如果你正在評估一套能高效整合多元客服管道、智慧化管理顧客對話，並同步導入 AI 自動化流程的系統，那麼這篇文章將帶你全面深入認識 FIRST LINE 。

過去企業導入客服系統時，最常見的需求，是把不同來源的訊息集中管理，並將對話分派給適合的真人專員。

但隨著客服管道增加，以及 AI 開始進入實際的服務流程，企業需要處理的問題也比過去更複雜。除了「如何接住每一則訊息」，還需要進一步思考兩件事：

AI 與真人如何分工：常見、重複且具有明確答案的問題，可以優先交由自動化流程或 AI 處理；涉及例外情況、進一步判斷或實際作業的問題，則交由真人專員接手。
客服知識如何持續累積：每天產生的客服對話中，其實包含大量產品問題、服務經驗與顧客需求。如何將這些資訊整理成可查詢、可維護，也能提供給 AI 使用的知識，是導入 AI 客服時很重要的一環。

因此，現在的客服平台不只是處理訊息的工具，更需要把管道、客戶資料、知識、自動化、AI 與真人服務串接在同一套工作流程中。

FIRST LINE 的設計也圍繞著這樣的服務架構，讓企業可以從基本的訊息管理開始，再依實際需求逐步加入知識庫、自動化流程與 AI 應用。

在這篇快速上手指南中，我們會從最基本的客服管道設定開始，一步一步了解 FIRST LINE 的主要服務流程：

客服管道 → 客戶資料 → 知識庫 → 自動化流程 → AI 回答 → 真人服務 → 數據分析

文章目錄

STEP 1｜串接客服管道，集中管理顧客訊息

開始使用 FIRST LINE 的第一步，是先將企業目前使用的客服管道串接進系統。

現在企業通常不只有單一客服入口。顧客可能從 LINE 官方帳號詢問產品，也可能透過 Facebook Messenger、Instagram、Email 或官網聊天工具聯繫客服。

當不同管道分別由不同後台管理時，客服人員需要頻繁切換平台，也較容易遇到幾個常見問題：

訊息分散：不同平台的訊息需要分別確認，客服量增加後，管理成本也會跟著提高。
服務資訊不集中：專員可能需要在不同系統之間查找過去的服務紀錄與相關資料。
管理方式不一致：不同管道各自有不同的操作介面與處理方式，不利於建立一致的客服流程。

透過 FIRST LINE，可以將支援管道的顧客訊息集中到同一個工作環境，讓客服人員不需要持續在不同平台之間切換。

完成管道設定後，顧客從這些管道傳入的訊息就能進入 FIRST LINE，再依企業設定的服務流程進行後續處理。

而「集中訊息」只是第一步。

當客服管道進入同一套系統後，後續才能進一步加入自動化流程、AI 回答與真人專員服務，讓不同管道可以共用較一致的服務邏輯。

STEP 2｜建立營業時間與服務規則

完成客服管道串接後，下一步可以先設定企業的營業時間與特殊服務時段。

多數客服團隊都有固定的服務時間，但顧客傳送訊息並不會受到上下班時間限制。例如企業可能在平日 09:00–18:00 提供真人服務，夜間、週末或國定假日則採取不同的回應方式。

因此，營業時間的設定不只是告訴顧客「客服目前是否在線」，更重要的是讓不同時段可以搭配適合的服務方式。

例如可以先設定：

營業時間：平日週一至週五 09:00–18:00，主要由真人專員提供服務。
非營業時間：夜間、週末或特殊休假日，可搭配非營業時間訊息、自動化流程，或依需求加入 AI 回答。

當企業開始導入 AI 後，營業時間也可以成為設計服務流程時的一項判斷條件。

營業時間內

顧客進線後，可以先透過既有流程或 AI 處理常見問題；當問題需要進一步確認或人工處理時，再交由真人專員接手。

顧客進線 → AI／自動化流程 → 必要時轉真人

非營業時間

如果顧客在夜間或假日傳送訊息，除了提供基本的非營業時間說明，也可以依企業需求加入 AI，先處理知識庫中已有答案的常見問題。

若問題仍需要真人協助，則可以透過後續流程保留顧客需求，待真人服務恢復後繼續處理。

顧客進線 → 非營業時間流程／AI → 保留未完成需求 → 真人後續處理

實際要做到什麼程度，可以依客服量、人力配置與服務需求逐步調整。並不是所有企業都需要一開始就建立完整的 24 小時 AI 客服流程。

對第一次設定 FIRST LINE 的團隊來說，先把真人服務時間、休假日與非營業時間的基本處理方式設定清楚即可；等基本流程穩定後，再逐步加入 AI 回答、分流與其他自動化設計。

這樣即使真人專員不在線，顧客進線時仍然有明確的處理方式，也能避免不同時段採取不一致的服務流程。

STEP 3｜建立企業知識庫，讓 AI 有資料可以回答

如果希望 AI 開始協助回答顧客問題，第一個要處理的通常不是選擇哪一個 AI 模型，而是先確認一件更基本的事：

企業是否已經把正確的服務資訊整理好？

以電商與服務業常見的客服問題來說，顧客可能每天都在詢問：

「下單後大概幾天會到貨？有滿額免運嗎？」
「商品可以寄到超商取貨嗎？」
「如果買錯尺寸，要怎麼辦理退換貨？」
「可以幫我修改訂單的收件地址或付款方式嗎？」
「帳戶裡的會員點數或購物金什麼時候會到期？」

這些問題通常都有相對明確的答案，但企業內部的資訊不一定集中在同一個地方。

有些可能存在官網 FAQ，有些放在內部文件，也有些來自客服團隊長期累積的處理經驗。當資訊散落在不同地方，不只真人專員需要花時間查找，AI 也缺乏一致、可依循的知識來源。

因此，開始導入 AI 客服之前，可以先將常見問題、服務規則與標準資訊整理到 FIRST LINE 知識庫。

知識庫不只是 FAQ，也是 AI 回答問題的重要基礎

建立知識庫後，同一份企業知識可以被運用在不同的客服情境中。

對真人專員而言，知識庫可以作為服務時的查詢來源，減少反覆尋找文件或確認標準答案的時間；對 AI 而言，則可以在回答顧客問題時，根據企業提供的知識內容尋找相關資訊，再產生適合當下問題的回答。

這裡有一個很重要的觀念：

AI 能理解顧客怎麼問，但企業仍然需要決定「正確答案是什麼」。

例如「退貨期限是多久」、「哪些商品不能退」、「運費由誰負擔」等規則，本質上都來自企業自己的政策，而不是 AI 本身知道的答案。

因此，知識庫內容是否正確、完整且持續更新，會直接影響 AI 回答的可用程度。

如果某項政策已經修改，知識庫卻仍然保留舊資訊，即使 AI 正確理解了顧客的問題，也可能依據過時的內容回答。

所以建立知識庫並不是把所有文件一次丟進系統就完成了。比較實際的做法，是先從最常被詢問、答案相對明確的問題開始整理，再根據實際客服對話逐步補充與更新。

對第一次建立 FIRST LINE 的團隊來說，可以先整理 10～20 個最常見的客服問題。這個範圍通常已經足以開始測試第一套 AI 回答流程，後續再依實際使用情況持續擴充。

STEP 4｜建立自動化客服流程

建立好基本知識後，下一步可以開始思考：顧客進線之後，應該如何被處理？

客服團隊每天收到的訊息類型很多，但並不是每一個問題都需要立即交給真人專員。例如：

「我想查詢訂單目前的進度。」
「這件衣服尺寸不合，我想辦理退貨。」
「請問連假期間的營業時間有調整嗎？」
「我想要找真人客服。」

這些問題背後需要的處理方式其實不太一樣。

有些問題已有明確答案，可以透過知識庫或 AI 先行回答；有些需要蒐集訂單編號等資訊後才能繼續處理；也有些涉及特殊狀況或實際作業，需要由真人專員接手。

如果所有訊息都直接進入同一個真人客服佇列，專員就必須逐一閱讀、判斷，再決定下一步怎麼處理。當客服量增加時，這些重複性的判斷本身也會成為額外的工作量。

因此，可以透過 FIRST LINE 的服務流程與腳本設計，先建立顧客進線後的基本處理邏輯。

一個簡單的服務流程可能是：

顧客訊息進線
↓
依照流程判斷顧客需求
↓
常見問題 → 知識庫／AI 回答
↓
需要進一步協助 → 真人專員接手
↓
完成服務

實際的判斷方式則可以依企業需求設計。例如透過選單讓顧客選擇服務項目、依照特定條件進入不同流程，或在較進階的情境中加入 AI，協助理解顧客以自然語言描述的需求。

自動化的目的，不是把所有問題都交給 AI

在設計流程時，一個重要原則是：先判斷哪些工作適合自動化，而不是追求越高的自動化比例越好。

例如營業時間、配送方式、一般退換貨規則等具有明確答案的問題，通常比較適合由自動化流程或 AI 優先處理。

但如果涉及訂單異常、付款問題、特殊退換貨情況，或需要實際執行後台操作，真人專員仍然可能是比較適合的處理方式。

因此，AI 在客服流程中的角色，可以理解為其中一個處理節點：

適合 AI 處理的問題，由 AI 協助回答；需要人工判斷或執行的工作，則交給真人。

對第一次建立流程的團隊來說，也不需要一開始就設計非常複雜的自動化架構。

可以先從幾個最常見的服務情境開始，例如「常見問題」、「訂單問題」與「聯絡真人」，建立一條可以實際運作的基本流程。等累積一段時間的對話後，再觀察哪些問題重複出現、哪些環節最常需要人工介入，逐步決定下一個值得自動化的地方。

STEP 5｜讓 AI 回答顧客問題

完成知識庫與基本服務流程後，接下來就可以讓 AI 回答代理人實際參與顧客服務。

傳統客服機器人常見的做法，是預先設定關鍵字、選單與對應的回答。這種方式的優點是規則明確、結果相對可預期，但當顧客換一種說法、輸入較口語的內容，或問題沒有符合預先設定的條件時，就可能無法順利找到對應的回答。

大型語言模型（Large Language Model, LLM）的加入，改變了這種互動方式。

相較於只比對特定關鍵字，AI 可以根據顧客輸入的自然語言與對話上下文，判斷問題可能在詢問什麼，再從企業提供的知識中尋找相關資訊並組織回答。

例如，同樣是詢問退換貨，顧客實際輸入的內容可能是：

「我昨天買的東西現在不想要了，可以退嗎？」
「剛收到衣服發現尺寸太大，請問要怎麼換？」
「尺寸不合的話可以換別的嗎？」

這幾句話都沒有精準輸入「退貨規則」或「換貨流程」，但背後談的其實都是相近的服務需求。

從「找到關鍵字」變成「理解顧客在問什麼」

這是 LLM 型 AI 客服與傳統規則式機器人很重要的差異之一。

顧客不需要先知道系統設定了哪些關鍵字，而是可以用自己習慣的方式描述問題。

FIRST LINE 的 AI 回答代理人可以搭配前面建立的知識庫，在服務流程中處理這類自然語言問題。

例如當 AI 判斷顧客正在詢問退換貨時，可以根據企業知識庫中已有的退換貨政策，找出與問題相關的內容，再整理成適合當下對話的回答。

這裡也延續了 STEP 3 提到的一個重要原則：

AI 負責理解問題與組織回答，但回答所依據的企業規則，仍然來自企業提供的知識。

因此，AI 的回答品質不只與模型能力有關，也受到知識庫內容、服務流程與問題本身是否明確等因素影響。

如果知識庫沒有相關資訊、內容已經過期，或顧客遇到的是需要個案判斷的特殊情況，就不應期待 AI 一定能夠獨立完成服務。

這也是為什麼在實際的客服流程中，AI 不需要負責回答所有問題。

比較合理的做法，是先讓 AI 處理知識明確、重複性高，而且不需要額外人工操作的問題；當 AI 無法取得足夠資訊，或問題本身需要真人判斷時，再進入下一個服務環節。

下一步，我們就來看看：當 AI 無法繼續處理時，如何讓真人專員接手。

STEP 6｜AI 無法處理時，交給真人

評估一套 AI 客服是否真正能投入日常營運，除了看它能回答多少問題之外，另一個重要能力是：當資訊不足或問題超出適合處理的範圍時，能否停止繼續回答，並讓真人介入。

即使企業已經建立相對完整的知識庫，實際服務過程中仍然會遇到 AI 不適合單獨處理的情況，例如：

知識庫沒有相關資訊：顧客詢問的是新推出的服務、尚未整理的政策，或現有知識不足以回答。
需要查詢個別資料：例如特定訂單狀態、付款問題、物流異常等，需要進一步取得顧客或後台資訊。
涉及例外處理或權限：例如特殊退換貨、補償方案，或需要主管判斷與授權的情況。
顧客明確要求真人協助：部分問題即使 AI 能夠回答，顧客仍可能希望直接與真人專員溝通。

這些情況的共同點是：繼續產生回答的風險，可能已經高於轉交真人處理的成本。

因此，在設計 AI 客服流程時，不只要決定「AI 可以回答什麼」，也要事先定義「什麼情況不應該繼續由 AI 處理」。

當問題超出既有知識範圍、需要人工操作或判斷，或符合企業設定的其他轉接條件時，就可以讓對話進入真人服務流程。

AI 與真人不是二選一

企業導入 AI 客服時，很容易把問題簡化成：「AI 可以取代多少真人客服？」

但實際上，更值得思考的是：

哪一類問題交給 AI 處理比較有效率？哪一類問題由真人處理的風險與成本更合理？

對於答案明確、重複性高、不需要額外權限的問題，可以考慮讓 AI 優先處理；涉及例外判斷、實際作業或資訊不足的問題，則保留真人介入的空間。

可以把這種模式簡單理解成：

AI First → Human When Needed

但這並不是所有服務情境都必須遵循的固定規則。對於涉及較高風險、重要客戶或特定業務流程的問題，企業也可以直接讓真人優先處理。

重點不是追求「所有問題都先經過 AI」，而是建立清楚的處理邊界與轉接條件。

當 AI 與真人各自處理適合的工作，企業才能在自動化程度、服務品質與營運風險之間取得比較合理的平衡。

下一步，就是讓真人專員接續前面的對話，完成 AI 無法繼續處理的服務。

STEP 7｜真人專員接手服務

當問題需要進一步判斷、人工操作，或顧客主動要求真人協助時，就可以將對話交由真人專員繼續處理。

在 FIRST LINE 中，專員接手後可以查看前面的對話內容與相關客戶資訊，了解顧客詢問過哪些問題、AI 如何回應，以及目前對話進行到哪個階段，再接續後續服務。

這看似只是把對話從 AI 交給真人，實際上卻是人機協作中很重要的一個環節。

假設顧客已經和 AI 討論了一段時間，轉接真人後卻又收到：

❌ 「您好，請問今天需要什麼協助呢？」

顧客就必須重新描述一次問題，前面的對話資訊也沒有真正被延續利用。

比較好的做法，是讓專員沿著既有的對話脈絡繼續處理。

例如顧客已經向 AI 詢問過退換貨規則，並確認自己希望更換商品尺寸，真人接手後就可以進一步確認訂單內容與實際處理方式，而不需要重新詢問顧客的基本需求。

AI 處理到哪裡，真人就從那裡繼續。

這也是 AI 與真人協作時，比單純「把訊息轉給另一個客服」更值得注意的地方。

對話較長時，也可以進一步利用 AI 整理資訊

當客服量增加，或單一案件的對話內容比較長時，真人專員即使能看到完整紀錄，仍然需要花時間閱讀並掌握前因後果。

如果企業有這類需求，可以進一步設計 AI 前置處理，例如在真人接手前，利用 AI 擷取重要資訊或整理對話摘要，協助專員快速掌握目前狀況。

例如將一段較長的對話整理成：

顧客需求： 希望更換商品尺寸
目前狀況： 已詢問退換貨規則
AI 已處理： 說明一般退換貨政策
待人工處理： 確認該筆訂單是否符合換貨條件

這類摘要的目的不是取代完整對話紀錄，而是讓專員先掌握案件重點；需要確認細節時，仍然可以回頭查看原始對話。

除了摘要之外，企業也可以依實際流程，進一步設計資訊擷取、分類或分流。例如先取得訂單編號、辨識服務需求，再將整理後的資訊交給真人。

不過，這些都屬於可以後續逐步加入的進階應用。

對第一次建立 FIRST LINE 服務流程的團隊來說，不需要一開始就把所有 AI 前置處理都設計完成。先建立一個簡單、可以實際運作的協作流程即可：

AI 先處理 → 必要時交給真人 → 真人延續既有對話

實際運作一段時間後，再觀察專員在接手案件時，最常花時間閱讀什麼、重複確認哪些資訊，以及哪些步驟具有固定模式。這些實際發生的工作，才是下一階段評估 AI 摘要或其他自動化應用時比較有價值的依據。

STEP 8｜讓客服對話成為可分析的資料

客服每天都會產生大量對話，但聊天內容本身主要是非結構化資料。

如果服務結束後只留下完整的聊天紀錄，雖然日後仍然可以回頭查詢個別案件，但當管理者想從數百、甚至數千筆服務紀錄中了解整體狀況時，就很難單靠逐筆閱讀對話找到答案。

例如，客服團隊可能會想知道：

顧客最近最常詢問什麼？ 哪些產品、活動或服務問題帶來較多客服需求？
哪些問題需要較多人工處理？ 不同類型的服務需求，在真人介入程度與處理方式上是否有所差異？
AI 經常在哪些問題上需要真人接手？ 是知識庫缺少內容、流程需要調整，還是這類問題本來就不適合由 AI 獨立處理？

這時候，只保留聊天文字通常是不夠的。

在 FIRST LINE 中，可以透過服務原因、自訂欄位與其他服務資料，替每一次對話補上可分類與統計的資訊。

例如，一筆服務紀錄除了完整的對話內容之外，也可以進一步記錄：

服務原因： 退換貨
顧客類型： 既有會員
處理方式： AI → 真人
服務結果： 已完成

這些結構化資訊讓團隊不需要逐一閱讀所有對話，也能從整體數據觀察不同服務類型的分布與處理情況。

從單筆服務紀錄，看見整體服務趨勢

當服務資料逐步累積後，FIRST LINE 後台的數據與分析功能可以協助團隊從不同角度了解客服實際運作的狀況。

例如觀察顧客經常詢問哪些類型的問題、AI 參與了多少對話，以及哪些服務最後仍需要真人介入。

這些數據不一定能直接告訴企業「應該做什麼」，但可以提供更具體的線索。

例如，當某一類問題經常從 AI 轉交真人時，就值得進一步檢查：

是知識庫缺少相關內容？

現有回答無法解決顧客問題？

服務流程需要調整？

還是這類問題本來就需要人工判斷？

找到原因之後，再決定是補充知識、修改流程，還是維持真人處理，會比單純追求更高的 AI 自動化比例更有意義。

這也形成了一個可以持續進行的改善循環：

顧客問題 → AI／真人處理 → 累積服務資料 → 觀察問題 → 調整知識與流程

因此，AI 客服並不是設定完成後就不再需要管理。隨著產品、政策與顧客問題持續改變，知識庫與服務流程也需要根據實際使用情況持續調整。

STEP 9｜觀察 AI 是否真的解決問題

AI 上線之後，下一步是確認它在實際客服流程中是否真的發揮作用。

這時候，如果只看「AI 回覆了多少訊息」，其實很難判斷導入成效。

因為 AI 有產生回答，不代表顧客的問題已經被解決。

一段對話可能有 AI 參與，但最後仍然需要真人專員接手；也可能 AI 回答了多次，卻沒有真正處理到顧客的需求。因此，除了 AI 的使用量之外，更值得觀察的是 AI 在整段服務流程中扮演了什麼角色，以及最後是否需要真人介入。

FIRST LINE 將 Automated Conversations 與 Fully Automated Conversations 等概念納入 AI 對話統計，讓團隊可以從不同角度觀察 AI 的實際使用情況。

例如，可以關注幾個面向：

AI 覆蓋情況：有多少客服對話曾經由 AI 參與處理？
AI 完整處理情況：AI 參與的對話中，有多少最後沒有需要真人專員介入？
AI → 真人交接情況：哪些問題經過 AI 處理後，仍然經常需要轉交真人？
AI 回覆品質：透過顧客回饋或實際對話紀錄，觀察哪些回答表現較好、哪些內容可能需要進一步檢查。

這些數據的目的，不是單純追求更高的 AI 使用率，而是協助團隊找到值得進一步檢查的服務環節。

從數據找到下一個改善方向

例如，當某一類問題經常從 AI 轉交真人時，不能直接判定「AI 回答不好」，而是可以進一步檢查：

知識庫是否缺少相關資訊？
現有內容是否已經過期或不夠完整？
服務流程是否需要調整？
還是這類問題本來就需要人工查詢、操作或判斷？

同樣地，如果 AI 處理的對話很多，但顧客回饋並不理想，也可以回頭檢視實際對話，確認問題出在回答內容、知識來源、語氣設定，還是顧客本身需要的其實不是單純的資訊回答。

反過來，如果某一類問題長期都能穩定由 AI 處理，也可以評估是否有其他相似、風險較低的服務情境適合採用相同方式。

因此，AI 客服的優化可以形成一個持續循環：

顧客問題 → AI／真人處理 → 觀察服務數據 → 找出異常或改善機會 → 調整知識與流程 → 再次觀察

這個循環的重點並不是讓 AI 處理的比例越高越好。

對企業而言，更值得關注的是：哪些問題適合自動化、哪些問題應該保留真人介入，以及目前的分工是否真的改善了整體服務效率。

隨著產品、政策與顧客問題持續變化，AI 的知識與服務流程也需要跟著調整。與其把 AI 客服視為一次性的系統建置，更適合把它看成一套需要持續觀察與維護的服務流程。

從客服工具，到 AI 與真人協作的服務系統

回顧 2021 年，當我們第一次撰寫 FIRST LINE 快速上手指南時，企業導入客服平台時關注的問題相對直接：

如何把 LINE、Facebook、Instagram 等不同客服管道集中管理？
如何分派顧客訊息，讓真人客服可以更有效率地處理對話？

這些需求今天依然存在，只是隨著 AI 開始進入實際的客服流程，企業需要考慮的問題也多了一個層次。

現在除了「如何管理訊息」，還需要進一步思考：

哪些問題適合交給 AI？
對於重複性高、答案明確的問題，是否可以先由 AI 或自動化流程處理？
哪些問題應該保留真人介入？
當服務涉及例外判斷、實際操作、權限或較高風險時，應該在什麼時機交由真人處理？
企業既有的知識如何被 AI 使用？
過去累積在 FAQ、內部文件與客服經驗中的資訊，如何整理成可維護的知識，讓真人與 AI 都能在服務過程中使用？

因此，現在的客服系統已經不只是單純集中訊息的 Inbox。

它開始需要把不同的服務環節串接起來：

Channel → Knowledge → AI → Human → Data → Improvement

顧客從不同管道進線後，系統可以依照既有的服務流程處理需求；適合自動化的問題，可以由 AI 協助回答；需要進一步判斷或操作的情況，則交由真人專員接手。

服務過程中留下的資料，也可以進一步用來觀察：哪些問題經常出現、哪些情況 AI 能夠處理，以及哪些服務仍然需要真人介入。

再根據這些實際情況，持續調整知識庫與服務流程。

這也是 AI 加入客服之後一個重要的改變：

企業需要管理的不再只是「客服人員如何回覆訊息」，而是 AI、真人、知識與流程之間如何分工。

而這種分工也沒有一套適用所有企業的固定答案。

對某些企業來說，AI 最適合先處理大量 FAQ；對另一些企業而言，可能更適合用來協助資訊整理、問題分類或真人服務前的準備工作。真正適合自動化到什麼程度，仍然需要根據服務內容、風險與實際對話結果逐步調整。

因此，導入 AI 客服不一定要從一套複雜的自動化架構開始。

先建立一條可以實際運作的服務流程，再從真實的顧客對話中決定下一步要自動化什麼，通常會是更務實的起點。

建立你的第一套 FIRST LINE 客服流程

如果是第一次導入 FIRST LINE，不需要一開始就規劃非常複雜的自動化流程。

比較實際的做法，是先建立一個可以運作的基本版本，確認客服管道、知識庫、AI 與真人服務之間能夠順利銜接，再根據實際使用情況逐步擴充。

可以從以下三個階段開始：

第一階段：建立客服管道與基礎知識

1. 串接一個主要客服管道

先從目前客服量較大、團隊最常使用的管道開始，例如 LINE 官方帳號。不需要一開始就把所有管道一次串接完成。

2. 整理 10～20 個常見問題

從目前客服最常收到的問題開始，例如配送方式、運費、退換貨規則與營業時間，整理成第一批知識庫內容。

這個階段的目標不是建立一套完整的企業知識庫，而是先準備足夠的內容，讓後續服務流程與 AI 有實際資料可以使用。

第二階段：建立 AI 與真人協作流程

3. 建立一條基本服務流程

設定顧客進線後的基本處理方式，例如歡迎訊息、常見服務項目，以及需要真人協助時的處理流程。

4. 讓 AI 處理適合的常見問題

選擇知識相對完整、答案明確的問題，讓 AI 回答代理人先參與這些服務情境。

不需要一開始就讓 AI 處理所有問題，先從範圍明確的場景開始，比較容易觀察實際效果。

5. 保留真人接手的機制

當 AI 無法取得足夠資訊、問題需要人工操作或判斷，或顧客希望聯絡真人時，讓對話進入真人服務流程。

6. 讓真人沿著既有對話繼續處理

專員接手後，可以參考前面的對話內容，再完成 AI 無法處理的部分，減少顧客重新描述問題的需要。

如果後續發現專員經常需要閱讀大量對話或整理相同資訊，再評估加入 AI 摘要、資訊擷取等進階應用即可。

第三階段：從實際對話持續調整

7. 定期觀察 AI 與真人的處理情況

流程運作一段時間後，可以查看 AI 參與了哪些對話、哪些問題能由 AI 完成，以及哪些情況經常需要真人接手。

比起只看 AI 回覆了多少訊息，更重要的是了解 AI 在整個服務流程中實際解決了哪些問題。

8. 根據實際問題更新知識與流程

如果某類問題反覆需要真人介入，可以回頭檢查知識庫是否缺少資訊、內容是否需要更新，或服務流程是否需要調整。

如果這類問題本身就需要人工操作或判斷，也不一定需要強行提高自動化程度。

從一條可以運作的流程開始

AI 客服通常不是一次設定完成之後就不需要再調整。

產品規則會改變、顧客提出的問題會改變，企業希望 AI 處理的範圍也可能隨著實際使用經驗逐步擴大。

FIRST LINE 將客服管道、知識庫、自動化流程、AI、真人服務與服務數據放在同一套工作流程中，讓團隊可以從基本的客服管理開始，再依需求逐步加入不同程度的自動化。

因此，第一次導入時不需要追求完整的 AI 客服架構。

先讓第一條服務流程穩定運作，再從實際對話中決定下一步要改善什麼、要自動化什麼。

這會比一開始就設計大量規則與複雜流程，更容易驗證哪些應用真的適合自己的客服情境。

FIRST LINE 快速上手指南：從客服管道到 AI 自動服務