聊天機器人
Chatbot
什麼是聊天機器人?
- 像對話一樣回答問題、協助工作的程式
- 由規則型進化為以 LLM 為基礎
- 透過 RAG 連結企業自有資料
導入聊天機器人後最先改變的,不是回覆速度,而是服務窗口的結構。過去是由負責人員依來電與來信的順序逐一處理;如今則由機器先接下重複性問題,真人只負責例外狀況與需要判斷的案件。附帶效果更大:客戶以什麼措辭詢問什麼,會以紀錄的形式累積,成為改善的資料。這在電話客服中,是通話一結束就消失的資訊。
型態大致分為三類。依照按鈕與情境流程運作的規則型、從備妥的 FAQ 中找出最接近答案的檢索型,以及由 LLM 直接生成句子的生成型。若再結合以公司內部文件為依據的RAG,就會成為「公司專屬」的版本。不過,若在文件尚未整理的情況下就先接上 RAG,只會加快產出錯誤答案的速度。若依據文件只有數百份左右,手動整理 100 題 FAQ 反而更快也更準確。界線也值得了解:只停留在以文字回答的,是聊天機器人;像查詢庫存或變更預約那樣直接操作系統的,則屬於 AI 代理的範疇。
成效應以數字來看,而不是看「回答是否自然」。包括不需轉接真人即完結的自動回覆處理率、轉交給客服人員的轉接率、首次回應所需時間,以及聊天機器人回覆後客戶又來電的再詢問率。上線初期自動回覆處理率落在 30~40% 就算正常起步,需要每週檢視對話紀錄並修正回答的營運配套,才能達到 60% 左右。若一開始就把目標定在 90%,就會把系統調成對不懂的問題也裝作知道。
現場最常出現落差的地方,是「裝了聊天機器人就能減少客服人力」這樣的期待。實際上,前 3~6 個月必須有專人持續閱讀對話紀錄並調整回答,若沒有這個人,回答的正確率就會停留在上線第一週的水準。把退費規定、交期或單價直接交給生成式 AI也很危險。客戶會把畫面上的文字當成公司的承諾,一行錯誤的取消費用說明就可能直接演變成糾紛。若從一開始就沒有建立聽不懂時轉交真人的管道,只會讓同一個問題問了三次後離開的客戶越來越多。
追溯至 1966 年的早期聊天機器人「ELIZA」,歷經規則為本的階段,躍升為以 LLM 為基礎的對話 AI。
我們以一則虛構案例來看。這是全體員工 210 人、年營收約 KRW 48,000,000,000 (≈ US$35,926,500) 規模的工業零件製造商 A 公司的故事。客服團隊 4 人每月要接 3,200 件詢問,其中將近一半是「什麼時候交貨」「這個型號相容嗎」之類的重複問題。2 月底,組長以「接電話接到沒時間處理客訴,每件都拖上好幾天」為由,提出導入聊天機器人。
- 客服團隊的李組長下載了 3 個月共 9,600 筆的諮詢紀錄,逐一統計類型後發現,交期查詢、相容機型、電子稅金發票重新開立這三類,合計占全部詢問的 58%。
- 將業務團隊與品質保證團隊各自保管的產品規格書 1,200 種集中在一處,並把 2019 年以前已停產的機型 340 筆標示為'停產',從回答依據中完全排除。
- 上線第 2 週,聊天機器人開始自行計算單價並回覆客戶,因此我們設定不回答價格與交期承諾,改以'立即為您轉接負責業務'引導。
- 夜間詢問只讀取 ERP 中查得的出貨預定日;若連續兩次無法掌握意圖,就立即轉入真人等候佇列。這是金代理明確訂下的原則:「不要把客戶關在聊天機器人裡。」
- 4 個月後,電話詢問從每月 1,900 件降至 1,050 件,未經真人轉接即結案的比例升至 62%,每件客訴的平均處理時間也從 2.7 天縮短為 1.4 天。
金鍾赫
朴雪英