上一季，我們跟一家台灣大型金控的採購主管開會，他遞來一份 52 頁的 RFP。裡面從機房溫溼度標準、網路線材規格到備援電力系統寫得鉅細靡遺。但整份文件裡找不到一條關於繁體中文意圖辨識準確率的要求，沒有 AI 自動解決率的 SLA 定義，也沒有提到中英夾雜語音查詢該怎麼處理。結果呢？五家供應商回來的提案看起來幾乎一模一樣，每家都宣稱自己各方面能力「領先業界」。六個月後，這個案子重新招標。根據 Gartner 2025 年調查，61% 回報 AI 部署失敗的企業，問題根源可以追溯到採購規格書的需求定義階段。我們在亞太市場參與過超過 40 次 AI 客服採購流程，一再看到同樣的模式：RFP 的品質直接決定了專案的成敗，遠在任何技術部署之前。這篇文章用實戰經驗跟你拆解怎麼寫一份真正有鑑別力的 AI 客服 RFP。
為什麼多數 AI 客服 RFP 在起跑點就注定失敗
McKinsey 2025 年針對亞太企業 AI 採購的研究指出，58% 的組織直接沿用傳統軟體採購的 RFP 範本來採購 AI 解決方案。這導致規格書聚焦在基礎建設指標（系統可用率、伺服器規格、機房位置），卻忽略真正區分 AI 平台優劣的能力維度（語言模型準確率、對話設計工具、持續學習機制）。
我們觀察到三種典型的失敗模式：
寫錯的代價有多大
IDC 2025 年亞太 AI 支出報告估算，企業每一次失敗的 AI 客服採購週期平均浪費約新台幣 1,100 萬（含內部人力、顧問費用、POC 成本與機會成本）。對於月處理量 50,000 通的中型客服中心來說，每延遲一個月就是約新台幣 270 萬的自動化效益損失。
這些是實實在在的數字。
RFP 結構：七個關鍵章節
我們根據橫跨銀行、電信、電商和政府部門的採購實務，整理出最能產出可評估供應商回應的 RFP 架構。
| 章節 | 用途 | 建議篇幅 |
|---|---|---|
| 1. 業務背景與目標 | 說明為什麼要採購、成功的定義 | 2-3 頁 |
| 2. 功能需求 | AI 必須具備的能力 | 5-8 頁 |
| 3. 技術需求 | 系統整合方式 | 3-5 頁 |
| 4. 語言與在地化需求 | 繁中與多語言能力 | 2-3 頁 |
| 5. SLA 與效能指標 | 可量化的服務承諾 | 2-3 頁 |
| 6. 商業模式與定價 | 付費方式 | 1-2 頁 |
| 7. 評估標準與計分 | 決策依據 | 2-3 頁 |
章節一：業務背景與目標
這是多數企業投入最少心力的部分，卻是供應商能否提出正確方案的關鍵。應包含：
章節二：功能需求
這是核心。用表格格式來要求供應商具體回應：
| 需求編號 | 描述 | 優先級 | 供應商回覆 |
|---|---|---|---|
| FR-001 | AI 客服須能針對前 15 大 FAQ 類別進行端到端解決，無需轉接真人 | 必要 | |
| FR-002 | 支援國語語音即時對話，具備台灣口音辨識能力 | 必要 | |
| FR-003 | 對話中偵測客戶情緒變化，自動調整語氣 | 應有 | |
| FR-004 | 轉接真人客服時提供對話摘要與建議處理方式 | 必要 | |
| FR-005 | 支援同一句話中國語與英文夾雜的即時處理 | 必要 | |
| FR-006 | 非技術人員可透過視覺化工具修改對話流程 | 應有 | |
| FR-007 | 自動產生通話結案碼並更新 CRM 欄位 | 加分 |
優先級分類至關重要。Forrester 2025 年研究發現，使用分級優先序的 RFP 收到的供應商回應，差異化程度比未分級的高出 40%。
章節三：技術需求
涵蓋整合架構、資安與部署模式。關鍵面向：
章節四：語言與在地化需求
這是亞太 RFP 必須大幅偏離歐美範本的章節。根據中央研究院中文處理實驗室 2025 年的基準測試，主要以簡體中文資料訓練的 AI 系統在處理繁體中文客服查詢時，準確率平均下降 12-18%，原因包括詞彙差異、字型變體和文化語境落差。
需要明確規範的項目：
Pathors 的 AI 模型專門針對繁體中文客服語料訓練，原生支援國語-英文語碼轉換與台灣口音辨識。這一點值得在評估時特別關注，因為多數平台把中日韓語系支援當成英語優先架構之上的在地化層，而非核心能力。
章節五：SLA 與效能指標
定義可量測的服務水準。以下是根據業界標準的基準框架：
| 指標 | 定義 | 建議目標值 | 量測方式 |
|---|---|---|---|
| AI 解決率 | AI 完全處理且無需轉接真人的互動占比 | 第 6 個月 > 60% | 每月自動報表 |
| 首次回應時間 | 客戶發起到 AI 首次回應的時間 | < 1.5 秒（文字）、< 500ms（語音） | P95 延遲量測 |
| 意圖辨識準確率 | 正確識別客戶意圖的比率 | 前 50 大意圖 > 92% | 每週測試集評估 |
| 系統可用率 | 平台可用性 | 月 99.9% | 供應商監控儀表板 |
| 轉接準確率 | 正確路由至適當真人客服的比率 | > 88% | 每月抽樣審查 |
| CSAT 影響 | AI 處理互動的客戶滿意度 | 與真人客服差距在 5 分以內 | 每月滿意度調查比對 |
罰則與激勵機制
Deloitte 2025 年調查發現 44% 的亞太 AI 服務合約缺乏有實質約束力的 SLA 罰則。建議納入：
章節六：商業模式與定價
AI 客服的定價模式差異很大。要求供應商用標準化格式報價：
| 定價項目 | 說明 | 供應商報價 |
|---|---|---|
| 平台費 | 每月平台使用基本費 | |
| 按互動計費 | 每通 AI 處理互動（語音/文字）的費用 | |
| 按席次計費 | 每個同時上線席次費用（如適用） | |
| 建置費 | 一次性設定、整合與訓練費用 | |
| 訓練資料準備 | 初始知識庫建置費用 | |
| 持續優化費 | 每月模型調校與改善費用 | |
| 超量費率 | 超過承諾量的每通互動費用 |
要求供應商提供基於你預期量能的三年 TCO（總持有成本）預估。Gartner 2025 年 CCaaS 定價分析指出，對量能有季節性波動的企業（電商、旅遊業常見），按席次計費模式的成本可能比按用量計費高出 2-4 倍。
Pathors 採用按用量計費模式，根據實際 AI 處理的互動量收費，而非已配置的席次數。對於量能波動明顯的企業，這通常能帶來年度成本降低 30-45% 的效果。
章節七：評估標準與計分
這是防止「每家都自評 5 分」的關鍵。使用加權計分矩陣：
| 評估面向 | 權重 | 計分方式 |
|---|---|---|
| 繁體中文語言能力 | 25% | 現場展示 + 盲測集評估 |
| 整合架構適配度 | 20% | 技術審查 + 參考架構比對 |
| 三年總持有成本 | 20% | 標準化報價範本 |
| 導入時程與方法論 | 15% | 專案計畫審查 |
| SLA 承諾與罰則意願 | 10% | 合約條款比較 |
| 公司永續性與亞太在地化 | 10% | 財務審查 + 在地團隊評估 |
避免 POC 陷阱
要求結構化的 POC（概念驗證）而非自由形式的展示。須定義：
常見錯誤：讓供應商自選展示情境。ISG 2025 年調查顯示，78% 的採購團隊認為供應商展示「無法代表」實際正式環境的表現。
常見 RFP 錯誤與避免方式
錯誤一：忽略人機轉接體驗
許多 RFP 只聚焦 AI 能力，卻沒規範 AI 轉真人的過程該如何運作。應定義：哪些上下文要傳遞給客服人員、多快完成、以什麼格式呈現。
錯誤二：預設要求地端部署
Frost & Sullivan 2025 年調查顯示，雲端部署的 AI 客服中心方案在亞太市場的上線速度比地端部署快 40%。除非法規明確要求地端，否則建議採取雲端優先搭配資料落地控制的策略。
錯誤三：未使用真實客戶資料測試
在 RFP 中明確要求 POC 必須使用去識別化的實際客戶互動資料。合成測試資料會產生虛高的準確率分數。
錯誤四：忽視持續優化
AI 準確率在沒有持續調校的情況下會退化。初始部署的準確率是底線而非天花板。要求供應商詳述其持續優化方法論與人力配置。
錯誤五：語音和文字分開評估
客戶會切換管道。RFP 應要求全通路上下文延續性——客戶從文字轉到語音時，不需要重新說明問題。
完整時程規劃
| 週次 | 活動 | 參與者 |
|---|---|---|
| 1-2 | 內部需求蒐集 | 客服營運、IT、法遵、採購 |
| 3 | 撰寫 RFP | 採購主管 + 客服營運 |
| 4 | 內部審查與修訂 | 所有利害關係人 |
| 5 | 發出 RFP 給入選供應商（3-5 家） | 採購 |
| 6-8 | 供應商 Q&A 期間 | 所有利害關係人 |
| 9-10 | 接收並評估書面回應 | 評選委員會 |
| 11-13 | 前 2-3 名供應商進行 POC | 客服營運 + IT |
| 14 | 最終計分與決選 | 評選委員會 |
| 15-16 | 合約談判 | 採購 + 法務 |
完整時程約 16 週。Everest Group 2025 年採購基準研究指出，試圖壓縮到 12 週以下通常導致評估不夠充分。
一份結構完善的 RFP 是 AI 客服採購流程中槓桿效益最高的單一活動。它迫使組織內部先對齊真正的需求，讓供應商之間產生有意義的差異化，同時建立成功部署的合約基礎。以上框架源自我們在亞太市場數十次企業採購的實戰經驗，請根據你的具體情境調整各章節內容，但千萬不要跳過語言與在地化需求，也不要接受模糊的 SLA 承諾。能夠具體且有信心回答這些問題的供應商，才是真正有交付能力的供應商。從業務目標出發，在需求規格上毫不妥協地精準，然後讓計分矩陣替你完成把真正的實力與行銷包裝分開的工作。
常見問題
AI 客服 RFP 的供應商入選名單應該放幾家？
三到五家是多數亞太企業的最佳數量。少於三家會限制競爭張力和基準比較的有效性。超過五家則產生評估疲勞，平均會多花 3-4 週。建議先列出 8-10 家的長名單，再用一份精簡的資格預審問卷（涵蓋必要條件如資料落地、語言支援、整合相容性）篩選至最終入選名單，然後才發出完整 RFP。
RFP 是否應該要求供應商揭露其底層 AI 模型或 LLM 來源？
是的。要求供應商說明使用的是自有模型、微調的開源模型，還是第三方 API。這很重要有三個原因：資料隱私（你的客戶對話可能被第三方處理）、成本可預測性（依賴 API 的方案面臨不可預期的價格變動）、效能掌控度（使用第三方模型的供應商針對你的特定場景的優化能力有限）。Gartner 2025 年調查發現，38% 的企業在簽約後才發現其 AI 供應商是在轉售第三方模型，幾乎沒有客製化。
AI 客服平台的 POC（概念驗證）合理時程是多久？
正式評估期建議 2-4 週，前面加一週的環境準備。POC 應涵蓋至少 500 筆涵蓋主要使用情境的代表性互動。需要超過四週才能完成 POC 的供應商，可能代表其部署工具鏈不夠成熟。能在當天展示但不做任何客製化的供應商，很可能展示的是預設情境。Pathors 通常在 5 個工作日內完成 POC 環境設定，然後進行 2 週的評估期，期間每日提供準確率報告。
評估時定價和能力應該各佔多少權重？
建議能力佔較大比重：60% 能力面向（語言準確率、整合適配度、功能完整性）搭配 40% 商務面向（TCO、定價模式彈性、合約條款）。原因在於：一個解決率 70% 的平台即使軟體費便宜 15%，你在真人客服人力上多付的成本會遠超過軟體省下的費用（對比解決率 85% 的平台）。永遠以三年 TCO 而非第一年價格來評估，因為建置費用會嚴重扭曲第一年的比較。
語音 AI 和文字 AI 需要分開寫 RFP 嗎？
建議合併成一份 RFP，但為各管道設立獨立的需求章節。產業趨勢是走向統一平台，語音和文字共用上下文。分開發 RFP 可能導致選用不同供應商處理不同管道，造成整合複雜度上升與客戶體驗不一致。在功能需求中，應明確列出全通路情境，例如客戶先用文字客服開始對話，後來打電話詢問同一個問題時，AI 應保留先前對話的上下文。
