代理式 AI 指的是能自主追求目標的軟體，而不只是一次回應一道指令。在客服領域，這代表 AI 代理會理解客戶的需求、規劃達成目標的步驟、呼叫掌握答案或能執行動作的系統，並確認結果確實有效，整個過程不需要有人逐步操控。比較供應商時，真正該問的不是「有沒有用 AI」，而是這套軟體只是把工作搬來搬去，還是真的把工作完成。
如今幾乎每個服務團隊都在導入這類技術，但真正說得清楚這個類別是什麼的人卻少得多。
Gartner 預估，到 2027 年底，超過 40% 的代理式 AI 專案將因成本攀升、效益不明與風險控管不足而遭取消（Gartner 新聞稿，2025 年 6 月 25 日）。同一份研究也發現，在數千家自稱「代理式」的供應商中，真正符合定義的只有約 130 家。Gartner 稱此現象為「代理粉飾」（agent washing）。在買方這一端，McKinsey 發現約 80% 的企業已導入生成式 AI，但也有大約相同比例的企業並未看到對獲利的實質影響（McKinsey，Seizing the agentic AI advantage，6 月 13 日，202 5）。
可見代理式 AI 確實在某些地方發揮了作用，有一項預測甚至指出，到 2029 年它將自主解決 80% 的常見服務問題（Gartner，2025 年 3 月 5 日）。您需要的是一套方法，區分哪些系統真的能達到這個目標，哪些只會花 18 個月把工單分派得比以前更漂亮一點。
代理式系統的組成
共 6 個部分。多數供應商只在其中 2 個表現強勢，其餘則語焉不詳。
- 感知。 解讀請求並擷取其真正需求，涵蓋文字、語音與影像。
- 推理與規劃。 將目標拆解為步驟並決定執行順序。這正是代理與腳本的區別所在。
- 記憶。 短期記憶讓它知道任務進行到哪裡；長期記憶讓它知道正在與誰對話、上次發生了什麼事。
- 工具與執行層。 與您系統之間的實際連結：調出訂單、核發退款額度、變更訂閱方案。少了這一層，系統只能描述退款流程，無法真正退款。
- 協作調度。 協調多個代理或步驟，並在彼此之間傳遞脈絡。這方面的標準正逐漸成形（Model Context Protocol 用於工具存取，代理對代理協定用於協調）。
- 防護機制與升級處理。 知道哪些事不該做，也知道何時該停下來，連同完整脈絡轉交給真人處理。
這些部分是循環運作，而非直線進行：感知、規劃、執行、檢查、調整。腳本式流程只會跑一次，結果不是成功就是中斷。
常被誤認為代理式 AI 的技術
供應商在推銷時，常把另外 4 類技術冠上「代理式」的標籤。它們都在做實際的工作，但沒有一個能真正解決問題。
不同類型的 AI 各自適用於不同的客服情境。
名詞小註：業界通常將第 1 列稱為「聊天機器人」。本文改稱為規則式機器人，因為真正的差異在於架構，而非品牌名稱。
協作調度不等於問題解決
多數混淆都出在這裡，我們就直說吧。
目前在正式環境中最常見的代理式應用，包括分派、分流、升級處理、工作流程調度與個人化，都是實實在在的工作，但沒有一項能真正解決問題。一套系統能讀取工單、正確分類、調出正確的帳戶脈絡，再分派到正確的佇列，確實很有用，但它並沒有解決客戶的問題。協作調度讓既有流程跑得更快；問題解決則是真正幫您卸下工作。
這也是衡量用語開始變得模糊的地方。有 3 個名詞常被混用，但其實不應該如此：
- 分流率（Deflection rate）。 無需真人處理的聯絡比例。這個數字很容易灌水，因為在紀錄中，直接放棄或陷入循環的客戶，看起來和成功案例一模一樣。
- 留存率（Containment rate）。 留在自動化管道中的對話比例。它無法說明問題是否真的獲得解決。
- 解決率（Resolution rate）。 問題是否真正獲得解決，以 24–48 小時內未再次聯絡，或直接詢問客戶來確認。
只有第 3 個數字反映了真實的客戶成果。如果供應商給您一個數字，卻沒說明是這 3 種中的哪一種，這就是您第一個該問的問題。
成功的問題解決是什麼樣子
具體情境比表面數字更重要，因為每位服務主管的反應都是「我們的環境比那個案例複雜多了」。以下說明這些團隊實際面臨的限制：
K1x 處理稅務與法律文件工作流程，支援團隊規模小，完全不想進行冗長的 IT 專案。系統直接疊加在既有工具之上，而非取而代之，因此得以快速上線，他們在正式上線第 1 週就達到 80% 的自主解決率。
Clio 向全球客戶銷售法律事務所管理軟體，不輕易相信任何人的說法。他們評估了 32 家供應商，並對其中 10 家以上進行正面對決測試後才做出選擇。成果：80% 的自主解決率，真人支援速度提升 4 倍。
金融科技公司 Rho 的聯絡量持續攀升，卻沒有增加人力的計畫。目標很單純：跟上需求，同時不讓體驗變差。他們在團隊規模不變的情況下，每月多處理 12% 的聯絡量，CSAT 仍維持在 95%。
一家 Fortune 500 遊戲公司在受監管的產業中營運，聯絡量會在活動期間急遽暴增。平時每月互動量超過 330,000 次，解決率達 80%；在某個高峰活動日，系統一天就解決了 13,000 次互動。
您實際買到的是哪個自主層級
自主層級框架正逐漸定型。Cloud Security Alliance 於 2026 年 1 月發布了 6 級模型，其他多數版本即使用語不同，在整體架構上也大致相同。
實務上，多數企業部署都處於有條件自主層級：系統在明確界定的範圍內處理整項任務，範圍外的情況則升級處理。如果供應商宣稱超越這個層級，他們描述的是產品藍圖，而不是現有產品。
以退款為例會更具體：在有條件自主層級下，系統會讀取請求、對照政策檢查、根據訂單驗證資格，若金額在門檻內就核發退款，超出門檻則連同完整脈絡轉交給真人。門檻由您設定，而真正決定系統能做多少事的，是這個設定，而非底層模型。
區分兩類系統的 5 個問題
- 系統實際上能「做」什麼，而不只是「說」什麼？請對方列出它能在您系統中執行的具體動作清單。如果答案全是回答問題，那它是在協作調度，而不是解決問題。
- 解決是如何定義與驗證的？是分流、留存還是確認解決？觀察期間多長？
- 信心度低時會怎麼處理？沒有實際升級路徑的系統，只是在猜測。
- 導入時實際需要您的團隊投入什麼？由供應商的解決方案架構師投入數週，與由您自家工程師投入數週，是截然不同的要求。
- 在您的產業、與您相當的聯絡量下，有哪些具名客戶真的願意和您談？在相似環境中的一通推薦客戶電話，比任何基準數據都更有參考價值。
常見問題
客服領域的代理式 AI 是什麼？
能自主追求服務目標的軟體：它會讀取請求、規劃步驟、在存放資料的系統上執行動作，並確認結果，無需有人指揮每一步。關鍵特質在於：它會完成任務，而不只是分派任務。
代理式 AI 和聊天機器人有何不同？
規則式機器人將輸入比對到預先寫好的答案，遇到不熟悉的情況就丟給真人處理。代理式系統則會推理不熟悉的請求，找出能解決問題的步驟，並在即時系統上執行。前者是分流，後者是解決。
代理式 AI 和生成式 AI 一樣嗎？
不一樣。生成式 AI 只是根據提示產生文字。代理式 AI 則將生成式模型作為更大系統中的一環，這個系統還具備規劃、記憶與執行能力。買了生成式 AI 卻期待代理式的成果，是很常見的錯誤。
AI 代理可以退款或修改訂單嗎？
可以，前提是它已連接到執行這些動作的系統，並獲准在設定的範圍內執行。多數企業會設定門檻，超過門檻的案件則轉交給真人處理。
客服 AI 的理想解決率是多少？
取決於管道、複雜度以及衡量方式。實際正式環境的數字約介於 50% 到 93% 之間。在與他人的數字比較之前，請先問清楚每家供應商如何定義與驗證他們的數字。
代理式 AI 會取代真人客服嗎？
現今的系統以有條件自主的方式運作，處理明確界定的工作，其餘則升級處理。目前看到的趨勢是產能提升：同一個團隊能處理更多聯絡量，並將更多時間投入真正需要判斷力的工作。
代理式 AI 符合 PCI DSS 和 HIPAA 嗎？
合規性取決於平台，而非技術類別。請詢問具體的認證項目、是否涵蓋語音，以及個人資料如何即時處理。
代理式 AI 專案為何會失敗？
Gartner 指出原因在於成本攀升、效益不明與風險控管不足。追根究柢，真正的問題通常是買了只會協作調度的工具，卻期待它解決問題。
用您自己的對話實際體驗。
申請免費的專屬展示。
