在社群媒體時代，客服就是公關的第一線。一名憤怒的客戶，很可能因為客服小編的一句「罐頭回覆」或「冷冰冰的規定」，而截圖把事情鬧上爆料公社。
先講結論：AI 在客訴上真正值錢的地方，不是幫你把回覆寫得更漂亮，而是幫你決定哪一封現在就要處理、哪一封可以等。安撫文案人也寫得出來，只是慢；但在信箱被灌爆的當下，判斷「哪三封放著不管會上新聞」，才是人最容易失手的環節——尤其是在連續處理了十個小時客訴之後。
傳統的客訴處理高度仰賴小編個人的 EQ（情緒智商）。但即使脾氣再好的人，處理了一整天的奧客後，文字的溫度難免會流失。
讓沒有情緒的 AI 來幫你判斷客戶情緒吧！
先判斷：你的客訴量撐不撐得起這套流程
這是整篇最該先想清楚的一節。情緒分析不是「開了就會變好」的功能，它有明確的適用門檻。
這三種情況值得做
- 客訴進來的管道超過兩個。 信箱、粉專留言、私訊、電話留言各一攤，沒有人能一眼看完全部，這時候「先看哪一個」的判斷成本才真的存在。
- 處理客訴的人不只一個，而且資歷落差大。 分流標記的價值在於讓對的人先接對的案子；如果從頭到尾都同一個人處理，分流本身就沒有意義。
- 客訴內容重複性高。 物流延遲、退換貨、規格不符這種一再出現的類型，代表結案分析真的能歸納出可以改的流程，而不是每筆都是特例。
這四種情況我建議先不要做
- 一天客訴只有個位數。 直接讀完比設定分流快得多。導入自動化只是多一層延遲、多一個會壞掉的環節，還多一筆訂閱費。
- 你的客訴大宗是「產品本身有問題」。 這不是客服流程問題，是產品問題。用文案技巧去蓋產品缺陷，只會把爆炸時間往後推，而且推得越久，累積起來的信任崩盤越大。 這一條是我最想講的：AI 寫得越溫柔，你越容易誤以為事情處理好了。
- 公司還沒有明確的補償授權範圍。 AI 一定會寫出「我們將為您……」這種句子。沒有授權表，你就是在賭第一線員工的自由心證。
- 客訴內容大量涉及個資或健康狀況。 醫美、健康食品、保險這類產業，在脫敏流程建好之前，先不要把原始信件丟進任何外部工具。
第一個應用：客訴信件的情緒分級（Triage）
大語言模型非常擅長「感受」字裡行間隱藏的情緒與急迫性（這種技術叫 Sentiment Analysis）。
遇到信箱被灌爆時，你可以利用自動化流程（如 Make.com 串接 Gmail 與 ChatGPT），讓 AI 先幫你把信件進行「分流標記」：
情緒分析 Prompt：
這是一封客戶寄來的信件。請幫我分析這封信的「怒氣等級」以及「核心痛點」。
信件內容：
[客戶來信全文]
請輸出以下分析報告：
1. 怒氣等級：[1 到 5 分，5 分代表極度憤怒且具有攻擊性]
2. 痛點歸納：用一句話說明他真正在意的到底是什麼？（錢？尊嚴？還是只是想要一個道歉？）
3. 潛在風險：這個客戶是否有威脅要爆料、提告或尋求消保官？有了這些標籤，客服主管就能把所有「怒氣 5 分」的炸藥包拉出來，讓資深員工優先拆解，避免錯失黃金救援時間。
第二個應用：AI 草擬安撫文案，拯救乾涸的同理心
當你已經很累，卻還得向那種只為了一百元免運費大吵大鬧的客人解釋規定時，你需要的不是「強大的意志力」，你需要的是 AI 幫你寫一篇滴水不漏的降溫安撫文案。
[!TIP] 寫客訴文案的最高境界：展現同理心，但絕不輕易認罪。 AI 可以在不承認全責的前提下，寫出讓客戶覺得「被深深理解與重視」的文字。
實際應用場景：處理社群客訴留言
這是在臉書粉絲團最常見的災難：客人公開留言抱怨商品遲遲不到貨。你可以把客人留言丟給 AI，並設定回覆規範。
客訴安撫 Prompt 範本：
我們是一間高端的女裝電商。有一位 VIP 客戶（張小姐）在我們的粉絲團公開留言抱怨：
「你們出貨速度到底有什麼問題？等了兩個禮拜還沒出，私訊也不回，這就是你們對待 VIP 的態度嗎？我要退貨！」
請幫我撰寫一段公關安撫回覆（需要一篇公開留言 + 一篇長篇私訊解釋）。
要求條件：
1. 核心定調：先安撫她的情緒，承認我們近期出貨確實因為物流卡關有延遲，並告知已經附上一張 300 元補償折價券給她。
2. 語氣：非常有誠意、委婉、溫柔，具有「高級感」與「對 VIP 尊榮感」的展現。
3. 嚴格禁止：不要跟客人爭論「預購本來就要等兩週」這件事，這是火上加油。
4. 結尾：要讓她感覺到這件事是由「專屬客服主管」在幫她特急處理。
請給出這兩篇文案。結果分析
透過 AI，你可以確保輸出的每一句話都四平八穩，不會因為客服人員的私人情緒而被捲入爭論的泥淖中。當我們把時間省下來，就能專注在「幫客戶真正解決物流追蹤與退款的行政流程」上——這才是真正讓客人消氣的東西，文案只是讓他願意聽你把話講完。
第三個應用：結案分析與內部優化會議（Post-Mortem）
客訴處理完，不代表事情結束。單筆客訴的情緒分析是戰術層面；把一整個月的紀錄拉出來看趨勢，才是戰略層面。月底時，你可以把這個月所有的（已脫敏）客訴紀錄全部扔給 Claude：
以下是我們這個月客訴的情緒分級結果（CSV 格式）。
請分析：
1. 各怒氣等級的分佈比例，與上個月相比是改善還是惡化？
2. 怒氣 4-5 分的客訴，最常出現哪三個關鍵字？
3. 是否有特定的時間點（週末、促銷活動期間）客訴量暴增？
4. 哪三項流程的抱怨佔比最高？請給出具體的改善建議當你能在月會上拿出這種數據驅動的分析，而不是只說「這個月客訴好像變多了」，你在老闆眼中的價值就完全不一樣了。從解決單點個案，到用數據優化整體服務流程，這才是客服從「消耗品」真正轉型為「營運心臟」的 AI 之路。
導入前要先準備的三樣東西
這三樣東西沒有一樣是 AI 幫你生的，都得由人先決定。這也是多數導入卡住的真正原因——不是模型不夠強，是公司內部本來就沒共識（其他常見卡點可參考AI 導入為什麼失敗）。
- 補償授權表。 什麼情況可以直接給折價券、金額上限多少、超過多少要主管簽字、哪些情況一律不補償。這張表先存在，AI 才有邊界可以遵守。
- 品牌用語規範。 可以說的、絕對不能說的、以及道歉的程度分級——「造成您的不便深感抱歉」和「這是我們的疏失」在法律責任上不是同一件事，這條界線要由你畫，不是由 AI 猜。寫成一份固定文件，放在每次 Prompt 的最前面，AI 的輸出就會穩定很多（做法可參考 Prompt 工程技巧）。
- 脫敏規則。 哪些欄位在丟給 AI 前一定要移除、由誰負責移除、漏了怎麼補救。這部分可以直接參考企業 AI 使用規範範本來改。
💰 成本怎麼算才誠實
網路上那種「客訴處理時間從 30 分鐘降到 5 分鐘」的數字，套到你身上通常沒有意義——同樣一封客訴，賣衣服和賣醫材的處理時間可以差上好幾倍。要算就用你自己實際量過的工時：先花一週紀錄現在每封客訴真正花多久，再拿 AI 草稿加人工微調的時間去比，扣掉一份 AI 訂閱的費用（方案與費用以官方公告為準）。完整的試算方式可以套AI 導入 ROI 怎麼算裡的框架。
但省時只是表面收益。真正的收益在一致性：AI 不會因為連續處理八小時而判斷力下降，而人會。省下來的時間如果只是拿去回更多客訴，那你買到的是產能，不是改善。
⚠️ AI 客訴處理的三大禁區
- 絕對不能讓 AI 直接發送回覆：AI 草稿必須經過人工審閱再發出。一旦 AI 在自動回覆中承諾了不該承諾的補償方案，法務會崩潰。
- 敏感議題必須轉人工：涉及人身安全、性騷擾、法律威脅的客訴，AI 只做分流標記，立刻轉交資深主管處理。
- 客訴資料要脫敏：把客人的信丟給 AI 分析前，移除真實姓名和電話號碼。尤其如果你用的是免費版 AI 工具，資料可能被用於模型訓練。
三個實際會踩到的坑
- AI 對反諷和台語直翻的粗話容易低估怒氣。 它抓「字面客氣但暗藏不滿」很強，但遇到在地語感就會失準。校準方式很土但有效：拿 20 到 30 封你自己已經分過級的舊信，跟 AI 的分級對一次，看落差集中在哪一類，再把那一類的判準寫進 Prompt。
- AI 的道歉幅度容易超過授權。 它會很自然地往「全都是我們的錯」滑過去。解法是在 Prompt 裡寫死上限，而不是每次事後改稿——事後改稿遲早會有一次漏掉。
- 把情緒分數變成客服人員的 KPI。這一條我明確不建議。 一旦分數會影響考績，第一線就會開始「先把客人哄到降級再結案」，你拿到的資料從此失真。而失真的資料比沒有資料更危險，因為你會照著它做決策。想推動團隊採用，先看員工為什麼抵抗 AI裡的三個陷阱。
想學習如何搭建完整的智能客服與知識庫？或回到客服 AI 技能樹總覽看更多應用場景。
📊 從被動救火到主動預防
不要等客人寫信來罵才反應。用 AI 定期掃描品牌在社群與評價平台上的聲量變化，你就不再是「看到爆料公社文章才知道出事」，而是在客人還只是私下碎念的階段就能介入。做法上，用自動化工具定時抓取含品牌名的公開貼文，批次送給 ChatGPT 做情緒判讀，只把高怒氣的推播給值班主管即可——串接細節可以看零程式碼自動化實作，公開評價的回覆策略則見當地評價危機處理。
但要先講清楚代價：這種監控只要門檻設得太低，就會變成整天在響的假警報，兩週後全公司都會把通知靜音。寧可一開始只推播最高等級，讓大家信任這個通知，之後再慢慢放寬。
🛡️ 客訴處理的法律與品牌風險
什麼時候該讓法務介入？
不是所有客訴都是客服能處理的。以下情境必須立刻升級到法務或管理層：
- 客戶明確提到「消保官」「律師函」「集體訴訟」等法律關鍵字
- 客戶宣稱產品造成人身傷害或財產損失
- 客戶要求的補償金額超過你的授權範圍
- 客訴內容涉及個資外洩或資安事件
你可以在情緒分析的 Prompt 中加入一條規則：「如果信件中出現法律相關用語，請在分析結果中標註【法務警示】」。這樣 AI 就會自動幫你做第一層篩選，確保高風險案件不會被漏掉。但要記得這只是第一層——AI 漏標的成本是你承擔的，所以高風險類型仍要有人抽查，不能整條交給關鍵字比對。
怎麼判斷你做對了
不要看「回覆速度變快多少」。那是最容易做得好看、也最沒有意義的指標。真正該追蹤的是這三個：
- 高怒氣案件的首次回應時間有沒有縮短。 總平均變快沒有用——很可能只是簡單案件被回得更快，而真正的炸藥包還是躺在那裡。
- 二次客訴率。 同一個客人為同一件事再來一次的比例。這個數字降不下來，代表你只是回得快，沒有解決問題。
- 客服人員自己的說法。 如果他們覺得「AI 草稿還是要整篇重寫」，那這套流程就是在增加工作而不是減少。這一項沒有儀表板，只能問。
至少跑滿一個月再看。短於一個月的數字通常只反映「大家最近比較認真」，不反映流程真的改善。
❓ 常見問題
AI 真的能準確判斷中文的情緒嗎？
目前的大語言模型對中文情緒的判讀已經堪用，尤其擅長抓出「字面客氣但暗藏不滿」的被動攻擊語氣。但這裡不給你一個準確率數字：那個數字高度取決於你的產業用語、客群習慣和信件長度，別人的實測值套到你身上沒有意義。要知道準不準，唯一可靠的方法是拿你自己 20 到 30 封已經人工分過級的舊信，跟 AI 的判斷對照一次。
小型電商沒有客服系統，也能用嗎？
當然可以。最簡單的方式是：把客人的 LINE 或 Facebook 私訊截圖，直接貼到 ChatGPT 對話框裡請它分析情緒和草擬回覆。不需要任何系統串接，一個人的微型電商也能立刻上手。進階一點可以用零程式碼自動化工具串接流程，但客訴量不大時，其實手動貼上更快。
AI 產出的安撫文案會不會太制式？
會，如果你不給它足夠的品牌語境。解法是在 Prompt 中明確描述品牌調性（例如「我們是走文青路線的甜點品牌，語氣要溫柔但不卑微」），並提供 2 到 3 個過去你覺得寫得好的真實回覆作為範例。AI 模仿特定語氣的能力非常強，但它模仿的是你給的範例——範例挑得爛，產出就爛。
情緒分數可以拿來當客服人員的績效指標嗎？
不建議。分數一旦連動考績，第一線就會有動機去「操作」分數，例如先安撫到降級再結案、或是把難處理的案子拖著不建檔。你會得到一份很漂亮但完全失真的資料，然後拿它做決策。情緒分數應該用來管理案件優先順序與盤點流程問題，不要用來管人。
AI 判斷錯了，責任算誰的？
只要是公司的人按下送出，責任就在公司。這也是為什麼流程設計上永遠要留一個人工審閱的關卡，而且要明確指定「誰」負責審——寫成「大家都要注意」等於沒有人負責。高風險類型（人身傷害、法律威脅、個資事件）更要直接跳過 AI 草稿，由主管親自處理。
客訴月報分析能自動化嗎？
可以。每月將所有客訴紀錄匯出成 CSV 或 Excel，脫敏後上傳給 AI，要求它分析「前五大客訴原因」「情緒分佈」「改善趨勢」。但自動化的是產出初稿，不是產出結論——AI 歸納出來的因果關係要人回頭比對原始案件，它很擅長把兩件剛好同時發生的事講成互為因果。
📚 客服 AI 實戰系列
- 🧭 客服 AI 轉型指南（總覽）
- 🤖 智能客服與知識庫打造
- 💔 你在這裡 — 客訴情緒分析與安撫
- 🏨 多語系智慧管家與客訴防禦
- 🏛️ 市政信箱與便民客服