weiyao Luo, Bingxue Qiu, Jieping Ye, Yongbin Li, Wei Hu (2026). EIBench: A Simulator-Based Benchmark and Turn-Credit RL for Emotion Management. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。