最近大家其實卡在同一個地方
你最近可能也看到同一種提案：把 AI 聊天機器人放在網站右下角，讓它像櫃台一樣接待訪客。客人不用等客服回信，也不用填一長串表單，進站就能問價格、問訂單、問怎麼預約。聽起來很順。很像省人力。 但我最近跟一位做電商的朋友聊 AI導入，他說測試時一切漂亮，真的放到網站後，AI 櫃台第一天就被問倒。客人問「我的訂單怎麼還沒到」，它回了一段很親切的話，最後請客人聯絡客服。AI 櫃台會聊天，卻找不到訂單在哪。這就是坑。
AI櫃台一直喊主管，多半是任務規範、資料入口與交接流程沒先定好。
先替你做判斷
把 AI 聊天機器人放到網站當櫃台前，先別問它能不能回答 100 題。更該先確認 3 件事：它查得到哪些資料、能處理哪些狀況、遇到哪種客人要轉人工。這些沒定好，模型再會聊天也容易卡住。
為什麼最近一直在同一個地方跌倒
最近這個坑會一直浮上來，是因為很多公司已經不滿足於「網站放一個問答機器人」。大家開始想把它變成新櫃台：訪客來了先接待、客戶有問題先分流、業務線索先收集，甚至接到電話系統與 CRM。CRM（客戶關係管理系統，簡單講就是記錄客戶資料、互動紀錄與業務進度的地方）一接上去，事情就不只是聊天了。 「AI 聊天機器人」在這裡指的是能用自然語言跟訪客對話的工具；「網站櫃台」指的是它被放在網站入口，負責第一線接待；「喊主管」不是它真的開口叫主管，而是遇到查訂單、改預約、退款、客訴這類任務時，立刻轉人工或丟出模糊回覆。這三個詞加在一起，就是現在許多 AI導入 的真實現場。它被放到前線了。 你會最先在 3 種情境撞到這個問題：客服量突然變多、老闆要求網站即時回覆、團隊想把展示用的 AI 對話變成正式服務。展示時，問 10 題常見問題看起來很聰明；上線後，客人問的是「我這一筆怎麼辦」。差很多。
真正讓事情失控的，不是表面那一層
真正讓事情失控的原因，是大家把「會回答」誤看成「會辦事」。回答只需要文字，辦事需要資料、權限、規則與後續責任。人類櫃台聽到客人說訂單沒到，會知道要查物流、看付款狀態、確認地址、判斷要不要補寄；AI 如果沒有被安排這條路，它只能把話說得客氣。辦不了事。 這也是為什麼有些公司花了很多錢做 AI 專案，最後留下幾個很炫的展示，正式流程卻推不動。展示看的是「它能不能漂亮回答」，營運看的是「它能不能穩定處理 100 個相似但不一樣的狀況」。兩者差一層工作判斷。這層很關鍵。 以訂單查詢為例，AI 櫃台要回答「包裹在哪」以前，至少要知道可查資料在哪、客人身份怎麼確認、查到不同狀態時怎麼說、哪些狀態不能承諾到貨日。如果你只給它一份商品介紹，它當然會把每個問題都導回客服信箱。它沒有路可走。 還有一個更容易被忽略的點：主管不是失敗出口，而是流程的一部分。人類櫃台也會轉主管，但會帶著摘要、已確認資料、目前判斷一起轉。AI 如果只丟一句「請聯絡專人」，等於把客人推回起點。這會傷體驗。
如果你只想先止血，先照這樣做
要避免 AI 櫃台一接客就喊主管，先做一張「接待範圍卡」。不要一開始追求什麼都會，先把它的工作縮到 5 到 8 類最常見問題，例如查訂單、查退貨規則、預約諮詢、索取報價、確認營業時間。每一類只寫清楚三件事：它需要哪些資料、它可以回覆到哪裡、它何時要轉真人。先縮小。 接著要測的不是文案漂不漂亮，而是它能不能走完一個真實情境。你可以拿最近 30 則客服對話來測，挑出客人真的會問的句子，不要只用內部同事想像的標準問法。客人不會說「請查詢我的物流狀態」，他可能說「我昨天買的怎麼沒消息」。要用真話測。 如果 AI 需要查資料，就要把資料入口講清楚。訂單在哪個系統、客戶資料在哪裡、商品庫存能不能看、價格是否會依客戶身份不同而變。這些資訊對人類客服可能是習慣，對 AI 來說要明講。它不會因為像櫃台，就自動知道抽屜在哪。位置要說。 最後，把轉人工做成有內容的交接。比較好的做法是讓 AI 在轉給真人前，先整理「客人想做什麼、已提供哪些資訊、目前卡在哪、它為什麼不能繼續處理」。這樣主管接手時，不是重問一遍，而是接著處理。轉接才有價值。
最容易讓你以為有答案，其實還沒收尾的三個誤區
最容易白忙的誤區，是把問題全部推給模型版本。當然，模型能力會影響理解與回覆品質，但如果任務規範沒寫清楚、資料入口沒接好、權限沒限制，再換更大的模型，也只是更會說話地卡住。表面變順。 另一個誤區，是把 AI 櫃台當成「便宜客服」。這個想法會讓團隊急著把所有問題都丟給它，結果連高風險情境也讓它碰。退款、醫療建議、法律承諾、合約條款、金額折讓，這些目前多數團隊都應該保留真人確認。先管風險。 還有一種常見浪費，是只看成功案例。你應該特別看它失敗時怎麼失敗：是亂答、裝懂、重複問問題，還是會乾淨地承認需要人工協助。AI導入 的成熟度，常常不是看成功回覆多漂亮，而是看失敗時有沒有把客人接住。失敗也要設計。
送出前最後看一眼，不然很容易重工
送出前最後看一眼，可以用這 6 句話檢查： ・它負責的問題類型有寫清楚嗎？ ・它需要查的資料真的拿得到嗎？ ・客人身份要怎麼確認有說明嗎？ ・哪些話不能承諾有標出來嗎？ ・轉人工時會帶摘要嗎？ ・上線後前 7 天有人每天看紀錄嗎？ 如果這 6 題有 2 題以上答不出來，先別急著全面上線。先小跑。
如果下次又遇到，先照這篇的順序走一次
下次你要評估 AI 櫃台，不要先問「這個工具多聰明」。先拿一個最常見的客人問題，沿著資料、權限、回覆、轉接走一次。走得通，再擴大。 如果你只是想減少重複問答，範圍可以小一點；如果你要它碰訂單、預約、報價，就要把工作流程先鋪好。兩條路都可以，只是取捨不同。看你的場景。
讀者最常問的幾個問題
通常需要整理，但不一定要重寫全部內容。人類客服看知識庫時，會自己判斷哪些資訊過期、哪些規則只適用某些客戶；AI 聊天機器人目前多半需要更明確的說法。你可以先挑前 20 個最常見問題，把答案改成「適用條件、可回覆內容、不能承諾的事、要轉人工的狀況」四塊。這比一次整理 200 篇文章更有用。
看它要碰到的任務風險。如果只是回答營業時間、服務項目、表單位置，70% 到 80% 的常見情境先測過，就可以小範圍試跑。如果它要查訂單、改預約、處理退款，最好先限制權限，只讓它查詢或草擬回覆，真正變更資料仍由真人確認。這不是保守，而是讓 AI導入 有可控的起點。
