在使用過 AI 客服的消費者中，每 5 人就有近 1 人表示這次體驗完全沒有帶來任何幫助。這項來自 Qualtrics 2026 客戶體驗趨勢報告的發現，出現在供應商紛紛宣布 50%、60% 甚至 80% 自動化率的同一年。
這兩個數字可以同時成立。兩者之間的落差，關鍵就在一個詞：分流（deflection）。
分流計算的是 AI 經手的互動次數；自主解決則計算 AI 真正解決的問題。您的 AI 客服解決率，就是這兩個數字之間的距離，而這段距離正是客戶流失之處，也是 CX 主管根據錯誤資料做出高代價決策之處。
分流率實際衡量的是什麼
當客戶提出問題，系統回覆一則常見問題文章連結，多數平台會將此記錄為一次成功的分流。工單從未轉到真人手上，自動化率上升，儀表板看起來一片健康。
但儀表板並不知道這位客戶是否找到答案，也不知道對方是否放棄、隔天又打電話來，或默默流失。分流衡量的是 AI 做了什麼，卻完全無法反映客戶的實際體驗。
部署規模越大，這個問題就越嚴重。NewtonX 於 2026 年調查了 3 大洲共 2,000 位消費者與 500 位企業 CX 決策者，結果呈現明顯分歧：企業追求降低成本與工單分流，消費者則最重視解決。在企業表示優先考量的成果中，解決率僅排名第 7。
同一項研究也發現，55% 的企業將 AI 與真人客服的績效合併衡量，因此幾乎無法單獨看出 AI 的實際表現。當訊號無法區分，您就無從判斷 AI 究竟是在解決問題，還是只是在吸收流量。
用一個數字看落差
要了解這個落差有多大，最清楚的依據來自目前業界廣泛引用的 Gartner 研究：AI 分流了超過 45% 的客戶詢問，但只有約 14% 達到完全自助解決。儀表板所回報的與客戶實際得到的，相差了 31 個百分點。
AI 每經手 100 個問題，大約只有 14 個最終真正解決了客戶的問題。其餘 31 個被計為已處理，實際上卻沒有解決。這些聯繫會以重複聯繫、升級處理與客戶流失的形式回來，也正是為什麼看似健康的自動化率，底下可能是一個不健康的營運狀況。
讓分流率變得危險的數學
以下是單一月份的實際情況。
您的 AI 處理了 10,000 張工單。供應商儀表板顯示 60% 的自動化率，也就是 6,000 張工單無需真人處理。帳面上相當亮眼。
但深入檢視資料。在這 6,000 次自動化互動中，或許只有 75% 真正獲得解決：客戶得到所需協助，沒有再回來。另外 25% 則是被分流：AI 做出了回應，但問題依然存在。其中有些客戶改用其他管道，有些打了電話，有些則直接離開。
您實際的自主解決率不是 60%，而是 45%。而那 1,500 張看似已自動化、實則未解決的工單仍留在您的系統中，偽裝成重複聯繫、升級處理或客戶流失。
要找出這個問題，一個方法是衡量解決的持久度：不只看問題是否被標記為已解決，還要看客戶是否在 72 小時內就同一問題再次聯繫。高分流率搭配高重複聯繫率，並不是自動化，而是延後成本。
實際上線環境中的「解決」是什麼樣貌
自主解決代表 AI 完整解決了客戶的問題，沒有真人介入、沒有後續工單，也沒有客戶透過其他管道再次嘗試。這個門檻比多數供應商儀表板所能衡量的更高，卻正是與 CX 主管關心的成果息息相關的門檻：更低的單張工單成本、更高的 CSAT，以及更少的客戶流失。
AI 互動要算是真正的解決，必須同時滿足 3 個條件。
AI 必須能存取您的系統，不只是知識庫，還包括訂單管理、帳務、CRM 與工單工具。想變更寄送地址的客戶，需要的不是一個說明中心的連結，而是地址真的被改好。採用疊加式架構連接您現有的服務台，而非取而代之，才能在不經歷長達數月遷移的情況下取得這樣的存取權限。如果 AI 只能讀取系統卻無法寫入，它能回答問題，卻無法解決問題。那只是一個精密的常見問題集，而不是 AI 代理。
AI 必須採取行動。處理退款、改訂航班、更新帳戶：這些才是推動解決的互動。只能提供資訊的平台與能夠執行交易的平台之間的差距，就是分流與解決之間的差距。
AI 必須確認客戶同意問題已解決。這是多數平台略過的環節。它們在 AI 回應時就關閉工單，而不是在客戶確認問題已處理時才關閉。衡量經客戶確認之解決率的供應商，其 CSAT 分數一貫比仰賴自動關閉工單的平台高出 15% 至 20%。
當這 3 個條件都成立時，數字就會改變。McKinsey 於 2026 年發布的獨立服務營運研究顯示，能採取行動的 AI 代理，其解決率遠高於以分流為主的工具，而單次聯繫成本僅為真人處理的一小部分。這個落差是結構性的，而非設定問題。
真正奏效時的樣貌
實際上線數據證實了這一點。Mastermind 在部署後 6 週內即達到 93% 的自主解決率。這不是分流，而是無需真人即結案的問題。Rho 在每月聯繫量增加 12% 且未增加人力的情況下，仍維持 95% 的 CSAT，因為 AI 確實吸收了實際流量，而非將其轉嫁出去。
這些成果有一個共通點：AI 以其解決的問題作為衡量標準，並與真正發生解決的系統相連。與客戶體驗及財務部門所見成果相符的數字，是解決率，而不是分流率。
評估任何供應商時應提出的 5 個問題
如果您目前正在評估 AI 客服平台，分流與解決的區別應該是您的首要篩選條件。以下說明如何在展示或 POC 中釐清這一點。
**您如何定義「已解決」？**如果答案涉及攔截率、分流率或自動化率，卻沒有明確說明客戶的問題已完全解決，那麼您看到的就是貼著解決標籤的分流指標。請供應商區分 AI 處理過的互動與 AI 真正解決的問題。
**72 小時內的重複聯繫率是多少？**這是揭露虛假解決的指標。如果 25% 的已解決工單在 3 天內產生後續聯繫，實際解決率就會明顯低於帳面數字。對解決品質有信心的供應商會樂於分享；猶豫不決的，多半根本沒有衡量過。
**AI 能在我的後端系統中採取行動，還是只能提供答案？**唯讀與讀寫整合是架構上的分水嶺。能查詢訂單卻無法處理退貨的 AI，真正解決率的上限永遠較低。請具體詢問其與您現有服務台、CRM 及訂單管理工具的整合深度。
**您如何衡量客戶對解決的確認？**在 AI 回應後自動關閉工單，並不等於確認客戶的問題已獲處理。請詢問平台是否採用客戶確認、後續問卷或重複聯繫追蹤。衡量方法與數字本身同樣重要。
**您是否願意依成功解決的次數計價？**以成果計價能讓供應商的誘因與客戶成果一致。如果供應商只有在您客戶的問題真正解決時才能獲益，他們就會以解決為目標打造產品。如果不論成果如何都按席次、工單或訊息收費，他們的誘因就是量，而不是成果。
指標轉變已經開始
產業正朝這個方向前進，即使步伐緩慢。Gartner 預測，到 2029 年，AI 將在無需真人介入的情況下解決 80% 的常見客服問題。其中關鍵的詞是「解決」，而不是「分流」。部分供應商已開始調整計費方式，將經驗證的解決與單純攔截區分開來，只針對能證明的成果收費。比起任何客戶案例，這更能快速看出供應商的真正誘因。
對本季正在評估供應商的 CX 主管而言，分流與解決的區別不是哲學辯論，而是採購篩選條件。衡量解決的供應商，打造的是提升解決率的產品；衡量分流的供應商，打造的是提升分流率的產品。您的客戶會比您的儀表板更早察覺其中的差異。
如果您目前正在進行評估，請從上述 5 個問題開始，並將任何供應商的定義與解決率實際衡量的內容相互比對。至於為什麼在展示中看起來不錯的部署會在上線後停滯，請參閱 AI 客服從試行到上線的落差分析，了解區分兩者的關鍵指標。
看看自主解決在您自己的工單量下表現如何。預約展示，帶上您最棘手的問題。
用您自己的對話實際體驗。
申請免費的專屬展示。
