AI 客服導入後 30 天 — 我們踩的 7 個坑與真實 ROI 數據
AI 客服導入後 30 天，能不能站穩看的不是上線那一週，而是第二、第三週開始冒出來的問題。我們在一家 80 人規模的電商客戶現場跑完整輪，把 7 個最容易出事的坑攤出來，附上第 30 天的真實 ROI 數據，讓準備導入或剛剛上線的團隊有一張可以直接核對的清單。
為什麼 AI 客服前 30 天比上線那一刻重要？
上線那天客服長按下發布鍵的瞬間，工程跟產品同事都會鬆口氣。但真正會被檢驗的是接下來 4 週，因為前 30 天會同時撞上三件事：一是真實客戶的問題分布跟訓練資料不同；二是節慶或活動高峰會把訊息量推到 2 倍；三是內部覆核流程還沒成形，錯誤會堆積。
把這 30 天視為「壓力測試期」，比視為「正式上線」更貼近實情。建議在規劃 AI 客服 ROI 全公式 時，直接把第 30 天設成第一個檢核點，並預留 5% ~ 10% 的預算給修補成本。
下面 7 個坑都是在這 30 天內陸續冒出來的，順序按照「最常先發生」排列。
坑 1：知識庫覆蓋率不足，問題回答不到 60%
第 5 天就會撞到的問題：客戶實際問題的分布跟內部設想差很多。原本以為運送、退換貨會佔 70% 流量，實際跑下來 30% 是「我訂單編號是 XXX，請幫我查」這種帳號相關問題，AI 沒接訂單系統，全部回不出來。
數據面：第 7 天用 GA4 加客服後台合併看，AI 直接解決率只有 58%，遠低於上線前估的 80%。
修法：把客戶實際問題分布抓出來重訓 — 從聊天 log 抓前 200 句客戶第一句話，用 Claude 跑分類，補上對應 FAQ 與資料庫接點。第二週末覆蓋率拉到 76%，第四週收斂在 81%。教訓：訓練資料一定要用「真實客服 log」而不是「想像中的 FAQ」。
坑 2：轉接人工的條件寫死，把高價值客戶擋在門外
很多團隊會在 AI 一不會就丟「請稍候，轉接專人」。但什麼叫「不會」？最常見的寫法是「連續 2 次回答不出」就轉。結果第 12 天統計，VIP 客戶因為問題比較複雜，平均第 3 句才轉人工，等待時間 4 分鐘 — 體驗很差。
修法：把轉接條件改成「意圖 + 客戶分層」雙軸觸發。客戶情緒偵測到負面、訂單金額 > NT$10,000、會員等級 VIP 任一條件成立就立刻轉接，不等 AI 試 2 次。這套邏輯比較像 Agent vs RAG 路由節點 的決策樹寫法，建議導入時就先設計好。
坑 3：Token 成本失控，第 14 天才發現月費飆 3 倍
上線前估每月模型 API 約 NT$8,000，第 14 天看帳單已經跑到 NT$24,000。拆下去看，原因是 context 沒做窗口管理 — 每次對話都把客戶歷史紀錄全塞，平均單次 prompt 長度 3,400 tokens，加上 streaming 重試，整體 token 用量比預估高 280%。
修法：套多 LLM 路由策略，簡單意圖（運送進度、退貨狀態）走 Claude Haiku 4.5，複雜對話與情緒處理走 Sonnet 4.6，再把對話歷史壓成「最近 6 輪 + 摘要」格式。第 21 天月度推算降回 NT$9,200，跟原預估接近。內部 AI 助理架構可參考 Claude Skills + MCP 打造企業內部 AI 助理。
教訓：上線後 7 天內一定要看 token 報表，14 天才看就慢了。
坑 4：語氣崩壞，AI 開始學客戶口頭禪
第 17 天客服主管轉了一段對話進群組：客戶問「這個爛東西什麼時候會修好啦」，AI 回「我們會努力修好這個東西呦」。這個「呦」是哪來的？回去看訓練資料，發現有幾句小編風格的回覆混進去，模型把它當品牌語氣樣本。
修法：把 brand voice 抽出成獨立 system prompt，明確列禁用詞（呦、啦、嘿、寶寶等口語結尾），並加負向範例。第 18 天重啟後語氣穩定。
教訓：voice profile 要單獨管，不要混在 FAQ 訓練資料裡。
坑 5：客戶情緒誤判，AI 用「請您理解」激怒客訴
第 21 天客訴回流率出現一個小尖峰。回頭看，AI 在客戶說「我已經等 3 天了完全沒回覆」這類訊息時，第一句固定回「請您理解，我們會盡快處理」 — 客戶讀起來像被推開。
修法：在情緒偵測命中「憤怒 + 等待」雙標籤時，第一句改成「讓你等這麼久很抱歉，我現在就幫你找出問題」，並同步觸發轉人工 + 主管通知。第 28 天客訴回流率回到上線前水準。
教訓：AI 的「禮貌句」未必符合台灣客戶情緒語境，要在地化測試。
坑 6：跨通路斷線，LINE 跟 Messenger 各自為政
電商客戶用 LINE OA、Facebook Messenger、官網 Web Chat 三個通路同時上線 AI。第 23 天發現問題：同一個客戶 A 在 LINE 問了訂單狀態，過 10 分鐘到 Messenger 又問一次，AI 把他當新客戶，從「請問訂單編號」重新問起 — 客戶覺得很煩。
修法：用客戶 email 或手機作主鍵，把三個通路的會話歷史合併，AI 在跨通路看到同一客戶時直接接續上下文。技術上是改聊天 session 管理，多平台同步邏輯類似 跨平台社群工作流 的會話聚合方式。第 26 天測試通過。
教訓：跨通路不是「同一個 AI」就行，要共用同一份 session state。
坑 7：缺覆核流程，錯誤回覆 5 天後才被發現
第 25 天才發現一個尷尬事：第 20 天 AI 回了一位 B2B 客戶錯誤的開立發票流程（漏掉統編欄位），導致對方財務退單。沒人即時看到這條對話，因為客服主管預設「AI 處理的就不用看」。
修法：建立每日 5% 隨機抽樣覆核機制，每天早上由值班客服花 15 分鐘看 20 ~ 30 條 AI 對話，標註錯誤回到訓練池。同時對「發票、退款、金額相關」對話強制人工覆核。第 30 天起這類錯誤的偵測時間從 5 天縮到 1 天內。
教訓：AI 客服不是無人客服，是「客服 + AI」的雙軌制，覆核成本要算進 TCO（參考 AI 客服 ROI 全公式 對 TCO 的拆解）。
第 30 天真實 ROI 數據：3 條指標攤開看
把第 30 天跟上線前 30 天（基準線）對比，三條指標如下。
人工小時節省：客服團隊 4 人 × 平均每人每週 38 工時，原本 1 人專責 LINE/Messenger 即時回覆。導入後第 30 天統計，AI 接走 78% 的即時訊息，相當於每週節省 25 ~ 28 工時，等於 0.7 個全職人力。這條算是達標（原估 0.6 ~ 0.8 FTE）。
客單價變動：受惠於即時回覆與自動推薦相關商品，第 30 天平均客單從 NT$1,420 上升到 NT$1,560，月度 AOV Lift 約 +9.8%。比預估的 +12% 略低，但統計顯著（n=2,840 筆訂單）。
客訴回流率：上線前 4.2%，第 30 天降到 3.6%（中間第 21 天因坑 5 短暫飆到 5.1%）。看起來下降，但要扣掉同期客服流程改善的貢獻，淨改善估約 -0.3 個百分點，幅度有限。
把三軸數據合併估月度 ROI：節省人力成本 NT$28,000 + AOV 增量 NT$48,000 - 模型 API NT$9,200 - 維運 NT$15,000（覆核 + 知識庫工時）= 淨效益約 NT$51,800/月。專案建置成本 NT$320,000，回收期約 6.2 個月，比 AI 客服 ROI 全公式 試算的 6 個月略長，但落在合理區間。
30 天檢核表：給準備導入或剛上線的團隊
把上面 7 個坑收成一張可以直接打勾的表，從第 1 天到第 30 天分週使用。
第 1 ~ 7 天（站穩期）：每天看一次 AI 直接解決率，目標 ≥ 65%。每天抓 50 句客戶第一句話分類，補 FAQ。設好每日 token 使用上限告警。
第 8 ~ 14 天（成本期）：看 token 報表，若月推估 > 預算 1.5 倍，立刻評估多 LLM 路由。建立 brand voice 獨立 system prompt 並上線。
第 15 ~ 21 天（語氣期）：抓 5% 對話樣本人工覆核，標註語氣異常與情緒誤判。修轉接人工觸發條件，加入分層 + 情緒雙軸。
第 22 ~ 30 天（協作期）：跨通路 session 整合測試。強制覆核機制上線（發票、退款、金額類）。整理第 30 天三軸 ROI 數據給管理層。
這張表的核心精神：AI 客服不是上線就走人，前 30 天每天都會有新坑，按週節奏跟，比一次到位的「完美規劃」靠譜。
結語：把第 30 天當作真正的上線日
導入 AI 客服最大的迷思是把「系統能跑」當成上線。系統能跑只是必要條件，足夠條件是「30 天內走完 7 個坑、三軸數據都站穩」。準備導入的團隊，把這篇當作驗收清單；剛上線的團隊，回頭打勾還來得及。
更完整的 ROI 試算、TCO 拆解、不同規模團隊（30 人、80 人、200 人）的回收路徑，可以接著看 AI 客服 ROI 全公式拆解；想了解轉接邏輯怎麼設計，看 Agent vs RAG 路由節點；準備從 0 開始建置，先讀 AI 客服導入完整指南。
導入是 30 天，不是 1 天。準備好接下來 4 週每天打勾，才算真的上線。