OpenAI 透過每次互動提升支援服務品質

本文是我們系列文章中的一篇，分享 OpenAI 如何運用自家技術開發解決方案。

傳統的支援服務，脫離不了排隊、客服工單和處理量，但這對 OpenAI 來說並不夠。我們為全球數億使用者提供服務，每年處理數百萬筆請求，而且數量正逐年倍增。

很多組織都面臨規模擴大的挑戰，然而，須同時應付規模擴大和超高速成長的組織卻少之又少，幾乎沒有組織能在承受這兩種壓力的同時，還致力打造帶來顛覆性變革的技術。正因為我們面臨上述綜合挑戰，促使我們從根本重新定義支援服務。

支援服務的難題並非案件量，而是工程和營運設計挑戰。因此，我們建立了一套不同的營運模式：每次互動都能提升下一次互動的品質。

營運團隊的目標，並未停留在透過聊天機器人來分流支援問題，而是放眼更遠大的願景：把支援服務重新設計成一種能持續學習和進步的 AI 營運模式。

其核心由三大基礎組成：

• 互動界面。使用者與支援系統互動的地方。包括聊天、電子郵件和電話，但如今的趨勢是將支援服務直接融入產品本身。
• 知識庫。不再單純提供靜態文件，而是從實際對話、政策和上下文衍生動態而能持續改進的指引。
• 評估與分類器。由軟體和真人共同制定品質標準，再加上運用工具來衡量品質、持續改善，並突顯回饋內容。

這些基礎並非孤立存在，而是互相連結成一個循環。在企業對話中觀察到的模式，可以收錄到開發者常見問題中。針對單一案例撰寫的評估，能強化數千個模型的表現。此外，由於聊天、電子郵件、語音等所有互動介面都採用同一套基礎元件，因此每項改善都會自動擴展至所有管道。

支援專員的角色正在改變。我們的目標是改變原有模式，讓支援專員不再局限於處理例行工作，而是成為整體架構的一部分。他們有能力對架構本身做出貢獻，不僅能透過由下至上的改變直接影響架構，也能透過日常工作的自然累積來間接發揮影響力。

支援專員會標記應轉化為測試案例的互動、發現新模式時提出並推出分類器，甚至在幾天內開發出輕量級自動化作業，填補工作流程的不足之處。訓練方式也在改變，不光著眼於政策，更重視評估互動、識別結構缺口，以及將改善回饋到系統中。

這套新做法致力確保支援專員不只是回覆問題的人，同時也是系統的組建者。

最終，我們不再以處理量評斷支援團隊的表現，持續進化的能力才是關鍵。每位成員不只服務個別使用者，更要主動改善整套系統機制，造福所有使用者。

我們之所以能以這種方式打造支援服務，都要歸功於有 OpenAI 的技術堆疊做為後盾。

• 代理程式 SDK 預設提供逐步追蹤記錄，且具備可觀察性。我們可以立即重播執行流程、檢查工具呼叫，以及偵錯根本原因。
• 回應 API 是分類器的驅動力，用來判斷語氣、正確性和政策遵循情況。
• 即時 API 將語音支援化為現實。
• 透過 OpenAI 的「評估」儀表板，不僅能衡量品質，還能以視覺化呈現長時間的變化。

由於平台已有現成的基礎元件，我們不必耗時拼湊系統，把更多心力投注在重要的工作上：定義「卓越」的標準、進行衡量，然後持續改善。

我們最初是從一款簡單的問答工具開始，效果很好。透過代理程式 SDK，我們迅速將功能擴展到退款、發票、查詢事件等動態動作。隨著模型持續進化，上下文範圍更廣、深入研究和自主能力更強大，我們能立即採用這些進階的技術。

透過評估，可將日常對話轉化為生產環境測試。並將「卓越」的標準具體化：不只是解決問題，還必須做到有禮貌、清晰表達和保持一致。支援專員作為直接參與過程的角色，負責標記正反面範例並轉化為評估，而這些評估會持續在生產環境中執行以引導模型的行為。

支援服務自動化軟體工程師 Jay Patel 表示：「使用者遇到問題時，通常希望能盡快獲得協助。利用我們的 AI 工具，我們能大幅縮短回應時間，還有同樣重要的是，我們能判斷模型何時不該回答。」

就算問題解決，也不會停止學習。新模式會回饋到知識庫、自動化流程和產品設計中。讓系統產生加成效果：為使用者更快提供解答、為組建者提供更緊密的回饋循環，並全面提升所有互動介面的品質標準。

學習不只是 AI 的事，組織也要一起進步。專員發現模型的不足之處、打造新分類器，並貢獻用於微調的資料集。透過觀察儀表板，不僅能讓品質可以量化，還能描繪出隨時間不斷提升表現的軌跡。

最深層的轉變不在於工具，而在於人，以及組織衡量成功的方式。支援專員的價值不只是解決問題，還包含改善知識庫、強化模型和拓展系統本身。領導者正在尋找新型態的隊友：兼具前線同理心與設計直覺，且能結合支援專業與好奇心來改善系統的人才。

我們的願景，是讓支援服務不再是您需要特地前往的目的地，而是成為一種行動，融入每個產品的互動介面中。使用者不需要「開客服工單」，待在原地就能滿足所有需求。

最初為了因應規模擴大提出的解方，如今演變成人與 AI 合作的藍圖：協同合作、靈活調整和持續改進。