企業透過數位轉型並運用人工智慧技術發展對外服務客戶的自助化管道，期以將服務量逐漸由真人服務轉移至自助化管道，提供不限時地的服務體驗並降低人力需求。本研究旨在以任務科技適配理論為基礎，並採用半結構式深度訪談的方式，深入探討A電信公司導入智能客服技術對內運用於輔助真人服務的虛擬智慧助手，客服人員使用現況與影響使用率的實際問題，助於提出配適的設計原則建議，以期提升使用率及達到期望效益。
研究發現高達八成客服人員對虛擬智慧助手接受度高且願意嘗試，然何以實際應用率不高，歸納主要原因：一、同一問題有多種表達方式，若輸入問句不夠精準無法搜尋到對應答覆；二、部分答覆提供超連結資訊，需點進連結網頁自行查找答覆；三、受限於資安考量未串接客資系統，無法提供對應門號客資相關資訊或服務異動功能，現行應用尚無法真正達到即時輔助及提升效率的期望效益。
依據研究發現提出建議：一、 導入機器學習演算法且能串接全渠道服務歷程，搭載深度學習技術運用大數據自創模型並能預測需要的問答；二、專責人員全職負責收集、調教、更新、擴增知識庫問答資訊，且分工由各部門指派人員共同合作維護；三、具備語音識別、語意分析及STT語音轉文字技術，能在服務過程中辨識對話關鍵字並自動帶出相對應話術或流程說明；四、設計和實施相應的培訓課程，以提高客服人員的技術能力。

The enterprise aims to develop self-service channels for customer service through digital transformation and the application of artificial intelligence (AI) technologies. This is expected to gradually shift the service volume from human service to self-service channels, providing service experience anytime, anywhere and reducing manpower requirements.
This study is based on the Task-Technology Fit Theory and uses semi-structured in-depth interviews to explore the internal use of intelligent virtual AI assistant to assist human service in A Telecommunications Company. Actual problems affecting usage and current situations are analyzed to propose design principles and suggestions for improvement in usage rates and expected benefits.
The study found that up to 80% of customer service personnel have a high acceptance of virtual AI assistant and are willing to try them out. However, the actual application rate is not high. The main reasons are summarized as follows: (1) there are multiple ways to express the same question, and if the input question is not accurate enough, the corresponding answer cannot be searched for; (2) some answers provide hyperlinks, which require users to click on the link to find the answer themselves; and (3) due to data security considerations, the customer information system is not connected, and the system cannot provide relevant information or service change functions for the corresponding phone numbers, making it difficult to achieve the expected benefits of real-time assistance and efficiency enhancement.
Based on the research findings, the following suggestions are proposed: (1) introduce machine learning algorithms and connect to the entire channel service history, using deep learning technology to create a self-learning model that can predict the required Q&A; (2) assign dedicated personnel to collect, train, update, and expand the knowledge base, and cooperate with personnel assigned by various departments to maintain it; (3) have speech recognition, semantic analysis, and STT voice-to-text technology, which can recognize keywords in the dialogue and automatically provide corresponding wording or process instructions during the service process; and (4) design and implement corresponding training courses to improve the technical capabilities of customer service personnel.

論文審定書 i
誌謝 ii
摘要 iii
Abstract iv
目錄 vi
圖目錄 viii
表目錄 ix
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 5
第三節 研究問題與目的 7
第四節 研究流程 8
第二章 產業概況 9
第一節 客服中心的沿革發展 9
第二節 客服中心發展趨勢 11
第三節 客服中心面臨的挑戰 14
第四節 國內外客服中心智能客服運用現狀 16
第三章 文獻探討 19
第一節 客服中心的渠道與技術 19
第二節 ChatBot與AI Chatbot 23
第三節 任務科技適配理論 28
第四章 研究設計 32
第一節 研究架構 32
第二節 研究方法 33
第三節 訪談對象 36
第四節 訪談大綱 38
第五節 資料分析方法 40
第五章 研究結果 41
第一節 任務特性 41
第二節 科技特性 44
第三節 個人特性 47
第四節 任務科技配適度 48
第五節 個人科技配適度 50
第六章 結論與建議 52
第一節 結論 52
第二節 建議 57
第三節 研究限制 58
參考文獻 59

一、 英文文獻
Abu Bakar, Q. A., Abdullah Sani, M. K. J., Shaifuddin, N., & Sahid, N. Z. (2021). Factors influencing users’ satisfaction and continuance usage intention to Digital Library (Dl) in Management Science University (MSU). Journal of Information and Knowledge Management (JIKM), 11(1), 44-64.
Campbell, D. J. (1988). Task complexity: A review and analysis. Academy of management review, 13(1), 40-52.
Dickpas, T. (2017). Chatbot evaluation using Watson Conversation. International Journal of Advanced Computer Science and Applications, 8(11), 266-271.
Fan, H., Han, B., & Gao, W. (2022). (Im) Balanced customer-oriented behaviors and AI chatbots' Efficiency–Flexibility performance: The moderating role of customers’ rational choices. Journal of Retailing and Consumer Services, 66, 102937.
Fang, Y.-H. (2019). An app a day keeps a customer connected: Explicating loyalty to brands and branded applications through the lens of affordance and service-dominant logic. Information & Management, 56(3), 377-391.
Goodhue, D. L., & Thompson, R. L. (1995). Task-Technology Fit and Individual Performance. Mis Quarterly, 19(2), 213- 236.
Huy, P. Q., Van Nhi, V., & Lam, P. T. (2019). The Interaction Effect of Task–Technology Fit and Job Satisfaction on Job Performance in ERP Context: Case Study of Vietnamese Enterprises. Eurasian Journal of Economics and Finance, 7(1), 48-61.
Junglas, I., Abraham ,C., & Watson, R. T. (2008). Task-technology fit for mobile locatable information systems. Decision support systems, 45(4), 1046-1057.
Robinson, S., Orsingher, C., Alkire, L., De Keyser, A., Giebelhausen, M., Papamichail, K. N.&Temerak, M. S. (2020). Frontline encounters of the AI kind: An evolved service encounter framework. Journal of Business Research, 116, 366-376.
Taplin, J. E. (2016). The rise of the conversational agent: A new era of customer engagement. Journal of Digital & Social Media Marketing, 4(4), 255-264.
Wang, X., Wong, Y. D., Chen, T., & Yuen, K. F. (2021). Adoption of shopper-facing technologies under social distancing: A conceptualization and an interplay between task-technology fit and technology trust. Computers in Human Behavior, 123, 106900.
Zhou, T. (2014). Understanding continuance usage intention of mobile internet sites. Universal Access in the Information Society, 13(3), 329-337.
二、 中文文獻
甘欣蕙（2019）。智能客服在電子商務平台之應用與分析。國立台灣海洋大學航運管理學系研究所碩士論文。
余玉眉、田聖芳、蔣欣欣（1991）。質性研究－田野研究法於護理學之應用。臺北市：巨流。
周恩頤、許文錦（2021）。從文字客服機器人探究對話式服務體驗：認知負荷觀點。管理評論，40(1)，1-46。
胡昭民（2019）。網路行銷：SEO・社群・廣告・大數據・AI行銷・聊天機器人・Google Analytics的12堂必修課。新北市：博碩文化。
徐宗國（譯）（1998）。質性研究概論（原作者：Anselm Strauss, Juliet Corbin）。臺北：巨流出版。
陳芳儀（2019）。人工智能語音服務自我效能與服務滿意度關聯之研究。國立臺北大學企業管理學系碩士論文。
萬文隆（2004）。深度訪談在質性研究中的應用。生活科技教育月刊，37(4)，17-23。
劉有耘（2022）。個人認知負荷對員工之任務科技適配程度之影響—以任務科技適配理論為核心來探討。中山大學資訊管理學系研究所碩士論文。
三、網路資源
Grandsys（2022）。2022客服中心的4項技術趨勢。取自：https://www.grandsys.com.tw/news/operations-management/975-contact-center-trend
WhosOn (2022). The history of call centres (and how they became contact centres)。Retrieved from: https://www.whoson.com/customer-service/the-history-of-call-centres-and-how-they-became-contact-centres/
取自：https://www.trans-cosmos.com.tw/news/service/call-center-trend-2022/
林冠妤（2022）。春節出遊東西弄丟別擔心！高鐵新增「遺失物協尋進度」查詢服務。取自：https://newtalk.tw/news/view/2022-01-21/699936
姚惠茹（2022）。直接說出所需服務！富邦產險首創客服「AI 語音機器人」。取自：https://finance.technews.tw/2022/02/14/ai-voice-robot/
客戶服務達人Courtney Gupta（2022）。2021 年客戶服務定義、技能與重要特質。取自：https://www.zendesk.tw/blog/customer-service-skills/
客服卓越服務（2022）。transcosmos 2022年客服中心最新4大趨勢分析。
美通社（2020）。昕力資訊、YouBike微笑單車聯手打造AI客服「YouBike小管家」。取自：https://hk.prnasia.com/story/293846-2.shtml
高士閔（2022）。放棄一步到位，轉型就像收拾髒亂房間！3 項具體辦法，幫金融業完成數位轉型。取自：https://www.managertoday.com.tw/articles/view/64779
陳碧雲（2022）。新光人壽「創新設計」、「顧客滿意」獲金炬獎四項殊榮。取自：https://money.udn.com/money/story/5636/6868249
陳蕙綾（2021）。南山人壽首推客服智慧分群 銀髮族call in有專線來源。取自：https://news.cnyes.com/news/id/4744269
黃晶琳（2022）。遠傳參加台灣人工智慧年會 以AI動能加值產業數位轉型。取自：https://money.udn.com/money/story/5612/6775976
黃晶琳、吳凱中（2022）。AI聊天機器人正夯 這些台廠也搭上熱潮默默布局。取自：https://money.udn.com/money/story/11162/6959443
經理人月刊（2007）。客服中心 Call住顧客的心。取自：https://www.managertoday.com.tw/articles/view/774
齊瑞甄（2022）。台新智能客服再升級 領先改版照顧無障礙需求。取自：https://udn.com/news/story/7239/6423518
謝方娪（2022）。因應超高齡社會來臨 北富銀推24小時服務樂齡專線。取自：