飲食・サービス業 × 接客・ドリンク提案 × 従業員7名の支援事例
東京都渋谷区のワインバーでは、料理、好み、予算に合わせたワイン提案を店の強みにしたいと考えていました。しかし、7名のスタッフ全員が同じ深さで説明するのは簡単ではありません。
ベテランは、お客様の言葉から味の好みをつかみ、別の価格帯や産地も提案できます。一方、経験の浅いスタッフは、知っている銘柄や定番の組み合わせに偏りがちでした。
そこで、料理、好み、予算、利用場面などを入力すると、提案候補と説明の下書きを出す専用AIを作りました。導入記録では、1組あたりのドリンク注文数は1.8杯から3.2杯へ増え、客単価は平均2,800円上がっています。
ここで紹介する数値は、マスターCSVに記録された導入時の社内値です。AIだけの効果を第三者が検証したものではありません。メニュー、接客研修、来店客層などの影響も含まれるため、同じ仕組みで同じ成果を保証するものではありません。
課題：知識の差が、そのまま提案の差になっていた
導入前の課題は、ワインの知識がまったくないことではありませんでした。
スタッフは基本的な産地や品種を学んでいました。ただ、実際の接客では複数の条件を同時に考える必要があります。
- 注文した料理との相性
- 甘口、辛口、軽め、重めといった好み
- 1杯にかけられる予算
- 記念日、会食、一人利用などの場面
- ワインに詳しいか、初めてか
- 店内在庫と当日の提供状態
お客様が「赤で、重すぎず、肉にも合うもの」と言ったとき、候補を出すだけでは足りません。なぜ合うのか、別の選択肢は何か、価格差にどんな意味があるかまで、短い言葉で伝える必要があります。
以下の会話は、導入記録の課題を読みやすく再構成したもので、実際の発言をそのまま記録したものではありません。
若手スタッフは、こう話しました。
「外したくないので、いつも同じ2本を勧めてしまいます」
店長からは、こんな声がありました。
「詳しく話しすぎると難しくなるし、短すぎると魅力が伝わりません」
お客様に合う一本を探す仕事が、スタッフの暗記量に依存していました。
施策：AIを「販売員」ではなく、提案準備の相棒にした
導入した専用AIは、勝手に注文を確定したり、在庫を判断したりしません。
入力された条件から候補を出し、味わいと料理の関係を説明する文章を下書きします。スタッフは、在庫、提供温度、当日の料理、飲酒量、お客様の反応を見て最終提案を決めます。
ステップ1：ベテランの質問を6項目に分けた
最初に、ベテランが接客時に何を聞いているかを整理しました。
1. 注文した料理
2. 好きな味と苦手な味
3. 予算
4. 利用場面
5. ワインの経験
6. 特別な希望
商品名から探すのではなく、お客様の言葉から始めます。
ステップ2：店の在庫と説明文を整えた
銘柄、産地、品種、味わい、価格、合う料理、提供時の注意を一覧にしました。
専用AIが参照するのは、この店で扱う情報です。インターネット上の一般論だけで、在庫にないワインを勧めないようにしました。
ステップ3：候補を三つまでに絞った
候補が10本出ても、お客様は選びにくくなります。
「定番」「少し冒険」「価格を抑える」の三つに分け、短い理由を添えました。AIの文章はそのまま読まず、スタッフがお客様の言葉に合わせて言い換えます。
ステップ4：代替案とノンアルコールも用意した
売上を上げることだけを目標にしませんでした。
飲酒を控えたい方、車を運転する方、体調上の理由がある方には、ノンアルコールやソフトドリンクを案内します。AIへも、注文数を増やすために過度な飲酒を勧めないルールを入れました。
ステップ5：2週間、接客後の反応を記録した
導入期間は約2週間です。
提案した候補、選ばれた商品、お客様の反応、説明で伝わりにくかった言葉を記録しました。売れた商品だけでなく、「なぜ選ばれなかったか」も残し、説明を調整しました。
若手スタッフの振り返りは、次のように再構成できます。
「正解を教えてもらうより、三つの選択肢から会話を始められるのが助かりました」
成果：注文数だけでなく、説明の入口がそろった
導入記録のBefore/Afterは次のとおりです。
| 項目 | Before | After |
|---|---|---|
| 1組あたりのドリンク注文 | 1.8杯 | 3.2杯 |
| ドリンク売上 | 前年比の基準値 | 45％向上と記録 |
| 客単価 | 基準値 | 平均2,800円増 |
| リピート率 | 基準値 | 20％改善と記録 |
| 提案方法 | 担当者の記憶中心 | 6項目＋三つの候補 |
マスターCSVには、ワイン売上が年間380万円増えたという記録もあります。ただし、この数字は来店数、価格改定、季節、メニュー変更などの影響を受けます。専用AIだけによる増加とは断定できません。
数字以外で大きかったのは、若手が「分からないので店長を呼ぶ」前に、お客様へ追加質問できるようになったことです。
店長の振り返りは、次のように再構成できます。
「スタッフ全員をソムリエにしたのではなく、提案の最初の一歩をそろえました」
なぜ効果が出たか：商品知識より、会話の順番を共有した
効果につながった理由は3つあります。
1つ目は、ワイン名の暗記ではなく、お客様へ聞く順番を共有したことです。好みが分かれば、候補を絞りやすくなります。
2つ目は、候補を三つまでにしたことです。AIの長い説明を見せるのではなく、接客で使える短さにしました。
3つ目は、最終判断をスタッフへ残したことです。在庫、料理の仕上がり、お客様の表情、飲酒量は、その場にいる人が見ます。
さらに、週に一度だけ提案記録を見直しました。売上順に並べるだけではなく、説明が長くなった場面、候補を断られた理由、ノンアルコールへ切り替えた場面も確認します。数字が伸びた提案だけを正解にすると、強い勧め方へ偏るためです。店長が確認し、店らしくない言い回しや、在庫状況と合わない候補を削りました。この小さな見直しが、専用AIの文章を接客で使える状態に保ちます。
AIは知識を呼び出す役。
人は、相手に合わせて勧める役。
この分担が、接客の温度を残しました。
他の接客業にも応用できる
この仕組みは、ワインバー以外にも応用できます。
- 菓子店：用途、予算、人数に合わせた贈答提案
- 花店：相手、場面、色、予算に合わせた花束提案
- 文具店：利用目的と頻度に合わせた商品提案
- 楽器店：経験、演奏環境、予算に合わせた選択肢整理
共通するのは、AIへ「一番売りたい商品」を聞くのではなく、お客様の条件を聞く順番を作ることです。
気になる業務があれば、お気軽にお声がけください。弊社では、中小企業のAI活用と業務システムづくりを、接客の言葉と現場ルールから伴走しています。