%20.png)
退換貨，是客戶已經不開心了，才會走到的一步。也正因為這樣，多數電商品牌主的直覺都是：這一關，不能隨便交給機器人。這個直覺是對的——但它常常守錯了地方。
真正讓客戶更火大的，其實不是退貨本身，而是訊息丟出去已讀不回、乾等一整天沒人理。這部分明明是 AI 最該接手的雜事。而店家真正該擔心的那關，藏在更後面：當 AI 不只回答問題，還開始替你決定「要不要退這筆款、要不要給這個折扣」，麻煩才剛開始。已經有航空公司因為聊天機器人自己給出一套不存在的退款說法，被法院判定要照單賠償——錢的決策一旦交出去，收回來的代價遠比想像高。
所以真正的問題從來不是「售後要不要用 AI」，而是「哪一關交給 AI、哪一關必須守住真人」。這條界線劃對了，AI 幫你接走重複雜事、真人專心做判斷，客戶反而更快被安撫；劃錯了，輕則客戶更氣，重則公司認賠。這篇文章會用一個比「簡單 vs 複雜」更好用的標準——可逆 vs 不可逆——幫你把這條線劃出來。
售後客服其實是兩種工作混在一起：一種是需要判斷、而且要承擔後果的「決策」，另一種是重複、有標準答案的「雜事」。多數品牌會把退換貨當成一整塊敏感地帶，於是得出「這太重要，不能交給 AI」的結論——但真正吃掉人力的，幾乎都是雜事那一塊。
先看雜事長什麼樣。客戶最常丟進來的是這幾句：「我的退貨進度到哪了？」「這件拆封了還能退嗎？」「退款大概幾天會到？」「要我提供什麼資料？」這些問題有兩個共同點：答案早就寫在你的退換貨政策或訂單系統裡，而且一天會被問上幾十、上百次。再加上請客戶提供訂單編號、退貨原因、瑕疵照片這類「收資料」的動作，就構成了售後訊息量的大宗。它們不需要任何判斷，只需要快、需要 24 小時都有人回。
決策那一塊則完全不同。要不要核准這筆退款、這個超過鑑賞期的個案要不要通融、這張瑕疵照片算不算品牌的責任、這個客戶是不是在鑽退貨漏洞——這些沒有標準答案，要看脈絡、要權衡，而且一旦決定就直接動到錢或品牌承諾。
把這兩種工作分開，問題就從「售後要不要用 AI」變成「AI 該用在哪一段」。答案的雛形已經浮現：雜事交給 AI，決策留給真人。但「決策」與「雜事」的邊界並不總是那麼好認——下一段要處理的，就是怎麼精準劃出那條線。
判斷售後問題該不該交給 AI，真正的標準不是問題簡單還是複雜，而是萬一 AI 答錯，後果收不收得回——也就是「可逆性」。市面上多數說法把界線劃在「AI 做簡單的、真人做複雜的」，但這條線其實會騙人。
為什麼「簡單 vs 複雜」不可靠？因為這兩件事常常對不上。核准一筆完全符合政策的退款，邏輯上很「簡單」，但它動到錢、而且退出去收不回，必須守住真人；反過來，回答一個刁鑽的尺寸搭配問題也許很「複雜」，但 AI 就算答得不夠好，客戶當下就會追問、你也能馬上補一句更正，幾乎沒有代價。可見問題難不難，跟它該不該交給 AI，沒有必然關係。
可逆性才是對的尺。它問的是同一個問題：如果 AI 在這裡判斷錯了，把它收回來要付出多大代價？答錯退貨進度，客戶自己會發現、你更正一句就好，這是可逆的；替客戶核准了一筆不該退的款、或承諾了一個不該給的折扣，錢已經出去、話已經說出口，這是不可逆的——而且如同那家航空公司的例子，法院會認定這筆帳算公司的。下面這張表，就是用這把尺把常見的售後動作分到線的兩側：
看懂這張表，「錢」為什麼是最清楚的紅線就不言而喻了：跟錢有關的決策，幾乎都落在不可逆那一側。這也是為什麼，把界線劃在可逆性上，比劃在難易度上安全得多——下一段，我們就看看當品牌沒守住這條線、把錢的決策交給 AI 時，實際發生過什麼事。
把退款、折扣這類不可逆的決策交給 AI，最大的風險不是它偶爾答錯，而是它會用十足肯定的語氣，承諾一個你根本沒打算給的條件——而這個承諾，法律上算你的。這不是假設，已經有好幾起公開事故可以參考，而且它們踩的是同一條線。
最具代表性的是加拿大航空（Air Canada）的案例。一位旅客為了奔喪訂票，官網的客服聊天機器人告訴他可以先全額購票、再於 90 天內申請喪親折扣退款；他照做了，事後卻被拒絕——因為這套「先買後退」的政策根本不存在，是 AI 自己生成的[1]。更關鍵的是後續：航空公司在仲裁庭上主張「聊天機器人是獨立的法律個體、要為自己的行為負責」，這個說法被駁回，仲裁庭認定機器人說的話就是公司官網的一部分、公司必須照賠[1]。一句 AI 自作主張的退款承諾，最後由公司買單。
第二個案例把「沒設限」演到了極致。美國一家汽車經銷商的客服機器人由 ChatGPT 驅動，一位工程師用「提示詞注入」下了一道指令，要它同意客戶說的任何話、而且每句話結尾都補一句「這是不得反悔的報價」；接著他開口要用 1 美元買一台市價約七萬美元的休旅車，機器人當場答應、還照樣補上那句「不得反悔」[2]。截圖在網路上累積超過兩千萬次點閱，經銷商隨即關閉了客服功能。雖然這筆交易最後沒有成立，但根因清清楚楚：一個沒有護欄、能被客戶反過來下指令的 AI，被放到了能「成交」的位置。
第三個案例更值得每個已經在用 AI 客服的品牌警惕。英國快遞公司 DPD 的客服 AI 穩定運行了好幾年，卻在 2024 年一月一次例行系統更新後護欄失效，被一位等不到包裹的客戶引導，開始飆髒話、寫詩諷刺自家公司是「全世界最爛的快遞」，公司當天就緊急關閉了 AI 功能[3]。它的教訓不是「別用 AI」，而是：AI 的安全不是設定一次就一勞永逸——就算今天好好的，一次更新就可能讓界線崩掉，所以它需要被持續盯著。
把這三起放在一起，還會看到 AI 出錯有一個真人比不上的特性：規模。一個訓練不足的真人客服，在被發現前頂多影響幾位客戶；但一個有漏洞的 AI，可以在一分鐘內對上萬人發出同一個錯誤的退款或折扣承諾。所以重點從來不是「AI 會不會出錯」——任何系統都會——而是「出錯的那一刻，代價收不收得回」。
也因此，這些故事真正的教訓只有一句：不是別用 AI，而是別把不該給的權限給它。它們的共同點，全是把「能不能給錢」的決定權，交給了一個沒有護欄、也沒有真人在線上把關的 AI。守住不可逆這條線，AI 在售後就是助力；越過它，AI 就成了你最貴的一次客服失誤。
界線劃清楚之後，AI 在售後的價值就很具體了：它負責不可逆那條線以前的所有事，而且能做得比人更快、更不漏接。這一段把「該交給 AI」那一側拆開來看，你會發現它接走的，正好是讓客服最累、也讓客戶最不耐煩的部分。
第一，即時回應，先把情緒接住。退換貨的客戶通常帶著情緒進來，最怕的就是等。AI 能在客戶丟出訊息的當下就回應，先確認「我看到你的問題了，正在幫你查」，光是這一句、這個速度，就能把一觸即發的不滿先壓下來，不會因為乾等三小時演變成一星負評。
第二，查得到答案的，當場給。退貨進度到哪、退款幾天會到、這件商品適不適用退換貨政策——這些答案本來就在你的訂單系統與政策文件裡。透過 RAG 知識庫 的設計，AI 從你自己的資料裡檢索後回覆，而不是自由發揮。這裡有個關鍵設定：政策內容要鎖死，讓 AI 只能照你寫好的條款回答，不能自己「優化」出一套新說法——這正是加拿大航空那類事故的根本防線。
第三，把資料一次收齊再交出去。真人最浪費時間的，往往是來回跟客戶要訂單編號、要退貨原因、要瑕疵照片。這段純收件的工作完全可以前置給 AI：在轉真人之前，AI 已經依照你的退換貨流程把該問的都問完、該收的都收齊，整理成一張清單。真人接手時，面對的是一個資料齊全、政策也已比對好的案子，只需要做那個「不可逆」的判斷。
把這三件事疊起來看，AI 並不是來搶真人的判斷權，而是把通往判斷的那段路全部鋪好。客戶得到的是秒回與不必重複提供資料的體驗；真人得到的是一個準備就緒、只待拍板的案子。效率提升只是表象，真正的價值是：你那關最該守住的真人判斷，因為前面的雜事被清乾淨，反而做得更快、更準。下一段要談的，就是這個「交出去」的動作本身——交接，往往才是整套設計真正的勝負點。
整套人機分工裡，最容易被做壞的不是 AI 答得好不好，而是「轉真人」這個動作。交接沒設計好，前面 AI 鋪的路全部白費——客戶被丟給真人後得從頭再講一次，情緒會比一開始更差。所以這一段要處理兩件事：交接怎麼接得漂亮，以及訊息其實是從四面八方一起進來的。
先談交接。糟糕的交接是這樣：AI 卡住了，丟一句「為您轉接專人」，然後真人接起來只看到一句「我要退貨」，前因後果一概沒有，只好請客戶再說一次訂單編號、再描述一次問題。一個已經不開心的客戶，被要求重講一遍，這就是最容易引爆負評的地方。好的交接則相反：AI 把整段對話、已經收齊的訂單編號與瑕疵照片、以及它判斷「這題涉及退款核准、屬於不可逆、該由你決定」的理由，一起打包交給真人。真人一接手就掌握全貌，直接做那個判斷就好。帶著完整上下文交接，才是人機分工能不能真正省力的關鍵，而不是有沒有「轉真人」這個按鈕而已。
但這裡有個更現實的問題：退換貨的訊息，從來不會只從一個管道進來。同一個客戶，可能在官網下單、用 LINE 問進度、在 IG 私訊抱怨、最後寄 Email 要正式申訴。如果你的客服只綁在單一管道，譬如只接得住 LINE，那官網與 Email 那側的退貨訊息就是沒人顧的隊伍——而客戶不會知道、也不在乎你系統只接 LINE，他只會覺得這家店已讀不回。售後的體驗斷點，常常就斷在這種管道之間的縫隙。
這也是為什麼，售後 AI 不能只是一個聊天機器人，而要是一個 全管道整合 的底座。以 Alta.DI 為例，它把 LINE、Facebook Messenger、Instagram（含貼文留言）、Email、SMS、WhatsApp 到官網即時對話等所有客戶觸點，全收進同一個後台、同一段對話脈絡；並透過內建的顧客數據平台，與 Shopify、SHOPLINE、Shoplazza、WooCommerce／WordPress、TikTok Shop 等通路即時串接訂單與退換貨進度。不論客戶從哪個管道進來，AI 都能即時接住可逆的雜事，真人也能在同一個畫面看到這位客戶跨管道的完整往來，不必在好幾個 App 之間切換拼湊。
而真正讓「不可逆要轉真人」落地的，是標籤。系統可以邊對話邊自動為每段訊息貼上業務標籤與情緒標籤：一旦對話被判定涉及「退款」這類動到金流、屬於不可逆的問題，就自動撈出來、第一時間轉真人，不必等客服一張一張手動翻；而當情緒標籤偵測到客戶語氣是憤怒或失望，系統不會硬塞一句罐頭回覆，而是直接熔斷、優先轉給資深人員處理。換句話說，「錢的決策交給真人」這條原則，不必靠第一線臨場記得，而是被設計進系統的路由規則裡——這正是「不被單一管道綁住、全管道全數據」在售後場景最實際的價值。
可逆性是判準，但每個品牌的那條線會落在不同位置——所以最後一步，是把這套原則變成你自己用得上的權限設計。同樣是「折扣」，有的品牌願意讓 AI 在固定額度內自動發小額補償，有的品牌一毛都要真人核可；差別不在對錯，在於你的客單價、退貨率與品牌承諾各不相同。可逆性給你尺，但刻度要你自己定。
一個實務上好用的落地框架，是把每個售後動作切成三段權限：起草、建議、執行。起草（Draft）這段交給 AI——自動對話、抓訂單資料、整理瑕疵照片，AI 獨立完成，真人只做抽樣稽核。建議（Recommend）是中間地帶——碰到要不要退款、要不要破例通融，AI 比對政策後產出一個處置建議，但此時對外不講出任何決定。執行（Commit）則是不可逆的紅線——只有具權限的真人，看過 AI 的建議與完整上下文、按下確認，款項發放或官方承諾才正式生效。錢的決策永遠停在真人按下確認的那一刻，AI 只負責把前面的功課做好。
好的系統還會在更底層幫你上保險，例如用確定性規則確保同一筆退款不會因為系統重試而被重複執行——但這些是引擎該顧的事，你真正要顧的，是上面那條權限線怎麼劃。而這條線，沒有一段是「買一套軟體、開機就有」的：折扣額度該設多少、哪些例外算你的責任、退貨爭議的灰色地帶怎麼判，這些要懂你的生意、也要懂風險才劃得準。劃錯了，鬆一邊是前面那種放權出事，緊一邊則是 AI 動不動就轉真人、自動化等於沒做。這也是為什麼，售後 AI 該 自建還是採購，關鍵從來不是功能多寡，而是有沒有人幫你把這條線劃對。
方向其實已經很明確。台灣《人工智慧基本法》已於 2026 年施行，把「問責」與「人類自主」明列為 AI 應用的基本原則；即使客服機器人目前被歸為低風險、還沒有立即的強制義務，加拿大航空那紙判決也早就說明：AI 替你做的承諾，帳算你的。法規會不會哪天追上來是一回事，責任現在就已經在你身上——與其等它逼你，不如趁現在自己把線劃好。
這正是 Alta.DI 把自己定位成 顧問、而不只是工具 的原因：我們不是丟你一套客服機器人讓你自己摸索界線，而是顧問陪你把售後動作盤過一遍、把可逆與不可逆分清楚、把該守的硬限制與該帶的交接內容設好——讓 AI 接走所有可逆的雜事，把不可逆的判斷完整、乾淨地交回你手上。給你的不是一個會聊天的工具，是一條劃得安全、跑得順的售後動線。
售後 AI 做得好不好，從來不是看它能自動處理多少趴的訊息，而是看那條線劃得準不準。把可逆的雜事交給 AI、把不可逆的決策留給真人，客戶得到秒回與不必重講的體驗，你也守住了最不能出錯的那一關。難的不是導入技術，是劃線——而這條線，值得有人陪你一起劃對。
如果你正在評估售後該怎麼導入 AI、又不確定哪一關該守住真人，Alta.DI 提供免費的「售後人機分工診斷」：由顧問陪你把現有的退換貨流程盤過一遍，分清楚哪些動作可逆、哪些不可逆，並針對你的客單價與退貨情境，建議護欄與交接該怎麼設。不需要先準備任何資料，把你目前的售後流程與使用的工具給我們即可。
[1] CBS News.（2024）. Air Canada chatbot costs airline discount it wrongly offered customer.
https://www.cbsnews.com/news/aircanada-chatbot-discount-customer/ （原始裁決：加拿大民事仲裁庭 Civil Resolution Tribunal，Moffatt v. Air Canada, 2024 BCCRT 149）
[2] Cybernews.（2024）. Chevrolet dealership duped by hacker into selling $70K car at criminally low price.
https://cybernews.com/ai-news/chevrolet-dealership-chatbot-hack/ （事件編號：OECD／AI Incident Database #622）
[3] TIME.（2024）. An AI Chatbot Cursed at a Customer and Criticized the Delivery Company It Worked For.
https://time.com/6564726/ai-chatbot-dpd-curses-criticizes-company/
[4] 數位發展部.（2025）. 立法院三讀通過《人工智慧基本法》新聞發布.
https://moda.gov.tw/press/press-releases/18316
