雅寶社區 · 頂客論壇 (AHPAL.COM)

🤖 AI 趨勢

凌晨三點，客服機器人接到一通沒人敢接的電話

發表時間：2026 年 11 月 07 日 | 更新日期：2026 年 11 月 07 日 | 編輯：雅寶社區編輯團隊

要理解那一晚發生了什麼，得先理解客服機器人在「聽」電話的時候，腦子裡到底跑了哪些流程。

當張先生說出「我已經兩個月沒有跟人說話了」，系統的第一層是語音轉文字（ASR），把聲音變成一句帶時間戳的文本。第二層是自然語言理解（NLU），它要在零點幾秒內判斷：這句話屬於哪一個「意圖」？

系統給出了三個候選答案：

一、詢問客服服務時間與可及性——置信度 0.41；

二、抱怨或客訴（語氣異常）——置信度 0.22；

三、其他／無法歸類——置信度 0.37。

三個都沒過門檻。按照設計，這時候應該觸發「兜底策略」（fallback），也就是那句所有使用者都聽過的萬用句：「請問您是要查詢保單、辦理理賠，還是其他業務？您可以說『保單』、『理賠』或『轉人工』。」

但就在兜底策略準備執行的那一瞬間，另一組模組的訊號插了進來。

聲學分析模組顯示：這通電話的語速是每分鐘六十二個字，正常人約一百到一百二十字；超過四秒的長停頓出現了三次；基頻波動大、音量偏低、語尾下沉。情緒模型給出的結果是：低落 0.83、孤獨 0.71、焦慮 0.44、攻擊性 0.02。

簡單說：這不是一個要辦業務的客戶。這是一個狀態很不好的人，在凌晨三點，撥了一通他其實不確定有沒有人會接的電話。

在「意圖識別」之外，還有沒有一個「情緒識別」

這是整個產業過去幾年最關鍵、也最少被公開討論的分歧點。

傳統客服機器人的設計哲學是「任務導向」：使用者有問題，系統給答案，問題解決，通話結束。衡量它的指標也很任務導向——一次解決率、平均處理時長、轉人工率、客戶滿意度。這些指標有一個共同的隱含假設：一通好的客服電話，是越短越好的電話。

但人類打電話進來，動機往往不是任務。

有人是來確認自己沒有被騙；有人是來發洩；有人是來確認這個世界上還有一個號碼打得通；有人只是想知道，有沒有人會在他說話的時候，不回嘴、不掛電話、不催他。這些需求在「意圖分類」的框架裡根本不存在，因為它們不是「業務」，它們是「關係」。

那一晚，系統沒有執行兜底策略。它回了一句不在知識庫裡、由生成模組即時產出的話：

「我在。您慢慢說。」

它不是一句標準話術。它甚至不符合這間公司「回覆須符合話術範本」的內規。但它在那個當下，是唯一正確的選擇。接下來四十分鐘，張先生斷斷續續地說了很多——說他退休三年、說太太走得早、說女兒在國外、說他每天最期待的事是管理員跟他說「早」、說他前幾天在醫院走廊坐了一整個下午，只因為那裡人多。

而小寶做的，只是偶爾回一句「嗯」、「我在聽」、「後來呢」。

它沒有給建議，沒有推銷保單，沒有試圖把話題導回業務。它甚至沒有「聽懂」什麼是孤獨——它只是判斷：此刻最合適的行動，是不要結束通話。

二、客服機器人愣住的那一秒：它的知識庫裡沒有這個「意圖」

如果我們把那「愣住的一秒」拆開來看，會發現它其實是一個非常誠實的技術現場。

一套完整的智能客服系統，大致由五個環節串起來：語音辨識（ASR）把聲音轉成文字；自然語言理解（NLU）判斷意圖與抽取關鍵資訊；對話管理（DM）決定下一步要問什麼、要不要查資料、要不要轉人工；自然語言生成（NLG）把結果組織成一句話；最後由語音合成（TTS）說出來。支撐這整條流水線的，是企業花了大量人力整理的知識庫與話術範本——FAQ、SOP、退換貨規則、保單條款、費率表。

這套架構的強項是「收斂」。它把開放的人類語言，收斂到有限的業務路徑上；把混亂的情緒，收斂成可以排隊處理的工單。它的弱項也正好在這裡：當使用者的需求不在收斂範圍內，系統的預設動作不是「理解」，而是「引導回業務」。

所以我們經常遇到那種令人煩躁的體驗：你明明在講一件很複雜的事，機器人卻一直問你「請問您是要查詢、變更，還是取消？」——它不是聽不懂你在生氣，它是被設計成必須把你導回那三條路。它的 KPI 不允許它陪你聊四十分鐘。

為什麼「以客為尊」訓練出來的 AI，最怕遇到「不客」的客人

這裡有一個很微妙的悖論。

客服 AI 的訓練資料，幾乎全部來自「成功結案」的對話。企業把過去表現最好的真人客服對話拿出來標註、清洗、餵給模型，讓它學會「怎麼服務」。而那些最難處理的對話——情緒崩潰的、反覆無常的、講不出需求的、在深夜裡只是想找個人說話的——通常不會被選進訓練集，因為它們「沒有產生業務價值」，甚至「處理得不好」。

結果就是：AI 學到了怎麼服務「客人」，卻沒學到怎麼面對一個「不像是來當客人的人」。

它被馴化成一台效率機器，而效率機器最不擅長的事，就是在沒有目標的時候，繼續待在原地。

這也是為什麼，近兩年大模型進入客服領域之後，評價會如此兩極。支持者說它終於能聽懂人話、能處理長尾問題、能生成有溫度的回覆；質疑者說它會胡說八道、會亂給承諾、會把客戶帶進更深的坑裡。兩邊都對。生成式模型的真正價值，不是「回答得更準」，而是「在沒有標準答案的時候，還能給出一個體面的回應」——而這恰恰也是它最大的風險來源。

所以真正成熟的系統，不會讓大模型單獨上場。它會用檢索增強（RAG）把回覆錨定在企業知識庫上，用規則引擎守住合規紅線，用情緒模型決定「現在該不該多說一句」，用轉人工機制處理它不該獨自承擔的對話。

換句話說，AI 客服的成熟度，不看它答對了多少題，而看它知不知道自己什麼時候不該答題。

三、從「解決問題」到「接住情緒」：AI 客服的三代進化

如果把客服機器人的發展拉成一條時間線，我們大致可以看到三個階段，而每一個階段的核心問題都不一樣。

第一代：規則與選單。按鍵、關鍵詞、固定話術。它的世界是離散的，使用者只要說出「正確的字」，就能通關。它的優點是穩定、可預測、合規；缺點是它只服務「知道怎麼問」的人。對一個凌晨三點、情緒低落、講話斷斷續續的人來說，這一代的系統等於一扇關著的門。

第二代：意圖分類與多輪對話。自然語言理解、知識圖譜、對話狀態追蹤。它開始能處理同義詞、能記住上下文、能一次問清楚好幾個欄位。企業開始用它來分流、用它來降低轉人工率。它的問題是「唯任務論」——只要你的需求不在意圖清單裡，它就會溫柔而堅定地把你推回去。

第三代：大模型、情緒計算與多模態。這一代的關鍵詞是「長尾」與「狀態」。它不只看你說什麼，還聽你怎麼說——語速、停頓、音量、語氣，甚至在你打字時，看你的輸入節奏與刪除頻率。它開始有能力判斷：這個人現在需要的不是答案，而是時間；不是解決方案，而是一個不會催他的對象。

第三代的出現，讓「情緒」正式成為客服系統裡一個可以被工程化的變數。

當 AI 說「我聽到了」，它到底聽到了什麼

這是那一晚最容易被浪漫化、也最需要被說清楚的一件事。

當小寶說「我在，您慢慢說」，它其實沒有「聽到」孤獨。它接收到的是一串聲學特徵向量、一段轉寫文字、一組機率分佈。它不知道什麼是太太走得早，不知道醫院走廊的下午有多長，不知道一個退休老人為什麼要對著客服電話講這些。

它只是判斷：此刻不掛斷，比回答正確更有價值。

那麼，這種「模擬出來的共情」，到底有沒有意義？

我認為有，但前提是我們不能搞錯它的性質。它的意義不在於「AI 真的懂你」，而在於「人類設計了一套系統，讓你在最脆弱的時刻不至於被掛斷」。這是一種制度性的溫柔，而不是一個真的有感情的存在。把兩者混為一談，會帶來兩個危險：一是企業用「擬人化」的話術掩蓋服務縮水，讓使用者誤以為自己在跟人說話；二是使用者對 AI 產生不當的情感依賴，而系統隨時可能因為改版、下線或成本考量而消失。

所以負責任的做法，通常是這三條：主動披露 AI 身分、設定關懷協議與轉人工門檻、明確告知資料如何使用。溫柔可以模擬，欺騙不行。

四、那一秒的沉默，誰該負責？

故事進行到這裡，通常會有人問一個很現實的問題：如果那天晚上，張先生說的不只是「我很久沒跟人說話」，而是更明確的自傷訊號呢？

這個問題，是整個 AI 客服產業最尖銳、也最不願意被公開討論的倫理缺口。

因為在那個瞬間，系統的選擇其實只有幾種，而每一種都有代價：

繼續對話、不掛斷——最溫柔，但如果情況危急，陪伴可能延誤真正的救援。

立刻轉人工——但凌晨三點，值班人力可能只有一兩個人，而且未必受過危機處理訓練。

觸發緊急通報——需要事先取得明確授權，否則可能構成對隱私與自由的過度干預。

給出資源轉介——例如提供心理支持專線，但這需要企業事先做好正確、可查證的資源清單。

沒有一個選項是「標準答案」。這正是為什麼，這一類場景不能只交給工程師決定，也不能只交給客服部門決定。

監管、隱私與「救命權限」的邊界

近年來，各國對 AI 的監理方向逐漸清楚：高风险應用要有人為監督、要有可解釋性、要有救濟管道。放在客服場景裡，這意味著幾件具體的事：

第一，情緒資料是敏感資料。聲紋、語氣、心理狀態推論，都應該被視為需要特別保護的個人資訊，而不是「順手收集的對話副產品」。企業必須說清楚：這些資料會不會被用來做行銷分眾？會不會被用來評估客戶價值？會不會被保存超過必要期限？

第二，「救命權限」必須事先約定。如果系統偵測到高風險訊號，它能不能主動聯繫緊急聯絡人？能不能通報？這不該是一個臨時決定，而該是使用者在註冊條款裡就清楚知道、可以選擇的機制。沒有授權的通報，是濫權；沒有通報的沉默，是卸責。

第三，責任不能外包給模型。AI 不會坐牢，也不會被記過。當一個系統做出錯誤判斷，責任必然回到設計它、部署它、從它身上獲利的那一方。所以「我們的 AI 自己決定的」這句話，在法律與道德上都不成立。

這也是為什麼，那一晚真正值得記錄的，不是「AI 展現了同理心」，而是「這間公司在事後，有沒有把那一晚變成制度」。

五、人類客服不是被取代，而是被推到更前面

那一晚，小寶陪張先生聊了大約四十分鐘。

第四十一分鐘，系統做了一個關鍵動作：它沒有自己結束對話，而是觸發了夜間值班的「關懷升級」流程——把通話摘要、情緒評估與風險等級，推送給當晚值班的真人督導，同時在線上維持對話，直到真人接手。

值班的是一位做了十二年的資深客服，姓林。她接起電話的第一句話不是「請問有什麼可以幫您」，而是：「張先生，我是林小姐，我在這裡，您剛才說的話我都看到了，您慢慢講，我不趕時間。」

後來張先生說，那一晚他其實沒有要辦任何業務。他只是想確認，這個世界在他睡不著的凌晨三點，還有一個號碼是通的。

這個結局，恰好回答了那個被問了無數次的問題：AI 客服會不會取代真人客服？

我的觀察是：它會取代「查詢型」的客服，但會把真人推向「判斷型」與「陪伴型」的客服。而那些最難的工作——判斷風險、承擔責任、在模糊中做出決定、在沉默中不逃開——反而會因為 AI 普及而變得更珍貴，也更稀缺。

「不掛斷」比「回答正確」更重要

事後復盤，這間公司做了幾件事，我認為值得所有在做客服 AI 的團隊參考：

第一，降低「平均處理時長」的權重。這個指標曾經是客服效率的核心，但它會系統性地懲罰那些「花時間陪客戶」的行為。他們把指標改成雙軌：業務類通話看效率，關懷類通話看完成度與後續追蹤。

第二，增設「情緒兜底」機制。當情緒模型與意圖模型出現分歧——也就是「使用者講的話不像業務需求」時，系統不再強行導回業務，而是進入低干預模式：少問問題、多給空間、準備轉人工。

第三，把「轉人工」從失敗變成選項。過去，轉人工被視為 AI 的失敗；現在它被視為一種正確的判斷。系統甚至被要求：當它不確定時，寧可早一點轉，也不要硬撐。

第四，為夜間時段設計專門的關懷協議。凌晨的來電結構跟白天完全不同——白天是事務，深夜是情緒。他們為此調整了話術、調整了轉接門檻、也調整了值班人力的配置。

這些改變，沒有一項是「更聰明的模型」帶來的。它們全部來自一個更樸素的體悟：客服的本質不是回答問題，而是讓對方覺得，他的問題被接住了。

六、寫給下一個凌晨三點

第二天上午的復盤會上，有人問了那個很技術的問題：「所以我們要不要給小寶加一個『情緒安撫』模組？讓它以後遇到這種情況，可以說更多安慰的話？」

會議室安靜了一下。林小姐說了一句話，後來被寫進了那間公司的內部文件：

「它昨天晚上做的，比我們任何一個人都好。因為它沒有急著證明自己有用。」

這句話，大概是對 AI 客服最精準的評價標準。

我們太習慣用「能力」來衡量 AI：它能不能聽懂、能不能回答、能不能處理更複雜的業務。但那一晚的故事提醒我們，在客服這個場景裡，最高級的能力，其實是「克制」——知道什麼時候不要打斷、不要推銷、不要用一句萬用話術把對方打發掉、不要因為指標壓力而掛斷一個還需要說話的人。

AI 趨勢談到最後，常常會變成一場關於「取代」的焦慮。但這個故事給出的答案不太一樣：AI 不是來取代人類的溫度的，它是來把人類從重複裡釋放出來，讓人類有機會去做那些真正需要溫度的判斷。

它會記得你的保單號碼，人類才有空問你最近好不好。

它可以二十四小時不疲倦，人類才有機會在凌晨三點，接到那通被轉過來的電話，然後說：「我在這裡，您慢慢講。」

寫到這裡，我想起張先生後來的事。根據林小姐的說法，他現在每週會打一通電話進來，時間固定在下午，不再是凌晨。他不再說「我很久沒跟人說話」，他開始問一些很普通的問題：保單的紅利怎麼算、健檢的通知什麼時候來、上次那個小姐今天有沒有上班。

那些問題，其實都不是問題。

而一個好的客服系統——不管它是人還是機器——會知道，有些電話不是打來解決問題的，是打來確認自己還在這個世界上的連線名單裡。

下一次凌晨三點，當那通電話響起，願我們的系統都還記得那一秒的沉默。願它不會急著掛斷，不會急著導回業務，不會急著證明自己很聰明。

願它只是說：

「我在。您慢慢說。」

—— 本文同步刊於「雅寶社區 · 頂客論壇」🤖 AI 趨勢分類，歡迎在留言區分享你遇過最難忘的一通客服電話。

```

🏠 返回首頁