OpenAI 在 8 月 3 日發了一篇客戶案例，主角是新加坡的電信科技公司 Circles。數字很直白：客服互動有 65% 由 AI 自己解決、新加坡市場的 ARPU 增加 22%、退租率降低 9%、內部開發效率提升 29%。這篇把官方講的四個數字拆開來看，順便講一件我在電信業做教育訓練最有感的事——AI 接走的從來不是「人的工作」，是「重複的那一段」。
這是誰講的、什麼時候發的
2026 年 8 月 3 日，OpenAI 官方網站的客戶故事區發了〈Circles powers telco personalization with OpenAI technology〉。Circles 是 2014 年在新加坡成立的科技公司，做的是給電信商用的 SaaS 平台，同時自己也在新加坡經營消費端的電信品牌 Circles.Life。官方寫他們的平台已經跟橫跨六大洲、14 個國家的電信業者合作。
所以這不是一篇 demo 展示文，是「已經有客戶在跑」的導入案例。文章裡 Circles 的全球成長長講了一句話，我覺得是整篇的核心：
「AI 應該讓使用者更有能力，而不是硬把他們塞回過時的流程裡。」（"AI should empower users, not force-fit them into outdated journeys."）
官方公布的四個數字
- 65%：目前 CareX 在支援的流程裡，自主解決 65% 的客服互動，全程沒有真人介入
- 22% / 9%：在新加坡，收到 AI 個人化推薦的那群客戶，ARPU 比沒收到的高 22%，退租率降低 9%
- 29%：內部工程團隊用 Codex 之後，開發效率提升 29%
- 55% → 95%：早期某個電信商上線第一週就達到 55% 自主解決；官方說接下來擴到即時語音之後，目標是整段流程 95%
先講一件事：22% 和 9% 這兩個數字，官方寫得比一般行銷稿嚴謹——他們是拿「有收到 AI 推薦的客戶」跟「沒收到的客戶」對照比出來的，不是拿今年跟去年比。有對照組的數字才有參考價值，這點值得記一下。
為什麼電信商的客服特別難做
官方文章開頭那段講得很準：電信商手上其實有一大堆客戶訊號——用量、帳單、網路狀況、位置，但要把這些訊號變成「在對的時間做對的事」，一直做不到。
所以傳統客服是反應式的：客人先遇到問題，然後打電話、按語音選單、重複講一次自己是誰、等真人有空。等到有人接手，問題已經發生一段時間了。
這段話你把「電信商」換成任何一個有門市、有客服的產業，幾乎都成立。手上資料很多、但用不出來，這才是真的痛點。
CareX 跟你以為的客服機器人差在哪
Circles 的對話介面叫 AI Concierge，背後是他們自己做的多代理架構 CareX。多代理聽起來很技術，講白話就是：一個總機 AI 加上一群專責 AI。
1. 總機那個 AI 先看你在幹嘛
你在 App 裡正在看漫遊方案、還是正在點開帳單，這個「當下情境」會跟你的帳戶歷史一起被總機 AI 讀進去，然後才決定要把你轉給哪一個專責 AI——帳務、續約、網路、帳戶服務各有各的。
差別在這：傳統選單是你去猜「我的問題算第幾類」，這裡是它先看懂你在幹嘛。
2. 專責 AI 只拿到解這題需要的資料
官方特別寫了一句：專責 AI 收到的是「解決這件事所需要的資訊」，不是整份客戶檔案。這是設計，不是省事——資料給越少，能出包的面積越小。
3. 解不掉就轉真人，而且把脈絡一起帶過去
這點是我覺得最關鍵的。AI 解不了會升級給真人客服，並且把完整的前因後果附上去。客人不用再從頭講一次。
小結：一個客服 AI 好不好用，不是看它答得多漂亮，是看它交棒的時候乾不乾淨。
ARPU 那 22% 是怎麼來的：不是狂發活動，是抓對時機
另一支引擎叫 Xplore IQ，一樣建在 OpenAI 的 API 上，做的是個人化推薦。它把客戶行為、帳戶歷史、即時訊號兜在一起，判斷「這個人現在最該收到什麼」——可能是一個漫遊包、一個方案升級，也可能是在他想退租之前先做點什麼。
官方的講法是「用高度個人化的推薦取代廣撒的行銷活動」。我看這句最有感的是後半段：ARPU 增加 22% 是因為方案升級跟加購變多，退租降低 9% 是因為訊息在對的時間出現。
不是話術更兇，是時機更準。這兩件事的體感差很多。
他們自己內部也在用：Codex 讓開發效率 +29%
比較少人注意的是最後一段。Circles 的工程、資安、事件處理團隊內部用 Codex 來加速設計、寫程式、跑單元測試，官方給的數字是開發效率提升 29%，而且特別註明：驗證和最終審查還是由專業人員負責。
「AI 做前面 80%、人負責最後那關」，這句話從一家真的在跑生產環境的公司嘴裡講出來，比任何一張投影片都有說服力。
導入前先過的三道門
這段是整篇我最推薦門市主管跟做導入的人看的：
- 個資先處理再進模型：在客戶資訊送到模型之前，先自動辨識並加密個人識別資訊
- 權限只開到任務範圍：專責 AI 拿到的是「這個任務要用到的資料」，不是整份客戶檔案的無限制存取
- 留好煞車：人工升級路徑、分階段推出、流量上限、可回滾機制、商務端的保護措施
我自己在公司帶 AI 應用的時候，第一個問的從來不是「效果好不好」，是「客戶資料會不會流出去、內部資料有沒有被丟到外面的雲」。看到官方把這段獨立寫一節，我反而更相信這個案例是真的在跑，而不是做給媒體看的。
我在教育訓練現場的體會
昨天我剛好在筆記裡寫過一段，講的是我覺得 AI 最大的價值：麻煩的事、重複的事交給它，你只要教它一次，它就可以重複執行。
我也比較過這件事跟前幾年企業一直在推的 RPA 差在哪，差別有兩個：
- RPA 是固定流程：流程只要改一點點，你就得回去改設定，而且你得先懂它那一套操作邏輯，還要自己除錯。
- AI 的容錯高很多：它不是死板板照著跑，是把你的操作邏輯記下來，走岔的機率低很多。
CareX 的設計就是這件事的放大版。傳統的客服機器人本質上是 RPA 思維——先畫好一張決策樹，客人的問題只要沒踩在樹上就掉出去。多代理是另一種思維：先理解你現在在什麼情境，再決定要找誰處理。
那 65% 被 AI 接走之後，第一線的人做什麼？我的答案是：做剩下那 35%。而且那 35% 是真的難的——要判斷、要安撫、要在規則之外做決定。這也是我在課堂上一直跟同仁講的：AI 不會讓你沒事做，它會讓你只剩下難的事做，所以你得往上長。
想套到自己身上，先想清楚三件事
這篇是官方發的客戶案例，數字漂亮是必然的。真的要拿來參考，有幾點要先講清楚：
- 市場不一樣：22% 和 9% 是新加坡市場的結果，客群結構、資費設計、客服文化都跟台灣不同，不能直接搬。
- 65% 有前提：官方寫的是「在支援的流程裡」（across supported workflows）自主解決 65%，不是所有問題都算進去。你要先有可以被自動化的流程，這個數字才有意義。
- 資料先整理好，AI 才有東西可用：整套的底氣是他們手上有用量、帳單、網路、位置這些即時訊號。資料散在各系統、格式又不統一的話，先做的不是接 AI，是把資料整乾淨。
小結
這篇讓我最有感的不是 65%，是「AI 應該讓使用者更有能力，而不是硬把他們塞回過時的流程」那句。
過去十幾年，我們一直在教客人怎麼配合系統：按 1 按 2、報身分證字號、重複講一次問題。AI 真正的機會，是把這個方向倒過來——讓系統去配合人。
回到工作上，可以先做的一件事很小：找出你每週重複做三次以上的那件事，做一次給 AI 看，讓它記下來。這就是你自己版本的 CareX 第一步。
本文整理改寫自 OpenAI 官方客戶故事〈Circles powers telco personalization with OpenAI technology〉（2026 年 8 月 3 日發布）。文中數字與引述均出自該篇官方內容，個人觀點部分為本站作者的看法。
留言
張貼留言