大型零售集團為什麼需要集團式客服架構——統一知識、分散執行、各司其職

核心答案： 當一個零售集團旗下有多個品牌、卻共用同一群客服人員與同一套 AI Agent 時，真正的挑戰不是「人不夠」，而是同一個服務者腦袋裡要同時裝十套不同的知識——這對真人與 AI 一樣成立。集團式客服架構的解法是把知識拆成集團、品牌、渠道三層，由同一套客戶服務作業系統（Customer Service Operating System）統一承載，在每通對話載入時取出三層的交集。這樣才能吃到共用人力的效率，又不犧牲各品牌的專業與合規。

同一個問題，你的集團有幾種答案？

如果你的集團旗下有多個品牌——百貨、連鎖超市量販、連鎖藥妝、美妝生活百貨、免稅通路、書店文創、多品牌代理商——而且是「門市即客服」「一組客服服務多品牌」的型態，先自問四個問題：

• 同一個退貨問題，客人打電話、問 LINE、走進門市，會得到同一個答案嗎？

• 你的專員平均同時處理幾線、跨幾個品牌？上一次因為拿錯品牌政策而爆的客訴，是什麼時候？

• 總部今天改一條政策，多久之後全品牌、全渠道、AI 與真人會同步？如果答案是「發群組公告」，那就是還沒同步。

• 真的出事時，你能不能交代那句話是依據哪一版政策、由誰、在哪個渠道說出去的？

這些問題答不出來，代價不會平均分攤在一整年。根據經濟部統計處資料，2024 年台灣零售業營業額達新台幣 4 兆 8,530 億元、創歷年新高，而業績高度集中在雙十一與百貨週年慶疊在一起的十、十一月——那正是進線量翻倍、人力最緊、錯頻風險最高的時刻。平常勉強撐得住的知識散落，會在那兩個月同時爆開，而且是在你全年最不能出錯的檔期。

什麼是集團式客服架構？

集團式客服架構，指的是多品牌零售或通路集團旗下各品牌共用同一群客服人員、也共用同一套 AI Agent 引擎，但每個品牌的知識完全不同、渠道入口各自分散，而所有對話最終匯流到同一套客戶服務作業系統上處理。

它的四個特徵環環相扣：人是共用的（同一位專員同一個班次要接不同品牌的對話）、AI 也是共用的（同一套引擎要在品牌與渠道之間切換身分）、知識是分散的（各品牌政策不同，同一品牌在不同渠道能做的事也不同）、渠道是分岔的（各品牌有各自的 LINE、官網、社群私訊與電商客服入口）。

錯頻：多品牌客服真正的成本

某同時營運十多個品牌的大型集團，服務渠道涵蓋 LINE、官網、電話與社群訊息。它的第一線專員最真實的痛點是：同時處理「一對三」的文字進線時，大腦記憶過載、容易「錯頻」——把 A 品牌的政策拿去回答 B 品牌的客人。也因為每個品牌都要重新學，新人培訓期長達約一年。

這不是專員不夠努力，是人腦的硬限制。美國心理學會（APA）引密西根大學 David Meyer 博士的說法指出，即使只是任務切換造成的短暫心智空檔，也可能耗掉一個人多達 40% 的生產時間，且任務越複雜、越不熟悉，切換成本與錯誤率越高。加州大學爾灣分校 Gloria Mark 的研究更發現，人被打斷後平均要花 23 分 15 秒才能完全回到原本的任務。一對多、跨品牌的文字進線，本質上就是不斷自我打斷。

結論很清楚：要讓一個人服務多品牌，不能靠「教他記得更多」。

顧客那一端的代價更大

錯頻真正的帳單，是顧客付的。哈佛商業評論一份針對 46,000 名購物者的研究（2017）發現，高達 73% 的顧客在購物旅程中會使用多個渠道；McKinsey（2022）也指出，超過半數 B2C 顧客每次購買或處理需求會接觸三到五個渠道，而如果遇到不一致的資訊、或拿不到想要的東西，很可能就對品牌失去興趣。

多品牌集團還多一層風險：顧客不只在同一品牌的不同入口之間比對答案，也會拿集團旗下不同品牌的服務體驗互相比較。一個品牌的錯頻，傷到的往往是整個集團的信任感。而 PwC 的《Experience Is Everything》調查（2018）顯示，消費者願意為好體驗支付最高達 16% 的溢價，其中「一致性」正是好體驗的核心要素之一。

知識不是兩層，是三層

多品牌知識治理最常見的誤解，是把知識切成「集團共用」與「品牌專屬」兩層就結束了。實務上還有第三層：渠道。

關鍵在於：一通對話的正確答案，是這三層的交集，不是三層相加。

同一個退貨問題，在 A 品牌官網可以直接開退貨單並寄出連結；同一個 A 品牌，在某電商平台的客服入口卻只能請客人走平台流程；換到電話渠道，連結根本給不出去。品牌層的政策沒變，渠道層的做法完全不同。知識若只分到品牌層，服務者答得出「政策」，卻會答錯「怎麼做」。

AI 也在同一個架構下，而且錯頻規模更大

前面談的都是人，但集團式架構真正的另一半是 AI。AI Agent 同樣不只服務一個品牌，它面對的是和專員一模一樣的三層問題——差別只在於它不會累，但它錯起來的規模比人大得多。一位專員錯頻，影響一通對話；AI 若沒有做好品牌與渠道的區隔，一分鐘可以錯上百次，而且錯得完全一致、無人察覺。

還有一個最容易被忽略、卻最傷的風險：AI 與真人必須讀同一份知識底層。 如果 AI 的回答和專員手上的政策各自維護，客人先問 AI、再轉真人，就會當場聽到兩種答案——這比單純答錯更傷信任，因為它讓客人確定「這家公司內部自己都沒搞清楚」。

共用人力池：效益是真的，代價也是真的

共用人力池為什麼比「每個品牌各養一組人」更有效率？答案來自排隊理論的資源共享效益（pooling effect）。當不同品牌的服務高峰彼此錯開——某品牌週年慶、某品牌雙十一、某品牌新品上市——共用人力可以互相支援，利用率遠高於各自為政。

代價則是專員的認知負擔與訓練複雜度變高。集團式架構的意義，就是把代價吃掉，只留下效益：

某高來電量的零售通路，用 AI 重新分工電話流量、而非取代真人；某大型集團客戶，AI 在服務高峰期承接約八成服務量；某多品牌集團的 AI 文字服務，直接答題率從約七成提升到接近九成，轉真人比例維持約一成。同一集團導入真人客服工作台的 AI Copilot 後，文字渠道的話後處理時間平均由約 29.5 秒降到約 20.9 秒（減少約 29%）；而且在雙十一與週年慶對話量達平常約 1.8 倍時，話後時間反而降到全期最低。

收攏，不是集中

集團式客服架構要收攏的是知識與治理，不是把所有服務硬塞進一個大客服中心。各品牌、各渠道仍然用最適合自己的方式執行，只是不再各自維護一份會過期的答案。

Telli 是一套客戶服務作業系統，模組包含 Voice（AI 語音）、Chat（AI 文字）、Desk（真人客服工作台＋AI Copilot），以及跨渠道的對話記憶層。網訊電通（Telexpress）深耕台灣客服代營運多年，是台灣少數由客服代營運起家的 Customer Operations AI 平台。作為深耕產業多年的數位轉型夥伴，我們的觀點是：多品牌集團真正的護城河，不是每個品牌各養一支客服軍隊，而是一套能承載三層知識、又能讓真人與 AI 都安全服務多品牌的作業系統。

如果你在前面四個問題上卡住了，歡迎跟我們聊聊你的集團現況。

FAQ

集團式客服架構是什麼？
指多品牌集團旗下各品牌共用同一群客服人力與同一套 AI 引擎、但知識與渠道各自分散，並由同一套客戶服務作業系統統一承載的架構。核心是「統一知識、分散執行、各司其職」。

一個客服同時服務多品牌，怎麼避免答錯？
關鍵是不靠人記憶，而靠系統在每通對話載入時判定品牌與渠道，把對應的規則推到眼前。研究顯示任務切換最多可耗掉 40% 生產時間，這種風險本來就不該由人腦硬扛。

知識要共用還是分開？
分三層。個資規範、客訴升級、語氣底線屬集團層；產品、會員權益、活動與售後政策屬品牌層；能否查訂單、能否給連結、平台規範屬渠道層。一通對話的正確答案是三層的交集。

你也會有興趣的主題

1. 共用人力池與整體成本

2. 作業系統架構

3. AI 錯頻與知識治理

參考來源

• APA，〈Multitasking: Switching costs〉：https://www.apa.org/topics/research/multitasking

• Gloria Mark 訪談與〈The Cost of Interrupted Work〉（Gallup）：https://news.gallup.com/businessjournal/23146/too-many-interruptions-work.aspx

• Harvard Business Review（2017），〈A Study of 46,000 Shoppers Shows That Omnichannel Retailing Works〉：https://hbr.org/2017/01/a-study-of-46000-shoppers-shows-that-omnichannel-retailing-works

• McKinsey（2022），〈What is omnichannel marketing?〉：https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-omnichannel-marketing

• PwC（2018），〈Experience Is Everything〉調查（經 Adobe 整理報導）：https://business.adobe.com/blog/the-latest/new-study-finds-consumers-would-pay-more-for-better-cx-pwc

• 商業周刊／未來流通研究所，〈2024 零售業成績單〉：https://www.businessweekly.com.tw/business/blog/3018040

• 經濟部統計處，批發、零售及餐飲業營業額統計：https://www.moea.gov.tw/Mns/dos/bulletin/Bulletin.aspx?kind=8&html=1&menu_id=6727

• 〈Economies-of-scale in many-server queueing systems〉（排隊理論資源共享效益，arXiv）：https://arxiv.org/pdf/1706.05397

• 個人資料保護法第 20 條（全國法規資料庫，法務部）：https://law.moj.gov.tw/LawClass/LawSingle.aspx?pcode=I0050021&flno=20

• 法務部函釋（法律字第 10603509640 號，106.10.11）：https://mojlaw.moj.gov.tw/LawContentExShow.aspx?id=FE303716&type=E

• 個人資料保護委員會籌備處，2025 修法三讀通過新聞稿：https://www.pdpc.gov.tw/News_Content/20/1001/