先看一個應該令你起疑的數字：Intercom 的 Fin AI Agent 公布在 6,000 多個客戶中平均解決率達 66–67%，但同類部署的獨立個案研究，數字落在 42–50%（資料來源：Intercom，2025）。這個差距不是四捨五入誤差，而是兩個經常被混用、卻不應混用的指標之間的鴻溝：攔截率（containment rate，對話從未到達真人）與解決率（resolution rate，客戶的問題真的被解決）。如果你憑攔截率買 AI 客服、又憑攔截率管理它，你會在客戶早已判定它沒用之後，仍以為它運作良好。本文拆解兩個指標為何分道揚鑣、供應商的「解決率」為何偏高，以及商家應該怎樣量度真正重要的那個。
攔截率和解決率有甚麼分別？
直接答案：攔截率指對話結束時沒有真人介入；解決率指客戶的實際問題被解決。聽起來一樣，但一位沮喪放棄、關掉對話窗的客戶，是「被攔截」了，而不是「被解決」。
攔截率是較易達成、也較易造假的數字。如果你的 AI 從不轉介，攔截率按定義就趨近 100% — 包括每一宗客戶氣得離開、放棄、或轉頭寫電郵給你的個案。這就是為甚麼在舊式「擋客」年代，攔截率是頭條指標：它量度你避開了多少工作，不是你交付了多少價值。
解決率是誠實的指標，因為它綁定結果：訂單查到了嗎？退款處理了嗎？問題答對、答全了嗎？一個好的思考方式：攔截率關乎你的成本，解決率關乎你的客戶。你可以一邊減成本一邊靜靜摧毀體驗，而攔截率會樂意替你遮掩。這個陷阱同樣出現在 2026 年 AI 客服基準數據 — 你優化甚麼指標，就得到甚麼行為。
供應商的「解決率」為甚麼偏高？
直接答案：主要因為「解決」的定義由誰寫。當供應商把「AI 關閉了、沒有轉介」的對話都算作解決，就是悄悄把攔截率改名為解決率 — 數字自然跳升。
最清楚的證據是同一間供應商數據內部的落差。Intercom 的 Fin 公布平均解決率 66–67%、逾 20% 客戶超過 80%；但同類部署的獨立及客戶個案研究落在 42–50%（Intercom，2025）。兩組數字可以同時為真：頭條平均數匯集了最成熟、調校得最好的帳戶，而新部署的現實早期範圍低 15–25 個百分點。你第一個月親眼見到的，是低的那個數，不是宣傳冊上的那個。
第二個原因：定義向供應商有利的方向漂移。有些平台把「客戶在時限內沒有重開對話」算作解決，假設沉默等於滿意 — 但通常不是。很多不滿的客戶不會重開對話，只會不再光顧，然後告訴朋友。公道地說，有供應商正在收緊 — Zendesk 現在用 LLM 核實解決個案，正是為了阻止數字膨脹。結論不是供應商說謊，而是「解決率」不是標準化術語：一個工具的 67% 和另一個工具的 45%，量度的可能是完全不同的事。
還有一層成熟度與倖存者效應值得點名。出現在頭條平均數裡的帳戶，不成比例地是那些留下來、投資知識庫、每週調校的 — 超過 80% 解決率的那兩成多 Intercom 客戶，是做了實工才到那裡的。第二個月在 35% 放棄的帳戶，靜靜地退出了數據集。所以公布的平均數不是你結果的預測，而是爬完曲線並留下來的人的快照。簽約前尖銳地問供應商三條問題：你們怎樣定義解決？有沒有核實？新客戶頭 90 天的中位數是多少 — 不是全時期最佳帳戶的平均。
商家的解決率多少才算合理？
直接答案：管理得好的部署，現實起點約 30–50%，靠成熟的知識庫和持續調校才爬向 65–80%。供應商承諾開箱即有 80%，當它是銷售話術，不是預測。
決定你結果的最大因素是部署成熟度，不是選哪間供應商。市場數據方向一致：McKinsey 發現生成式 AI 可最多減少 50% 真人處理量、釋放最多 60% 可自動化客服量（McKinsey，2023；2025）；Salesforce 報告 2025 年 30% 個案由 AI 解決，預計 2027 年升至 50%（Salesforce State of Service，2025，屬預測）。留意連這些樂觀、資源充足的基準，都聚在 30–60% 區間 — 離 demo 裡的 80% 很遠。
所以要設分段目標，對照自己的軌跡而非別人的廣告。Intercom 社群指引建議第一個月瞄準約 70% 的 AI CSAT、第三個月 75–80%，解決率由 30–50% 起步、靠每週 QA 覆核改善。趨勢線比起點重要。
也要誠實面對天花板。連 Gartner 最進取的預測 — 2029 年 agentic AI 自主解決 80% 的「常見」客服問題、營運成本降 30%（Gartner，2025，屬預測）— 都特意帶着「常見」二字。80% 適用於高頻、結構清晰的問題，不適用於任何真實客服隊列長尾裡的爭議、邊緣個案和情緒對話。混合計算的解決率永遠低於頭條數字。如果你的結構化意圖解決率有 75% 而整體是 50%，你不是失敗 — 你只是誠實地看見了長尾，而多數供應商的儀表板正是設計來模糊它的。
實際可以規劃的成熟曲線：
- 第 1 個月： 在最高頻、最結構化的意圖（查單、營業時間、基本 FAQ）上做到 30–50%。預期會快速發現缺口。
- 第 2–3 個月： 50–65%，靠清理知識庫、修正客戶實際會換句話再問的答案。
- 第 4–6 個月以後： 定義清晰的意圖可達 65–80% — 但情緒性和爭議類問題會維持較低，這是正常的。
商家實際應該怎樣量度？
直接答案：部署前先立基線，然後按意圖分類追蹤解決率 — 不是一個混合的攔截百分比。沒有「之前」的快照（首次回應時間、解決率、CSAT、查詢量、每次接觸成本），日後任何 ROI 主張都無法證明。
成本數字值得用真實基準錨定，讓你知道一宗「攔截且解決」的對話值多少錢。Gartner 把每次接觸成本中位數定在自助 US$1.84 對真人 US$13.50；Forrester 2020 年為 IBM watsonx Assistant 做的 Total Economic Impact 研究，估算每宗被攔截對話節省 US$5.50、三年 ROI 337%、回本期不足六個月（資料來源：Forrester Consulting，IBM 委託，2020，屬方向性參考、並非以小型商戶為對象）。重點是：金額是真的，正因如此你更不能把沮喪離場的客戶當作勝利入帳。
一套不會騙到自己的量度框架：
- 追蹤解決，不只擋走。 用對話後的「這樣有解答到你的問題嗎？」或以 LLM 核實結果。
- 盯緊重複接觸率 — 約 72 小時內回頭的客戶。「解決率」升而回頭客也升，就是數字造假的確鑿證據。
- 用自己真人客服的 CSAT 做對照，不是行業平均。Intercom 指出客戶對 AI 的評分約嚴苛 5–10 分，小落差是正常，不是失敗。
- 按題目分類。 高結構意圖（驗證、查單、退款）解決率遠高於情緒性或爭議類。混合數字同時遮住你的強項和問題。
- 每週覆核。 McKinsey 式的收益（CSAT 升 5–10%、效率升 25–30%）來自迭代，不是安裝（McKinsey，2024）。
這正是 AI agent 的 30-60-90 日 KPI 計劃 背後的同一套紀律：以正確的節奏、對照自己的基線，量度正確的東西。
攔截率對解決率：並排比較
直接答案：攔截率告訴你避開了多少人力；解決率告訴你客戶是否滿意地離開。下表把取捨列明，讓你看清優化錯一個指標怎樣靜靜反噬。
| 維度 | 攔截率 | 解決率 |
|---|---|---|
| 量度甚麼 | 對話沒有到達真人 | 客戶問題真的被解決 |
| 服務誰的利益 | 你的成本線 | 客戶的結果 |
| 容易膨脹嗎 | 容易 — 從不轉介就近 100% | 較難 — 綁定經核實的結果 |
| 沮喪離場算成功嗎 | 算 | 不算 |
| 典型供應商頭條 | 高（通常是宣傳數字） | 較低；公布平均 66–67% 對獨立 42–50% |
| 最佳配對指標 | 轉介率 | 約 72 小時內重複接觸率 |
| 正確用法 | 只用於容量與成本規劃 | 首要成功指標 |
這張表的誠實讀法：攔截率是有用的營運統計，適合容量規劃，但永遠不應是頭條成功指標。攔截率 90% 而解決率 45%，你擁有的不是一個出色的 AI 客服，而是一個擅長不轉介的 AI 客服。
為甚麼優化攔截率會反噬？
直接答案：因為推高攔截率最快的方法是停止轉介，而停止轉介最快的方法是讓 AI 靠猜 — 用看不見的成本（客戶靜靜離開）換走看得見的成本（一次真人回覆）。
這不是假設。Forrester 預測 2026 年將有三分之一公司因倉促部署面向客戶的 AI 自助服務而傷害客戶體驗，動力正是削減成本的壓力（資料來源：Forrester，2026）。攔截率營銷就是機制：它獎勵的正是「永不交接、永遠作答」這種製造壞體驗的行為。而聲譽風險會複利 — 84% 消費者本已認為真人比 AI 準確，僅 8% 偏好 AI（資料來源：SurveyMonkey，2025）。你從信任赤字出發；一宗被攔截但未解決的對話，把赤字再擴大。
解法是為乾淨轉介而設計，把解決率立為北極星。一個懂得說「這個讓我找同事跟進」的 AI，攔截率會較低、解決率會較高 — 而這正是你想要的交換。這裡平台的設計哲學比功能清單重要。Omago 是一個會做事的 AI agent 平台，協助商家在 WhatsApp、Telegram 與網站對話中自動處理客戶查詢，其設計圍繞有根據的回答與乾淨的交接，而不是最大化「擋走了多少對話」— 因為目標從來不是避開你的客戶，而是服務他們，並在真的需要真人時把線索接住。
怎樣防止 AI 美化自己的數字？
直接答案：強制它不確定時棄答，並用結果訊號核實解決，而不是把沉默當滿意。被指示說「我不知道」並轉介的 AI，會報出一個較低但誠實的數字 — 而誠實正是整件事的重點。
機制重要，因為 AI 可以自信地錯。同行評審研究發現，大型語言模型「即使掌握正確知識，仍可能以高確定性產生幻覺」— 它們往往在錯的時候聽起來最有信心（資料來源：Simhi et al.，Technion／牛津／希伯來大學，2025）。一個被優化成永遠有答案的模型，會用流暢、權威、錯誤的答案砌出一個漂亮的攔截率。以 RAG 把每個回覆錨定在你核實過的知識庫、並持續清理過時矛盾的內容，才能讓「已解決」保持誠實。
幾項具體的防作弊控制：
- 核實，不假設。 用對話後確認或 LLM 核實，不把「沒有重開」當解決。
- 把轉介當功能，不當失敗。 與解決率並列追蹤轉介率；健康的部署會轉介該轉的個案。
- 把重複接觸率當測謊機。「已解決」上升而客戶不斷回頭，解決數字就是虛構。
- 選會真行動的工具。 真正的解決往往意味做了些甚麼 — 捕捉並分流線索、走完引導式流程、透過 Airtable 之類的整合觸發動作 — 不只是回傳一段聽起來像答案的文字。
常見問題
擋走率（deflection）和解決率有甚麼分別？
擋走（常與攔截互換使用）計算沒有到達真人的對話；解決計算問題真的被解決的對話。沮喪放棄的客戶被擋走了但沒有被解決，所以擋走可以掩蓋失敗。解決率是首要成功指標，擋走只用於容量與成本規劃。
為甚麼 Intercom 公布 66–67% 而獨立報告是 42–50%？
66–67% 是供應商在 6,000 多個客戶中的公布平均，偏向最成熟、調校得最好的帳戶；獨立及客戶個案研究的 42–50%，反映新部署實際會見到的早期範圍。兩者可以同時為真 — 它們量度的是不同成熟度的不同群體。
第一個月的解決率預期多少才現實？
在最高頻、最結構化的意圖上規劃 30–50%，數月內靠知識庫清理與每週覆核爬向 65–80%。Intercom 社群指引建議第一個月約 70% AI CSAT、第三個月 75–80%。供應商承諾即時 80%，當它是營銷。
怎樣知道 AI 的解決數字有沒有膨脹？
盯緊約 72 小時內的重複接觸率。公布的解決率上升而回頭客同時上升，數字就是被膨脹了。配合對話後確認或 LLM 核實，並用自己真人客服的 CSAT 做對照，而非行業平均。
設好乾淨轉介後攔截率下跌，需要擔心嗎？
不需要 — 攔截率下跌配合解決率上升，通常是健康訊號。這代表 AI 正確地交出了它不應嘗試的個案，而不是靠猜、產出自信的錯答。攔截率是成本統計；解決率和客戶滿意度才是讓生意增長的結果。
資料來源：Intercom（Fin 平均解決率 66–67%、逾 20% 客戶超過 80%、獨立個案 42–50%、客戶對 AI 評分嚴苛 5–10 分，2025）；McKinsey（最多減 50% 真人處理量，2023；CSAT 升 5–10%、效率升 25–30%，2024；最多 60% 可自動化客服量，2025）；Salesforce State of Service（30% 個案由 AI 解決、2027 年預計 50%，2025，屬預測）；Gartner（每次接觸成本 US$1.84 對 US$13.50；2029 年 80% 常見問題，屬預測）；Forrester Consulting，IBM 委託（每宗攔截對話省 US$5.50、三年 ROI 337%、回本不足六個月，2020，方向性參考）；Forrester（2026 年三分之一公司傷害客戶體驗，屬預測）；SurveyMonkey（84% 對 8%，2025）；Simhi et al.（Technion／牛津／希伯來大學，2025）。本文不構成法律或專業意見。