AI 客服如何兼顧使用者、客服員與主管

1. 基本資訊

作者為 David Lopez-Lopez、Joan-Francesc Fondevila-Gascón、Belén-María Torres-Peregrina、Josep-Maria Marco-Simó，2026 年發表於 Electronic Markets。DOI：10.1007/s12525-026-00892-1。主題落在 AI 應用、服務管理與電子市場中的顧客服務轉型。期刊品質可部分確認：Springer 的 Electronic Markets 期刊頁面標示其自 2010 年納入 SSCI，並列於 Scimago Q1，2024 Impact Factor 為 6.8；因此屬可辨識的高品質期刊來源。

2. 研究問題

這篇核心在問：當 AI 被導入電子市場與數位平台的顧客服務後，終端使用者、一線客服人員與主管三方如何形成不同的採納判準，而這些判準的不一致又會如何影響 AI 導入成敗。作者想修正過去只從「使用者是否願意用」或「組織是否願意投資」來理解採納的窄化視角，改成把顧客服務視為一個多方利害關係人持續協商的場域。

3. 理論基礎

理論上以利害關係人理論為主軸，並拿 TAM、UTAUT、DOI 等經典技術採納模型作為對照。作者的重點不是否定既有採納模型，而是指出這些模型往往預設評估標準相對一致，但在 AI 顧客服務情境裡，不同角色衡量的是不同東西。使用者看信任與同理感，第一線看工作負荷、角色改變與培訓，主管看效率、可擴張性與營運一致性，所以真正該分析的是這些評估標準能否被對齊。

4. 研究架構

研究架構可理解為一個「跨利害關係人對齊模型」。作者把三類角色放進同一張分析圖裡：使用者代表服務體驗與信任，一線人員代表執行面摩擦與技能需求，主管代表策略目標與效率邏輯。AI 的採納結果，不是單由某一方滿意就能決定，而是取決於三方在感知價值、投入成本、風險與人機邊界上的差距是否被治理。這讓 AI 採納從「技術升級」被重新界定為「組織轉型與服務治理」。

5. 假設邏輯

這篇不是典型的假設檢驗論文，沒有明列一串正式 H1、H2，而是採探索式推論邏輯。作者的命題很清楚：若三方對 AI 的價值與風險評估高度錯位，採納就會在顧客服務介面上產生摩擦；若企業能把效率、自動化、信任、同理心與員工包容性一併納入設計，AI 導入才比較可能穩定。換句話說，影響採納的不是單一變項強弱，而是利害關係人之間的對齊程度。

6. 方法

研究採探索式混合方法設計，但量化問卷是主體，訪談主要扮演輔助說明角色。總計蒐集 198 份問卷，其中包含 145 位終端使用者、31 位第一線客服與協調者、22 位主管或區域經理；另做 2 份半結構訪談，一位是客服經理，一位是一線人員。問卷以研究者自行設計題項為主，強調情境貼合與可理解性，而非成熟量表驗證；樣本採滾雪球抽樣，因此作者也明講其代表性有限，結論較適合視為揭露早期張力與模式，而非用來做強因果推論。

7. 結果

主要結果是三方確實存在穩定而明顯的認知錯位。使用者對 AI 並不排斥，甚至支持在顧客服務中使用，但前提是要保留 human fallback，也就是遇到複雜或情緒性問題時能切回真人支援，否則信任與被理解感會下降。第一線人員則普遍更擔心自動化增加工作壓力、帶來角色模糊，以及組織在培訓與溝通上準備不足。主管端最看重效率、標準化與可擴張性，但也因此容易低估基層執行摩擦與顧客對同理感的要求。作者因此指出，AI 顧客服務最常卡住的點，不是技術能不能用，而是組織是否有能力同步管理這些相互牽制的期待。

8. 理論貢獻

理論上，這篇把 AI 採納研究從單一採納者邏輯推進到多方利害關係人邏輯，補上了顧客服務情境中最容易被忽略的人際與組織摩擦。更重要的是，它把 stakeholder misalignment 轉成核心分析單位，讓採納研究不只看 perceived usefulness 或 ease of use，而是看不同角色對價值、風險與努力的判準如何交錯。這對 AI 導入研究很有用，因為當技術已經不是新鮮事，真正決定成敗的常常是治理與協調能力。

9. 實務意涵

對平台業者、電商或導入 AI 客服的企業來說，這篇最直接的訊息是：不要把 AI 客服當作純粹省人成本工具。若只從主管的效率視角出發，很容易在短期內看見流程標準化，卻在中長期碰到顧客不信任、員工反彈與服務品質波動。比較可行的做法是，在設計導入方案時同步處理三件事：一是保留清楚的真人接手機制，二是讓一線員工提早理解角色如何改變並接受訓練，三是把使用者信任與情緒體驗納入成效指標，而不是只看處理速度與成本。

10. 研究限制

限制主要有四個。第一，樣本數不大，尤其第一線人員與主管子樣本偏小。第二，採滾雪球抽樣，可能高估對 AI 有明確態度者的意見。第三，研究場景雖放在電子市場脈絡，但更直接分析的是顧客服務介面，而非平台治理整體機制，所以對演算法排名、撮合或平台權力結構的推論有限。第四，量表以研究者自編題項為主，適合探索，但若要累積更穩定的比較證據，後續仍需更完整的量測驗證與縱貫追蹤。

11. 對我研究的啟發

這篇最可重用的角度，是把 AI 採納問題改寫成「多方角色如何對齊」的問題，而不是只問某一方願不願意採納。若未來要做 AI 在教育、服務、組織或平台脈絡中的研究，可以直接借用這個切法，把學生、教師、管理者，或顧客、員工、主管放進同一框架，分析各方在效率、信任、風險與自主性上的落差。另一個很值得帶走的點是 human fallback 的概念，它提供了一個很具操作性的設計變項，可進一步轉化成研究中的調節條件、治理機制或實驗處理。若要銜接我關注的 AI 應用與管理議題，這篇很適合作為從「技術採納」走向「人機治理」的中介文獻。

12. 整體評價

我認為這篇值得今天讀，因為它不是重複在講「AI 很重要」這種泛論，而是把顧客服務裡真正會出現的三方張力講清楚，對研究設計與實務導入都很有轉譯價值。它的優點是議題新、情境明確、理論連結乾淨，而且把 stakeholder alignment 這個概念落到可觀察的顧客服務現場。缺點是方法上仍偏探索式，問卷與訪談深度有限，因此比較像一篇很好的問題定義與框架搭建文章，而不是已經完成嚴格因果驗證的定論研究。整體來看，若我今天想讀一篇能同時支撐 AI 應用、服務管理與後續研究設計的文章，這篇的投入報酬比很高。