為什麼多數電商的 AI 客服讓人想罵髒話?7 個上線後才爆的坑
半夜想改個尺碼,卻被那顆會發光的紫色泡泡逼到狂點「轉真人」——這幾乎是電商 AI 客服的標準體驗。奇怪的是,這些系統在 Demo 那天全都完美無缺,問題總在上線後三週才爆。我們進場救火時,反覆從同一個排水孔撈出七個坑。它們的共通點:考驗的從來不是模型夠不夠聰明,而是有沒有人真的把它扛上生產線盯著改。
الكاتب
Tenten AI 交付團隊
產業交付
تاريخ النشر
7 نوفمبر 2025
مدة القراءة
6 分鐘

上週我當了一次自己客戶的客戶。半夜下單一雙鞋,尺碼選錯,想改。官網右下角那顆會發光的紫色泡泡跳出來,「Hi 我是智能小幫手,我什麼都能幫你!」我打:我要改尺碼。它回:「為您推薦以下熱銷商品。」我再打:改_尺_碼。它回:「請問您想詢問退貨政策、運費說明,還是會員權益呢?」
我盯著螢幕,深呼吸,然後做了全台灣消費者都會做的事——狂點「轉真人」。
這不是個案。這幾乎是電商 AI 客服的標準體驗。而作為一家專門把企業 AI 推上生產線的顧問,我最不能接受的是:這些系統在 Demo 那天全都表現完美。 電商 AI 客服的失敗,幾乎沒有一次是敗在 Demo,全都是敗在上線後三週。以下七個坑,是我們進場救火時,反覆從同一個排水孔裡撈出來的。
坑一:它聽得懂「查訂單」,聽不懂「我的東西呢」
Demo 腳本裡的問句永遠是乾淨的:「請問我的訂單狀態?」真實用戶打的是:「欸我禮拜三買的那個到底寄了沒==」。前者命中意圖,後者直接掉進 fallback。上線後你會發現,能被正確理解的問句,只佔真實流量的一小部分。剩下的,系統用「不好意思我不太明白」把人一個一個氣走。
坑二:轉真人的按鈕,通往一片虛空
最經典的反諷。AI 答不出來,好歹給個台階下吧?結果「轉接專員」點下去,跳出「目前非服務時間」,或者更狠的——轉進一個永遠 42 人排隊、位置永遠不動的隊列。AI 客服最該做好的一件事,其實是優雅地承認自己做不到並準確交棒。多數系統把這步當成失敗,藏起來。於是用戶連投降的機會都沒有。
坑三:它記得行銷話術,忘了你上一句說什麼
「這個顏色有現貨嗎?」「有的!」「那我要買兩件。」「請問您想諮詢什麼呢?」
三秒前的對話,蒸發了。多數電商客服機器人沒有真正的對話狀態管理,每一輪都像失憶症患者重新自我介紹。用戶被迫在每則訊息裡塞滿背景資訊,像在對一個聽力障礙的櫃檯大吼。體驗糟到不是因為它笨,是因為它根本沒在「聽上下文」。
坑四:知識庫是半年前的,活動是今天的
雙十一當天,用戶問:「滿三千折三百還在嗎?」AI 自信滿滿:「本店目前無任何優惠活動喔!」——而首頁橫幅正大紅色閃著那個活動。RAG 知識系統沒接上營運後台,靜態文件半年沒更新。AI 講得越流暢,錯得越理直氣壯。 一本正經地散播過期資訊,比直接說「不知道」傷害更大,因為用戶會信。
坑五:它把客訴當 FAQ 來處理
有人打:「我收到的是壞的,很生氣。」情緒是紅色警報,這單該立刻升級、該安撫、該給人。AI 卻冷靜地丟出一條連結:「關於商品瑕疵,請參閱退換貨須知第三條。」火上澆油的教科書示範。分不清「查資訊」和「在生氣」的差別,是電商 AI 客服失敗最快引爆負評的一種——因為被這樣對待的用戶,會直接去 Google 評論區。
坑六:手機上,它遮住了「結帳」按鈕
沒人在 Demo 的大螢幕上測過手機直式畫面。上線後,那顆會發光的泡泡在 375px 寬的螢幕上,穩穩壓在「加入購物車」正上方。用戶想結帳,先得跟客服泡泡打一架。你以為在提升轉換,其實在親手擋掉訂單。
坑七:沒人看它的對話紀錄
這是最深、也最少人談的坑。上線那天大家開香檳,然後——沒有人再打開後台。沒人看 fallback 率、沒人讀被罵爆的對話、沒人知道使用率其實只有個位數。系統靜靜地爛在那裡,直到某天老闆截了一張 Dcard 抱怨文丟進群組問:「這什麼?」
一張表,分清楚 Demo 好和上線好
| 面向 | Demo 看起來很棒 | 上線後真正決勝的 |
|---|---|---|
| 問句 | 乾淨的標準問句 | 錯字、口語、情緒化的真實訊息 |
| 答不出來 | 幾乎不會發生 | 能不能誠實交棒給真人 |
| 上下文 | 單輪問答 | 記得住整段對話 |
| 知識來源 | 精選靜態文件 | 即時接上營運後台 |
| 成功指標 | 答對率漂亮 | 使用率、解決率、負評數 |
看出來了嗎?Demo 測的是「它會不會答」,上線考的是「它在最爛的情況下會不會把事情搞得更爛」。這兩件事,幾乎沒有交集。
所以問題從來不是模型不夠聰明
多數電商 AI 客服的失敗,不是技術選錯,是沒有人真的把它扛到生產線上、盯著真實用戶怎麼罵它、然後一週一週改。 買一套很體面的平台,簽約、上線、開香檳,然後放生——這條路我們看過太多次,結局都一樣:一個沒人用、專門生產負評的紫色泡泡。
我們在 Tenten 的做法很土,但有效:工程師直接進場,把上線後第一個月的真實對話一條一條翻出來讀,補意圖、接後台、修交棒邏輯,盯著使用率從個位數往上爬才算數。Demo 很美不算數,有人願意好好跟它把訂單改完,才算。

تدفقات عمل الذكاء الاصطناعي،
مدمجة في عملياتك
نندمج داخل فريقك عبر FDE وFDM لبناء وكلاء وتدفقات عمل الذكاء الاصطناعي التي يعتمد عليها فريقك يوميًا — جاهزة خلال أسابيع، لا أرباع سنة.