AI研修 LMS

JR 東日本が「みどりの窓口」に生成 AI を導入する実証実験｜AI が要望を整理し、発券は駅係員が担当【AI活用事例】

公開: 2026-07-23

JR 東日本（東日本旅客鉄道）鉄道（公共交通）駅窓口の顧客対応支援（生成 AI による要望整理の実証実験）大手生成 AI（音声対話）みどりの窓口 AI 対応サービス（仮称）NEC 製実証機（立川駅）

この事例でわかること

  • JR 東日本が NEC・Gen-AX（ソフトバンク 100% 子会社）と共同で「みどりの窓口 AI 対応サービス（仮称）」の実証実験を実施（2026-06-09 発表）
  • 実施は立川駅（7/20〜22、NEC 製）と大宮駅（7/23〜25、Gen-AX 製）。みどりの窓口内の特設ブースで、希望する利用者のみが対象
  • 生成 AI が音声対話で乗車区間・日時・人数・割引の有無などの要望を整理し、係員へ事前送信。発券は有人窓口の係員が担当する（AI は発券まで完結しない）
  • UI は 2 方式が併存。Gen-AX 製は音声のみ、NEC 製は聞き間違えやすい項目に画面タッチを併用
  • 待ち時間短縮率などの定量効果は未公表。実証段階であり「窓口の待ち時間を削減した事例」ではない

主な指標（一次ソース確認済み）

取り組みの段階
実証実験（サービス名も仮称）

2026-06-09 の JR 東日本・NEC・Gen-AX 各社発表に基づく。サービス名は「みどりの窓口 AI 対応サービス（仮称）」で、正式サービス化・導入駅の拡大は決まっていない。商用提供の開始時期に関する公式発表はない。

実証の実施場所・日程
立川駅 2026-07-20〜22 / 大宮駅 2026-07-23〜25

各社発表および報道に基づく。立川駅では NEC 製、大宮駅では Gen-AX 製の実証機を使用。実施はみどりの窓口内に設けた特設ブースで、希望する利用者のみが対象。全利用者に適用されたものではない。本記事公開時点（2026-07-23）で大宮駅の実証は開始直後であり、結果は公表されていない。

AI が担当する範囲
要望の整理・確認まで（発券は有人窓口の係員）

NEC の公式発表によれば、生成 AI が乗車券・特急券などの購入にかかわる要望を整理し、整理した要望を窓口係員へ事前に送信、その内容に基づいて有人窓口で係員が発売対応を行う。報道では整理番号が発行され、みどりの窓口で乗車券を受け取る流れとされる。AI が発券まで完結する仕組みではない。

定量効果
未公表

待ち時間短縮率・対応件数・係員の工数削減・利用者満足度といった数値は、各社発表・報道のいずれにも記載がない。実証実験の期間中であり、効果を測定・公表できる段階にない。「待ち時間を削減した事例」として扱うことはできない。

公表されている将来構想
多言語対応、要望確認から発券までの一体的対応（いずれも検討段階）

NEC 公式発表に将来的な視野として記載された内容。実施が確定した計画ではなく、実証結果を踏まえて検討される構想。現時点の実証範囲には含まれない。

一次ソース: https://www.jreast.co.jp/press/2026/20260609_ho03.pdf （公開: 2026-06-09）

要約

JR 東日本が、NEC および Gen-AX（ソフトバンク 100% 子会社）と共同で、「みどりの窓口 AI 対応サービス（仮称）」 の実証実験を実施しています（2026 年 6 月 9 日、各社発表）。

  • 実施場所・日程: 立川駅（2026-07-20〜22、NEC 製実証機）／大宮駅（2026-07-23〜25、Gen-AX 製実証機）
  • 実施形態: みどりの窓口内に設けた特設ブースで、希望する利用者のみが対象
  • AI の担当範囲: 音声対話で乗車区間・日時・人数・割引の有無などの要望を整理し、係員へ事前送信
  • 発券: 有人窓口の係員が担当（AI は発券まで完結しない）

AI が駅員を置き換える取り組みではありません。 公式発表が示すのは「AI が聞き取って整理し、人間が発売する」という役割分担です。また、待ち時間短縮率などの定量効果は一切公表されていません。本記事は、公開されている設計をもとに、対人サービスへの生成 AI 適用における責任分界の考え方を、Links-Create の独自分析として整理したものです。

何が発表されたか（公式情報ベース）

JR 東日本・NEC・Gen-AX の各社公式発表（いずれも 2026-06-09）および実証機公開時の報道（2026-07-17）から確認できる事実を整理します。

項目内容
サービス名みどりの窓口 AI 対応サービス（仮称）
発表日2026 年 6 月 9 日
位置づけ実証実験（正式サービス化・展開計画は未発表）
立川駅2026-07-20〜22、NEC 製実証機
大宮駅2026-07-23〜25、Gen-AX 製実証機（自律型 AI オペレーター「X-Ghost」）
実施形態みどりの窓口内の特設ブース、希望する利用者のみ
AI が聞き取る項目乗車区間、日時、人数、割引の有無、出発時刻、支払い方法など
AI の出力整理された要望を窓口係員へ事前送信（報道では整理番号を発行）
発券有人窓口で係員が対応
UI の違いGen-AX 製＝すべて音声／NEC 製＝聞き間違えやすい項目にタッチ操作を併用（報道ベース）
検証項目聞き取り精度、対話の安定性、利用しやすさ（報道ベース）
定量効果未公表
将来構想多言語対応、要望確認から発券までの一体的対応（いずれも検討段階）

処理の流れを公式発表の記述に沿って並べると次のようになります。

  1. 利用者が特設ブースの装置に 音声で話しかける
  2. 生成 AI が 乗車区間・日時・人数・割引などを順に聞き取る
  3. AI が きっぷ購入にかかわる要望を整理する
  4. 整理した要望を 窓口係員へ事前に送信（利用者には整理番号）
  5. 有人窓口で係員が発売対応を行う

設計構造の整理（Links-Create による解説）

以下は公開情報から読み取れる構造の独自分析であり、JR 東日本・NEC・Gen-AX の公式見解ではありません。

1. 「AI に何をさせないか」を先に決めた設計

本事例で最も参考になるのは、AI の担当範囲を意図的に手前で止めている点です。

工程担当理由（推定）
聞き取り・対話AI自然言語の受け取りは AI が得意。待ち時間中に並行処理できる
要望の構造化AI曖昧な口頭表現を項目に落とす作業
規則の適用判断人間運賃・割引の適用条件は複雑で、誤りが金銭トラブルに直結
発券・決済人間取り消しが難しい確定的な行為
例外対応人間想定外の要望、複雑な経路、トラブル対応

きっぷの発売は、乗車券・特急券・企画乗車券・各種割引が複雑に絡み合う業務です。生成 AI は自然な聞き取りに強い一方、規則の厳密な適用を保証することは構造的に苦手です。誤った発券は金銭トラブルや旅程の破綻に直結するため、その部分を人間に残すのは合理的な判断と読めます。

2. 「待ち時間」の正体を分解している

窓口の待ち時間は、単一の要因では説明できません。分解すると次の構造になります。

  • 要望の聞き取り時間（どこへ、いつ、何人で、割引は使うか）
  • 規則適用・検索の時間（適用可能な商品・経路の特定）
  • 発券・決済の時間
  • 前の客が終わるのを待つ時間（待ち行列そのもの）

本事例の設計は、このうち 1 つ目を窓口の外に出す ことを狙っていると読めます。利用者が並んでいる間に AI との対話で要望を整理しておけば、窓口では「整理済みの要望に基づく発売」から始められます。

これは業務全体を自動化するのではなく、ボトルネックの一部だけを切り出して前倒しするアプローチです。効果が出るかは実証結果を待つ必要がありますが、設計としては現実的です。

3. 2 方式を並行検証する進め方

同一の業務課題に対し、立川駅は NEC 製（音声＋タッチ併用）、大宮駅は Gen-AX 製（音声のみ） という異なる UI 方式を並行して検証している点も特徴です。

音声のみの方式は操作がシンプルですが、駅構内の騒音・聞き間違い・利用者の話し方のばらつきに弱くなります。タッチ併用は確実性が上がる一方、操作の学習コストが生じます。どちらが優れているかは机上では決まらないため、実地で並行比較する構成は妥当です。

企業の AI 導入でも、単一のベンダー・単一の方式を早期に決め打ちするより、小規模で複数方式を並行検証してから絞るほうが、結果的に手戻りが少なくなります。

4. 「希望する利用者のみ」という設計配慮

実証がみどりの窓口内の特設ブースで、希望する利用者のみを対象に行われている点も見落とせません。

公共交通は利用者を選べません。高齢者、障害のある方、日本語を母語としない方、音声入力に不慣れな方——多様な利用者が同じ窓口を使います。AI を必須の経路にすると、対応できない層を排除することになります。従来の有人窓口を残したまま選択肢として追加する設計は、公共性の高いサービスでは必須の配慮です。

なお、多言語対応は将来構想として挙げられていますが、現時点の実証範囲には含まれていません。

対人サービスへの AI 適用の示唆（Links-Create の視点）

示唆 1: 業務を「聞き取り／判断／実行」に分解する

本事例の構造は、あらゆる窓口業務に応用できます。

  1. 聞き取り（顧客の要望を受け取り、構造化する） → AI に向く
  2. 判断（規則・条件を適用し、何を提供するか決める） → 誤りのコスト次第
  3. 実行（契約・決済・発行など確定的な行為） → 人間に残すのが安全

金融の窓口、行政の各種申請、医療機関の受付、保険の相談——いずれも同じ分解が可能です。まず 1 だけを AI に任せ、効果を測ってから 2 の一部に広げる、という順序が現実的です。

示唆 2: 「引き継ぎの品質」が全体の成否を決める

AI と人間で工程を分けると、接続部分が新たなボトルネックになります。本事例では「整理した要望を係員へ事前送信」がその接続部分です。

自社で同種の設計をする場合、次を具体的に決める必要があります。

  • 引き継ぐ情報の項目と形式（自由文か、構造化データか）
  • AI が聞き取れなかった項目をどう表示するか
  • 人間がAI の整理を修正する手段
  • 利用者がやり直したいときの動線

ここが雑だと、係員が結局最初から聞き直すことになり、かえって時間が増えます。「AI を入れたのに遅くなった」という失敗の典型がこれです。

示唆 3: 効果測定の指標を実証前に決める

本事例で公表されている検証項目は「聞き取り精度」「対話の安定性」「利用しやすさ」とされています（報道ベース）。ここで重要なのは、技術指標（聞き取り精度）と業務指標（待ち時間）を分けて測ることです。

  • 技術指標: 聞き取り精度、対話完了率、平均対話時間
  • 業務指標: 窓口での応対時間、行列の長さ、1 時間あたり処理件数
  • 体験指標: 利用者の満足度、再利用意向、離脱率

技術指標だけが良くても業務指標が改善しないことは珍しくありません。逆も同様です。導入前に 3 種類を定義し、ベースラインを測っておくことが、投資判断の前提になります。

法人 AI 研修への示唆（Links-Create の視点）

  1. 責任分界の設計をビジネス側が担う — 「AI にどこまで任せるか」は技術的な問題ではなく、業務上のリスク判断です。本事例が発券を人間に残しているのは、技術的にできないからではなく、誤りのコストが高いからです。この判断は業務責任者にしかできません。
  2. 「AI 導入＝人員削減」という短絡を避ける — 本事例の設計は、係員を減らすのではなく、係員が本来注力すべき業務（規則適用、例外対応、対人配慮）に時間を振り向ける構造です。AI 活用の目的設定を「削減」に置くか「再配置」に置くかで、現場の受け止め方も成果も変わります。
  3. 利用者の多様性を前提に置く — 音声 UI は万能ではありません。高齢者、非母語話者、聴覚・発話に困難のある方への配慮を欠いた設計は、実装後に大きな手戻りを生みます。アクセシビリティを後付けにしない検討順序を、研修でも扱う必要があります。

関連リソース

出典・引用ポリシー

本記事の事実情報は、以下を出典としています。

一次ソース（公式発表、いずれも 2026-06-09）

補助ソース（実証機公開時の運用実態）

設計構造の解説、対人サービスへの示唆、研修への示唆は Links-Create の独自分析であり、JR 東日本・NEC・Gen-AX の公式見解ではありません。

本記事は 実証実験段階の事例 です。サービス名も「仮称」であり、正式サービス化や導入駅の拡大は発表されていません。待ち時間短縮率・対応件数・係員の工数削減・利用者満足度といった定量効果は一切公表されていないため、本記事でも数値としては記述していません。生成 AI が担うのは 要望の整理・確認と係員への引き継ぎまで であり、発券は有人窓口の係員が行います。「AI が窓口業務を代替した事例」ではない点にご注意ください。多言語対応および発券までの一体的対応は将来構想として言及されているもので、現時点の実証範囲には含まれません。

公式情報の更新があれば、本記事も追従して更新します。

関連する AI 研修コース・ガイド

この事例で見た AI 活用を、自社のエンジニア・実務者が手を動かして再現できる 実装演習とガイド記事です。Anthropic Academy の概念入門の次に位置する、 実装力定着のためのカリキュラムをご覧ください。