「我們想做一個 AI 客服。」這是我們在初次會談中最常聽到的一句話。理由都很合理：客服問題重複性高、人力成本壓不下來、而且客戶已經習慣在 LINE 上發問。看起來簡直是為 AI 量身打造的場景。
但我們通常會建議先緩一緩，把第一個案子放在內部流程——對帳、單據初核、報表彙整、訂單建檔這類沒什麼話題性的事情。這不是因為 AI 客服做不起來，而是因為它不適合當第一個案子。
AI 客服的風險為什麼比想像中高？
內部流程和對外客服最大的差別，在於出錯之後會發生什麼事。
AI 把一張單據的科目判錯，會計下一關就會發現，改回來，成本是三分鐘。AI 在 LINE 上跟客戶說錯一次退貨規則，客戶截圖，可能變成一次客訴、一次退款爭議，甚至一則負評。同樣的錯誤率，落在對外場景的代價是內部的數十倍，而且不可逆。
這正是我們用 TURBO 五條件挑選第一個流程時，特別看重 Buffer（有緩衝容錯）的原因。第一個案子必定會需要幾輪調整，你需要一個「出錯還有時間補救」的場域來完成這些調整。客服恰恰是緩衝最小的那一種。
AI 客服的品質，其實取決於內部規則寫得多清楚
更根本的問題是：很多公司以為自己缺的是一個會回話的機器人，實際上缺的是一份說得清楚的規則。
你要讓 AI 回答「這個情況能不能退貨」，就得先有一份明確的退貨判斷規則——什麼商品、幾天內、什麼狀態、有沒有例外、誰有權限破例。多數中小企業並沒有這份文件，判斷靠的是資深客服的經驗值。
換句話說，AI 客服的難點不在對話，而在對話背後那套沒被寫下來的判斷邏輯。這跟我們在內部流程做「萃取規則」是完全同一件事，只是客服版本更難：它面對的是自然語言輸入、情緒、以及客戶硬要凹的邊界案例。
先在內部練一次萃取規則，你會學到兩件事：規則要寫到什麼顆粒度才真的能執行，以及哪些狀況必須保留人工。這些經驗帶到客服專案，會省下非常多時間。
內部流程的效益，為什麼比較算得出來？
第一個 AI 案子除了要成功，還要被看見成功——否則沒有第二個案子。這就牽涉到量測。
內部流程的效益結構很乾淨。四步工法的第一步「量測基準」在這裡很好做：這件事每週發生幾次、每次平均幾分鐘、誰在做、錯誤率多少。導入後再量一次，省下的工時是可以直接相減的數字，換算成人力成本也很直觀。
AI 客服的效益就模糊得多。客服量下降，可能是 AI 有效，也可能是本月訂單本來就少；客戶滿意度變化受太多因素影響；而「客服省下的時間」往往沒有被轉成別的產出，只是變成比較不忙。當老闆問「所以我們省了多少」，這個專案很難給出一個站得住腳的答案。
一個算得清楚的小成功，遠比一個說不清楚的大專案有價值。
哪些內部流程最適合當第一個案子？
用 TURBO 五條件掃一遍，通常會浮出這幾類：
- 對帳與單據初核：規則明確、每天發生、量大、錯了有下一關把關。
- 跨系統資料搬運：從電商後台抓訂單建進 ERP、把表單回覆整理進試算表。這類工作純粹耗時，幾乎沒有判斷成分。
- 報表彙整：每週或每月固定要出的營運報表，資料來源固定、格式固定。
- 內部問答：請假規則、報帳流程、產品規格這類同仁常問的問題。這是「對內的客服」，練的是同一套本事，但答錯只需要一句更正。
最後一項特別值得推薦。如果你真的想做客服型的 AI，先做一個對內版本：同樣要整理知識庫、同樣要設計回答邊界、同樣要處理答不出來時該怎麼辦，但使用者是自己人，願意回報問題、也不會截圖公審。等它在內部穩定跑三個月，再考慮對外。
那什麼時候才適合做 AI 客服？
不是永遠不做，而是等這幾件事到位：
- 規則已經文件化：退貨、換貨、保固、運費等常見問題，都有一份寫得下來、人照著讀就能答的規則。
- 組織有過一次成功經驗：同仁知道 AI 專案怎麼跑、知道上線後要有人維護，不會把它當成一次性的採購案。
- 有人負責維運：客服知識庫會過期——活動結束、政策調整、新品上市。沒有指定維護者的 AI 客服，半年後會變成一個持續給錯答案的機器。
- 清楚劃出「不回答」的界線：涉及金額、爭議、個資或例外破例的問題，一律轉真人。這條界線要先畫好，而不是出事後再補。
先做內部，是為了讓客服更容易成功
這篇文章的重點不是要你放棄 AI 客服，而是順序問題。
先做內部流程，你會得到三樣東西：一個算得出數字的成功案例、一份被實際驗證過的規則萃取方法、以及一支知道怎麼跟 AI 協作的團隊。帶著這三樣東西再去做客服，成功率會完全不一樣。
反過來，第一個案子就衝客服，往往在「規則講不清楚」這一關卡住三個月，最後草草上線一個只會答 FAQ 的機器人，然後整間公司對 AI 的印象就停在那裡了。
AI 導入的難點從來不是模型，而是流程。先把內部那些無聊但清楚的事情做好，門面的事情自然會變簡單。