很多老闆想導入 AI 客服，第一個動作是去找一套能自動回覆 LINE、Messenger 或官網表單的工具。但讓 AI 客服失控的，通常不是工具不好，而是公司本來就沒有一套一致的標準答案。
當客戶問「保固多久」「能不能退貨」，你可能得到三種版本：
- 官網寫一年，客服說半年，門市同仁說要看品項。
- 電商頁面寫 7 天鑑賞期，LINE 小編回「拆封不能退」，業務又在電話裡承諾「可以個案處理」。
這種狀況下，就算導入再強的 AI，也只是把原本散在各處的混亂，用更快的速度講給更多客戶聽。
所以中小企業要導入 AI 客服、AI 業務助理或內部 Agent，第一個該整理的不是 Prompt，而是企業知識庫。
知識庫不是文件倉庫，也不是把所有 PDF 丟進雲端硬碟，而是一套讓官網、LINE、門市、客服、業務和 AI 都讀得懂、都照同一版回答的營運基礎設施。
這也是「先做知識庫，再上客服」的關鍵：知識庫是前置工程，獨立且要先於任何 AI 客服上線。
為什麼沒有知識庫，AI 客服一定很難穩？
直答：因為 AI 不會憑空變聰明，它只會照你給的資料、規則和上下文回答。公司資料本身互相衝突，AI 就會把衝突放大。沒有知識庫，會出現三個問題：
- 它不知道哪一版是正確答案。 產品頁、客服話術、內部公告、舊活動頁都可能被當成資料來源，最後生成一個「看似合理、其實混雜」的回覆。
- 它不知道什麼問題該交給真人。 退費、客訴、合約、價格例外、法規承諾，本來就不該讓 AI 自動決定。知識庫沒標風險等級，AI 很容易越權。
- 團隊沒辦法追查錯誤來源。 客戶說「你們 AI 昨天不是這樣講」，主管若找不到答案版本、更新紀錄和負責人，就只能靠人肉回憶——對客服、品牌和內部管理都很傷。
企業知識庫不是資料夾，而是一套標準答案系統
直答：很多公司已經有資料，但沒有知識庫。差別在於——資料只是放著，知識庫會被使用、被維護、被驗收。一套堪用的標準答案系統，至少要做到三件事。
1. 一題一答，而不是一堆文件
AI 最好讀、員工也最好用的格式，是「問題 → 標準答案 → 補充說明 → 適用條件」。例如：
- 問題：商品可以退貨嗎？
- 標準答案：依消保法提供 7 天鑑賞期，但食品、客製商品、已拆封衛生用品依商品頁公告為準。
- 補充說明：如遇瑕疵、寄錯商品，需轉人工客服處理。
- 適用條件：台灣本島一般電商訂單。
這種格式比把退貨政策藏在三頁 PDF 裡有效太多：客服新人看得懂、門市可以查、AI 也比較不會亂解讀。
2. 每個答案都要有負責人
知識庫最怕沒有人管。建議把答案依職掌分工：
- 商品規格 → 商品部
- 活動優惠 → 行銷
- 出貨時效 → 營運
- 退換貨政策 → 客服或法務
中小企業不用一開始就做大型系統，用 Google Sheet、Notion、Airtable 都可以。重點不是工具漂亮，而是每一則知識都標清楚「負責部門、最後更新日、審核人」，否則答案過期後沒有人會主動修。
3. 答案要分風險等級
不是所有問題都適合讓 AI 自動回答。建議至少分三層：
- 低風險：營業時間、付款方式、配送範圍、一般商品規格 → 可由 AI 直接回答。
- 中風險：退換貨、活動折扣、庫存狀態、訂單查詢 → AI 提供標準說明，必要時轉人工。
- 高風險：客訴、退款例外、合約承諾、法規、療效、價格談判 → AI 只能協助整理資訊，不能直接承諾。
這個分級會直接影響 AI 客服的權限。沒有分級，就很難設計人工接管規則。
中小企業第一版知識庫要整理哪 8 類內容？
直答：不要一開始就想把公司所有知識整理完，會卡死。第一版先從客戶最常問、最容易出錯、最影響成交的內容開始。以下 8 類是建議的起手清單：
- 產品與服務說明：商品名稱、規格、尺寸、材質、適用對象、服務範圍、交付方式、常見限制。影響官網、商品頁、客服回覆和業務簡報。
- 價格與付款規則：價格方案、付款方式、分期、發票、報價有效期限、加購項目。不同通路價格不同時，要寫清楚適用條件。
- 配送、預約與交付時程：電商整理出貨天數、配送範圍、離島規則、缺貨處理；服務業整理預約、改期、取消、到府或線上服務規則。
- 退換貨、保固與售後：最容易吵架的一區。寫清楚一般規則、例外狀況、需轉人工的情境；AI 可協助說明，但不應自行判斷特殊補償。
- 活動優惠與檔期規則：每個優惠都要有開始日、結束日、適用商品、排除條件、可否併用、客服說法。
- 客服與業務話術：常見問題、反對意見、轉單條件、預約話術、報價前需蒐集的資訊，讓 AI 不只回答問題，也能協助判斷下一步。
- 內部流程與交接規則：誰處理高單價詢問、誰處理客訴、超過多久沒回覆要提醒主管、哪種問題要開任務。這一區是把知識庫接到營運自動化的關鍵。
- 禁止回答與轉人工清單：明確列出 AI 不可承諾的內容，例如療效、保證收益、法律判斷、未公告折扣、個案退款、合約修改。這比事後道歉實在。
知識庫要怎麼更新，才不會三個月後又變垃圾？
直答：知識庫最難的不是建立，而是維護。第一版整理得再完整，三個月後活動改了、商品下架了、政策變了，沒人同步更新，又會變成一堆舊資料。維護要靠三個固定動作：
- 建立「改規則就改知識庫」的流程：任何活動上線、商品新增、價格調整、退換貨政策變更，都把「更新知識庫」列進工作清單——不是等客服發現答錯才補。
- 每週看錯誤與未命中問題：客服或營運主管每週抽查 AI 回覆紀錄，整理三種問題——答錯、答不完整、沒有資料。這三種就是下週知識庫更新的優先清單。
- 每月做版本盤點：每月檢查高流量、高風險、高成交影響的答案，特別是退換貨、價格、活動、保固、合約、配送。這些答案錯一次，代價通常比整理一次知識庫還高。
用 RACAE 把「整理前 50 題」變成會自己變強的循環
直答：建知識庫不是「整理完就收工」，而是一個會持續優化的循環。
RunningMate 用招牌方法論 RACAE 優化循環＝Record → Analysis → Conclusion → Assumption → Experiment 來帶這件事。把「先匯出 30 天客戶問題、整理前 50 題」對應進去，五個階段如下：
- Record（紀錄）：先匯出最近 30 天客戶問題，整理前 50 題。每題寫成「一題一答」，再標上負責人與更新日，讓每則答案都有可追溯的來源。
- Analysis（分析）：每週看 AI 與真人的回覆紀錄，盯三件事——哪些題答錯、哪些答不完整、哪些根本沒資料。把問題攤在數據上，而不是憑印象。
- Conclusion（結論）：依分析結果，把這 50 題的答案定出低／中／高風險分級，連帶決定哪些 AI 可直接回、哪些必須轉人工。
- Assumption（假設）：提出可驗證的假設——例如「標準答案一致，能降低官網／LINE／門市的回答落差，也能縮短客服查找時間」。
- Experiment（驗證）：讓客服、業務、門市同仁實際試用兩週，把答錯和查不到的題目補進去；驗證假設是否成立，再把結果回寫成新的 Record，進入下一輪。
這五階段名稱與順序固定，是讓知識庫「越用越準」的引擎。
想看完整方法論，可參考 RACAE 優化循環理論。
老闆怎麼驗收知識庫有沒有用？
直答：知識庫不能只看「整理了幾篇」，要看營運效果。建議用五個指標驗收：
- 回答一致率：抽查官網、LINE、門市、業務回覆，同一題是否都能講出同一版標準答案。
- 客服查找時間：客服從查資料到回覆，平均時間是否下降。新人也能快速回答，代表知識庫真的可用。
- 轉人工比例是否合理：低風險問題逐步由 AI 或客服快速處理；高風險問題穩定轉給對的人，而不是被 AI 硬回。
- 錯誤回覆數：每週統計因資料錯誤造成的回覆問題，並追到是哪一則知識需要修正。
- 成交與客訴影響：高單價詢問、售後、退換貨爭議，若因答案一致而更快處理，這才是知識庫真正的商業價值。
這套做法，在工廠和烘焙廠都驗證過
直答：把「人腦記憶」轉成「結構化、可被照著做的標準流程」，不是只在客服場景有用——RunningMate 陪跑時，在不同產業都驗證過同一套邏輯。
- 某塑膠擠出工廠（依約不具名）：生產日報原本是紙本手寫工單號碼、工序、起訖時間、生產數量，靠師傅記憶與經驗。陪跑時帶著老闆和員工一起，把它改成手機 Web App——選員工 → 輸入工單／工序 → 計時開始工作。預估一年省下 200 多個小時。
- 里洋烘焙：運輸管制表原本紙本手寫車號、司機簽名、車廂清潔、車廂溫度、運輸量、門市簽名。陪跑時一樣帶老闆與員工一起做成手機 Web App，出發前依序填寫：選車輛／司機／時段 → 車廂清潔 → 車廂溫度 → 確認出發。
兩個案例的共同點，正是知識庫的精神：把分散在不同人腦中的判斷與規則，收斂成一份大家照著走的標準版本。差別只在於，工廠和烘焙廠收斂的是「作業流程」，而 AI 客服收斂的是「標準答案」。
這也是 RunningMate 教練式陪跑的做法——不只交一份報告就走，而是先懂你的生意，再帶著老闆和員工一起做，讓團隊長出自己的能力。
延伸閱讀：企業 AI 陪跑：用 AI 代理人一段段替換人工流程。
第一版可以怎麼開始？
直答：最務實的做法，是先挑一個客戶接觸最頻繁的流程——例如 LINE 客服、官網詢問或門市常見問題——不要全公司一起做。可以照這個順序：
- 匯出最近 30 天客戶問題，整理前 50 題。
- 把每題改成標準答案，標上風險等級、負責人、更新日、轉人工規則。
- 讓客服、業務、門市同仁試用兩週，把答錯和查不到的題目補進去。
- 等這 50 題穩了，再擴到商品、活動、售後和內部交接。
這樣做比一開始就買一套大系統實際，也比較容易讓團隊真的用起來。
AI 時代，企業最值錢的不是「會用哪個工具」，而是公司能不能把自己的產品、流程、承諾和判斷標準，整理成 AI 讀得懂、人也願意照著做的知識系統。知識庫做好，AI 客服才會穩；知識庫沒做，AI 只是更快地暴露管理漏洞。
AI 客服知識庫 8 問：老闆最想知道的事
企業知識庫和把檔案丟雲端硬碟有什麼不同？
A：雲端硬碟只是「放著」一堆 PDF 和文件，沒人保證哪一版是對的。企業知識庫是會被使用、被維護、被驗收的標準答案系統，每一則知識都標清楚負責人、最後更新日和風險等級，讓官網、LINE、門市、客服和 AI 都照同一版回答。
為什麼一定要先做知識庫，才上 AI 客服？
A：因為 AI 只會照你給的資料和規則回答。公司本來就答案不一致，導入 AI 只會把混亂用更快的速度講給更多客戶聽。先把標準答案、風險分級、轉人工規則整理好，AI 客服才有正確、可控的資料來源，這是獨立且前置於所有 AI 客服的工程。
中小企業第一版知識庫要先整理什麼？
A：先從客戶最常問、最容易出錯、最影響成交的內容開始，建議涵蓋 8 類：產品與服務、價格與付款、配送與交付時程、退換貨與售後、活動優惠規則、客服與業務話術、內部流程與交接、禁止回答與轉人工清單。不要一次把全公司知識整理完，會卡死。
知識庫為什麼要分風險等級？
A：因為不是所有問題都適合讓 AI 自動回答。建議分三層：低風險（營業時間、付款方式）可由 AI 直接回；中風險（退換貨、活動折扣）AI 提供標準說明、必要時轉人工；高風險（客訴、退款例外、合約、療效、價格談判）AI 只能協助整理資訊、不能直接承諾。分級會直接決定 AI 客服的權限。
知識庫怎麼維護，才不會三個月後又變垃圾？
A：靠三個固定動作。第一，建立「改規則就改知識庫」的流程，活動、商品、價格、政策一變更就同步更新。第二，每週抽查回覆紀錄，整理答錯、答不完整、沒資料三種問題當作更新清單。第三，每月盤點高流量、高風險、高成交影響的答案。
RACAE 怎麼用在知識庫上？
A：RACAE 是 Record → Analysis → Conclusion → Assumption → Experiment 的優化循環。Record 是匯出 30 天問題、整理前 50 題並標負責人與更新日；Analysis 是每週看答錯、答不完整、沒資料；Conclusion 是定低／中／高風險分級；Assumption 是提出「標準答案一致能降低落差、縮短查找時間」的假設；Experiment 是讓團隊試用兩週驗證並回寫，進入下一輪。
老闆要怎麼驗收知識庫有沒有用？
A：不要只看整理了幾篇，要看營運效果。建議用五個指標：回答一致率、客服查找時間、轉人工比例是否合理、錯誤回覆數、以及成交與客訴影響。當高單價詢問、售後和退換貨爭議因為答案一致而更快處理，那才是知識庫真正的商業價值。
沒有預算買大型系統，可以做知識庫嗎？
A：可以。中小企業不用一開始就上大型系統，用 Google Sheet、Notion 或 Airtable 都能開始。重點不是工具漂亮，而是每則知識都有負責部門、最後更新日和審核人。先挑一個客戶接觸最頻繁的流程，從前 50 題做起，穩了再擴大，比直接買大系統更容易讓團隊真的用起來。
