「現在是每天都要回訊息啊，是有點小麻煩。如果能夠用 AI 自動回覆一些比較固定的訊息，當然是很好。」
這是高雄一家職業工會的承辦，聽到我要幫他們做 LINE 的 AI 客服時說的話。語氣很平淡，像在說一件「還好」的事。
對這家工會來說，LINE 官方帳號是會員找承辦最直接的窗口，目前有近 3,000 位好友。繳會費、報名課程、辦投保證明，會員都是先傳 LINE 問承辦。
但我把工會近三年的 LINE 聊天記錄攤開來算：從 2024 年 1 月到今年 10 月，工會這邊一共回了大約 7 萬則訊息，平均每個上班日 94 則。如果一則花一分鐘，一年就是將近 400 小時，大約是一名員工兩個半月的上班時間，等於工會每年要花近 10 萬元人力的費用來回覆訊息。只是因為這些時間被拆散在每天的零碎空檔裡，所以感覺不到「痛」。
我把這些記錄交給 AI，它很快整理出會員最常問的 30 題（FAQ），每一題都附上標準答案。看起來只要把這 30 題交給機器人，AI 客服就可以上線了。可是這些答案真的能直接用嗎？直接用、不維護的話，AI 客服明年可能拿著過期的資料，信心滿滿地報錯開課日期、跟會員說錯該繳的金額，最後還是承辦出來收拾爛攤子。
後來，從分析聊天記錄到機器人正式上線，前後只花了 3 小時。技術比我想像的簡單，真正難的是上線前那一步：把每一題分成四種回答方式，並決定什麼時候該交給真人。這一步，才是 AI 客服能不能真的幫上忙的關鍵。
看起來有答案的題目，超過一半不能寫成固定答案
AI 是從過去的問答去歸納常見問題的，所以它傾向讓每一題都有一個固定答案：過去承辦怎麼回，它就整理成標準答案。這是我在建知識庫之前沒有意識到的問題。
會變的資料：課程日期和費用每年都變
第一個例子是課程。會員常問「這堂課多少錢？什麼時候開班？」記錄裡當然有答案，但那是去年的答案。開課日期和費用每年都在變，如果寫死在知識庫裡，機器人明年就會很有自信地報出錯的日期。
因人而異的答案：補助和勞健保要看身分
第二個例子是補助。同一堂課，一般在職的學員和中低收入、身心障礙等特定身分的學員，自己要付的錢不一樣。AI 整理出來的是「這堂課有補助」，但「你要付多少」沒辦法一概而論。
第三個例子是勞健保和會費。投保級距不同、眷屬人數不同，每個人該繳的總額就不同。過去承辦是一位一位試算的，機器人不能拿這位會員的答案去回下一位。
長得像問題的請求：「可以傳我的投保證明嗎？」
還有一種最容易被忽略。會員問「可以傳我的投保證明嗎？」，記錄裡承辦回的是「可以」，因為承辦回完就會上系統去列印。可是機器人回了「可以」之後，什麼事都不會發生。這類訊息其實是在請你辦事，只是長得像問題。
整理完，30 題裡真正能寫成固定答案的只有 13 題。剩下 17 題如果照 AI 給的標準答案直接上線，就像請一位新來的櫃檯人員，只背了去年的價目表就去接電話。
把題目分成四種回答方式，機器人才知道自己該做什麼
分類要看的，是答案放在哪裡、機器人該做什麼。工會的 30 題最後分成這四種：
| 回答方式 | 機器人怎麼做 | 工會的例子 | 題數 |
|---|---|---|---|
| 固定答案 | 直接回答 | 匯款帳號、入會要準備的資料 | 13 |
| 查表回答 | 去查一張有人維護的表 | 開課日期、考試日程 | 7 |
| 轉承辦處理 | 先把資料問齊，再通知真人 | 投保證明、費用試算、確認入帳 | 9 |
| 待組織決定 | 過去的回答不一致，先請工會訂規則 | 講義和上課影片要不要提供 | 1 |
查表回答：每張表都要有到期日
查表回答的關鍵，是每張表都有一個「下次檢查日」。就像超市牛奶的有效期限：過了日期，機器人就當作沒有這筆資料，改成交給承辦；請記得，過期的資料比沒有資料更危險，因為機器人會照著念；而錯誤的資訊，會影響企業的專業度和可信度。
依身分不同的題目：先問身分，再給預估金額
政府補助這類依身分不同的題目，機器人先問會員是什麼身分，再查表給出「預估」金額。以勞動部的產業人才投資方案為例，一般在職勞工補助 80%，中低收入、身心障礙等特定對象補助 100%。會員問一堂 1 萬元的課，機器人會回：「如果您是一般在職勞工，預估自付 2,000 元，實際補助要依您的身分而定。」身分怎麼認定，留給人判斷。
LINE 內建的工具：關鍵字回應不夠用，AI 機器人用不了
我也考慮過另外兩種做法。第一種是 LINE 官方帳號內建的關鍵字自動回應：免費、設定簡單，但它只能比對固定的字，會員換個問法就答不到，也沒辦法查表，更沒辦法把資料問齊再轉給人。第二種是 LINE 官方帳號內建的 AI 客服機器人：最省事，但工會的帳號身分不在它開放的範圍內，沒辦法使用。所以我最後才決定自己打造 AI 客服。不過就算能用內建的機器人，知識庫題目一樣要先分類，會變的資料一樣要有人固定維護，這一步哪種工具都省不掉。
讓真人在對的時候接手，比讓 AI 答得更多更重要
AI 客服的價值在於把能答的題目答好，答不了的題目就轉交給人。整個流程畫出來是這樣：
這張圖回答了老闆最常擔心的三件事：
- AI 看得到什麼？只有工作手冊，沒寫進去的它不猜。
- 答不了的時候誰接？承辦，而且機器人會先把資料問齊。
- 資料放在哪裡？都在工會自己手上，改得到，也查得到。
轉給真人客服的機制：看題目類型、先問齊資料、轉完就停
轉給真人這一段，我們特別花了心思：
- 看題目類型來轉，不只看關鍵字或情緒。 很多 AI 客服是偵測到會員生氣、或打出「找真人」才轉；我們是看這一題屬於哪一種，轉承辦處理類的題目一律轉。
- 轉之前先把資料問齊。 姓名、會員編號、要辦什麼事，一次問完。承辦收到通知就能直接處理，不必再回頭問會員一輪。
- 轉了之後，機器人先停下來。 承辦接手期間，機器人對這位會員暫停回覆，不會兩邊同時講話，讓會員搞不清楚該聽誰的。
資料在工會手上：改一格，十分鐘生效
工作手冊和知識庫本身就是一份工會自己的 Google Sheet 試算表。承辦要改開課日期，打開試算表改一格，十分鐘內機器人就會用新的資料回答，不必找工程師。每一則對話也會記在同一份試算表裡，承辦每週看一次機器人答不出來的題目，補進去，機器人就會越來越準。
技術已經不是門檻，懂業務的人才是關鍵
AI 寫的說明書，有幾頁是錯的
一年前，我完全想像不到自己能建出 AI 客服這種東西。我是化工背景出身，Webhook、Channel Access Token、API key、Channel Secret，這些名詞我以前都沒碰過，如果沒有 AI 一步一步說明，我不可能設定得起來。這次從分析聊天記錄到正式上線，測試版和正式版在 3 小時內都接上了工會的 LINE。
我感覺整個過程很像小時候組樂高：一個複雜的成品，拆成一塊一塊的模組，每一塊都有說明書，照著一步一步組，最後機器人就上線了。只是這次的說明書是 AI 邊做邊寫的，有幾頁寫錯了：它把會變的資料畫成固定的零件，把「可以幫我列印投保證明嗎？」看成一個問題，而不是一個請求。看出這些錯的，是對工會業務的了解，不是技術。
所以我真心覺得：軟體技術已經不是問題，重點是知識庫的架構要怎麼產出，AI 在什麼情況下應該通知真人客服，而不是自作主張亂回。
導入前，先回答這五個問題
如果你也想讓 AI 幫忙回 LINE 訊息，先回答這五個問題：
- 過去一年，客戶最常問的 30 題是什麼？
- 哪些題目的答案每年、每月會變？誰負責更新？
- 哪些題目的答案因人而異，例如身分、方案、金額？
- 哪些題目其實是「請你幫我辦一件事」？要先收集哪些資料才能辦？
- 轉給真人的時候，誰接手、多久內回覆？
這五題答完，你就知道哪些題目可以放心交給 AI，哪些要留給人。
延伸閱讀：舊資料太亂，不敢換系統？我用 AI 在 10 分鐘內把上千筆資料搬進新系統（同一家工會的上一篇實作）