AI 客服回錯誰負責？導入前先設計人工接管與稽核留痕，把風險變槓桿

很多老闆想導入 AI 客服，第一個問題通常是：「它回答得準不準？」這個問題重要，但不是最重要。

真正會讓企業導入 AI 客服失控的，不是 AI 偶爾答錯，而是答錯之後沒有人知道、沒有人接手、沒有人負責，也沒有紀錄可以回頭查。最後客戶截圖上網，客服說不知道，主管找不到對話紀錄，老闆只能在會議上問一句：「這到底是誰回的？」

在 RunningMate，我們把這件事當成一個治理題，而不是工具題。AI 客服不是拿來取代客服，而是拿來處理標準問題、加速分類、提醒真人介入。只要邊界沒畫清楚，省下來的人力很快會被客訴、賠償與品牌風險吃回去。

AI 客服最大的風險是什麼？

最大的風險不是「答錯」，而是「答錯後沒流程」。

人也會答錯，差別在於成熟的客服團隊知道錯了要怎麼補救。AI 客服最危險的地方，是它可能把錯誤包裝得很有自信：

• 客戶問保固，它亂承諾
• 客戶問保健食品效果，它講過頭
• 客戶問退貨規則，它引用了舊政策
• 客戶情緒已經很差，它還用制式語氣繼續回

客服現場一定會遇到例外、情緒與責任歸屬。老闆要管的不是「AI 永遠不犯錯」，而是「犯錯時損害能不能被控制住」。

我們會建議中小企業用一句話定義 AI 客服：AI 只負責第一層服務，不負責最後承諾。

也就是說，它可以回答常見問題、查詢訂單狀態、提供流程說明、整理客戶需求；但只要牽涉金額、醫療功效、法規承諾、客訴升級、合約條款，就必須交給真人。

導入前，客服問題該怎麼分級？

先把問題分成 4 個等級，不要一開始就把所有訊息丟給 AI。分級不是讓流程變複雜，而是避免把炸彈交給機器人自由發揮。

第 1 級：可以完全自動回覆的標準問題

• 例如：營業時間、門市地址、出貨天數、付款方式、物流查詢、會員點數、常見操作教學
• 答案固定、風險低，客戶期待的是「快」
• 做法：AI 可直接回答，並附上官方頁面或訂單查詢連結

第 2 級：AI 可以先回，但要留下真人確認入口

• 例如：尺寸建議、商品比較、保養方式、活動規則、庫存詢問
• 通常可用資料庫或 FAQ 回答，但會因商品、活動檔期、個人需求產生例外
• 做法：AI 先給建議，但訊息裡保留「需要專人協助」的按鈕或關鍵字，客戶能隨時轉真人

第 3 級：AI 只能分類，不能直接承諾

• 例如：退款、退貨爭議、瑕疵品、延遲出貨、客訴、負評、訂單金額異常
• 牽涉公司成本與客戶情緒，不適合讓 AI 自己決定
• 做法：AI 只整理重點（訂單編號、客戶主張、問題類型、已提供照片、建議優先度），再派給客服或主管

第 4 級：必須立刻人工接管的高風險問題

• 例如：法律爭議、個資外洩、媒體詢問、醫療或功效宣稱、重大客訴、客戶揚言公開爆料、平台申訴
• 做法：立即停止自動回覆，通知指定主管，標記為高風險案件——AI 不應該繼續對話

人工接管流程怎麼寫才不會漏單？

關鍵是：不要只寫「轉真人」，要寫清楚誰接、多久接、接什麼。

很多公司的 AI 客服設定裡都有「轉接真人」，實際上仍然會漏單，原因是流程沒有定義清楚。一套可用的人工接管流程，至少要包含 5 個欄位：

1. 觸發條件：哪些關鍵字、情緒、問題類型要轉真人
2. 接手對象：一般客服、資深客服、主管、法務或業務
3. SLA 時限：幾分鐘內必須回應，超過多久升級
4. 交接摘要：AI 要先整理哪些資訊給真人
5. 接手後規則：真人接手後，AI 是否停止發話

舉例來說，客戶輸入「我要投訴」「你們詐騙」「我要找消保官」，就不該再讓 AI 用罐頭語氣安撫。系統應該立刻標記高風險、停止自動回覆，把對話摘要送給主管，並在約定時限內由真人處理。

對老闆來說，這才叫可控：重要問題有沒有被對的人及時接住。

每一次 AI 回覆都要能回查嗎？

要。AI 客服如果沒有紀錄，就等於黑箱。稽核留痕至少要保存這幾件事：

• 客戶原始問題
• AI 回覆內容
• 使用的知識來源或 FAQ 版本
• 是否觸發轉真人
• 真人接手時間與處理人員
• 最終處理結果
• 是否被標記為錯誤案例

這些紀錄不是為了抓戰犯，而是為了三個實際用途：

1. 客訴發生時可以還原事實：到底是 AI 講錯、資料庫過期、客服接手太慢，還是客戶誤解？沒有紀錄，全部只能靠猜。
2. 可以持續訓練知識庫：同一個問題一直被標錯，代表 FAQ 不清楚、商品頁資訊不足，或 AI 判斷規則要調整。
3. 可以做管理報表：老闆不只要看自動回覆率，更要看人工接管率、錯誤率、高風險案件數、平均接手時間、常見問題類型。

用 RACAE 把客服治理變成一個會進化的循環

前面講的「先分類與摘要 → 再開放低風險 FAQ → 再串訂單售後」聽起來像導入步驟，但它其實可以套進 RunningMate 招牌的 RACAE 優化循環，讓客服治理不是上線一次就結束，而是每一輪都用數據往前修。

RACAE 的順序是 Record（紀錄）→ Analysis（分析）→ Conclusion（結論）→ Assumption（假設）→ Experiment（驗證）：

• Record（紀錄）：每一筆對話都留痕——原始問題、AI 回覆、引用的知識來源版本、是否轉人、真人接手時間、最終結果。這一層就是上面講的稽核留痕，沒有它後面四步都是空談。
• Analysis（分析）：拿留痕資料去算人工接管率與 AI 回覆錯誤率，看哪一類問題最常被轉人、哪一類最常被標錯。
• Conclusion（結論）：根據分析，畫出「哪些問題該全自動、哪些該先回後轉、哪些只能分類、哪些一律人工接管」的邊界——也就是把 4 個等級的界線往對的位置移。
• Assumption（假設）：提出一個可驗證的假設，例如「把這套治理與知識庫版本控管上線後，高風險案件的漏接率會下降、客訴可被更快還原」。
• Experiment（驗證）：實際上線一段時間，再回到 Record 收新資料、重新 Analysis，看假設成不成立，然後跑下一輪。

RACAE 的精神是「數據化行銷策展」——客服治理同理，重點不是一次設定到位，而是讓每一輪留痕都餵養下一輪的判斷。

想更完整理解這套方法，可參考RACAE 優化循環理論。

知識庫沒有版本，會發生什麼事？

AI 會拿舊答案害你。很多 AI 客服回答錯，不是模型笨，是公司資料亂。

• 退貨政策改了，FAQ 沒改
• 活動結束了，舊頁面還在
• 商品規格更新了，客服文件沒同步

所以導入 AI 客服時，知識庫一定要有版本控管。至少要做到：

• 每份 FAQ 有負責人
• 每個政策頁有最後更新日期
• 活動規則有開始與結束時間
• 高風險內容需主管審核後才能上線
• AI 回覆要盡量引用最新資料來源

如果公司連內部答案都沒有統一，AI 只是把混亂放大而已。這句話不好聽，但很準。

老闆該看哪些 KPI？

不該只看「自動回覆了幾成」。自動回覆率太高，有時反而代表高風險問題也被機器吃掉了。我們會建議中小企業至少追 6 個指標：

1. 自動回覆命中率：標準問題有多少被 AI 正確處理
2. 人工接管率：多少問題需要真人介入
3. 高風險案件數：客訴、退款爭議、法規敏感問題有多少
4. 平均接手時間：真人多久接住問題
5. AI 回覆錯誤率：每週抽查錯誤比例
6. 客戶滿意度或負評變化：導入後客戶體感是否變好

如果導入後客服人力變少，但客訴、退貨、負評都增加，那不是自動化成功，而是把成本從客服部門搬到品牌信用上。這種帳，老闆不能算錯。

第一步該怎麼踏？最小可行導入路線

最穩的第一步，不是讓 AI 直接回客戶，而是讓 AI 幫客服做分類與摘要。

例如每天進來的 LINE、Messenger、Email 訊息，由 AI 先判斷問題類型、急迫程度、是否需要主管介入，再把重點整理給真人。這樣可以先降低客服整理時間，又不會一開始就承擔對外答錯的風險。

接著按部就班往下走：

1. 先做分類與摘要：AI 整理重點給真人，不直接對外回覆
2. 再開放低風險 FAQ 自動回覆：第 1 級標準問題先上
3. 最後串訂單查詢、商品建議、售後追蹤：把高價值場景接進系統

每一步都要有抽查、有錯誤回報、有人工接管。這才是中小企業比較務實的路線：先可控，再擴大；先留痕，再自動；先處理低風險，再碰高價值場景。

這套「一段段把人工流程換成可控自動化」的思路，也正是我們陪跑客戶做數位化時的共同邏輯：

• 一間塑膠擠出工廠（依約不具名）：把紙本手寫的生產日報，改成手機就能填的 Web App，預估一年省下 200+ 小時。
• 里洋烘焙：把運輸管制表從紙本搬上手機，出發前在手機上完成填寫。
• 狼大自己的 Meta Toy 玩具電商：把進銷存從 Google 試算表，改成 LINE 自動推播下單記錄加上手機庫存盤點 App，每天約省 30 分鐘。

共同點都是：先讓流程留得下紀錄，再談自動化——客服治理也是同一回事。

結論：AI 客服要上線，治理流程要先上線

AI 客服不是不能用。相反地，它會是中小企業最容易感受到效率提升的 AI 應用之一。

但前提是，老闆不要把它當成「買一個工具來少請一個人」。你真正要建立的是一套客服治理系統，能回答這幾個問題：

• 哪些問題 AI 可以答、哪些必須轉真人？
• 誰負責接手、多久要回？
• 錯了怎麼查、查到以後怎麼修？

做到這些，AI 客服才會從風險變成槓桿。做不到，它就只是另一個會講話但沒人管理的實習生。

如果你正在評估 AI 客服、LINE 自動回覆、客服分流或售後追蹤自動化，建議不要先問工具價格，先問：人工接管與稽核留痕設計好了嗎？

AI 客服治理 8 問：老闆最想知道的事