「營業時間、價格、還有沒有位子，這些問題每天回幾十次」、「晚上十點後的訊息都要等到隔天才回」——這是我們接觸 AI 客服需求時，最常聽到的兩句話。
大型語言模型讓 AI 客服從「只會比對關鍵字的罐頭回覆」，變成真的能理解問題、查資料、用自然語氣回答的系統。但網路上的失敗案例也不少：AI 亂承諾退款、答非所問、客人想找真人卻怎麼樣都轉不過去。
先說結論：
AI 客服成功的關鍵不在模型多聰明，而在三件事：讓 AI 只根據公司資料回答、清楚劃定它不能做的事、以及處理不了時順暢地交給真人。
這篇依建置的順序，整理從規劃到上線需要想清楚的事。
1. 先分清楚：哪些問題該交給 AI？
不是所有客服問題都適合交給 AI。我們通常會先把問題分成三類：
- 綠燈：AI 全自動處理。 答案明確、有標準資料可查的問題，例如營業時間、地址、價格、預約、訂單出貨進度。這類問題通常占客服量的一大半，也是最先該自動化的部分。
- 黃燈：AI 先處理，必要時轉真人。 需要一點判斷，但大多有規則可循，例如退換貨流程說明、產品比較、客訴的初步資訊收集。AI 可以先把資料問清楚，再交給真人接手。
- 紅燈：一定要真人。 牽涉金錢承諾、爭議與情緒的問題，例如退款金額、賠償、合約糾紛、情緒激烈的客人。AI 在這裡最好的角色是快速辨識並轉接，而不是試圖解決。
這個分類不只是規劃用的，它會直接變成系統的轉接規則（第 3 節會細談）。
不要把「取代客服人員」當成目標
瑞典金融科技公司 Klarna 是最常被引用的案例。2024 年，他們宣布 AI 助理處理了三分之二的客服對話，相當於 700 名客服人員的工作量。但隨後客戶滿意度下滑，執行長在 2025 年公開承認成本導向的做法「走得太遠」，服務品質變差，開始重新招募真人客服，並保證每位客人都能找到真人。
Klarna 現在的做法是分流：AI 處理簡單、重複的問題，真人處理爭議、詐騙與特殊狀況。這其實就是上面的紅黃綠三分類。
對中小企業來說，比較實際的目標是：讓客服人員不用再回重複的問題，把時間留給真正需要人的客人。
2. 系統架構：一套 AI 客服由哪些零件組成？
很多人以為 AI 客服就是「接上 ChatGPT」，但一套能正式上線的系統，至少有以下幾個部分：
入口：客人從哪裡來
台灣企業最常見的是 LINE 官方帳號，其次是網站右下角的對話掛件，也有 Facebook Messenger、Instagram 私訊。建議所有入口共用同一套後端，這樣知識只需要維護一份，對話紀錄也能集中管理。
對話中樞：判斷客人要做什麼
收到訊息後，先判斷意圖（intent）：是在問問題、要查訂單、要預約，還是在抱怨？再決定走哪一條路。這一層也負責記住上下文，客人說「那週六呢？」時，要知道他還在問預約。
三條處理路徑
- 知識庫問答：從公司的 FAQ、商品資料、政策文件中找出相關內容，再根據這些內容回答。這就是 RAG（檢索增強生成），做法可以參考〈導入 RAG 知識庫前，先確認這 5 件事〉。
- 系統查詢與操作：串接訂單、預約、會員系統的 API，回答「我的包裹到哪了」、「幫我改約到週六」這類需要即時資料的問題。這部分答案不能靠知識庫，一定要查系統。
- 轉接真人：交給客服人員接手，並附上對話摘要，讓客人不用從頭再講一次。
底層：紀錄、統計與監控
所有對話都要留下紀錄，才能知道 AI 答了什麼、答錯了什麼、哪些問題最常出現。沒有這一層，系統上線後就無法改善。
3. 最關鍵的三個設計
3.1 回答只能根據公司的資料
AI 客服最常見的問題，是用模型「本身的知識」回答。模型可能會說出一般業界做法，而不是你們公司的規定；甚至在資料不足時，編出一個聽起來很合理的答案。
解法是在設計上限制：
- 只根據檢索到的公司資料回答，資料裡沒有的就說不知道，並提供轉接真人的選項。
- 價格、庫存、政策從資料來源即時讀取，不要寫死在提示詞裡。價格改了，AI 的回答要跟著改。
- 定期更新知識庫，特別是促銷活動、營業時間異動這類常變動的資訊。
3.2 轉真人的規則要事先寫清楚
轉接真人不是「AI 失敗時的備案」，而是系統設計的一部分。常見的轉接條件：
| 觸發條件 | 例子 |
|---|---|
| 客人明確要求 | 「我要找真人」、「給我客服電話」 |
| AI 連續答不出來 | 同一個問題換了兩三種問法，AI 仍然找不到資料 |
| 偵測到負面情緒 | 抱怨、憤怒、威脅要客訴或給負評 |
| 紅燈類問題 | 退款金額、賠償、合約爭議、法律問題 |
| 高價值情境 | 大量採購詢價、企業客戶 |
轉接時有兩個細節最影響客人感受：
- 帶上對話摘要：客服人員接手時，要能直接看到客人問了什麼、AI 答了什麼，客人不用重講一次。
- 非營業時間要說清楚：真人不在時，AI 要告訴客人「已記錄您的問題，客服人員將於明天早上 9 點後回覆」，而不是讓訊息石沉大海。
3.3 劃清 AI 不能承諾的事
2024 年加拿大航空（Air Canada）有一個著名的判例：官網的 AI 客服告訴一位旅客，喪親優惠機票可以在購票後 90 天內申請退差價，但公司實際規定是必須在搭機前申請。旅客照 AI 說的做，最後被拒絕退款。
航空公司在仲裁中主張「聊天機器人是獨立的個體，要為自己的言論負責」，但仲裁庭不接受，認定聊天機器人是公司網站的一部分，公司要為它提供的資訊負責，判賠差價與相關費用。
這個案例的教訓很直接：AI 客服說出口的話，法律上就是公司說的話。 實務上的做法：
- AI 不能自行承諾退款、折扣、賠償、交期，這類請求一律轉真人或走既有的申請流程。
- 涉及金錢與規定的回答要附出處，例如「依據退換貨政策第 3 條」，方便客人與客服查核。
- 明確標示這是 AI 回覆，讓客人知道隨時可以找真人。
4. 建置步驟：從零到上線
以下是我們實際導入 AI 客服時的六個步驟：
步驟 1：盤點問題
匯出 LINE 官方帳號或客服系統近三個月的對話紀錄，把問題分類、統計數量，找出前 20 大常見問題，並依第 1 節標上紅黃綠燈。這一步決定了 AI 客服要先做什麼，也是日後衡量成效的基準。
步驟 2：整理知識
把答案需要的資料整理出來：FAQ、商品資訊、價目表、退換貨政策、營業時間與門市資訊。常見的問題是資料散落各處、版本不一致，例如官網寫的退貨期限和客服實際的說法不同。這一步往往順便把公司內部的標準答案統一了。
步驟 3：建置與串接
建立知識庫、設計對話流程與轉接規則、串接 LINE 官方帳號與需要的系統（訂單、預約、會員）。如果某些系統沒有開放 API，可以先用定期匯出資料的方式同步。
步驟 4：測試題庫
準備一份測試題庫，至少包含：
- 步驟 1 找出的真實常見問題，確認每題都答得對。
- 刁鑽問題：資料裡沒有的問題、試圖要 AI 承諾折扣的問題、情緒性的抱怨，確認 AI 會說不知道或轉接真人，而不是亂答。
- 同一個問題的不同問法：口語、錯字、中英夾雜。
每次調整後都重跑一次題庫，確認答對率有提升、沒有把原本答對的題目改壞。驗收標準的訂法，可以參考〈導入 RAG 知識庫前，先確認這 5 件事〉的第 5 點。
步驟 5：小範圍上線
不要一次全面開放。常見的做法是：
- 先開放部分時段，例如下班後與假日，白天仍由真人回覆。
- 先開放部分問題類型，只讓 AI 回答綠燈問題，其他一律轉真人。
- 影子模式：AI 先產生建議回覆給客服人員參考，由人確認後再送出，累積足夠信心再改成自動回覆。
步驟 6：正式上線與持續優化
上線後，每週檢視答錯的對話、被轉接的對話、客人給負評的對話，補充知識庫或調整規則。AI 客服不是一次性專案，產品、價格、活動一變，知識就要跟著更新。
5. 成本怎麼算？
AI 客服的成本通常分成四塊：
| 項目 | 說明 |
|---|---|
| 建置費用 | 規劃、知識整理、開發、串接與測試，依串接系統數量與流程複雜度而定 |
| 模型用量費用 | 依對話量向模型供應商按量計費，對話越多、每次帶的資料越多，費用越高 |
| 通路費用 | 例如 LINE 官方帳號的月費與訊息費 |
| 維運費用 | 知識更新、系統維護、用量監控 |
LINE 官方帳號的費用
很多人擔心 AI 自動回覆會讓 LINE 訊息費暴增，其實不一定。依 LINE 官方說明，透過 Messaging API 的 Reply API 回覆客人的訊息屬於免費訊息，不計入方案則數。也就是說，客人傳訊息、AI 回覆這種一問一答，本身不會消耗訊息額度。
會計費的是主動推播（Push），例如 AI 在客人詢問後隔一段時間主動通知「您的訂單已出貨」，或是真人客服隔天才回覆的訊息。
LINE 台灣官方帳號自 2026 年 11 月 1 日起調整方案價格：
| 方案 | 月費 | 每月免費訊息 | 加購訊息 |
|---|---|---|---|
| 輕用量 | 免費 | 200 則 | 不可加購 |
| 中用量 | 1,000 元（原 800 元） | 3,000 則 | 不可加購 |
| 高用量 | 1,400 元（原 1,200 元） | 6,000 則 | 第 1～50,000 則每則 0.2 元，第 50,001 則起每則 0.15 元 |
設計系統時，盡量用 Reply API 在對話中回覆，只有真正需要時才主動推播，可以有效控制訊息費。
6. 上線後看哪些指標？
| 指標 | 意義 |
|---|---|
| 自動解決率 | 不需要真人介入就結束的對話比例 |
| 轉真人率 | 被轉接真人的比例，以及轉接的原因分布 |
| 答錯率 | 定期抽檢對話，計算 AI 答錯或答非所問的比例 |
| 首次回應時間 | 客人傳訊息到收到第一個回覆的時間 |
| 客戶滿意度 | 對話結束後的評分，或後續是否再次來問同一個問題 |
特別提醒：自動解決率高不一定是好事。 客人問不到答案、直接放棄離開，在系統上也可能被算成「已解決」。所以一定要搭配答錯率抽檢與滿意度一起看，Klarna 的經驗就是最好的例子。
7. 常見的 5 個坑
- 一開始就想做全部：先把前 20 大常見問題做好，比什麼都想回答卻都答不好更有用。
- 知識庫沒人維護：價格改了、活動結束了，AI 還在講舊資訊。上線前就要決定誰負責更新。
- 找不到真人：把轉接入口藏起來以為能省人力，結果換來客訴與負評。
- 讓 AI 承諾它不該承諾的事：退款、折扣、交期，一律走真人或既有流程。
- 上線後不看紀錄：沒有每週檢視答錯與轉接的對話，系統就不會變好。
結語：AI 客服是分工，不是取代
回頭看成功與失敗的案例，差別很少在模型本身，而在分工設計：哪些問題 AI 自己處理、哪些先處理再交接、哪些一開始就交給真人。
一套好的 AI 客服，應該讓客人更快得到正確答案，讓客服人員不再被重複問題淹沒，而不是讓客人卡在機器人裡出不來。
如果你想評估自己的客服適不適合導入 AI，可以從導入診斷開始：我們會分析你近期的客服對話，找出哪些問題最值得先自動化、需要串接哪些系統，以及預期能省下多少人力。
參考資料
- LINE Biz-Solutions，〈2026 年 LINE 官方帳號方案價格調整〉
- LINE Biz-Solutions，〈訊息費用的計價方式〉
- Wikipedia，〈Moffatt v. Air Canada〉
- American Bar Association，〈BC Tribunal Confirms Companies Remain Liable for Information Provided by AI Chatbot〉，2024
- Entrepreneur，〈Klarna Is Hiring Customer Service Agents After AI Couldn't Cut It〉
- Fast Company，〈Klarna tried to replace its workforce with AI〉