一家消費金融公司的催收主管曾跟我們分享過一個數字：他的團隊每天要撥出 1,200 通電話，其中超過 800 通是「到期提醒」——內容幾乎一模一樣，但每通都需要一個真人坐在那裡唸稿、等接聽、記錄結果。他算了一下，這 800 通電話佔掉了團隊 65% 的工時，卻只貢獻了 20% 的回收金額。真正需要人力介入的高難度案件，反而因為時間被壓縮而處理不夠細緻。這個結構性的矛盾，正是催收 AI 外撥想解決的問題。
催收外撥的結構性問題：人力卡在最低價值的環節
催收流程裡有一個很反直覺的現象：最耗人力的工作，往往是最不需要人的。
根據 McKinsey 2025 年的金融服務報告，催收團隊平均有 60-70% 的通話屬於「首輪提醒」——帳單到期、逾期 3-7 天的標準通知。這些通話的對話模式高度固定：告知金額、確認身份、提供繳款方式、記錄回應。真正需要談判技巧和判斷力的「協商還款」「爭議處理」，只佔通話量的 15-20%，卻是回收率的關鍵。
問題是，當 70% 的人力被綁在標準提醒上，剩下 30% 的時間要處理所有的高難度案件。結果就是：簡單的事做得很累，困難的事做得不夠好。
台灣金管會 2025 年的統計顯示，消費金融業的催收人力成本年增 12%，但回收率只提升了 2%。投入跟產出的比例正在惡化。
AI 語音助理在催收流程裡能做什麼？
先講清楚邊界：AI 不是來取代催收專員的，是來把專員從低價值通話裡解放出來。
自動化繳款提醒
AI 語音助理可以在帳單到期前 3 天自動外撥，完成標準的提醒流程：確認身份、告知到期金額、提供繳款管道、記錄客戶回應。整通電話不需要人工介入。
根據我們的客戶案例，AI 處理首輪提醒的接通後完成率達 85%（真人催收員約 90%），但 AI 可以同時處理 20 路通話，每小時產出是單人的 15-20 倍。一個 10 人催收團隊的首輪提醒量，AI 大約 2 小時就能完成。
智慧分流：依回應意圖分級
AI 不只是打電話，它在通話過程中會即時判斷客戶的回應意圖，然後自動分流：
這個分流邏輯讓人力集中在真正需要判斷力的案件上。根據我們的實測數據，導入智慧分流後，資深催收員處理高難度案件的時間增加了 45%，對應的協商成功率提升了 18%。
回訪追蹤自動化
催收最容易掉球的環節是「追蹤」。客戶說週五會還，但沒還；催收員因為忙其他案件，週一才跟進，又過了一個週末。
AI 可以在承諾還款日自動確認是否已入帳，未入帳則立即外撥跟進。整個回訪循環不依賴人工記憶或手動排程，漏追蹤率從行業平均的 25% 降到 5% 以下。
導入催收 AI 外撥的實務考量
合規是第一道關
催收通話涉及個資和金融監管，不是隨便一個 Voice AI 平台就能用。台灣金管會對催收電話有明確規範：必須告知錄音、不得在特定時段撥打、對話內容需保存。AI 系統必須內建這些合規邏輯，不是事後補。
Pathors 的催收場景方案在每通外撥開頭自動播放合規聲明，通話錄音即時加密儲存在台灣本地伺服器，且系統自動避開禁撥時段。這些不是客製化功能，是平台內建的合規層。
跟現有系統的整合
多數催收團隊已經有自己的催收管理系統（CMS）。AI 外撥平台需要能跟 CMS 串接：讀取待撥清單、回寫通話結果、更新案件狀態。Pathors 提供標準 API，支援與主流催收管理系統的雙向資料同步，平均整合時間 2-3 週。
先做 pilot 再放量
建議的導入路徑：先拿逾期 3-7 天的「軟催收」案件跑 pilot，這類案件風險最低、對話最標準化，最適合驗證 AI 的辨識率和客戶接受度。Pilot 期通常 2-4 週，用真實案件驗證後再逐步擴大到更高逾期天數的案件。
催收行業的效率困境不在於催收員不夠努力，而在於他們的時間被配置在錯誤的地方。AI 語音助理做的事情很簡單：把 70% 的標準化通話自動處理掉，讓人力回到需要判斷力和談判力的案件上。這不是什麼科幻場景，這是一道資源重新配置的數學題。
Brandon Lu
COO
致力於運用 AI 技術改造客戶服務和商業營運。
