做電商的人都懂，客服是一個永遠補不完的洞。促銷檔期一到，「我的包裹到哪了」「可以退貨嗎」「這件有沒有 M 號」的訊息瞬間湧進來，客服人員一個人盯三個視窗還是回不完。這幾年生成式 AI 成熟，把 AI 客服導入電商成了熱門選項，但我們在實際協助品牌導入的過程中發現，真正困難的從來不是技術，而是知道 AI 客服「能做什麼、不能做什麼」，以及怎麼把它接進你既有的 LINE、官網與金物流流程裡。這篇文章把我們踩過的坑與驗證過的做法整理成一份實戰指南。
電商客服的真實痛點
先誠實面對問題。多數電商客服的工時，其實有很大一塊耗在高度重複、低判斷難度的提問上。根據我們協助中小型品牌盤點的經驗（此為範例觀察，非普查數據），訂單與物流查詢、退換貨流程說明、商品規格與庫存詢問這三類，往往就佔了進線量的一半以上。
這帶來三個連鎖痛點。第一是回應慢，客人在官網或 LINE 問完，可能要等上幾十分鐘甚至隔天才有人回，當下的購買衝動就消失了。第二是人力成本與情緒耗損，客服反覆打同樣的罐頭回覆，離職率高、訓練成本也高。第三是服務時間有限，半夜下單想問運費的客人，往往得不到即時答覆，而深夜其實常是轉換率不錯的時段。AI 客服要解決的，正是這些「重複、即時、全時段」的需求。
AI 客服能做什麼、不能做什麼
導入前必須先把期待校準清楚，否則上線後一定失望。我們的建議是：把 AI 客服當成一位反應快、記性好、但需要被嚴格管理的新進客服，而不是無所不能的全能員工。
AI 客服擅長的事
- 回答有標準答案的 FAQ，例如運費門檻、出貨時程、退換貨條件、付款方式。
- 引導式的訂單查詢：請客人提供訂單編號後，串接系統回報物流狀態。
- 售前推薦：依客人描述的需求，從商品資料中推薦相對應的品項與規格。
- 多語言與全時段服務，不受上下班時間限制。
- 把模糊提問引導成結構化問題，再決定自動回覆或轉給真人。
AI 客服不該獨自處理的事
- 涉及金錢爭議、退款金額認定、客訴情緒安撫等需要判斷與授權的情境。
- 沒有寫進知識庫、需要查內部系統或主管裁量的特殊案例。
- 任何「回答錯了會造成實質損失」的承諾，例如保固範圍、合約條款。
一個務實的心法是：讓 AI 處理「查得到、講得清、錯了也好收尾」的問題，其餘一律設計成順暢轉真人。把界線畫清楚，導入才會穩。
規則型聊天機器人 vs 生成式 AI 客服
市面上的方案大致分兩類，很多人混為一談，但兩者的體質差很多。規則型聊天機器人靠關鍵字與選單流程運作，像是 LINE 官方帳號的自動回覆、傳統線上客服系統的按鈕式機器人；生成式 AI 客服則以大型語言模型為核心（如 ChatGPT 類模型），搭配知識庫做語意理解與自然語言回覆。也有不少團隊採用如 Dialogflow 這類具備意圖辨識的中介層，再外接生成式模型。下表是我們實務上的比較。
| 比較項目 | 規則型聊天機器人 | 生成式 AI 客服 |
|---|---|---|
| 運作方式 | 關鍵字、選單、固定流程 | 語意理解＋知識庫生成回覆 |
| 回答彈性 | 低，問法稍變就答不出 | 高，能理解口語與同義詞 |
| 建置難度 | 低，設定選單即可 | 中高，需整理知識庫與測試 |
| 亂回答風險 | 幾乎沒有（答不出就沉默） | 有幻覺風險，需設防護 |
| 維護成本 | 流程一多就難維護 | 更新知識庫即可調整 |
| 適合情境 | 固定 FAQ、流程明確 | 多變提問、售前推薦 |
我們的建議不是二選一，而是混搭：用規則型處理高頻、零容錯的固定問題（例如退貨流程按鈕導引），用生成式處理開放式、需要理解語意的提問，兩者之間留好轉接，整體體驗最穩。
四個最常見的導入情境
把抽象的「AI 客服」落到具體場景，比較好評估投資報酬。
- 售前推薦：客人說「我想找送禮用、預算一千以內的保養品」，AI 從商品資料挑出符合條件的選項並附上連結，等於 24 小時不打烊的導購。
- 訂單查詢：這是最該優先做的。客人給訂單編號，AI 串接訂單系統回報「已出貨／配送中／已送達」，一句話解決原本要翻後台的工作。
- 退換貨：AI 先說明條件與流程、確認是否符合資格，把不符合的當下擋掉、符合的引導填單，最後再交給真人核發退款。
- FAQ 與政策：運費、發票、會員點數、隱私政策這類有標準答案的問題，交給 AI 最划算。
與 LINE、官網、金物流的串接
台灣電商的客服戰場，很大一部分在 LINE。導入 AI 客服時，串接通常分三層。最外層是入口，把 AI 接到 LINE 官方帳號與官網的對話視窗，讓客人在習慣的地方就能問。中間層是知識，AI 需要讀得到你的 FAQ、商品說明與政策文件。最內層是系統，也就是訂單、庫存、物流與金流資料。
實務上最容易低估的就是最內層。要讓 AI 真的能查訂單，你的電商平台得提供可串接的介面（API），把訂單狀態、物流單號、庫存數量開放給 AI 讀取。如果平台封閉、資料拿不出來，AI 就只能回答 FAQ，無法做訂單查詢，價值會大打折扣。所以選方案前，務必先確認你的金物流與訂單系統能不能被串接，這比挑哪個 AI 模型更關鍵。
知識庫怎麼準備
一句話：知識庫的品質，直接決定 AI 客服的天花板。再強的模型，餵爛資料也只會自信地講錯話。我們準備知識庫時會做這幾件事。
- 把分散在客服群組、Excel、店長腦袋裡的答案集中成文件，一題一答、語句明確。
- 用客人真實的問法當標題，而不是內部術語，例如寫「多久會到貨」而不是「物流時效 SOP」。
- 標註資料的有效期限與負責人，促銷與運費政策一變就要同步更新，避免 AI 拿舊資訊回答。
- 把模稜兩可、需要個案判斷的內容明確標記為「轉真人」，不要硬塞給 AI。
知識庫不是上線前整理一次就好，而是要有人定期維護的活資產。我們建議指定一位客服主管當「知識庫管理員」，每週檢視 AI 答錯與答不出的紀錄，補進新題目。
避坑指南：最容易出事的五個地方
這一段是整篇的重點，也是我們花最多代價學到的。
一、幻覺與亂回答
生成式 AI 最危險的特性，是它會用很有自信的口吻講出錯誤資訊。客人問一個知識庫沒有的問題，它可能自己編一個答案出來。解法是限定 AI 只能根據知識庫內容回答，查不到就誠實說「這題我幫您轉給專人」，並且把保固、退款金額這類高風險題目設成一定轉真人。
二、語氣不對
AI 的語氣若太官腔或太油，客人一眼就看出是機器人，觀感會扣分。要先設定好品牌語氣，是親切活潑還是專業沉穩，並用實際案例反覆調整，避免出現過度道歉或答非所問的尷尬回覆。
三、無縫轉真人沒做好
這是體驗崩壞的最大來源。客人問了三輪 AI 還解決不了，卻找不到真人，怒氣值直接拉滿。一定要設計明確的轉接觸發，例如客人輸入「找專人」、AI 連續兩次答不出、或偵測到負面情緒字眼時，立刻轉接，並把先前對話脈絡一併帶給真人客服，別讓客人重講一遍。
四、上線就全開
不要一次把所有問題都丟給 AI。先讓它處理最有把握的一兩類，觀察一段時間再擴大範圍。一開始就全開，出包時很難判斷是哪裡的問題。
五、沒人看後台
導入後若沒有人定期看對話紀錄與成效報表，AI 答錯也沒人知道，問題會默默累積。維運比上線更重要。
怎麼衡量成效
導入 AI 客服不能只憑感覺說「好像有變快」，要用數字驗證。我們會盯這幾個指標（以下為示意範例，實際數字依品牌而定）。
| 指標 | 意義 | 導入前（範例） | 導入後（範例） |
|---|---|---|---|
| 首次回應時間 | 客人問完到第一次有回覆 | 約 25 分鐘 | 數秒內 |
| 自助解決率 | 不需轉真人即解決的比例 | 不適用 | 約 5 成（估算） |
| 客服進線量 | 需真人處理的訊息量 | 100% | 下降三至五成（估算） |
| 客戶滿意度 | 對話後評分 | — | 持續追蹤調整 |
特別提醒：自助解決率不是越高越好。如果為了衝數字硬讓 AI 攔下該轉真人的案子，滿意度反而會掉。這幾個指標要一起看，才不會自欺欺人。
循序導入的五個步驟
- 盤點進線：把過去三到六個月的客服訊息分類，找出最高頻、最適合自動化的題型。
- 整理知識庫：針對這些題型寫出明確的標準答案，並標好哪些一定轉真人。
- 小範圍試跑：先在 LINE 或官網其中一個入口、針對一兩類問題上線，內部人員先測。
- 設計轉真人與監控：把轉接機制、後台報表、答錯回收流程都建好再對外。
- 檢討擴大：每週看數據與對話紀錄，補知識庫、調語氣，再逐步開放更多題型與情境。
AI 客服導入電商，本質上是一場「人機分工」的設計練習，而不是把人換成機器。把對的問題交給 AI、把難的問題留給人、把兩者之間的交接做順，你才能同時拿到效率與口碑。