Jonathan CorbinのMaven AGI、support ticketを$40から$8へ下げるAI customer support

90社の導入を、customer operationsの再設計へつなぐ

Maven AGIは、2023年初めにJonathan Corbin、Sami Shalabi、Eugene Mannが立ち上げた。

CorbinはHubSpot、Adobe、Marketo、Sprinklrでcustomer successを見てきた。

ShalabiはGoogle Newsなどの大規模personalizationを、MannはGoogleとStripeでApplied MLを経験していた。出典

創業のきっかけ

三人が向き合ったのは、顧客対応の規模を拡大するほど、knowledge・CRM・人間の判断が分断される問題だった。

MavenはそこにAIを置くだけでなく、enterprise dataと人間のteamの間に立つintelligence layerとして構想された。出典

GPT-4を転機にする

初期のMavenはGPT-4をcustomer supportの文脈へ適応させ、knowledgeの取り込み、CRMやAPIとの接続、回答のself-evaluationを組み合わせた。

Jonathan Corbinは「Existing systems and siloed data have made it challenging to deliver a great experience in a cost-effective manner」と語り、既存システムと分断されたデータを問題の中心に置いた。出典

成長と拡張

公式サイトは90社以上がMavenを利用していると説明する。

製品はchatだけでなくemail、voice、webへ広がり、Agent Designerでは変更前のsimulationと評価を可能にした。出典

ここでMavenは「回答するbot」から、policyを持ち、業務APIを実行し、改善を繰り返すsupport workflowへ姿を変えた。

現在地

Mavenの現在地は、AIの賢さを売ることより、enterpriseが安全にagentを運用できる面を提供することにある。

Jonathan Corbinが掲げる「meaningful personalized interactions」への移行は、問い合わせ処理の自動化を、人間が難しい顧客対応へ集中するための再配分として読むことができる。出典

Maven AGIのPMFは、複数のhelpdesk・CRM・社内APIに分散した顧客対応を、AI agentが実行可能な一つの運用面へ戻すことにある。

公式説明ではchat、email、voice、webを一つのreasoning engineで扱い、既存のhelpdeskへ統合できる。出典

これは単なるFAQ chatbotではなく、返品・返金などのactionまで含むsupport operationsを対象にする点が明確だ。

導入先は高い問い合わせ量と複雑なpolicyを持つenterpriseに寄る。

堀はモデルそのものではなく、enterprise data・policy・routing・評価ログを一つの運用面に蓄積することだ。

Agent Designerの検証とknowledge graphの更新が日常業務に組み込まれるほど、単純なLLM wrapperへの乗り換えコストが上がる。出典

直接的なnetwork effectは弱い。

顧客が増えても同じagentが自動的に賢くなるわけではないからだ。

一方で、多数の業界・channelで得た評価パターンやintegration知見は、導入テンプレートと品質管理へ間接的に還元できる。出典

主な対象は、問い合わせ量が大きく、ZendeskやSalesforceなど既存のsupport stackを持つenterpriseのCX・support・operations責任者だ。

逆に、単一channelの小規模事業者や、API actionを必要としないFAQ用途には過剰になりやすい。

第一に、Mavenはknowledge ingestion、CRM context、API actionを分離せず接続する。

第二に、同じpolicyをchat・email・voiceへ再利用し、channelごとの差を運用側で吸収する。出典

第三に、Agent Designerで変更前のsimulationとregression testingを行えるため、精度改善をengineering待ちにしない。

最大のリスクはenterprise導入の重さだ。

既存の認証、routing、knowledge、業務APIを接続するほど初期設計と保守の責任が増す。出典

また、90社以上という導入数は公式自己申告であり、価格・ARR・顧客別の再現性は非公開だ。

高い自動解決率も全顧客・全問い合わせに一般化せず、ケースごとの検証が必要になる。

Mavenは広いself-serve PLGではなく、enterprise salesとcustomer storyを軸にしている。

90社以上の導入、Tripadvisorなどの事例、security・compliance情報を並べ、CX責任者に「AIを安全に運用できる」材料を揃える。出典

そのうえでsupportからvoice、commerce、社内業務へ横展開する構成だ。

主要チャネル: content, customerStories, partnerships, sales

AI supportの差別化は、回答文の自然さだけでは作りにくい。

Mavenの事例は、knowledge、context、action、evaluationを一つのworkflowにすることで、品質と業務成果を同時に扱おうとしている。出典

PdMにとって重要なのは、モデル選定よりも「失敗時に誰がどのpolicyで引き継ぐか」を先に設計することだ。

日本で展開するなら、電話・有人窓口・FAQ・社内申請が分断されがちな業界から入るのが現実的だ。

特に返品・配送・本人確認など、規程と例外処理が多い業務ではagentのaction設計が価値になる。

一方、日本語の敬語、個人情報、録音同意、業界規制をpolicyと評価データに落とせないと、英語圏の導入事例はそのまま再現できない。