飯店旅宿導入 AI 客服機器人踩雷：客訴不減反增，問題出在哪

一間經營三間分館、合計四十多間房的精品旅宿品牌，長期被同一個問題困擾：晚上十點後訂房詢問幾乎沒人回覆，OTA 平台上的即時訊息常常隔天早上才有人看。老闆算過一筆帳，如果能把常見問題交給 AI 客服機器人先擋一輪，前檯人力就能專心處理入住、退房和現場突發狀況，晚班也不用再加派人手盯手機。市面上幾套飯店專用的 AI 客服工具當時打的訴求也很吸引人，號稱能串接訂房系統，二十四小時自動回覆，建置費用落在幾萬到十幾萬元之間，以旅宿業的規模來說不算太大的投資。上線前的內部測試也順利，問「有沒有空房」「幾點可以退房」這類標準問題，回答又快又準，團隊對這個決定很有信心。

旺季一到，制式回答開始露餡

問題不是一開始就出現的，而是在旺季訂單變多、房況變動變快之後才浮現。有房客詢問能不能加床，AI 給了品牌標準答案「可加床，費用另計」，但那間分館的那個房型其實不支援加床；有房客問寵物是否能入住，機器人依照通用 FAQ 回答「可以，需額外清潔費」，但那棟建築其實只有特定樓層開放寵物。等房客帶著行李和寵物到現場，才發現訂房時得到的資訊是錯的，前檯只能當場道歉、想辦法喬房間，場面尷尬又耗時。類似的狀況也發生在退款和取消政策上，AI 引用的是品牌總則，卻沒對到某間分館在特定期間的活動優惠條款，房客拿著對話截圖來理論，前檯反而要花更多時間釐清「機器人講的」和「政策實際規定」之間的落差。

真正的問題不是 AI 笨，是資料和例外沒人管

回頭檢討，問題核心並不是對話模型本身不夠聰明，而是房況、庫存和各分館的例外規則，從來沒有被整理成一套機器人能讀懂的即時資料。AI 客服串接的是訂房系統裡最基本的欄位，像是可加床、寵物友善、退款規則這些容易隨分館、房型、季節而變動的細節，大多還停留在員工腦中或零散的內部群組公告裡，沒有回饋到系統裡。換句話說，團隊一開始以為導入 AI 客服是「幫前檯多一個人手」，但實際上要讓這個新人手做對事，得先把所有分館的例外規則寫成清楚、可查詢的資料，而這件事在專案啟動前完全沒被當成一個獨立的工作項目，自然也沒人排時間去做。另一個常被低估的因素是，第一線員工原本就對「機器人會不會取代我」有點戒心，對於回報機器人答錯的案例、協助補充話術這件事並不積極，導致錯誤內容遲遲沒有被修正，一犯再犯。

客訴不減反增，信任成本比想像中高

上線後大約有一段時間，前檯反映的客訴件數不但沒有如預期下降，反而比導入前更多，而且性質更棘手，因為房客手上握著「機器人親口承諾」的對話紀錄，前檯很難用「這是誤會」帶過，常常得用折扣或升等房型來補償，才能把場面圓回來。旺季原本就緊繃的訂房異動，又因為要花額外時間人工核對每一則 AI 對話而拖慢處理速度，團隊私下開玩笑說，這個原本要省人力的工具，反而多創造了一份「找機器人麻煩」的工作。更長期的成本是，幾則負評掛在 OTA 平台上，寫著「客服機器人講的和實際不符」，對後續訂房轉換率造成的影響很難用金額精算，但業主自己感覺得到詢問轉成交的比例確實掉了一截。

後來怎麼調整：縮小範圍，把例外交回真人

團隊後來做的第一件事，是大幅縮小 AI 客服的自動回覆範圍，只留下真正不會隨房型、分館、季節變動的標準問題，例如地址、交通方式、公共設施開放時間；凡是牽涉到房況、加床、寵物、退款這類容易有例外的項目，一律讓機器人先安撫並自動轉真人處理，不再讓 AI 直接給出承諾性的答案。第二件事是把各分館的例外規則整理成一份會定期更新的對照表，每次房況或政策異動，前檯主管有責任在當天更新，而不是等客訴發生才回頭補資料。第三件事則是每週抽查一定比例的 AI 對話紀錄，由人工複核有沒有給錯資訊，這個複核機制雖然多花一點人力，但比起讓錯誤資訊直接流到房客手上，代價小得多。

對正在考慮導入 AI 客服的旅宿業者來說，真正該在簽約前確認的，不是這套工具的對話能力好不好，而是自己內部有沒有一份「隨時能更新、每間分館都對得上」的房況與例外規則資料。如果連員工自己都得靠問資深同事才能確認某個房型能不能加床，那把這件事直接交給 AI 對外承諾，風險自然會先落在客訴上。導入前不妨先從低風險、低變動性的問題開始試跑，確認資料維護的責任分工到位，再逐步放寬機器人能回答的範圍，會比一開始就想著全面取代人力來得穩妥。