AI 客服的分層設計:機器人接八成,人接兩成

AI 客服的討論常常掉進兩個極端。一邊是供應商的說法:「上了 AI 客服,人力省八成」;另一邊是被難用的機器人惹毛過的老闆:「客人就是要真人,AI 都是話術」。我們兩邊都不站。我們自己的電商與訂閱制產品每天都在接客服訊息,AI 工具平台的用戶問題也是自己扛,累積下來的結論很明確:全自動客服是災難,全人工客服是浪費,可行的答案是分層。

分層的意思是:讓機器人接住那些高頻、有標準答案的八成問題,把人力留給真正需要判斷、需要同理、需要權限的兩成。這篇把我們怎麼切這一刀、怎麼設計轉接、以及踩過的坑,完整講一遍。

第一層:機器人該接什麼、不該接什麼

先做一件多數團隊跳過的功課:把過去三到六個月的客服紀錄拉出來分類。不用高深工具,就是把問題歸類、算頻率。我們自己做完的發現跟多數電商差不多——「訂單到哪了」「怎麼退換貨」「發票什麼時候開」「這個商品跟那個差在哪」這類問題,佔了七到八成,而且答案幾乎都查得到、有標準流程。

這些就是第一層該接的。判斷標準有三個:答案存在於系統或文件中(訂單狀態、退貨規則)、不需要例外裁量(不涉及「這次特別通融」)、答錯的代價可控(講錯商品規格可以更正,講錯退款承諾就麻煩了)。三個條件都符合,才交給機器人。

反過來,有幾類問題我們明確規定機器人不准硬接:客訴與情緒性訊息、涉及金額承諾的爭議(退款、賠償)、機器人連續兩次沒答到點的對話。這些不是機器人「答不出來」,而是它答了你也不該讓它答——LLM 的本性是想辦法給出回應,你不設邊界,它就會在最不該發揮的地方發揮。這也是為什麼幻覺防護的工程設計(我們在這篇寫得更細)在客服場景特別重要。

第二層:轉接的設計,比機器人本身更重要

多數 AI 客服失敗,不是敗在機器人太笨,是敗在轉接做得爛。使用者最恨的體驗是:跟機器人雞同鴨講三輪,好不容易轉到真人,還要把問題從頭再講一遍。這一刻,你不只浪費了他的時間,還告訴他「剛剛那個機器人是用來擋你的」。

好的轉接要做到三件事。第一,觸發要主動:偵測到負面情緒字眼、同一問題重複出現、或使用者明講「我要真人」,立刻轉,不要再挽留一輪。第二,脈絡要移交:真人客服接手時,畫面上要有 AI 整理好的對話摘要——客人是誰、訂單編號、問題是什麼、機器人已經回了什麼。客人不用重講,客服不用重問,這才是 AI 在第二層的真正價值:它從第一線退下來,變成真人客服的助理。第三,話術要誠實:轉接時明講「這個問題我請專人處理」,不要讓機器人假裝自己是真人,被識破的信任成本遠高於你省下的人力。

AI 客服的成敗不在機器人多聰明,在轉接那一刻,客人覺得自己被接住了,還是被踢皮球。

第三層:人接住之後,AI 還在場

分層設計不是「機器人層」與「真人層」壁壘分明。真人客服處理第二層問題時,AI 仍然在旁邊工作:即時檢索知識庫、草擬回覆給客服修改後送出、事後自動把這次的問答整理進知識庫。我們自己的經驗是,這個「AI 輔助真人」的模式,對回覆品質的提升比第一層的全自動回覆更有感——資淺客服在 AI 輔助下,回覆水準能快速接近資深同事,而且每一則都還是有人把關。

另外一個常被忽略的環節:分層比例要持續監控。上線第一個月,我們建議盯三個數字——機器人解決率(對話在第一層結束且客人沒有再回來)、轉接率、轉接後的重講率(轉了之後客人還得重述問題的比例)。解決率虛高要小心,有可能是客人放棄了而不是被解決了,要搭配事後滿意度或回訪率一起看。

什麼規模值得做?

誠實說,不是每家公司都到了該做 AI 客服的階段。每天詢問量不到二三十則,人工回其實更快更暖,先把 FAQ 頁和自動回覆規則做好就夠了。詢問量上百、問題高度重複、而且你已經有像樣的知識庫或 SOP 文件,分層式 AI 客服的投資才會回收。這個評估我們在AI 客服值得做嗎?我們的誠實評估框架裡有一套完整的判斷維度,建議動手前先讀。

最後一個提醒:知識庫是整套系統的地基。機器人的答案品質,上限就是你知識庫的品質。文件過時、規則沒寫清楚、部門說法打架,AI 只會把混亂放大。所以我們接這類案子,第一階段永遠是知識整理,不是模型串接——這個順序,是我們用自己的產品線換來的教訓。