一家早餐店的 LINE 官方帳號，意外成了 AI 轉型起點
被留下來的，是三年份的對話紀錄
到了 2023 年底，這個帳號累積了超過一萬兩千則一對一對話。內容包括：訂單確認、過敏原詢問、公休日查詢、外送地址、抱怨（例如「今天的豆漿好像比較稀」）、讚美（「阿姨今天笑容很好」），以及大量「請問現在還有嗎」的即時詢問。
這些內容在當時看起來是雜訊，是每天要花二十分鐘處理的「回訊息時間」。但換個角度看，它其實是一份極其罕見的資料集：由真實顧客、自發填寫、長達三年、圍繞著同一家店的「需求清單」。
大多數中小企業做 AI 專案，最常卡住的地方就是「沒有資料」。而這家早餐店，其實一直在生產資料，只是沒有人把它當成資料。
二、AI 真正介入的那一天：從關鍵字回覆到會聊天的客服
2023 年秋天，小安第一次感受到「回不完」的壓力。那段時間店裡接了外送平台，訂單量成長約三成，但人力沒有增加，LINE 訊息量卻翻了一倍。
她先嘗試了 LINE 官方帳號內建的「關鍵字自動回覆」。這是所有入門者都會走的一步，也是最容易失望的一步。
第一次嘗試：關鍵字自動回覆為什麼撐不住
關鍵字回覆的邏輯很簡單：設定「營業時間」對應一段文字，設定「外送」對應一段文字，設定「菜單」對應一張圖片。問題在於，客人永遠不會照你設定的方式說話。
小安舉了幾個實際案例：
客人問：「你們明天有開嗎？」——系統設定的關鍵字是「營業時間」，沒有命中，直接靜音。
她算了一下，關鍵字自動回覆的命中率大約三成，剩下七成還是回到人工。更糟的是，錯誤的自動回覆比不回覆更傷：有客人收到「本店公休」的罐頭訊息，當場以為今天沒開，直接轉頭走人。
「那一刻我才理解，關鍵字不是 AI，它只是比較聰明的『尋找取代』。」——小安
第二次嘗試：接上大型語言模型之後，世界變了
2024 年初，小安開始測試把 LINE 官方帳號接上大型語言模型。做法並不複雜：透過 LINE Messaging API 接收訊息，夾帶一份「店家知識庫」（菜單、價格、營業時間、公休規則、外送範圍、過敏原說明、訂購流程），送進模型生成回覆，再送回 LINE 視窗。
她花了兩個週末，用現成的自動化平台（如 Make、n8n 這類低程式碼工具）串接，沒有寫太多程式碼。第一次測試的結果，她形容是「有點毛骨悚然」。
客人問：「明天國慶日有開嗎？」機器人回答：「明天是國慶日，我們照常營業，早上六點到十一點，不過建議您九點前來，連假通常八點半之後人會比較多喔。」——這段話裡沒有任何一句是預先寫好的，全部是模型根據知識庫與歷史對話脈絡生成的。
更重要的是，機器人會「承認自己不知道」。當客人問到知識庫沒有涵蓋的問題（例如「你們的醬油是哪一家的」），它會回：「這我不確定，幫您轉給老闆，稍等一下。」然後自動標記這則訊息，讓小安隔天補進知識庫。
值得一提的是，她並沒有直接採購市面上的「AI 客服 SaaS」。原因有兩個：第一，多數現成服務的月費對小店偏高，且功能遠超需求；第二，現成服務的知識庫更新流程不夠即時，菜單一改價就要等廠商處理，對每週都在微調品項的早餐店來說太慢。自己用低程式碼工具串接，反而保有修改彈性。
這就是這家早餐店跨進 AI 的關鍵一步：不是買了一套昂貴的系統，而是把一個免費的聊天視窗，變成了一個會學習的窗口。
三、早餐店教會我們的四堂 AI 轉型課
故事講到這裡，很容易被簡化成「小店家導入 AI 好棒棒」。但實際上，這段過程充滿了大量失敗、猶豫與調整。以下四件事，是這家早餐店用真金白銀（還有流失的客人）換來的體會。
第一堂：痛點要小到可以一週驗證
小安最初想做的事情很大：想做會員系統、想做線上點餐、想做數據儀表板。但她後來發現，小店家做 AI 轉型最大的陷阱，就是「一次想做太多」。計畫一旦變大，就會需要時間、需要預算、需要人力，然後就會卡住，最後不了了之。
她後來採用的原則是「一週驗證法」：任何新工具，只給它一週時間，用一個明確的指標檢驗。例如導入 AI 客服的第一週，指標只有一個——「人工回覆的訊息量有沒有下降」。第二週才加入「客人後續有沒有繼續追問」。第三週才看「有沒有產生訂單」。
「痛點要小到自己一個人就可以管，才有機會活下來。」她說。
第二堂：資料不用多，但要「乾淨且連續」
很多老闆以為 AI 需要大數據，其實對小店家來說，真正的門檻不是資料量，而是資料的「一致性」。
小安花最多時間的地方，不是串接模型，而是整理知識庫：把菜單上的每一個品項、每一種大小、每一個加價規則，寫成模型看得懂的格式；把「蛋餅加蛋加起司」這類口語說法，對應到正確的品項與價格；把「連假」「颱風天」「臨時公休」這類例外狀況，一條一條列成規則。
她說：「我大概花了三天寫這份文件，但那三天比我過去三年回過的訊息還有價值。因為寫完之後，我第一次真正搞清楚我們店到底在賣什麼、哪些品項其實早就該砍掉。」
第三堂：AI 不是取代人，是把人放到對的位置
導入 AI 客服後，最大的改變不是「少請一個人」，而是「員工的時間被重新分配」。
過去，阿明每天要花將近一個半小時回訊息、確認訂單、解釋規則；現在這些事情有七成由機器人處理。他把省下來的時間拿去做了兩件事：一是在尖峰時段多煎兩鍋，二是站在門口跟熟客聊天。
「很奇怪，客人變多了，但我覺得比較不累。」——阿明
關鍵在於，他不再需要一邊煎蛋、一邊擦手、一邊回訊息。這種「切換成本」其實是餐飲業最隱形的疲勞來源。
第四堂：一定要留一個「人味出口」
這是小安最堅持的一件事。AI 客服處理所有「事實型問題」：幾點開、有沒有開、多少錢、能不能外送、有沒有素食。但只要客人出現情緒字眼（「等很久」「態度不好」「上次點錯」），系統會立刻停止自動回覆，直接跳出通知給人工處理。
她說：「AI 可以幫我回一百則訊息，但沒有辦法幫我跟一個生氣的客人道歉。這種事情，還是要人來。」
這條界線，讓這家店的 AI 導入沒有變成「冷冰冰的自動化」，反而讓熟客覺得「這家店還是有人在」。小店最大的資產本來就是人情味，任何科技導入如果削掉了這一點，都是得不償失。
四、把聊天紀錄變成決策：三個具體的落地場景
如果 AI 轉型只停在「自動回覆」，那終究只是省下人力。但這家早餐店後來發現，對話紀錄的價值遠不止於客服。以下三個場景，是他們實際落地、而且對營運產生實質影響的應用。
場景一：備料與排班預測
過去備料靠經驗：阿明憑感覺抓豆漿、蛋、漢堡皮的量，寧可多備也不要賣完。結果是每天打烊都要丟掉一批食材，估計每月報廢成本占營業額 4% 到 6%。
導入 AI 後，小安把過去兩年的訂單紀錄（來自 POS 與 LINE 訂單）、天氣資料、假日與連假資訊，丟給模型做趨勢分析，讓它預測隔天各品項的需求量。預測不需要百分之百準確，只要能抓到大方向就好。
三個月後，食材報廢率下降到 2% 以下，而且「提早賣完」的客訴也減少了。她說：「AI 不會比我爸更懂早餐，但它比我爸更會記數字。」
場景二：菜單與新品開發
這是意外收穫。小安把一萬多則對話紀錄做主題分析，發現三件事：
「無糖」相關詢問在兩年內成長了三倍，但店裡只有微糖與全糖選項。
「素食」相關詢問集中在週一與週五，疑似與附近上班族的飲食習慣有關。
「份量」相關抱怨多半出現在男性客人身上，且集中在某一款三明治。
於是店裡做了三個調整：新增無糖豆漿選項、週一與週五加賣素食蛋餅、把該款三明治加厚。三項調整推出後，客單價提升了約 8%。
這件事的意義在於：這些洞察不是來自市調公司，而是來自客人自己講出來、只是從來沒有人整理的話。
場景三：新人訓練與交接
早餐店的人力流動率高，新進員工要記住的東西卻非常多：菜單、價格、加價規則、過敏原、外送範圍、尖峰時段的處理順序、客人特殊習慣（例如某位常客一定要兩份蛋餅不加醬）。
小安把這些內容整理成一份內部知識文件，再做成一個「員工專用 AI 助手」。新人在手機上就能問：「客人說要一份蘿蔔糕加蛋加辣，多少錢？」系統會回覆正確價格與製作流程。
結果是，新人上手時間從原本的兩週縮短到五天。對一家只有六個人的小店來說，這等於每年多出將近一個月的人力。
應用場景
導入前
導入後
客服回覆
每日約 90 分鐘人工處理
降至約 25 分鐘，其餘由 AI 分流
食材備料
報廢率 4%～6%
降至 2% 以下
新人訓練
約 14 天上手
約 5 天可獨立作業
菜單調整
憑經驗與感覺
依對話紀錄的主題分析決定
（以上數字為店家自行統計之區間值，僅供參考，實際成效會因規模、品項與客群而有明顯差異。）
五、成本、風險與踩過的坑
講完成效，必須講代價。這家早餐店的 AI 轉型，並不是一路順暢。
到底花了多少錢？
很多人以為 AI 很貴，實際上以這家店的規模，每月固定支出大約落在以下區間：
換算下來，每月大約新台幣 1,500～6,000 元。跟她省下的食材報廢金額、以及少掉的一個人事成本相比，這個數字並不算高。真正的成本其實是「時間」——整理知識庫、測試、修正的那幾個週末。
那些 AI 出過的包
最經典的一次，是機器人把「本店週三公休」回成「週三照常營業」，結果當天有七組客人白跑一趟。小安當天立刻在後台加上一條規則：所有與「營業狀態」有關的問題，一律先查行事曆欄位，不交由模型自行推論。
另一次是價格錯誤。模型把「加蛋 15 元」與「加起司 15 元」合併理解成「加蛋加起司 15 元」，導致連續三天少收錢。她後來在知識庫裡把每一個加價組合都寫成獨立條目，並且每週抽查二十則對話做人工複核。
她的結論很務實：「AI 的錯誤不會消失，只會變得更隱形。所以你要設計一套『被抓到』的機制。」
個資與隱私：小店也躲不掉
另一個容易被忽略的問題是個資。對話紀錄裡可能包含客人的電話、地址、甚至健康資訊（例如「我對花生過敏」）。小安的做法是：
串接第三方 AI 服務前，先把姓名、電話、地址等欄位遮蔽，只送出「問題內容」。
選擇有明確資料政策的服務商，並關閉「用於模型訓練」的選項。
在官方帳號的歡迎訊息中，明確告知「本店使用自動化系統協助回覆，您的對話可能用於改善服務品質」。
定期刪除超過一年的對話紀錄，只保留去識別化後的主題統計。
她說：「我不覺得一家早餐店會被駭客盯上，但我不希望客人覺得『我只是問個蛋餅，為什麼我的電話被拿去訓練 AI』。」
員工抗拒與「人味」的保留
最後一個坑，來自家裡。阿明一開始非常反彈：「機器人回訊息？客人會覺得我們在敷衍。」他花了將近兩個月才接受，轉折點是有一天，一位熟客在 LINE 上問「今天有沒有開」，機器人回覆後，熟客接著說「謝謝，那我十分鐘到」。
阿明在旁邊看著，說了一句：「這樣好像也還不錯。」
小安後來的心得是：導入 AI 最難的不是技術，而是讓「人」相信這件事不會搶走他們的價值。她的做法是把 AI 定位成「處理雜事的小幫手」，而不是「取代員工的系統」，並且在每一次 AI 出錯時，都由人出面收拾，讓客人知道「後面還是有人在」。
六、從一家早餐店，看台灣中小企業的 AI 轉型縮影
這家早餐店的故事之所以值得寫，不是因為它特別厲害，而是因為它一點都不特別。
為什麼微型企業反而跑得快
多數人以為 AI 轉型是大企業的專利，但實際觀察會發現，微型企業在 AI 導入上，反而具備三個結構性優勢：
成敗可感。導入後有沒有效，一週內就能感覺到，不需要等年度報告。
反過來說，微型企業的劣勢也很明顯：沒有 IT 人員、沒有預算、沒有時間。但這正好是近兩年 AI 工具生態最能補足的部分——現在的 AI 服務，多數是「訂閱制、低程式碼、按用量計費」，一個月幾百到幾千元就能開始，失敗了拍拍灰塵再換一個。
給還在觀望的老闆：一張三個月行動清單
如果你也是小店經營者，想複製這條路徑，可以參考以下三個月的基本盤：
第一個月：把「已經在做的事」數位化。申請 LINE 官方帳號（或善用既有的社群帳號），在店內放置加入好友的誘因，開始累積對話。這個階段不需要 AI，只需要「開始留下紀錄」。
第二個月：找出重複性最高的三個問題。把一整個月的訊息攤開來看，統計最常被問的問題。通常會是營業時間、價格、外送範圍這三類。先把這三類寫成清楚的知識文件。
第三個月：選一個最小可行的 AI 工具試跑。不用一開始就接大型語言模型，可以先從官方帳號的自動回覆開始，或是使用現成的 AI 客服服務。設定一週驗證指標，例如「人工回覆量下降多少」。失敗了就換一個，成本很低。
小安給的建議更直接：「不要問『AI 可以幫我做什麼』，要問『我每天最煩的那件事是什麼』。從那件事開始，通常不會錯。」
七、結語：那個「順便」開始的地方
回頭看這整段歷程，最諷刺的地方在於：這家早餐店從來沒有喊過「我們要 AI 轉型」。
他們只是想要一張會動的傳單，只是想要少回一點訊息，只是想要知道明天該備多少蛋。這些動機都很小、很務實，甚至有點土。但正是這些「順便」的需求，讓他們一步一步走到了 AI 的門口。
「以前我一天到晚在猜客人要什麼，現在機器幫我記，我只要負責把蛋煎好。」——阿明
這或許就是 AI 轉型最真實的樣子：它不是一場華麗的革命，而是一連串微小、具體、以人為中心的改善。而它的起點，可能只是店門口那張寫著「加好友送蛋餅」的 A4 紙。
下次你走進巷口那家早餐店，看到櫃檯貼著一張 LINE QR Code，不妨多想一秒：那後面連著的，可能不只是一張優惠券，而是一整條還沒被發現的轉型路徑。
```
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →