# 實戰案例｜客服進件分類試點

## 背景
一家 20 人公司的客服團隊，每天收到 30-50 封客戶 email，需要人工分類、補欄位、轉派給對應窗口。

## 試點前
- 客服人員每天花 1.5-2 小時手動分類
- 分類標準靠資深人員經驗，新人常常分錯
- 高峰期積壓 2-3 天才回完

## 14 天試點做了什麼

### Day 1-2：定義流程
- Trigger：新 email 進入共用信箱
- Owner：客服组长
- Input：email 主旨 + 內文 + 附件
- Output：分類標籤 + 建議回覆草稿 + 指定窗口
- Reviewer：客服组长
- Fallback：AI 分類不明確時，標記為「需人工判斷」

### Day 3-5：Make 串接
- 監控信箱 → 擷取內容 → 呼叫 OpenClaw 分類
- 分類結果寫入共用表格
- 同時發通知給對應窗口

### Day 6-10：Agent 分類 + 回覆草稿
- OpenClaw 根據歷史分類規則判斷類別
- 自動生成建議回覆草稿
- 客服组长 review 後放行或修改

### Day 11-14：看結果
- 分類準確率：約 85%
- 每日分類時間從 1.5 小時降到 20 分鐘
- 新人上手速度加快（有 AI 建議當參考）
- 客服组长每天花 15 分鐘 review，比以前手動分類快很多

## 學到的教訓
- 一定要保留「需人工判斷」的分類，不要硬分
- 回覆草稿不能直接發，必須 review owner 確認
- 高峰期的 AI 回應速度比人工快很多，但品質還是要人盯

## 適合什麼樣的團隊抄
- 每天有固定量的進件需要分類
- 分類標準相對穩定
- 有人能當 review owner
- 容錯空間還可以（分錯不會直接造成客訴）