AI 客服，從自動化走向營運效益

過去兩年，生成式 AI 幾乎成為客服產業最受關注的技術之一。企業期待它能夠全年無休回答問題、縮短等待時間、降低大量重複性工作，甚至進一步減少客服人力需求。因此，「自動化率」也很自然地成為許多企業導入 AI 客服時最直觀的衡量方式：50%、70%，甚至 90%。如果原本需要真人處理的一百件事情，有九十件可以由 AI 完成，從成本結構來看，當然具有相當大的吸引力。

而且對部分流程高度標準化、資料完整、錯誤風險較低的企業而言，90% 甚至更高的自動化程度，並不是不合理的目標。真正值得注意的是，到了 2026 年，企業開始不只關心「AI 可以處理多少客服」，而是進一步追問：AI 處理這些事情之後，整體營運是否真的變得更有效率？這個問題的轉變，也代表 AI 客服正在從技術導入階段，逐漸進入更務實的營運驗證階段。

企業沒有停止投資，只是開始更認真計算效益

如果只從投資金額來看，很難說企業正在對 AI 客服踩煞車。Gartner 在 2026 年針對客服與支援主管進行的調查顯示，AI 相關支出增加了 38%，但整體客服與支援部門的預算只增加約 2%。這表示，在整體資源沒有明顯增加的情況下，企業仍持續把更多預算配置到 AI 與自動化技術。

但另一組數據也說明了企業為什麼開始更加謹慎。Gartner 另一份調查指出，客服與支援主管在 2025 年投入 AI 的預算中位數已達部門總預算的 12%，然而只有 24% 的主管能證明相關 AI 使用案例已產生正向財務回報。換句話說，AI 投資並沒有停下來，只是企業開始要求這些投資提出更具體的成果。

早期的問題可能只是「我們公司有沒有使用 AI」，接著變成「AI 可以自動處理多少客服」，現在則逐漸進一步變成「自動化之後，每一件客服案件的成本、速度與品質到底有沒有改善」。這或許才是 AI 客服開始走向成熟的訊號。

AI 採用很快，真正困難的是規模化

談 AI 客服的導入速度時，也需要先區分「開始使用」與「真正規模化」。McKinsey 在 2025 年的全球調查中發現，88% 的受訪組織已經在至少一個企業功能中使用 AI，但只有 7% 的受訪者表示，AI 已經在整個組織完成全面規模化。這代表企業接觸 AI、測試 AI 的速度其實非常快，但要把它變成穩定、可持續、可以大規模運作的營運能力，所需要的時間比許多人最初預期更長。

客服就是很典型的例子。現在要做出一個可以回答 FAQ、搜尋產品資訊的生成式 AI 客服，技術門檻已經比幾年前低很多；真正困難的是下一步。它能不能取得正確的訂單資料？會員身分如何驗證？不同地區的退貨政策不一樣時，要引用哪一套規則？客戶要求退款時，AI 有沒有權限直接操作？又有哪些情況必須交由真人判斷？

到了這個階段，AI 客服就不再只是一個聊天機器人，而是開始牽涉 CRM、訂單、會員、物流、知識管理、資訊安全與內部權限。這些系統能不能串起來、企業內部的流程是否足夠清楚，往往才是大規模導入真正花時間的地方。

很多 AI 專案，最後其實是在整理企業自己

生成式 AI 有一個很現實的限制：如果它取得的企業資訊本身不一致，回答自然也很難穩定。假設同一個退貨問題，官網寫 7 天、客服手冊寫 14 天，某些特殊商品又規定不能退貨，而業務人員過去曾經對客戶做出不同承諾，那麼 AI 並沒有辦法憑空知道哪一個答案才代表公司真正的政策。

過去，這些資訊落差有時候可以依靠資深客服人員的經驗消化，但當企業希望把流程自動化之後，原本隱藏在組織裡的問題就會逐漸浮現。誰負責產品資訊、誰管理客服知識庫、政策修改後由誰更新、不同版本的文件哪一個才有效、什麼時候 AI 可以自行回答、什麼時候一定要升級給真人，這些看似傳統的管理問題，反而成為 AI 是否能穩定運作的重要基礎。

因此，不少企業原本以為自己正在進行一個 AI 專案，最後才發現同時也在做一場知識管理與流程整理。

但這不代表 AI 導入失敗，反而說明企業要把 AI 真正放進營運流程，本來就不只是模型本身的問題。

高自動化率沒有問題，關鍵是適不適合這個場景

因此，談到「90% 自動化」時，並不需要直接判定這個目標太高或不合理。假設一家企業的客服內容主要集中在訂單進度、物流查詢、營業時間、帳號管理與標準化產品資訊，而且這些資料已與後端系統完整串接，那麼非常高的自動化比例完全可能是合理的營運目標。如果 AI 能夠穩定處理 90% 的問題，同時維持良好的解決率與顧客體驗，這個比例本身當然具有相當大的商業價值。

但不同企業的「90%」，可能代表非常不同的事情。若另一家公司大量客服需求來自複雜客訴、金額爭議、特殊退費、責任歸屬、跨部門協商或高價值客戶服務，即使 AI 技術上能夠產生回答，企業仍需要評估錯誤成本、權限邊界與品牌風險。這時候，自動化比例自然不能脫離問題類型單獨來看。

因此，高自動化率本身並不是問題，真正需要判斷的是「自動化的對象是否適合自動化」。對某些公司而言，90% 可能很合理；對另外一些公司而言，70% 的穩定自動化，再搭配效率更高的真人服務，也可能產生更好的成本效益。沒有一個適用所有產業的標準答案。

「有回答」和「有解決」不是同一件事

這也是為什麼企業在衡量 AI 客服時，若只看自動化率，可能無法完整反映實際效果。假設客戶只是詢問「我的包裹在哪」，AI 查詢物流系統後直接回覆，客戶得到答案並結束對話，這是一個相對清楚的成功案例。

但如果客戶問的是：「商品已經寄錯三次，我明天就要出國，現在到底怎麼處理？」情況就完全不同。此時即使 AI 能產生一段語氣流暢、內容完整的回答，也不代表問題真的被解決。客戶可能需要重新配送、退款、補償或例外授權，而這些通常牽涉企業內部權限與責任判斷。

如果 AI 回覆了三次，最後客戶仍然需要找真人重新處理，那麼表面上的「AI 處理量」可能很高，但整體處理成本未必真的下降。企業因此除了自動化率之外，也需要觀察一次解決率、再次聯絡率、真人接手後是否需要重新詢問，以及每一件成功解決案件的實際總成本。這些指標放在一起，才比較接近 AI 客服真正的營運表現。

消費者接受 AI，但仍然希望保留真人選項

消費者對 AI 客服的態度，其實也沒有簡單到可以分成支持或反對。Gartner 在 2026 年針對 3,566 名 B2B 與 B2C 客戶進行的調查顯示，50% 的受訪者認為企業採用生成式 AI 後，客服互動變得更容易；但同一份調查也顯示，87% 的受訪者認為，只要企業使用生成式 AI 提供客服，就應該保留聯絡真人的選項。

這兩個結果並不矛盾。消費者可以喜歡 AI 的速度，也可以同時希望自己遇到複雜問題時能找到真人。真正容易產生挫折的情況，往往不是「企業使用了 AI」，而是 AI 變成進入真人服務前的一道障礙。

Gartner 在 2026 年 9 月公布的另一項分析也指出，在曾經歷負面聊天機器人體驗的客戶中，只有 27% 表示願意再次嘗試。這表示一次失敗的自動化經驗，可能不只影響單次客服滿意度，也可能影響客戶未來是否願意繼續使用這個服務管道。因此，比起一開始就追求最大的覆蓋範圍，企業更需要先確定哪些問題可以被 AI 穩定解決，再逐步擴大服務範圍。

AI 的價值，也可能存在於真人客服旁邊

如果 AI 不一定要直接處理所有客戶問題，它仍然可以在另一個位置創造價值：成為真人客服的工作助手。

Erik Brynjolfsson、Danielle Li 與 Lindsey Raymond 的研究分析了 5,172 名客服人員導入生成式 AI 助理後的工作成果，研究後來刊登於《Quarterly Journal of Economics》。結果顯示，使用 AI 輔助後，以每小時解決案件數衡量的生產力平均提升約 15%。而且改善並不是平均分布，經驗較少、原本績效較低的客服人員受益最明顯，原本已經非常熟練的資深客服，改善幅度則相對有限。

這提供了一個不同於「AI 取代人」的角度。AI 可以先整理客戶過去的購買紀錄與對話內容，搜尋相關政策，整理問題摘要，甚至提供可能的處理方向。當案件真的需要真人介入時，客服不必重新從零開始，也不用要求客戶再次完整描述問題。

這種使用方式不一定會直接產生很高的對外自動化率，但它可能降低平均處理時間、縮短新人訓練週期，並改善服務品質的一致性。從企業角度來看，這些同樣都是可以被量化的投資效益。

從自動化比例，走向整體營運結果

因此，未來 AI 客服真正改變的，可能不是「還需不需要真人」，而是不同工作的分配方式。高頻、標準化、資料明確的問題，可以逐步交給 AI；需要判斷、協商、例外授權或高度情境理解的案件，則由真人負責；AI 同時也可以在真人背後提供資料搜尋、摘要與建議。

這樣的架構並不意味著自動化程度一定比較低。如果一家企業的服務型態高度適合自動化，它仍然可能做到 80%、90%，甚至更高。差別只是，自動化率不再被當成唯一成果，而是整套營運表現中的一項指標。

所以，比起一開始就決定「今年要做到 80% 還是 90%」，企業可能更適合先回答幾個更基本的問題：哪些客服需求適合自動化？哪些問題由 AI 處理之後，真的可以降低總成本？哪些問題雖然技術上做得到，但錯誤代價太高？當 AI 無法處理時，能不能順暢把完整資訊交給真人？當這些問題被釐清之後，自動化率本身才真正有管理上的意義。

結語：AI 客服開始從「能不能做」走向「怎麼做才划算」

從目前的發展來看，AI 客服並沒有退潮。企業仍然持續增加投資，模型能力也在進步，自動化程度未來很可能繼續提高。真正發生變化的，是企業開始把注意力從技術能力轉向營運結果。

第一階段，市場想證明的是 AI 能不能回答客服問題；現在這件事情已經逐漸得到驗證。接下來更重要的問題，則是哪些問題應該由 AI 處理、哪些問題更適合真人，以及兩者如何交接，才能讓整體成本更合理、問題解決得更快。

而這些問題並沒有一個適用所有企業的標準答案。一家電商、一家銀行、一家 SaaS 公司與一家高端零售品牌，適合的自動化程度很可能完全不同。對某些企業而言，90% 可以是一個合理目標；對另外一些企業而言，70% 的穩定自動化搭配更有效率的真人客服，也可能是更好的配置。

因此，真正值得衡量的，不只是 AI 處理了多少問題，而是導入 AI 之後，整套客服系統是不是用更合理的成本、更有效率地解決了客戶的問題。

高自動化率本身不是成功，也不是失敗。它真正的價值，取決於這個比例背後是否有更好的解決率、更合理的成本，以及可以長期維持的服務品質。

當企業開始用這些標準衡量 AI 客服時，這項技術才真正從一個令人期待的新工具，逐漸變成一套成熟的營運能力。

參考資料

已發佈

｜

分類:

作者:

FIRST LINE 新聞室
FIRST LINE 新聞室
, ,