在短短 60 天內，Gartner 發布了 2 項預測。任何正在規劃未來 24 個月 AI 支出的 CX 主管，都應該把兩者對照來讀。
1 月 26 日，Gartner 預測到 2030 年，客戶服務中生成式 AI 的每次解決成本將超過 $3，高於許多 B2C 離岸真人客服的成本。3 月 31 日，Gartner 又預測到 2028 年，超過半數的客戶服務組織將使科技支出翻倍，人力卻不會相應減少。
綜合來看，這些預測描繪出這樣一種 CX 經濟：支出曲線上升，人力曲線大致持平，每次 AI 解決的成本則逐漸逼近它原本要壓低的離岸客服水準。「AI 讓客戶服務更便宜」這個自 2023 年以來支撐多數 CX 軟體預算的假設，已不再完全成立。
Gartner 點出這股趨勢背後的 2 個變數：人才與工具複雜度。兩者確實存在，但底下還有第 3 個變數，而且是多數團隊沒有追蹤的那一個。這個變數就是解決，具體來說，是 AI 處理了多少與 AI 真正解決了多少之間的落差。它決定了每一筆新增的 CX 科技支出，究竟換來成果，還是只換來一筆交易。
以金額衡量的解決落差
多數 CX 儀表板以「自動化率」或「分流率」作為主要指標。工單進來、AI 回覆、對話在沒有真人客服介入的情況下結束，平台便將工單標記為已處理，儀表板的數字隨之上升。
但儀表板不一定會顯示客戶的問題是否真正獲得解決。這就是解決落差：AI 經手的互動與 AI 實際修復的問題之間的差距。
落差很大時，工作量並不會消失，而是以 3 種方式重新回到系統中：
- 重複聯繫：問題沒有解決，客戶透過同一管道再次聯繫
- 跨管道升級：客戶先試了線上客服，放棄後改打電話，接聽的真人客服只能從頭來過
- 客戶流失：客戶認定公司幫不上忙，於是不再嘗試
每一種結果都伴隨著分流儀表板無法反映的成本。McKinsey《AI in Customer Service 2026》樣本清楚凸顯了單位經濟效益：AI 處理的每次解決成本約 $0.62，真人處理則為 $7.40（引用自 Digital Applied 的 2026 年基準彙整）。但這筆帳只有以解決數計算才成立，以分流數計算則不成立。每一筆被記為已分流、隨後又轉回真人處理的互動，都代表兩份帳單：一份是 AI 授權費，另一份是接手中斷對話的客服人力。落差越大，這筆帳的加乘效應就越明顯，而 Gartner 預測到 2028 年的支出曲線，正是這種情況規模化之後的樣貌。
因此，比較 AI 與真人基準的經濟效益時，關鍵基準是每次解決成本，而不是每次互動成本，也不是分流率。Gartner 對 2030 年每次解決 $3 的預測，衡量的是 AI 真正解決問題時的成本，而不是處理一則訊息的成本。
支出曲線內部實際發生了什麼
Gartner 於 2025 年 10 月針對 321 位客戶服務主管進行的調查發現，只有 20% 的組織因 AI 而減少客服人力。其餘 80% 既要支付 AI 費用，也要支付客服人力成本。
這不是邁向低成本途中的過渡狀態，而是多數 CX 部門部署 AI 的方式所造成的結構性結果。正如 CXOVoice 所指出，客戶服務成本之所以上升，是因為 AI 在增加層級而非移除層級：技術堆疊如今包含對話式 AI、路由、知識庫、分析、協調與監督，每一層都有各自的授權、導入與整合成本。
這些層級沒有一層能取代既有的層級。Gartner 預測到 2028 年的並非一次性的遷移成本，而是 CX 預算從以人事為主轉向以軟體為主的結構性轉變，總成本基礎不降反升。
在這場轉變中，解決落差決定了 AI 支出落在帳本的哪一邊。當 AI 端到端解決問題，軟體層就證明了自身價值：它完成了原本需要真人處理的工作，單位經濟效益也隨之成立。當 AI 只分流而未解決，軟體層只增加成本，卻沒有取代任何既有成本，原本應從客服預算中省下的錢，最後反而疊加上去用來支付 AI。
加乘效應的算式
以一個典型情境為例：每月 10,000 張進線工單，供應商儀表板顯示自動化率為 60%，共有 6,000 張工單在無真人介入下被標記為「已處理」。
然而，區分分流與確認解決的稽核結果，通常會落在不同的位置。針對 RAG 部署的產業研究一再發現，15% 到 25% 的「已分流」工單含有錯誤或不完整的答案。如果這 6,000 張已分流工單中有 25% 在 72 小時內重新進入系統（以重複聯繫、升級或跨管道嘗試的形式），就代表有 1,500 筆看似自動化的互動其實並非如此。
這批工作量的真正自主解決率不是 60%，而是 45%。這個落差會出現在多數 CX 儀表板未設計呈現的 3 個項目上：
- AI 供應商的帳單不變。授權按互動計價，而 AI 確實處理了這些互動。
- 客服團隊的工作量包含這 1,500 張重新進入的工單，而且由於交接斷裂，往往缺乏脈絡。
- 客戶體驗承擔了重複詢問的代價。供應商收取 6,000 筆互動的費用，您卻只買到 4,500 次解決。
解決落差決定了 AI 這筆支出是取代真人處理，還是疊加在真人處理之上。落差小時，AI 支出能抵銷客服支出；落差大時，AI 支出會疊加在客服支出之上，而這正是 Gartner 預測到 2028 年的曲線。
架構這個變數
解決落差不是模型問題，而是架構問題。
目前多數已上線的 AI 代理只能讀取，無法執行動作。它們能從知識庫擷取資訊、摘要政策、建議後續步驟，但若沒有更深入的整合，通常無法處理退款、更新帳戶、修改訂單或變更預約。架構上的分界線在於：對客戶實際問題所在的系統，擁有的是唯讀權限還是讀寫權限。
唯讀 AI 在結構上只能處理靠提供資訊即可解決的那部分工單。對多數企業 CX 計畫而言，這是第一線的密碼重設、訂單狀態查詢與政策問題，數量確實可觀，但有其上限。真正推高支援成本的客訴、例外狀況、帳務爭議與帳戶變更，都位在讀寫邊界的另一側。
因此，若在廣泛的查詢集上「自動化率」超過 70%，就值得深究。這類數字通常反映兩種情況之一：一是激進的分流層在 AI 接觸之前就排除了困難的長尾工單；二是對解決的定義只計算對話完成，而未確認實際結果。在涵蓋需依政策判斷之工單的廣泛查詢集上，與後端系統具備讀寫整合的實際部署，確認解決率通常落在 70% 到 85% 之間。
架構決策決定了每一筆新增的 CX 科技支出是在縮小還是擴大解決落差。唯讀或讀寫、疊加既有系統或全面汰換、AI 作為外加的一層或內建於服務台，這些都不是導入細節，而是支出的倍數因子。Maven 的評估框架對這些面向有更深入的說明。
以解決為優先的實際部署樣貌
正在縮小解決落差的企業，都有一個共同的架構特徵：與客戶問題實際所在的系統進行讀寫整合。縮小解決落差的實際數據相當具體：
- Mastermind 在部署後 6 週內達到 93% 自主解決率。
- Papaya Pay 在 3 週內達到 90% 自主解決率。
- Clio 從舊式聊天機器人轉向自主解決，解決率達 80%，解決的工單增加 60%，即時支援回應速度提升 4 倍。
- Rho 在未增加人力的情況下，每月聯繫量增加 12%，CSAT 仍維持 95%。
最後這項數據值得細細思考。Gartner 在 3 月 31 日的發布中預測，到 2028 年 CX 科技支出翻倍，人力卻不會相應減少，並警告為了挹注 AI 而裁減客服的企業，將面臨營運中斷、客戶體驗下滑以及代價高昂的回退風險。這項預測的前提是：AI 自身的解決能力不足以應付持續成長的工作量。
Rho 的數字，是以解決為優先的支出算式在實際部署中最清楚的例證。CSAT 維持 95%，聯繫量成長 12%，團隊卻沒有擴編。這就是解決率名副其實時的處理容量：服務更多客戶、團隊規模不變、CSAT 不受影響。
這才是讓 AI 這筆支出物有所值的算式。科技支出上升、客服支出持平、客戶量增加，而每個已解決問題的總成本隨之降低。但前提是解決率夠高。換句話說，分流與解決之間的落差必須夠小，AI 的處理量才能順利轉換為 AI 的成果。
預算翻倍前的 3 個問題
Gartner 對 2028 年的支出預測，不一定會應驗在每一份 CX 損益表上。決定是否應驗的變數，在於所導入 AI 層的架構與經濟效益。以下 3 個問題，能幫您看穿任何供應商主打的亮眼數字。
- AI 能否在客戶問題所在的系統中執行動作，還是只能根據文件回應？ 唯讀與讀寫的分界，是決定 AI 能處理多少支援成本的架構變數。能顯示訂單狀態的 AI 有其用處；能處理退貨、更新帳戶並確認變更的 AI，才能縮小解決落差。
- 已解決工單的 72 小時重複聯繫率是多少？ 這是稽核指標。如果 25% 的「已解決」工單在 3 天內產生後續聯繫，實際解決率就明顯低於表面數字。對自家 AI 解決品質有信心的供應商會公布這個數字；沒有衡量過的供應商，通常有其原因。
- 確認解決率是多少，而不是分流率？ 確認解決只計算客戶問題已獲解決且客戶未再回頭的工單；分流則計入 AI 經手的所有工單。兩者都衡量過的供應商會一併分享；沒有衡量或不願分享的供應商，通常是在優化對自己有利的數字。
這 3 個答案合起來，決定了每一筆新增的 CX 科技支出買到的是解決，還是只是活動量。
Gartner 沒有點名的變數
2026 年的 2 項預測指向同一個方向：支出上升、每次 AI 解決的成本逐漸逼近真人成本底線、人力大致持平。對於到 2028 年將科技支出翻倍的那半數組織而言，綜合效應是 CX 成本基礎的結構性增加。
這些預測沒有說的是（因為它們衡量的是科技支出，而非架構）：解決落差正是決定一個組織落入哪一半的變數。將解決視為核心指標，並讓 AI 層能在客戶問題實際所在的系統中執行動作的企業，不會眼看支出翻倍卻沒有成果。把解決當成分流同義詞的企業，則會在 2026、2027 和 2028 年花更多錢，解決的問題卻和 2024 年差不多。
產業用語也正反映這一點。自主解決正成為核心指標。解決率可望取代舊有的 CX 基準，成為衡量支援 AI 是否奏效的主要指標。供應商與分析師的觀點也逐漸匯聚到同一點：2026 年，您的 AI 供應商最先展示的儀表板，正是您最該仔細檢驗的那一個。
Gartner 預測的 2028 年支出曲線並非無可避免，而是多數 CX 團隊此刻正在做的架構決策所帶來的結果。
用您自己的對話實際體驗。
申請免費的專屬展示。
