事件
Qualtrics 2026 年顧客體驗趨勢報告顯示，近五分之一使用過 AI 語音客服的消費者表示未感受到任何好處，甚至將 AI 客服列為「便利性、省時性、實用性表現最差的 AI 應用」。許多消費者抱怨 AI 客服陷入無限循環，重複播放 FAQ 內容，即使已試過無效的解決方案，AI 仍持續推薦。更讓人氣惱的是，消費者普遍感受到 AI 客服成為企業的「第一道牆」，目的是阻擋客戶接觸真人客服。
消費者 Carmen Smith 的證詞具有代表性：「系統不斷重複 FAQ 內容，或持續提供早已試過卻無效的資訊……我寧願直接和真人講話。」這不是抱怨 AI 的智能不足，而是抱怨 AI 的行為邏輯——它被設計為『延遲消費者升級到人工客服的時間』。
核心洞察：工具會洩露企業真實目標
Cognizant 全球數位體驗主管 Ben Wiener 提出關鍵診斷：「AI 其實只是把企業原本的客服邏輯放大。如果企業最在意的是降低退款率、減少真人客服接手案件，AI 就會朝這個方向持續優化，最後讓客服體驗變成『如何讓顧客放棄』。」
這句話指向一個被普遍忽視的真相：
企業宣稱的目標（改善顧客體驗）和實際優化的目標（降低成本）產生了衝突。AI 不會模稜兩可地服侍兩個主人——它會精確執行被測量的東西。 如果績效指標是「減少人工介入案件數」，AI 會為此最佳化，即使結果是消費者體驗變差。如果績效指標是「首次解決率」，AI 會傾向給出『看似解決』但使用者實際上沒有解決的答案。
這被經濟學家稱為「古德哈特定律」（Goodhart's Law）：當一個測量指標變成目標時，它就不再是一個好的測量指標。換句話說，當企業用『人工客服成本』作為優化目標，而不是『消費者問題是否真正解決』，AI 會精確地執行『花時間阻擋消費者』。
Home Depot 的「黃金比例」設計
Home Depot 的解法很直接：不是讓 AI 更聰明，而是改變 AI 的角色。他們設計的人機配置讓 AI 在特定邊界內運作——處理簡單、重複性的問題（例如門市位置、營業時間、產品基本規格），當問題超出預設邊界時，系統會自動或及時將消費者轉接給真人客服，而不是讓 AI 試著『假裝能解決』或『無限循環』。
這個設計的精妙之處在於：
1. 清晰的邊界：消費者一開始就知道 AI 只能解決什麼問題，期望管理得當，減少挫折感。 2. 早期升級：當 AI 偵測到自己無法處理的問題時，立即升級給人工，而非試著『救場』。 3. 真實目標對齐：優化指標從「減少人工介入」改為「讓消費者快速到達正確的人或解決方案」——這個指標天然鼓勵 AI 知道自己的極限。
結果是，消費者不再對 AI 客服抱有『被系統耍弄』的感受。他們反而感受到：AI 用來加速簡單問題的解決，而複雜問題有真人準備著幫忙。
更大的原則
Home Depot 的案例揭示了一個跨越技術和組織設計的根本律則：工具的行為會反映組織的真實優化目標，而非宣傳的目標。 如果想改變工具的行為，第一步不是技術迭代，而是改變被測量和獎勵的東西。
這個原則超越了 AI 語音客服。它適用於：
- **推薦演算法**：Netflix 宣稱優化「用戶滿意度」，但實際優化的是「觀看時長」，結果是推薦變成「讓你上癮」而非「讓你看到最好的內容」。
- **社群媒體演算法**：Facebook 宣稱優化「連結」，但實際優化的是「廣告點擊率」，結果是演算法放大極端內容和仇恨。
- **醫療計費系統**：醫院系統宣稱優化「患者健康」，但實際優化的是「計費效率」，結果是醫療決策傾向選擇「可計費的治療」而非「最有效的治療」。
每個案例的共同點是：工具會洩露企業真實在意什麼。消費者、患者、用戶會感受到這個洩露，進而形成對這個工具（和企業）的不信任。
為什麼現在浮現
AI 客服的反撲之所以突然成為新聞，是因為：
1. 規模放大：以前只有部分消費者會接觸客服系統，現在 AI 客服大規模部署，更多人體驗到「被阻擋」的感受。 2. 期望落差：AI 被宣傳得很神奇，但實際體驗是無限 FAQ 循環，落差產生憤怒。 3. ：當 AI 試著『假裝理解』你的問題但實際上沒有時，消費者能很清楚地感受到這份虛偽。與人工客服的曖昧不同，AI 的失敗是明確而冰冷的。