客服中心正在「消失」

走進香港鰂魚涌的一間保險公司客服中心，你看到的不是三百個耳機嗡嗡作響的座位，而是只剩八十個真人客服，搭配二十台螢幕上跳動的AI助手。這不是科幻場景，而是2026年7月已經發生的現實。

這間不願具名的本地保險龍頭，在過去六個月內，將客服成本砍掉了驚人的七成。從每月380萬港元的營運開支，降到114萬。而更讓同業跌破眼鏡的是：客戶滿意度從82%提升到94%，平均等待時間從4分20秒縮短到47秒。

這不是什麼昂貴的客製化系統，而是基於開源模型搭建的AI客服平台。今天我們就來拆解，他們到底是怎麼做到的？其他行業能否複製？

第一步：AI不是取代，是「分流」

許多公司導入AI客服時犯的第一個錯誤，就是想把AI做成「萬能博士」——什麼問題都回答，結果什麼都回答不好。這間保險公司反其道而行。

他們先分析了過去兩年共120萬通的客服電話記錄，用NLP工具歸納出最常見的六大類問題：

  1. 保單查詢（佔35%）：繳費狀態、保障範圍、到期日
  2. 索賠進度（佔28%）：提交後多久收到款、缺什麼文件
  3. 繳費問題（佔18%）：自動轉帳失敗、信用卡過期
  4. 更改資料（佔12%）：地址、電話、受益人
  5. 投訴（佔5%）：理賠金額不滿意、服務態度
  6. 複雜個案（佔2%）：涉及法律糾紛、多張保單交叉

他們的策略很簡單：AI只處理前四類，佔比高達93%。第五類投訴轉給資深專員，第六類複雜個案直接跳過AI，由專人處理。

這個決策的關鍵在於：AI不需要完美，只需要在擅長的領域做到95分。而剩下的5%客戶即使被轉接，也不會感到被敷衍，因為系統會自動把對話摘要傳給真人客服，不用客戶重複說明。

第二步：開源模型+微調，成本不到50萬

很多人以為AI客服一定要用GPT-4或Claude這種雲端大模型，每個月燒掉幾十萬的API費用。但這間公司選了截然不同的路。

他們採用了Qwen3.5-32B作為基底模型，原因是：

  • 中文理解能力在開源模型中排名前三
  • 32B參數可以在兩張NVIDIA A100上運行
  • 完全離線部署，客戶資料不外洩

然後他們用過去兩年的客服對話記錄，做了三輪微調：

  1. 第一輪：用10萬組「問題-正確回答」配對，訓練基本應答能力
  2. 第二輪：用3萬組「錯誤回答-修正版」，訓練模型辨識邊界——什麼時候該說「這個問題我無法處理，讓我幫你轉接專人」
  3. 第三輪：用5000組「客戶不滿意-專員補救」案例，訓練情緒辨識與安撫話術

整個微調過程花費約48萬港元（包含雲端GPU租用、資料標註人力、工程師工時）。之後的每月營運成本僅約8萬港元（電費、維護、模型更新）。

相比之下，如果他們用GPT-4 API處理同等量的對話（每月約35萬通），光是API費用就超過120萬港元。開源方案省了93%的營運成本。

第三步：人機協作，不是人機對立

導入初期，內部反彈聲浪很大。客服團隊擔心失業，工會甚至發起聯署。管理層做了一個聰明的決定：不裁員，但優化人力結構。

他們將原本300人的客服團隊重新分組：

  • 80人留在第一線，處理AI無法解決的7%複雜案件
  • 120人轉為「AI訓練師」，負責標註新對話、修正AI錯誤、更新知識庫
  • 50人轉為「客戶體驗分析師」，用AI生成的對話分析報告，找出服務痛點
  • 50人透過自然離職不補缺，或轉調其他部門

結果是：沒有人因為AI被裁員。這不僅安撫了員工情緒，更重要的是保留了寶貴的產業知識。那些轉職為AI訓練師的資深客服，正是讓模型持續進步的關鍵。

第四步：數據飛輪，越用越強

傳統客服系統的知識庫需要人工更新，往往落後於現實。這間公司的AI平台設計了一個「數據飛輪」機制：

  1. 每日自動分析：AI會掃描當天所有對話，找出「無法回答」或「客戶不滿意」的案例
  2. 優先處理高頻問題：如果同一個問題在一天內出現超過50次，系統會自動標記為「高優先級」
  3. 半自動更新：AI訓練師只需要審核AI生成的答案草稿，確認後一鍵更新知識庫
  4. A/B測試：新答案上線後，系統會隨機分配50%對話測試，比較滿意度差異

這個機制的效果驚人。導入初期，AI能獨立處理的問題比例是78%；三個月後提升到91%；六個月後穩定在93%。關鍵不是模型變強了，而是知識庫的更新速度從「每月一次」變成「每天多次」。

第五步：衡量指標，不只省錢

許多公司在導入AI時只看成本節省，忽略了客戶體驗。這間公司設立了五個核心KPI：

指標導入前導入後變化
平均等待時間4分20秒47秒-82%
首次解決率68%89%+21%
客戶滿意度82%94%+12%
每通成本12.7港元3.3港元-74%
員工流失率35%/年18%/年-49%

特別是最後一項：員工流失率大幅下降。原因是客服不再需要每天重複回答同樣的問題，工作內容從「機械式應答」變成「處理挑戰性案件」和「訓練AI」，成就感大幅提升。

給其他行業的啟示

這間保險公司的案例，有幾個值得其他企業借鏡的關鍵：

1. 不要追求AI全能，要追求AI精準 把80%的力氣花在處理80%的常見問題，剩下20%留給人類。這個原則在任何行業都適用。

2. 開源模型已經夠用，不必迷信大廠API 對於中文場景，Qwen、GLM、Yi系列模型都有出色表現。離線部署不僅省錢，還能保護客戶資料。

3. AI導入的最大風險不是技術，而是人 如果員工抗拒，再好的系統也無法發揮效果。提前規劃人力轉型，用「升級」取代「取代」，是成功關鍵。

4. 數據是護城河，不是一次性資產 持續的數據回饋機制，讓AI越用越聰明。競爭對手可以複製技術，但複製不了你累積的數據。

未來展望：從客服到銷售

這間公司的下一步，是讓AI從被動回答問題，進化到主動推薦產品。當客戶查詢醫療保險時，AI可以根據對話內容，適時推薦意外險或危疾險——就像Amazon的「買了這個的人也買了那個」。

初測結果顯示，AI推薦的轉換率是傳統客服的1.8倍，平均客單價高出23%。如果這個模式成功，客服中心將從「成本中心」變成「利潤中心」。

延伸閱讀

結語

AI客服不是什麼遙遠的未來，而是2026年已經可以落地執行的方案。這間香港保險公司用六個月、不到50萬港元的初期投資，換來了每年超過2800萬港元的成本節省，同時提升了客戶滿意度和員工留任率。

對於香港和台灣的企業來說，這不是要不要做的問題，而是：你的競爭對手可能已經在做了，你還要等多久？

如果你正在考慮導入AI客服，建議從今天開始做三件事：

  1. 分析過去一年的客服數據，找出最常見的20%問題
  2. 用開源模型做一個最小可行產品，測試一個月
  3. 和客服團隊溝通，設計人力轉型方案

AI不會取代你的客服，但懂得用AI的競爭對手，會。