[論文レビュー] Enterprise Sales Copilot: Enabling Real-Time AI Support with Automatic Information Retrieval in Live Sales Calls

Jielin Qiu, Liangwei Yang+12 more|arXiv (Cornell University)|Mar 22, 2026

Topic Modeling被引用数 0

ひとこと要約

SalesCopilot は、ライブ通話中の質問を検出し、構造化データベースからデータを取得して、数秒で簡潔な回答を生成するリアルタイムAI営業アシスタントです。

ABSTRACT

During live sales calls, customers frequently ask detailed product questions that require representatives to manually search internal databases and CRM systems. This process typically takes 25-65 seconds per query, creating awkward pauses that hurt customer experience and reduce sales efficiency. We present SalesCopilot, a real-time AI-powered assistant that eliminates this bottleneck by automatically detecting customer questions, retrieving relevant information from the product database, and displaying concise answers on the representative's dashboard in seconds. The system integrates streaming speech-to-text transcription, large language model (LLM)-based question detection, and retrieval-augmented generation (RAG) over a structured product database into a unified real-time pipeline. We demonstrate SalesCopilot on an insurance sales scenario with 50 products spanning 10 categories (2,490 FAQs, 290 coverage details, and 162 pricing tiers). In our benchmark evaluation, SalesCopilot achieves a measured mean response time of 2.8 seconds with 100% question detection rate, representing a 14xspeedup compared to manual CRM search in an internal study. The system is domain-agnostic and can be adapted to any enterprise sales domain by replacing the product database.

研究の動機と目的

• ライブ通話中に即座で正確な商品情報を提供することで、不自然な間を減らし販売効率を向上させる。
• 構造化データベース上でのリアルタイムの取得強化生成をドメインに依存しない形で実現する。
• 柔軟な展開のため、API を設定可能なプロバイダ非依存のLLMバックエンドを提供する。
• 本番似の保険シナリオでのエンドツーエンドのストリーミング、質問検出、取得を実証する。

提案手法

• ライブ音声をテキストへ変換するストリーミングパイプライン（STT）と、リアルタイムの質問検出をLLMで行う。
• FAQ 意味的マッチングとテキスト-to-SQL を組み合わせたハイブリッド検索による構造化データアクセス。
• 環境設定によって OpenAI、Anthropic、または Google Gemini を利用可能とするLLMバックエンドの抽象化。
• 質問と取得データを統合して、2–4文の簡潔な回答を生成する。
• データ操作を防ぐセーフティレイヤ付きの安全な読み取り専用SQL生成。

実験結果

リサーチクエスチョン

• RQ1 リアルタイムAI支援は、低遅延でライブの販売会話中に関連商品情報を提示できるか。
• RQ2 ハイブリッド検索アプローチ（FAQ マッチング + Text-to-SQL）は、LLM出力を構造化された企業データベースに効果的に grounding できるか。
• RQ3 SalesCopilot のエンドツーエンドの待機時間は、企業のCRM/データベースナビゲーションと比較してどうか。
• RQ4 システムは多様な保険商品質問とカテゴリに対して頑健か。

主な発見

指標	手動検索	SalesCopilot	改善
平均応答時間	39.7秒（内部調査）	2.8秒（測定）	14×高速化
応答時間の標準偏差	12–18秒	0.5秒	約25×低減
質問検出率	N/A	100%（20/20）	N/A
10Q通話あたりの時間	6.6分	0.5分	5.7分節約
1日あたりの20回の通話時間	2.2時間	0.2時間	1.9時間節約

• 20のベンチマーク質問に対して、エンドツーエンドの平均待機時間は2.8秒（中央値2.6秒、標準偏差0.5秒）。
• 質問検出率は100%（20/20）、6つのカテゴリで達成。
• 手動検索のベースラインは25–65秒、SalesCopilot による約14倍の速度向上を示す。
• クロス製品の比較質問は最大で23倍の速度向上。Text-to-SQL が複数のテーブルを結合できるため。
• 回答生成は待機時間の約47%、知識取得が約29%、質問検出が約24%を占める。
• システムは10問あたり約5.7分、1日あたり1名の営業担当につき15–20回の通話で約1.4–1.9時間を節約。