AI 客服已經不是「會不會做」的問題，而是「值不值得做」的問題。這篇用 ROI 試算表 + 三種落地路徑，告訴您您公司現在做 AI 客服的真實成本與回本期。
AI 客服 2026 真實能力與限制
2024 年的 LLM 已經能在 60–80% 的常見問題上取代人類客服。2026 年的能力進化到：
- 多輪對話保持上下文（解決「我剛說的那個訂單」）
- 連接公司系統即時查詢（庫存、訂單、會員）
- 語音對話（Gemini Live、OpenAI Voice）
- 情緒判斷 + 主動轉人工
但有三條限制您必須先理解：
- 50% 的客訴需要情感安撫，AI 做得到表面但無法真正解決
- 20% 的問題會涉及罕見情境，AI 沒看過就會編答案
- 5% 的問題涉及法律 / 賠償，無論如何都該轉人工
三種落地路徑
路徑 1：FAQ Bot（最簡單）
把公司 FAQ 做成關鍵字觸發的對話流。不用 LLM，純規則導向。
- 適合：B2C、問題類型固定、量大
- 成本：NT$30K–80K 一次性
- 解決率：30–50%
- 時程：2–4 週
路徑 2：RAG Bot（最常用）
把公司知識庫、產品手冊、政策文件做成 RAG，AI 即時翻書回答。
- 適合：B2B、產品多、問題複雜
- 成本：NT$150K–400K 建置 + 每月 5–20K 維運
- 解決率：60–75%
- 時程：8–12 週
路徑 3：Agent（最強大）
AI 能呼叫公司系統、執行動作（查訂單、改地址、退款）。
- 適合：B2C 量大、訂單系統成熟、有 IT 資源
- 成本：NT$300K–800K 建置 + 每月 10–50K
- 解決率：70–85%
- 時程：12–20 週
ROI 試算範本
用以下公式估算您公司的 AI 客服 ROI：
月節省 = (每月客服總時數) × (AI 解決率) × (客服時薪)
回本期 = 投資成本 ÷ 月節省
範例：某電商月客服 800 小時
客服時薪 NT$250、AI 解決率 60%、RAG Bot 投資 NT$250,000
→ 月節省 = 800 × 0.6 × 250 = NT$120,000
→ 回本期 = 250,000 ÷ 120,000 = 約 2.1 個月
失敗案例：哪些不該做？
三種情況我會建議客戶「先別做 AI 客服」：
- 月客服量 < 200 通：建置成本回收期太長，請員工解決就好。
- 產品變動極快：每週改規格、改價格，RAG 知識庫趕不上更新。
- 沒有結構化資料：訂單、會員資料散在 5 套系統，整合成本比建 AI 還高。
成功案例：某 B2C 月省 40 萬人事
南台灣某零售連鎖品牌，月客服量 5,000 通，10 位客服。導入 RAG Bot 8 個月後：
- AI 處理量：3,200 通/月（解決率 64%）
- 人類客服減為 4 位（離職自然遞補）
- 月人事成本節省：NT$420,000
- 客戶滿意度：從 4.1 上升到 4.4
- 投資成本：NT$380,000，回本期 0.9 個月
部署成本拆解
| 項目 | FAQ Bot | RAG Bot | Agent |
|---|---|---|---|
| 初期建置 | 30–80K | 150–400K | 300–800K |
| 每月維運 | 2–5K | 5–20K | 10–50K |
| LLM API（萬通） | — | NT$3–8K | NT$5–15K |
| 知識庫更新 | 每季 | 每月 | 每週 |
實施建議
- 從一個明確的問題類型開始（例：訂單查詢、退換貨流程）
- 先做 RAG Bot，6 個月後再考慮升級到 Agent
- 保留人工選項，不要逼客戶只能跟 AI 對話
- 每月看 3 個 KPI：解決率、滿意度、平均對話時間
結論
AI 客服值不值得做，只有 ROI 試算後才有答案。但對月客服量 500 通以上、產品線穩定、有結構化資料的公司，AI 客服幾乎都能在 12 個月內回本。