客服中心導入 AI 應答前的選型評估：分流沒設計好，只會讓處理時間更長

一間電信業者的客服中心主管最近正在看三家 AI 應答廠商的簡報。現場一百二十位客服人員，每天要接兩千通進線，尖峰時段等候超過十分鐘是常態。廠商的簡報都很漂亮，數字寫著 AI 可解決七成詢問、導入後人力可精簡三成。但主管心裡有個疑問：如果 AI 接了電話卻答不出來，客戶要重講一次問題再轉真人，這樣真的比較快嗎？

這個疑問問到重點了。客服中心導入 AI 應答的踩雷情況常見：轉接率不降反升、客戶重複描述問題導致平均處理時間拉長、AI 誤判緊急案件延遲通報。這些問題多半不是模型不夠聰明，而是導入前沒有把分流邏輯、驗收標準、責任歸屬談清楚。

導入前先盤點：哪些問題該讓 AI 接，哪些一定要留給真人

客服中心主管應先盤點進線問題的類型分布：哪些是帳單查詢、退換貨進度、營業時間等制式重複問題，哪些牽涉情緒與客訴，哪些涉及金流或個資變更需要人工覆核。制式問題通常占日常詢問量的六到七成，是 AI 應答最擅長、投報率最高的範圍；客訴、爭議與高資產客戶等情境，貿然全面 AI 化反而容易引發二次抱怨。

盤點也要包含既有系統串接：AI 要接 CRM、工單系統，還是純粹的話術庫？如果客服平常查資料要跳三個系統，資料源未整合前，AI 不可能比人更快。

POC 該怎麼設計，才能看出真正的分流效果

多數廠商會用解決率當 POC 的主要指標，但這個數字很容易把 AI 有回答和客戶問題真的被解決混為一談。扎實的 POC 應同時追蹤首次接觸解決率、包含轉真人後總時長的平均處理時間，以及客戶滿意度變化。

試用期建議至少跑滿一個完整業務週期，通常四到八週，涵蓋平日與尖峰時段，並以真實歷史通話或工單當測試集。驗收標準也要事先寫進合約附件，例如 AI 誤判需轉真人的比例，以及轉接時客戶不需重複敘述問題。

該問廠商的關鍵問題，以及該提高警覺的答案

計費模式也必須問清楚。客服中心的通話量波動大，如果合約沒寫清楚超量計費規則，旺季帳單暴增的風險會直接反映在下一季預算。

最後該確認的事

簽約前，把 POC 的驗收標準、轉真人的資料完整性、以及計費規則白紙黑字寫進合約附件，比聽任何一場產品簡報都重要。客服中心的價值建立在客戶不用重複自己這個基本體驗上，選型評估做得扎實，才不會讓 AI 應答變成拉長處理時間的新關卡。