Slackに常駐するAIエージェントで社内QAを自動化する：実装から運用まで

社内QAボットが解決する課題

社内の問い合わせ対応は、担当者の時間を大量に消費する業務の一つです。「あの手続きはどうするんでしたっけ」「〇〇のパスワードリセットの方法は」といった繰り返し質問に毎日応答しているという状況は、多くの企業で発生しています。AIエージェントをSlackに常駐させることで、これらの定型的な質問に24時間自動応答できる環境を構築できます。

成功の前提は「回答の元となる社内ドキュメントが整備されている」ことです。ドキュメントの品質がそのままボットの回答品質に直結するため、まず情報源の整理から始めることをおすすめします。

アーキテクチャの設計

基本アーキテクチャは「Slack Bolt → RAGエンジン → LLM → Slack応答」の4層構成です。Slack Boltはアプリメンション（@botname）や特定キーワードをトリガーにしてフローを起動します。RAGエンジンはベクトルデータベース（Pinecone・Chroma・Qdrantなど）に格納された社内ドキュメントを検索し、関連情報をLLMのコンテキストに追加します。

ドキュメントの更新頻度に応じてインデックスの再構築スケジュールを設定します。週次更新のドキュメントであれば日次でインデックスを再構築、リアルタイム更新が必要な場合はWebhookで変更を検知して差分インデックスを作成します。

Slack Bolt Appの実装

Slack Bolt for Python/JavaScriptは、Slack Appの開発に特化したフレームワークです。app.mentionハンドラーでメンションを受け取り、質問文をRAGエンジンに渡し、回答をSlackメッセージとして返信します。スレッド内で返信することで、チャンネルを汚さずに会話を維持できます。

実装上の重要点は「応答中」の状態をユーザーに伝えることです。LLMの処理には数秒かかるため、先に「回答を調べています...」という中間メッセージを送信しておくとUXが改善します。Slack APIのchat.updateで後から内容を書き換えられます。

精度向上と運用管理

ボットが「わかりません」と返答した質問をログに記録し、回答できなかった理由を分析することが精度向上の近道です。多くの場合、ドキュメントに情報がない・情報が古い・表現が検索クエリと一致しないという3パターンに集約されます。それぞれにドキュメントの追加・更新・同義語辞書の整備という対策を講じましょう。月1回のレビューで精度が継続的に向上します。