---
title: "即使有AI聊天機器人，客服中心來電仍不減的原因"
locale: zh-hant
category: ai_data
category_name: "AI 資料"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/why-ai-chatbots-do-not-reduce-call-center-calls
published_at: 2026-08-14T01:01:58+09:00
---

# 即使有AI聊天機器人，客服中心來電仍不減的原因

> 即使聊天機器人的使用者增加，若缺乏處理權限、情境理解與真人客服銜接，客服中心的來電與營運成本仍可能無法減少。應衡量客戶的問題是否獲得解決，而非自動處理率，並設計讓AI與客服人員共享情境的完整旅程。

## Key Points

- 聊天機器人使用量增加，可能代表諮詢需求與接觸點增加，因此無法直接證明客服中心來電有所減少。
- 說明資訊的能力，與實際處理退款、取消及帳戶變更的權限，是彼此不同的能力。
- 聊天機器人失敗後打進來的電話會集中於複雜案例，因此即使通話量相同，平均處理時間與情緒勞動也可能增加。
- 有效的轉接會將對話摘要、客戶驗證狀態、已執行的措施與失敗原因一併傳遞給客服人員。
- 核心績效指標應著重於旅程完成率、再次諮詢率、總解決時間與客戶付出的努力，而非單純的攔截率。

AI 聊天機器人的對話量大幅增加，並不代表客服中心的來電或諮詢成本會自動減少。聊天機器人回答問題，與徹底解決客戶的問題是兩回事；失敗的自動化反而可能將更複雜、情緒更激動的詢問推向人工客服。

在營運現場觀察到的核心悖論如下：聊天機器人的使用量增加，但整體來電量幾乎維持不變，而客服人員收到的詢問難度與平均處理時間卻有所上升。要理解這種現象，不能只看各管道的使用量，而必須檢視客戶完整的問題解決旅程。

## 聊天機器人使用量與來電減少不一致的原因

聊天機器人使用量並非結果指標，而更接近接觸點的活動量。僅憑訪客增加、擴大聊天機器人曝光、變更應用程式內的入口位置，或原有 FAQ 使用者轉移管道，對話件數就可能增加。

例如，即使聊天機器人對話增加了 300%，在下列情況下，來電量也不會減少。

- 訂單與訂閱用戶同步增加，帶動整體諮詢需求上升。
- 原本使用搜尋與 FAQ 的使用者轉向聊天機器人，但電話使用者仍然不變。
- 同一位客戶使用聊天機器人後，又針對同一問題來電。
- 聊天機器人成為新的諮詢入口，讓過去可能放棄的客戶也開始尋求協助。
- 需要透過電話處理的複雜問題，其占比並未下降。

因此，分析時除了單純的對話件數，還必須分別檢視下列指標。

| 指標 | 計算方式或意義 | 注意事項 |
|---|---|---|
| 電話接觸率 | 電話諮詢件數 ÷ 訂單數、訂閱數或活躍客戶數 | 必須校正因業務成長造成的諮詢量增加。 |
| 轉接率 | 轉為人工客服的聊天機器人工作階段 ÷ 聊天機器人總工作階段 | 低並不一定代表好。隱藏轉接按鈕也可能使其降低。 |
| 再次詢問率 | 在一定期間內針對同一問題再次聯絡的客戶比例 | 即使管道不同，也必須辨識是否為同一問題。 |
| 旅程完成率 | 實際完成目標作業的客戶 ÷ 嘗試該作業的客戶 | 必須區分提供回答與實際處理完成。 |
| 首次接觸解決率 | 無須額外聯絡，便在首次互動中解決的比例 | 若客服人員未經客戶確認便自行標記完成，數據會失真。 |
| 總解決時間 | 從首次接觸到最終解決所經過的時間 | 也應包括等待、管道切換與重新驗證的時間。 |
| 平均處理時間 | 客服作業所耗總時間 ÷ 處理件數 | 自動化後若只剩困難案例，該數值可能上升。 |

## AI 即使回答也無法解決問題的三項結構性限制

### 1. 說明能力與執行權限的差異

生成式 AI 能快速說明政策、使用方法、商品資訊等文件中已有的內容。然而，客戶的實際需求往往包含多個階段的業務處理。

例如，客戶要求「我已取消訂閱卻又被扣款，請幫我退款」時，系統可能必須執行下列作業。

1. 驗證客戶及帳戶。
2. 查詢取消時間與付款紀錄。
3. 判定是否為重複扣款或符合退款條件。
4. 確認核准權限與例外政策。
5. 執行退款並記錄結果。

若聊天機器人未連接內部付款、訂單系統，或沒有執行權限，就只能提供說明。若客戶必須自行尋找選單重新處理，即使從企業角度看是「回答完成」，從客戶角度看仍是尚未完成。

無條件賦予敏感作業廣泛權限也不是解決方案。退款、變更個人資料、恢復帳戶等功能，需要身分驗證、最小權限、金額上限、核准程序、稽核日誌，以及失敗時的復原機制。

### 2. 缺乏問題中未顯現的情境

只憑「請推薦適合帶小孩去的度假地點」這句話，很難得出適當結果。因為孩子年齡、交通時間、預算、食物過敏、泳池安全與醫療可及性等限制條件，都可能改變結果。

補足情境的方法包括下列要素。

- 用來確認必要條件的後續問題
- 在客戶同意的範圍內運用訂單與諮詢紀錄
- 表達商品、政策、地區、對象與例外關係的知識圖譜
- 一致定義用語與關係的本體論
- 查詢最新政策文件與實際庫存、預約系統

本體論或知識圖譜只是可行的實作方式，並非所有聊天機器人的必要條件。對簡單業務而言，結構化 API 與明確的對話流程可能更有效率。重要的是，不讓模型透過猜測填補空白，而是使其詢問必要資訊，或從可信賴的系統中查詢。

### 3. 自動化失敗後留下的高難度詢問

聊天機器人處理簡單詢問後，客服人員相對會接到更多複雜的例外案例。這可以視為案例組成發生變化。即使來電件數不變或略有減少，只要剩下的通話時間變長，總客服時間與成本就可能無法下降。

若客戶已在聊天機器人中重複說明同一件事，轉接客服人員後卻又必須從頭再說一次，情緒負擔也會增加。原本只是單純確認付款的問題，可能擴大成包含對自動化失敗不滿的客訴。

不過，不能斷定平均處理時間上升就是聊天機器人所致。商品故障、政策變更、新進客服人員占比、季節性等因素也會造成影響。比較導入前後時，應控制詢問類型與客戶群體，並分別分析使用聊天機器人後來電的群體，以及直接來電的群體。

## 解決方案不是阻擋詢問，而是順暢轉接

轉接是將 AI 無法解決的對話交由人工客服處理的過程。良好轉接的目的，不是讓客戶長時間困在聊天機器人裡，而是迅速偵測自動化的限制，讓下一個處理問題的主體能不中斷地接續作業。

出現下列訊號時，可以建議轉接人工客服。

- 客戶明確要求轉接客服人員。
- 相同或類似問題反覆出現。
- 回答可信度低於標準，或找不到依據文件。
- 涉及付款爭議、帳戶遭竊、法律威脅、安全問題等高風險情況。
- 負面情緒持續存在，或客戶拒絕接受回答。
- 聊天機器人執行的作業失敗或進入例外狀態。

客服人員的畫面不應只傳遞完整對話紀錄，而應提供可直接用於作業的結構化資訊。

| 傳遞資訊 | 具體內容 |
|---|---|
| 客戶意圖 | 客戶最終想要的結果 |
| 核心事實 | 訂單編號、發生時間、商品、金額等已確認資訊 |
| 驗證狀態 | 以何種方式完成身分驗證及其有效範圍 |
| 執行紀錄 | 聊天機器人查詢或執行的作業及結果 |
| 失敗原因 | 權限不足、政策例外、API 錯誤、可信度低等 |
| 對話摘要 | 客戶主張、已提供的說明、尚待確認的問題 |
| 情緒與風險訊號 | 不滿程度，以及是否存在資安、安全或法律風險 |
| 依據 | 使用的政策文件版本與相關系統紀錄 |

AI 產生的摘要可能出錯，因此也必須能夠一併查閱原始對話。驗證資訊與敏感個人資料只能在必要範圍內傳遞，並應管理存取權限與保存期間。

## 劃分 AI 與人員角色的三階段營運模型

依據業務風險、例外發生頻率與判斷責任來劃分自動化程度，會更加安全。

| 領域 | 適合的業務 | AI 的角色 | 人員的角色 |
|---|---|---|---|
| 自動化 | 營業時間說明、物流查詢、低風險預約變更 | 查詢、說明、執行作業 | 發生例外時介入 |
| 協作 | 複合商品詢問、政策例外審查、一般客訴 | 整理情境、搜尋依據、提出回答草稿 | 確認事實、最終判斷與溝通 |
| 人員專責 | 法律爭議、高額退款、帳戶遭竊、安全危機、嚴重情緒安撫 | 搜尋紀錄並提供輔助資料 | 負責任地判斷、核准、修復關係 |

分類標準不應是「AI 是否擅長撰寫句子」，而應是處理錯誤時造成的損害，以及能否復原。金錢、法律、安全風險較高或經常發生例外的業務，適合保留人工審查與核准階段。

## 將 KPI 從阻擋率轉為旅程完成率

阻擋率或自動處理率，通常是指未轉交客服人員的工作階段比例。然而，只要提高轉接難度，或即使客戶放棄解決問題，數值也可能變好。因此，若將其作為單一 KPI，可能誘發與客戶體驗方向相反的最佳化行為。

以旅程為中心的衡量體系，應回答下列問題。

1. 客戶想要的作業是否確實完成？
2. 是否針對同一問題再次聯絡？
3. 在解決前經過多少個管道與步驟？
4. 客戶重複提供相同資訊或進行驗證多少次？
5. 從首次接觸到最終解決花了多少時間？
6. 自動化錯誤是否導致金錢損失或違反政策？

建議的儀表板可由結果、投入、營運、風險四個層次構成。

- **結果：**旅程完成率、首次接觸解決率、再次詢問率
- **客戶投入：**總解決時間、重複說明次數、管道切換次數、客戶費力度分數
- **營運：**電話接觸率、平均處理時間、等待時間、客服人員占用率
- **品質與風險：**錯誤回答率、未經核准的作業率、敏感資訊外洩、異議與復原件數

成本也不應只根據來電件數計算。應比較每次旅程的總成本，其中包括 AI 推論成本、系統串接、品質評估、資安控制、人工審查時間與錯誤復原成本。

## 情境推論、協調與轉接管線

實用的客服 AI 並非單一對話視窗，而更接近多個系統相互連接的管線。

### 1. 情境推論

掌握客戶意圖與必要條件，並查詢經客戶同意使用的客戶資訊及最新業務資料。不應只依賴模型記憶，而應使用政策文件、訂單系統、帳戶狀態等權威來源。

### 2. 協調

決定將請求送往哪項工具或哪位負責人。執行前，應確認驗證狀態、權限、金額上限與風險等級。若失敗，不應無限重試，而應轉入復原程序或人工客服。

### 3. 轉接

彙整客戶目標、已確認事實、已執行作業、失敗原因與下一步建議措施，並傳遞給客服人員。客服人員確認原文與依據後，再接續處理。

### 4. 結果記錄與學習

儲存最終是否解決，以及客服人員的修正內容。對於重複發生的失敗，不應只重新訓練模型，而應區分問題源自政策文件、API、業務權限或畫面流程，並據此改善。

## 驗證導入成效的實驗設計

若只比較導入前後的整體來電量，便難以排除業務成長與季節性的影響。如條件允許，應將相似客戶群或詢問類型分組，分階段部署，並共同觀察下列項目。

- 每 1,000 筆訂單或每 1,000 名活躍客戶的來電件數
- 使用聊天機器人後 24 小時或 7 天內，因相同原因再次詢問
- 各詢問類型的完成率與平均處理時間
- 轉接人工客服前後的客戶投入與滿意度
- 客服人員修改 AI 摘要的比例
- 自動執行的錯誤率，以及人工復原所需時間
- 客服人員的認知負擔、情緒耗竭與工作滿意度

此外，應事先定義「解決」的含義。顯示回答、客戶結束對話、後端作業成功，以及客戶確認結果，彼此並不相同。退款等需要後續處理的業務，必須確認實際交易狀態。

## 給產品團隊的檢查清單

- 是否區分聊天機器人能回答的事項與實際能執行的事項？
- 是否透過後端結果確認各項業務的成功條件？
- 客戶是否能隨時明確要求轉接人工客服？
- 是否將重複問題、低可信度與風險性表述作為轉接訊號？
- 客服人員是否不只能看到對話摘要，也能查看原文與依據？
- 客戶是否無須再次重複驗證與說明？
- 對 AI 可執行的金額與權限，是否設有上限及核准程序？
- 是否衡量各詢問類型的再次詢問率與總解決時間？
- 客服人員的回饋是否會反映到知識文件、工具與業務流程改善？
- 實際營運負責人是否定期以客戶身分完整測試聊天機器人旅程？

## 結論

AI 聊天機器人的成功，不能只依據對話量或阻擋人工客服的比例來判斷。若客戶的目的未實際達成，聊天機器人就不是問題解決管道，而會成為來電前必須經過的額外步驟。

有效的設計不會隱藏 AI 的限制。將標準化、低風險的業務自動化；在需要判斷的業務中協助客服人員；並將高風險情況迅速交由具備經驗的人員處理。當這套機制再結合能一併傳遞對話與業務狀態的轉接流程時，AI 就不再是阻擋客服中心來電的防護牆，而能成為縮短客戶解決問題時間的工具。

## FAQ

### 聊天機器人使用者增加時，客服中心的來電量不是也應該減少嗎？
不一定。聊天機器人使用量增加，也可能是因為曝光擴大、客戶增加，或原有 FAQ 管道的使用轉移所致。如果同一位客戶使用聊天機器人後又再打電話，即使對話量增加，來電量也可能維持不變。

### 聊天機器人的攔截率高，就代表自動化成功了嗎？
僅憑攔截率很難判斷。讓轉接按鈕難以找到，或客戶放棄解決問題時，攔截率也可能升高。必須同時衡量實際業務完成情況、是否再次諮詢、總解決時間與客戶付出的心力。

### 導入聊天機器人後，平均處理時間為什麼可能增加？
如果 AI 處理簡單的諮詢，複雜的例外情況和帶有情緒的客訴可能會集中到客服人員身上。由於這種案件組成的變化，即使通話件數減少，每件諮詢的處理時間仍可能增加。

### 良好的真人客服交接應包含哪些內容？
應包含客戶的最終目的、身分驗證狀態、已確認的事實、聊天機器人執行的工作、失敗原因、相關政策與對話摘要。AI 摘要可能有錯誤，因此客服人員也必須能夠查看原文與依據。

### 賦予 AI 退款或取消的權限，就能解決問題嗎？
部分流程會有所改善，但授予無限制權限並不安全。必須具備身分驗證、最小權限、金額上限、核准條件、稽核日誌與錯誤復原程序，並從低風險業務開始逐步自動化。

### 客戶服務聊天機器人一定需要本體論和知識圖譜嗎？
不一定需要。在處理複雜的商品與政策關係時很有用，但簡單業務僅靠結構化 API 和明確的對話流程也能處理。關鍵在於詢問必要的情境資訊，或從可信賴的系統中查詢。

### 該如何決定轉交客服人員的時機？
可以根據明確要求真人客服、重複提問、回答可信度低、工作執行失敗、持續的負面情緒，以及付款爭議、帳號遭竊、安全問題等高風險訊號來決定。不應以節省成本為由，讓高風險諮詢長時間停留在聊天機器人環節。

### 聊天機器人的核心 KPI 應使用哪些指標？
可以優先查看流程完成率、首次接觸解決率、相同原因的再次諮詢率、總解決時間與重複說明次數。也應一併確認電話接觸率、平均處理時間、錯誤率與每次流程的總成本。

### 如何驗證聊天機器人是否降低了客服中心成本？
不應只比較導入前後的總來電量，而應計算依客戶數與交易量校正後的電話接觸率。適合比較各諮詢類型的完成率、再次諮詢、客服時間，以及包含 AI 營運費、人工作業審查和錯誤復原成本在內的每次流程總成本。

## Sources

- [NIST AI 風險管理框架](https://www.nist.gov/itl/ai-risk-management-framework)
- [Google Cloud 聯絡中心 AI 平台](https://cloud.google.com/solutions/contact-center-ai-platform)
- [IBM：什麼是本體論？](https://www.ibm.com/think/topics/ontology)
- [Microsoft Azure 架構中心：人工參與迴圈](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/human-in-the-loop)

## Images

![AI 聊天機器人處理簡單需求，並將複雜問題轉入客服中心等候隊伍](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NzU5NywicHVyIjoiYmxvYl9pZCJ9fQ==--317ba98209612caa9af6cdc98ef2ee488ef9e21b/ai-97159692.webp)
![客戶問題經由AI聊天機器人、電話和電子郵件轉交真人客服，下方顯示分析儀表板](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NzYwMywicHVyIjoiYmxvYl9pZCJ9fQ==--3ee1a2d62648624b7dfb616c81456a18181d3f5c/ai-6fc792ff.webp)