2024 年 2 月，Klarna 執行長宣布，公司的 AI 完成了相當於 700 名客服人員的工作量。這句話幾乎登上了每一家商業媒體，成為「AI 正在取代知識工作」的標準引述；而原本對 AI 抱持謹慎態度的客戶體驗（CX）主管，也開始被董事會追問：為什麼你們不跟進？
到了 2025 年 5 月，Klarna 悄悄地重新招募真人客服。到了 2026 年初，重新招募已全面展開，執行長也公開承認，公司讓成本凌駕於品質之上，並在客戶滿意度上付出了代價。
媒體報導把這件事解讀為「AI 還不夠好」。這是錯誤的解讀。AI 完全按照設計運作，這才是真正的問題所在；而它帶來的教訓，比多數人從新聞標題中得到的更聚焦，也更實用。
我們今年稍早曾撰文探討這個錯誤造成的人力代價。本文要談的是另一件事：讓這一切得以發生的衡量問題。
所有人都衡量錯了指標
Klarna 最初發布消息時，最受矚目的數字是攔截率：也就是在對話轉給真人之前，AI 承接了多少客戶對話。依不同說法，比例介於三分之二到四分之三之間。這是個驚人的數字，但它幾乎完全無法反映客戶的問題是否真正獲得解決。
攔截率衡量的是 AI 是否把對話留住了。同一位客戶為了同一個問題聯繫客服兩次，只要兩次都由 AI 處理，就算作 2 次攔截。客戶接受了錯誤的答案後放棄，仍算一次。客戶沮喪到向信用卡發卡行提出爭議款項，也一樣算。這項指標記錄的是數量，對成果卻隻字未提。
Klarna 的 AI 確實做到了它被衡量的事。問題出在衡量方式。對於此刻正在評估 AI 供應商的每一位 CX 主管而言，這個區別至關重要。
Klarna 的 CSAT 分數早在數量指標變動之前就已下滑，如果攔截率與自主解決朝相反方向發展，這正是可預期的結果。訊號其實早就存在，只是沒有人注意到其中的落差，直到結果惡化到足以反映在高層實際關注的數字上。
攔截率為何一開始就成為預設指標
解決率比較難定義，這也是業界預設採用攔截率的主要原因。客戶的問題真的解決了嗎？要回答這個問題，您必須知道問題是什麼、答案是否切中問題，以及客戶是否再次回來。攔截率則只需要計算未經真人處理就結束的對話數量。
在當前市場中表現穩健的企業，從一開始就圍繞這些較難回答的問題來建立衡量機制。重複聯繫率，也就是同一位客戶是否在 14 天內針對同一問題重新開啟工單，是最清楚的解決訊號；但大多數部署都略過這一項，因為它需要跨對話追蹤，而非僅在單一對話內追蹤。單次互動層級的 CSAT 比整體平均更重要。把轉接視為持續性資料，用來找出 AI 代理知識的不足之處，其價值遠超過多數團隊的認知。
Maven 在企業部署中的資料直接呈現了這個模式。以攔截率為指標的客戶，改善會遇到瓶頸；以首次聯繫解決率、分流與解決比率及重複聯繫頻率為指標的客戶，則能持續進步，因為他們的回饋循環與真正的成果相連。
讓衡量問題變得致命的結構性決策
Klarna 在品質下滑尚未明顯反映在資料上之前，就已縮減人力。這個邏輯說得通：AI 已經承接了業務量，人力自然可以縮減。但品質問題是緩慢累積的。它先出現在 CSAT，接著是重複聯繫，然後是客戶流失，最後才是本質上屬於落後指標的營收數字。等到訊號浮現時，用來吸收復原衝擊的緩衝早已消失。
這正是「AI 失敗」的敘事中被忽略的部分。技術並沒有失敗，失敗的是部署結構，更具體地說，是在確認 AI 真正解決問題、而不只是攔截問題之前，就決定縮減人力。
避開這個陷阱的部署，並沒有先裁減人力，而是重新配置人力。客服團隊轉向處理轉接案件、品質審查與客戶成功等工作，這些角色所需要的判斷力，是 AI 真正無法複製的。人力的精簡來自這樣的重組，而非「先裁員」的思維。這個差別看似細微，結果卻天差地遠。
Klarna 事件後，企業買家有何改變
這起事件加速了採購端早已發生的轉變。如今的企業 CX 主管在採購時，問的是首次聯繫解決率，而不是攔截率。他們問的是 AI 出錯時會怎樣，而不只是它答對的頻率。他們要的是實際正式環境部署的重複聯繫資料，而不是受控環境下的展示準確率。
這個轉變具體反映在成交週期上。能以真實客戶資料回答這些問題的供應商，成交速度更快；仍以攔截率數字為主打的供應商，則面臨更嚴格的提問與更冗長的流程。「拿出證明」的門檻已經提高，而 Klarna 正是重要原因之一。
經得起考驗的部署長什麼樣子
Clio 在部署 Maven 之前，評估了 32 家 AI 供應商，並對其中 10 家進行壓力測試。如今他們自主解決了 80% 的聊天詢問，整體結案工單數也比先前的系統多出 60%。他們的客服團隊並沒有縮編，而是轉向更高價值的工作。他們追蹤的指標是解決，而不是分流。閱讀完整案例。
在受監管的跨境支付領域營運的 Papaya Pay，達成了 90% 的自主解決率。法規遵循的要求，包括每一次互動都可稽核、每一次轉接都可追溯，並符合 SOC 2、HIPAA 與 PCI-DSS 標準，迫使他們建立起多數部署會略過的解決紀律。事實證明，這種紀律是一項優勢，而非限制。
這兩個部署都不是從「能裁掉多少人」開始的，而是從「什麼才算真正『解決』」開始的。
如果您正在評估 AI 供應商，現在該怎麼做在部署任何東西之前，先定義解決。決定「解決」的意義，例如首次聯繫即解決、14 天內無重複聯繫、特定任務完成，並從第一天起將其作為成功標準。如果您的供應商說不出要如何衡量，答案就很清楚了。我們的分流與解決指南會詳細說明如何設定。
將重複聯繫率列為一級指標。 把它放在儀表板上，與標準 CSAT 並列。將它作為回饋循環，持續優化 AI 代理的知識庫與行為。如果同一位客戶一再為同一個問題回來，那是解決失敗，而不是一張新工單。
把轉接資料視為訊號，而非流程步驟。 每一次轉接都會告訴您 AI 的知識或權限在哪裡不足。進步最快的團隊會持續運用這些資料。一個企業級 AI 代理平台應該讓這些資訊輕鬆呈現，而不是要您費力挖掘。
從一開始就要求全通路整合。 客戶先打電話、再寄電子郵件、接著開啟聊天，不應該需要一再重複說明。推動成果數字的，是橫跨聊天、語音與電子郵件的整合式解決，而不是在展示中看起來亮眼的單一通路自動化。
在大規模驗證品質之前，不要縮減人力。 人力轉型應與技術部署同步規劃，而非事後補救。角色會改變，客服人員會轉向處理轉接、品質審查與例外管理，但這個轉型需要經過設計，而不能想當然耳。
我們如今的位置
Gartner 預測到 2029 年，80% 的客戶服務互動將涉及 AI，這個目標看來依然可以實現。過去 2 年並沒有改變終點，而是釐清了哪些路徑能抵達，哪些路徑則會導致公開轉向與重新招募的聲明。
能夠達到 80% 自主解決的企業，會是那些在部署前就正確定義解決、要求 AI 對這個定義負責，並從一開始就把人力轉型納入計畫的企業。至於那些以攔截率為優化目標、過早裁減人力、衡量對話而非成果的企業，正是那些成為警世故事的主角。
Klarna 的故事並不是對 AI 能力的警告，而是警告：當一個有能力的系統瞄準了錯誤的目標，會發生什麼事。
如果您正在評估 AI 客戶服務解決方案，並希望有一套以真正重要的指標進行比較的架構，我們的分流與解決指南會詳細說明如何建立經得起檢驗的商業論證。您也可以預約展示，看看 Maven 的解決數字與您目前的成果相比如何。
用您自己的對話實際體驗。
申請免費的專屬展示。
