AI 客服導入攻略：要訓練到什麼程度才能上線？成本、成效與評估指標一次看懂

最後更新：2026 年 10 月

「導入 AI 客服」聽起來像是一個大工程：要準備大量資料、要請工程師訓練模型、上線後還擔心 AI 亂回答。但實際上，大部分企業需要的不是一個什麼都懂的「擬真人 AI」，而是一個能在對的時間、對的管道，把正確答案交給顧客的 AI 客服。

這篇文章整理了國際研究與實務經驗，說明 AI 客服是怎麼運作的、要準備到什麼程度才能上線、成本怎麼控制，以及最常被低估的一件事：AI 客服帶來的不只是省下的人力，還有原本流失掉的成交機會。

一、AI 客服是什麼？跟傳統聊天機器人差在哪？

傳統的客服機器人靠「關鍵字＋選單」運作：顧客輸入「退貨」，機器人回覆退貨說明；但只要顧客換個說法，例如「買錯尺寸可以換嗎」，機器人就可能聽不懂。

現在的 AI 客服以大型語言模型（LLM）為核心，能理解語意，而不只是比對關鍵字。再搭配品牌自己的知識庫，例如常見問題、退換貨政策、商品資訊，AI 就能根據這些資料，用自然的語句回答顧客的問題。

這種「先從知識庫找資料、再由語言模型生成回答」的做法，稱為 RAG（Retrieval-Augmented Generation，檢索增強生成），最早由 Meta AI 等研究團隊在 2020 年提出^[1]。

它的好處是：

• 答案有依據：AI 的回答來自品牌提供的資料，而不是模型自己「想像」的內容。
• 更新容易：政策或商品資訊改了，只要更新知識庫，不必重新訓練模型。
• 成本可控：不需要自己訓練或微調（fine-tune）一個大型模型。

需要 fine-tune 模型嗎？

很多人以為 AI 客服要「訓練模型」才會變聰明，但研究顯示，要讓 AI 學會新知識，RAG 的效果明顯優於 fine-tune。2024 年發表於 EMNLP 的研究比較了兩種做法，發現 RAG 在既有知識與全新知識上的表現都勝過 fine-tune，而 fine-tune 很難讓模型記住新的事實^[2]。

OpenAI 的官方開發指南也建議依序嘗試：先優化提示詞（prompt），再加入檢索（RAG），最後才考慮 fine-tune；並提到許多大型企業部署只用了提示詞與 RAG 就達到目標^[3]。Fine-tune 比較適合用來統一回答的格式或語氣，而不是教 AI 認識你的商品與政策。

換句話說，對大部分品牌來說，「訓練 AI 客服」其實是整理好知識庫、設定好回答規則，而不是訓練模型本身。

二、導入 AI 客服會不會很複雜？

不一定。關鍵在於理解一件事：顧客會來問客服的問題類型，其實是有限的。

以電商為例，大部分的客服問題集中在幾類：

• 訂單與物流：什麼時候到貨？可以改地址嗎？
• 退換貨：怎麼退？運費誰付？
• 商品資訊：尺寸怎麼選？有沒有含過敏原？
• 優惠與會員：折扣碼怎麼用？點數怎麼換？

所以導入 AI 客服的目標，不是打造一個全知全能、什麼話題都能聊的 AI，而是一個知識範圍恰到好處、能正確提供資訊，或把顧客帶到正確處理管道的 AI。

AI 不需要極度聰明，但需要：

1. 知道自己該回答什麼：品牌知識庫涵蓋顧客常問的問題。
2. 知道自己不該回答什麼：遇到知識庫沒有的問題、敏感話題，或顧客情緒激動時，交給真人處理。
3. 知道什麼時候該採取行動：例如詢問訂單時先蒐集訂單編號，再引導下一步。

這也是 AI 客服不容易「出包」的原因：知識範圍越清楚，AI 越不會亂回答。

三、AI 客服要訓練到什麼程度才能上線？

這是導入時最常被問的問題。與其問「AI 夠不夠聰明」，不如用三個指標來判斷：

1. 覆蓋率（Coverage Rate）：該回答的問題，AI 有沒有回答？

覆蓋率看的是：在顧客提出的問題中，知識庫有提供答案、而且 AI 也確實回答的比例。

覆蓋率低，通常代表兩種情況：

• 知識庫缺資料：顧客常問的問題，知識庫裡沒有答案。
• AI 沒有對應到：知識庫有答案，但顧客的問法 AI 沒有辨識出來。

2. 問題解決率：AI 回答後，問題有沒有真的解決？

AI 有回答，不代表問題解決了。解決率看的是由 AI 處理完、不需要轉給真人客服就結束的對話比例。

3. 滿意度（CSAT）：顧客覺得 AI 的回答有幫助嗎？

在 AI 回答後請顧客評分「有幫助／沒有幫助」，就能知道回答的品質。特別值得回頭檢查的是「負評」的對話：顧客想問什麼？AI 怎麼回答？為什麼沒幫上忙？

上線前的準備：善用現成的資料

訓練 AI 客服的資料，大多數企業手上早就有了，不必從頭整理客服對話紀錄：

1. 常見問題：用現成的 FAQ。 公司訓練新進客服人員用的標準 FAQ、網站上公告的常見問題、退換貨與會員政策文件，都可以直接作為 AI 的知識來源。客服人員靠這些資料回答顧客，AI 也一樣。
2. 商品細節：用商品資料（Product Data Feed）。 尺寸、材質、成分、價格、庫存等規格，直接匯入商品目錄，AI 就能回答「這件有 L 嗎？」「有沒有含麩質？」這類問題。有了商品資料，AI 還能根據顧客的需求適時推薦商品。
3. 必須一字不差的答案，設定固定回覆。 價格、退款規則、法規說明等內容，不讓 AI 自由發揮。
4. 用真實的顧客問法測試。 包括錯字、口語、一次問兩件事。
5. 設計轉接真人的流程。 這一點非常關鍵，下一節會詳細說明。

常見問題的覆蓋率與解決率達到團隊可以接受的水準，就可以先在單一管道（例如官網 WebChat 或 LINE）上線，再逐步擴大。

關鍵：設計 AI 轉接真人的流程，避免「鬼打牆」

AI 客服最容易讓顧客反感的情況，不是答不出來，而是答不出來卻不放人：顧客換了三種說法，AI 還是回「抱歉，我不太明白您的問題」，或是一直重複同一段答案，顧客找不到真人，只能放棄。這就是俗稱的「鬼打牆」。

AI 客服的準確度進步得很快，但顧客的問題千變萬化，總會有超出知識範圍、需要例外處理或需要真人判斷的情況。所以重點不是讓 AI 永遠答得出來，而是答不出來的時候，能順利把顧客交給真人。

設計轉接流程時，可以從「什麼時候轉接」與「怎麼交接」兩方面著手：

其中，答不出來的次數上限與對話輪數上限是避免鬼打牆最直接的機制：達到上限就主動轉接，不要讓顧客一直換說法重問；顧客要求找真人或情緒激動時，則應以同理的語氣回應並立即轉接。

OpenAI 的 AI agent 開發指南也提出類似的原則：AI 多次嘗試仍無法理解顧客意圖，或遇到退款、取消訂單等不可逆的高風險操作時，應交給真人處理^[4]。

轉接的那一刻，也決定了顧客的體驗好不好：

• 先蒐集資訊，再轉接。 例如處理退貨時，AI 先問好訂單編號與退貨原因，真人客服接手後不必再問一次。
• 轉給對的人。 依問題類型指派給對應的客服群組，例如退換貨、技術支援或 VIP 專屬客服。
• 告訴顧客接下來會發生什麼。 例如「已為您轉接專人，預計 5 分鐘內回覆」；非營業時間則告知真人客服的回覆時間。
• 不要強迫顧客。 顧客在 AI 蒐集資料的過程中換了話題或不想提供，AI 應該順著顧客的新問題回應，而不是一直追問。

上線後：持續優化，而不是一次到位

AI 客服上線不是終點，而是優化的開始。因此在選擇 AI 客服工具時，有一個條件非常重要：工具必須讓你隨時檢視覆蓋率、解決率與滿意度，並且明確指出該補充什麼資料、該調整哪段流程、該改善哪些答案。 只看得到數字、卻不知道下一步該做什麼，優化就很難持續。

用圖片、影片讓答案更好懂

有些問題用文字很難說清楚。例如尺寸怎麼量、商品怎麼安裝、退貨包裹怎麼寄，一張尺寸表或一段教學影片，往往比好幾段文字更有用。

AI 客服如果能在回答中搭配圖片、影片、音訊，或是按鈕、商品卡片等格式，答案會更容易閱讀，顧客也更容易照著做，滿意度與解決率自然會提升。

四、AI 客服會不會很貴？

AI 客服的成本主要來自 AI 生成回覆的用量。但不是每一個問題都需要動用 AI。

比較有效率的設計，是讓選單式聊天機器人、AI 客服、真人客服三者分工：

簡單、常見的問題，透過聊天機器人建立的服務選單就能讓顧客快速查到答案；只有選單和規則處理不了的問題，才交給 AI；AI 也處理不了，再轉給真人。這樣既能控制 AI 用量，也能讓真人客服專注在真正需要人的對話上。

AI 客服的目標是讓真人客服做更有價值的事，而不是完全取代他們。Gartner 也預測，到 2027 年，有一半原本計畫用 AI 大幅縮減客服人力的企業會放棄這個計畫^[5]。顧客隨時找得到真人，才會放心把問題交給 AI。

試算：真人客服回覆一則訊息要多少錢？

談 AI 客服貴不貴，最好的比較基準是真人客服。以一位全職客服人員為例：假設月薪 35,000 元，加計勞健保、勞退等，公司實際負擔約 42,000 元；每月工作 22 天、每天實際回覆約 6 小時，每則訊息平均處理 1～2 分鐘，每月約可回覆 3,960～7,920 則，換算下來每則回覆的人力成本約 5.3～10.6 元（數字可依公司實際情況代入）。

即使以 2026 年的基本工資（月薪 29,500 元）^[6]計算，每則回覆的人力成本也約在 4.5～8.9 元之間；而且這還沒有算進招募、教育訓練、主管管理與人員流動的成本。相較之下，AI 客服的單則回覆費用很容易就低於這個水準。

除了單價，AI 客服還有幾個真人客服很難做到的地方：

• 24 小時即時回覆：夜間、假日不必排班，顧客不用等到隔天。
• 尖峰時段不排隊：促銷檔期詢問量暴增時，AI 可以同時回覆大量對話，不必臨時加人。
• 品質一致、容易管理：AI 依據同一份知識庫回答，不會因為人員經驗不同而說法不一；回答內容、解決率與滿意度也都能用數據追蹤和調整。

五、不只是客服：AI 客服也是行銷自動化的一環

很多企業把 AI 客服定位成「降低客服成本」的工具，卻忽略了它在購買決策上的影響。

顧客在下單前，常常卡在幾個關鍵問題：

• 買衣服前：我平常穿 M，這件要買 M 還是 L？
• 趕時間時：今天下單，最快什麼時候到貨？
• 買食品前：這個有沒有含堅果？適合素食者嗎？

如果這些問題要等到隔天客服上班才有人回覆，顧客很可能已經關掉網頁、在別的地方下單了。AI 客服能在顧客猶豫的當下立即回答，直接影響成交。

更進一步，如果 AI 客服能讀取商品目錄，就能根據顧客的需求推薦合適的商品，例如「預算 2,000 元內、適合送長輩的禮盒」，把客服對話變成銷售機會。

此外，回應速度與準確度也會影響品牌印象。一次即時、正確、語氣得體的回答，會讓顧客對品牌留下好印象；反過來說，讓顧客等不到回覆，就是在扣品牌好感度。

六、怎麼評估導入 AI 客服的成果？

評估 AI 客服的成效，大多數人第一個想到的是省下多少人力成本。這當然重要，而且 AI 客服的能力進步得非常快：以 BotBonnie 目前的客戶為例，AI 客服已經能解決約 60% 的常見問題，真人客服可以把時間留給更複雜、更需要判斷的對話。例如雪坊精品優格導入 AI Chatbot 後，省下約 30% 的客服成本（詳見雪坊精品優格成功案例）。

但除了人力成本之外，有兩項價值常被低估：

1. 即時回答帶來的額外營收

即時且正確地回答購買前的關鍵問題，能直接提升轉換。如果 AI 客服有商品推薦功能，也可以追蹤推薦商品的點擊數、轉換次數與轉換金額。

2. 避免流失的成交機會與品牌好感

反過來看，因為客服人力不足、無法即時回答問題，所流失的成交機會與品牌好感度，往往沒有被計算進去。夜間、假日、促銷檔期的大量詢問，都是真人客服最難應付、但顧客購買意願最高的時候。

建議追蹤的指標

面向	指標	說明
服務量能	參與率、AI 處理的對話數	AI 實際接手了多少對話
服務品質	解決率、滿意度（CSAT）	AI 是否真的解決問題，顧客是否滿意
營運成本	轉接真人的比例、真人客服處理量	真人客服的工作量是否下降
營收貢獻	推薦商品的點擊、轉換次數、轉換金額	AI 客服直接帶來的業績

七、導入 AI 客服前，要注意的風險

AI 說錯話，品牌要負責

2024 年，加拿大航空的網站聊天機器人告訴旅客「喪親優惠票價可以事後申請退款」，但這與航空公司的實際政策不符。加拿大卑詩省的民事審裁處判決航空公司必須賠償，並指出聊天機器人提供的資訊與網站上的其他內容一樣，都是企業的責任^[7]。

這提醒我們：價格、退款、法規等重要資訊，應該用固定回覆或嚴格的規則控制，不要讓 AI 自由發揮。

不要追求「全自動」

Gartner 預測，到 2029 年，agentic AI 可以自主解決 80% 的常見客服問題^[8]。但「常見問題」之外的那 20%，往往是最需要真人判斷的情況。導入 AI 客服時，請保留顧客隨時找到真人的管道。

八、用 BotBonnie 導入 AI 客服

BotBonnie 的 AI 客服（Appier AI Agent）採用「選單式機器人＋AI＋真人客服」的分工設計，可以在 LINE、Facebook Messenger、Instagram、WebChat 等管道上運作：

• 回應順序可控：系統會先檢查對話模組與關鍵字規則，沒有符合的規則才交給 AI 回答，常見流程不必消耗 AI 用量。
• 知識來源：直接上傳現有的 FAQ 與政策文件，讓 AI 根據你的資料回答；價格、政策等重要答案可以設定「自訂答案」，比對成功時直接發送、不另外生成。
• 商品資料（Product Data Feed）與主動推薦：匯入商品名稱、描述、分類、價格與庫存等資料，AI 不只能回答尺寸、成分、有沒有貨等商品細節，還能依照顧客在對話中提到的需求與預算，主動推薦合適的商品並附上商品連結，讓顧客在對話中就能直接前往購買，把客服對話變成成交機會。推薦商品帶來的點擊、轉換次數與轉換金額，也都能在報表中追蹤。
• 意圖規則：針對退貨、訂單查詢、客訴等情境設定 AI 的處理方式，例如先蒐集訂單編號，或以同理的語氣回覆並轉接真人客服。
• 避免鬼打牆的轉接機制：可以設定無法回答的次數上限與對話輪數上限；遇到不支援的訊息類型或系統錯誤時，也會自動轉給指定的真人客服群組。
• 多元訊息格式：AI 的回答可以搭配圖片、影片、音訊等回覆模組，讓答案更清楚易懂。
• AI 助理分析：隨時檢視參與率、解決率、滿意度，以及商品推薦帶來的點擊與轉換；每一則評價都附上 AI 生成的對話概要，說明顧客想問什麼、AI 怎麼回答、可能被打負評的原因，讓你知道該補充哪些資料、優化哪些答案。

想了解 AI 客服如何搭配你的客服流程，可以參考 AI 客服功能介紹 或 方案與價格。

延伸閱讀

• AI Agent 導入全解析：10 大常見 FAQ 完整說明
• AI 助理（AI Agent）架構大解析：Service Agent 與 Sales Agent
• 雪坊精品優格大省 30% 客服成本！導入 AI Chatbot 創造高效線上客服
• 什麼是聊天機器人？一篇學會如何經營對話式行銷

常見問題

AI 客服需要準備多少資料才能上線？

大部分企業手上的資料就夠了。常見問題可以直接使用訓練客服人員的標準 FAQ 或網站上公告的常見問題，商品細節則匯入商品資料（Product Data Feed）。先在單一管道上線，再依照 AI 答不出來的問題逐步補充。

怎麼避免 AI 客服鬼打牆？

設定 AI 無法回答的次數上限與對話輪數上限，達到上限就主動轉接真人；顧客要求找真人或情緒激動時，也應立即轉接。轉接前先蒐集訂單編號等必要資訊，真人客服接手後就不必重問。

AI 客服會不會亂回答？

AI 客服根據品牌提供的知識庫回答，比通用的聊天 AI 更有依據。對於價格、退款等必須精準的資訊，建議設定固定回覆；知識庫沒有答案時，設定讓 AI 轉接真人，而不是自行猜測。

導入 AI 客服就可以不用真人客服了嗎？

不建議。AI 客服適合處理大量標準問題，但客訴、例外處理與複雜情況仍需要真人。保留轉接真人的管道，顧客也會更放心使用 AI 客服。

AI 客服需要自己訓練或 fine-tune 模型嗎？

大部分情況不需要。研究與 OpenAI 的官方指南都指出，讓 AI 掌握品牌知識，用知識庫檢索（RAG）比 fine-tune 更有效，也更容易更新。

怎麼知道 AI 客服的成效好不好？

除了省下的人力成本，建議同時追蹤覆蓋率、解決率、滿意度，以及 AI 客服帶來的商品點擊與轉換。即時回答購買前的關鍵問題所帶來的營收，常常是最容易被低估的價值。

參考資料

1. Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. https://arxiv.org/abs/2005.11401
2. Ovadia, O. et al. (2024). Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs. EMNLP 2024. https://arxiv.org/abs/2312.05934
3. OpenAI. Optimizing LLM Accuracy. https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy
4. OpenAI (2025). A Practical Guide to Building Agents. https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
5. Gartner (2025/6/10). Gartner Predicts 50% of Organizations Will Abandon Plans to Reduce Customer Service Workforce Due to AI. https://www.gartner.com/en/newsroom/press-releases/2025-06-10-gartner-predicts-50-percent-of-organizations-will-abandon-plans-to-reduce-customer-service-workforce-due-to-ai
6. 聯合新聞網（2025）。〈調漲最低工資、保障病假權 2026勞動部新制一次看懂〉。https://udn.com/news/story/7238/9226164
7. Moffatt v. Air Canada, 2024 BCCRT 149（加拿大卑詩省民事審裁處）。
8. Gartner (2025/3/5). Gartner Predicts Agentic AI Will Autonomously Resolve 80% of Common Customer Service Issues Without Human Intervention by 2029. https://www.gartner.com/en/newsroom/press-releases/2025-03-05-gartner-predicts-agentic-ai-will-autonomously-resolve-80-percent-of-common-customer-service-issues-without-human-intervention-by-20290