很多公司導入 AI 客服時，第一個動作是把聊天機器人放上官網，接著便期待它能立即理解產品、回答客戶問題，甚至協助完成銷售。
但實際使用後，常見的結果卻是：回答太空泛、找不到正確資料、不同問法得到不同答案；遇到退款、客訴或特殊需求時，甚至可能提供錯誤資訊或做出不適當的承諾。
問題通常不在於 AI 不夠聰明，而是公司還沒有準備好「可以被 AI 正確使用的知識」。
我在「打造公司 AI 客服：Chatbase 與 Chatbot 機器人訓練與實戰」課程中，最想讓學員理解的核心觀念就是：
AI 客服不是裝好就能使用的外掛，而是一位需要教材、工作規則、測驗與持續管理的新進客服人員。
一、安裝完成，只代表客服入口已經出現
把 Chatbase 或其他 Chatbot 工具嵌入網站，只是完成「讓顧客可以開始對話」這一步。
機器人能否正確回答，仍然取決於三個基礎：
• 公司提供了哪些資料？
• 資料是否清楚、完整，而且仍然有效？
• AI 是否知道哪些問題可以回答，哪些不能自行決定？
Chatbase 可以使用網站、文件、文字內容、Q&A 與 Notion 等資料作為知識來源。這些功能能協助企業快速匯入內容，但「資料匯入完成」不代表「知識整理完成」。
如果原始網站同時存在新舊價格、過期活動與互相矛盾的規定，AI 也可能將這些問題一起帶入客服系統。
因此，導入 AI 客服前的第一項工作，不是挑選機器人的顏色或設計對話框，而是盤點公司的知識與客服資料。
二、先把散落的公司資訊整理成知識庫
企業資料通常散落在官網、PDF 型錄、LINE 對話、客服信箱、內部文件，以及資深同仁的工作經驗中。
要讓 AI 能夠穩定使用，至少需要整理以下內容：
公司與品牌介紹
產品或服務內容
價格、方案與適用條件
購買、預約、付款與取消流程
配送、退換貨與退款規則
常見問題與標準回答
不可回答或必須轉由人工處理的情況
整理資料時，建議每一份內容只處理一個明確主題，標題直接寫出問題，內文則使用短段落、條列與一致的名詞。
與其上傳一份排版複雜、資訊混雜的簡報，不如將內容整理成 AI 容易檢索的問答與純文字資料。
例如，不要只寫：
「退款依公司規定辦理。」
而應該清楚說明：
• 可以申請退款的期限
• 需要提供哪些資料
• 哪些費用不能退還
• 退款的處理時間
• 特殊情況應該聯絡哪個單位
人類看不懂的公司規定，AI 通常也很難正確回答。
三、AI 客服訓練的重點，不只是餵資料
一套真正能使用的 AI 客服，至少包含四個訓練層次。
第一層：知識——它知道什麼
這一層處理產品資料、服務說明、價格、流程與政策。
所有內容都應該標示適用期間，並且指定負責更新的人員。
如果公司的價格、方案或活動經常變動，就必須建立固定的更新機制，避免 AI 繼續引用過期資訊。
第二層：指令——它應該怎麼回答
企業需要定義 AI 客服的角色、語氣與回答原則，例如：
• 使用臺灣繁體中文及公司慣用詞彙。
• 先直接回答問題，再補充操作步驟與相關連結。
• 找不到資料時不得自行猜測。
• 不得自行承諾折扣、退款或賠償。
• 涉及帳務、個人資料、客訴或例外案件時轉交人工。
客服指令不是寫一句「請親切回答」就結束，而是要將公司的服務標準轉換成 AI 可以遵循的規則。
第三層：流程——遇到不同情況要做什麼
客服工作並不只有回答問題。
顧客可能需要留下聯絡資料、查詢訂單、預約服務、取得商品連結，或要求真人客服協助。
企業應該先畫出完整流程：
• 什麼情況由 AI 直接回答？
• 什麼情況需要收集顧客資料？
• 什麼情況需要建立客服工單？
• 哪些問題一定要轉交真人處理？
• 轉接之前需要留下哪些對話資訊？
退款、客訴、帳務爭議與特殊申請等高風險情境，不適合讓 AI 自由發揮，而應建立清楚的標準作業流程。
第四層：邊界——它不能做什麼
這是企業導入 AI 客服時最容易忽略的一層。
公司應該明確規定：
• 不提供未公開的公司資訊。
• 不揭露其他顧客的資料。
• 不推測訂單、庫存或付款狀態。
• 不提供缺乏依據的法律、醫療或財務建議。
• 不擅自修改訂單、價格或退款條件。
• 無法確認時，必須說明限制並提供人工客服管道。
AI 客服的專業，不是每一題都硬要回答，而是知道什麼時候應該停止回答，將問題交給適合的人員。
四、正式上線前，要用真實顧客的方式測試
建立完知識庫後，不要只測試「營業時間是幾點」這類標準問題。
真正有效的測試，必須包含不同說法、資訊不完整、情緒化語氣，以及超出服務範圍的要求。
以退費問題為例，可以設計以下測試：
• 我想取消，可以退嗎？
• 昨天才付款，現在不去了。
• 家人生病無法參加，可以全額退費嗎？
• 你們之前的客服說一定可以退。
• 不處理的話，我就去公開留言。
同一個主題至少應該準備五種以上的問法，再檢查：
• 回答內容是否正確？
• 是否引用到正確的公司資料？
• 語氣是否符合品牌形象？
• 是否提供過度承諾？
• 需要轉人工時，有沒有正確停止回答？
企業也可以建立一份 AI 客服測試表，記錄：
「顧客問題、預期答案、AI 實際答案、問題類型、是否通過、修正方式。」
如此才能將測試從個人感覺，轉變為可以重複執行的品質管理流程。
五、常見的 AI 客服訓練錯誤
錯誤一：把所有文件全部丟進去
資料越多，不代表回答一定越準確。
如果文件中有重複、過期或互相矛盾的內容，反而可能降低回答品質。
錯誤二：只測試自己想得到的問題
公司內部人員熟悉產品，提問方式通常比較完整；真正的顧客卻可能只輸入一句「這個怎麼用」或「不能退嗎」。
測試時必須模擬資訊不足、口語化與情緒化的真實問法。
錯誤三：要求 AI 所有問題都要回答
不知道卻硬要回答，是企業 AI 客服最大的風險之一。
正確做法是設定回答邊界，讓 AI 在資料不足時承認無法確認，並提供真人客服管道。
錯誤四：上線後就不再更新
價格、活動、服務流程與公司政策都會改變。
如果知識來源沒有同步更新，AI 就可能繼續使用舊資料回答顧客。
六、AI 客服上線後，才是真正的訓練開始
顧客提出的問題，往往比公司預先想像的更加生活化。
正式上線後，企業應固定檢查：
• 哪些問題最常被詢問？
• 哪些回答被顧客給負評？
• 哪些對話的回答信心較低？
• 哪些問題沒有找到對應資料？
• 哪些對話最後仍需要人工處理？
• 是否出現公司文件沒有說明的新需求？
Chatbase 的對話紀錄可以協助管理者檢查回答內容與信心分數，並針對不理想的答案進行修正。
這代表 AI 客服不是一次建置完成，而是透過以下循環持續改善：
真實問題
↓
檢查答案
↓
找出資料缺口
↓
補充或修正知識庫
↓
重新訓練
↓
再次測試
如果公司更新了價格、方案、活動或退款政策，也必須同步更新知識來源並重新訓練，否則顧客看到的仍可能是舊規定。
七、實作課不只教操作，而是完成一套可上線的工作流
在「打造公司 AI 客服：Chatbase 與 Chatbot 機器人訓練與實戰」課程中，我不會只帶學員完成帳號註冊與網站嵌入。
更重要的是讓每一組學員實際完成：
選定一項公司產品或服務
盤點客服資料與常見問題
整理成可以訓練的知識內容
設定角色、語氣與回答邊界
建立標準問答與轉人工規則
使用不同問法進行壓力測試
找出錯誤回答並修正資料
建立後續更新與維護機制
完成後，學員帶走的不是一個「看起來會聊天」的機器人，而是一套公司可以繼續管理、測試與優化的 AI 客服工作流。
結語：AI 客服的品質，反映公司的知識管理
AI 可以加快客服速度，但不能代替企業定義自己的產品、政策與服務標準。
如果公司的資料混亂，AI 只會更快地傳遞混亂；如果流程清楚、權責明確、測試完整，AI 才能真正減少重複工作，讓真人客服把時間留給需要判斷、同理與溝通的問題。
所以，導入公司 AI 客服時，真正值得問的不是：
「這個 Chatbot 會不會回答？」
而是：
「我們是否已經把公司的知識，整理成一套可以被正確回答、持續更新與負責管理的系統？」
小仲的世界足跡｜Peter Lin Voyage
參考資料：
Chatbase｜Data sources
https://chatbase.co/docs/user-guides/chatbot/data-sources
Chatbase｜Activity
https://chatbase.co/docs/user-guides/chatbot/activity
Chatbase｜Actions overview
https://chatbase.co/docs/user-guides/chatbot/actions/actions-overview
Chatbase｜Procedures overview
https://www.chatbase.co/docs/user-guides/chatbot/procedures/procedures-overview