這個案例做的是員工 AI 助理，但沒有讓 AI 直接替公司對外承諾。
客戶是一家匿名 B2B 企業。商品與作業知識分散在文件、訊息與資深同仁經驗裡，員工遇到問題時，常需要跨來源查找，再依客戶情境調整說法。
專案的目標不是「取代客服」，而是讓員工能更快找到有來源的建議答案，同時保留最後判斷權。這就是 Human-in-the-Loop：AI 協助整理與起草，人員負責確認情境、修正內容並承擔對外溝通責任。
企業 AI 助理的安全邊界，不是要求模型永遠不犯錯，而是讓錯誤在成為公司承諾前被攔下。
知識來源、使用權限、人工覆核與問題回報，缺一個都不算完整導入。
1. 為什麼不採全自動回覆
B2B 溝通裡，有些問題可以依文件回答，有些則涉及商業例外：
- 客戶要求特殊價格或付款條件。
- 交期與庫存需要依當下營運狀態判斷。
- 客訴、退費與責任歸屬需要主管介入。
- 合約或法規問題不應由一般知識內容直接延伸承諾。
如果 AI 對這些情境直接發送答案，錯誤不只是文案問題，還可能成為交易或服務承諾。員工確認因此不是多餘步驟，而是企業治理的一部分。
2. 可公開的使用原則
為避免暴露客戶內部架構，這裡只呈現可複用的治理原則：
- 員工先理解客戶問題，再決定是否使用 AI 協助。
- AI 提供建議答案時，也要讓員工能核對來源。
- 員工判斷內容是否符合當下客戶、權限與商業情境。
- 涉及例外或承諾時，改由有權責的人處理。
- 發現知識缺漏時，回到內容維護流程修正。
AI 不直接跨過權責邊界。當來源不足、問題敏感或情境不明時，正確結果可以是「需要人工處理」，而不是勉強生成一個看似完整的答案。
3. 真正的工作是知識治理
把文件接上模型不等於完成知識系統。導入前至少要回答：
- 哪些內容是目前有效版本？
- 誰負責確認內容正確與更新？
- 哪些角色可以查詢哪些資料？
- 答案需要顯示什麼來源，員工才有辦法覆核？
- 發現錯誤時，如何回報並修正原始內容？
本案先整理可使用的知識範圍、淘汰失效內容，並保留人工覆核與回報機制。敏感資料不因為「可能有用」就直接納入，權限也不以方便為理由無限制放大。
4. 已驗證的結果
在不公開客戶文件、員工資料與內部效能數字的前提下，本案已驗證：
- 員工可以從核准的知識範圍取得建議答案與依據。
- 正式對外回覆仍由人員確認，不由 AI 自動承諾。
- 找不到可靠來源時，系統能把問題留給人工處理。
- 使用過程發現的內容缺口，可以回到知識維護流程修正。
尚未宣稱的結果包括人力節省比例、訓練時間縮短或營收提升。這些都需要更長期、可比較的資料，不能從少量使用經驗直接推論。
5. 評估是否適合導入
以下條件越完整，導入成功率越高：
- 重複問題多，而且答案有可維護的正式來源。
- 公司願意指定知識內容負責人。
- 員工願意覆核，而不是盲目轉貼 AI 答案。
- 敏感資料、權限與保存原則已經有人負責。
- 願意追蹤答案可用性、人工修改原因與錯誤事件。
相反地，如果公司的文件版本混亂、沒有人負責內容、又希望 AI 直接全自動對外，應先處理治理問題，而不是急著導入模型。
6. AI 助理應該被如何衡量
不要只看「生成速度」。比較有意義的指標包括：
- 員工實際採用建議答案的情形。
- 哪些問題最常需要重寫或轉人工。
- 引用來源是否足以支持答案。
- 錯誤或過期內容被發現後，多久能完成修正。
- 系統是否降低回答不一致，而沒有增加新的風險。
這些證據累積後，才能判斷系統是否真的成為企業知識資產。
延伸閱讀
如何聯絡
想評估企業知識、員工 AI 助理與人工覆核流程：
