AI 專案 ROI 怎麼算？從成本中心到利潤中心的拆解框架

核心問題

「這個 AI 專案的 ROI 多少？」當老闆問出這句話，你是否只能給出自己也不太有把握的數字？

案例：客服 AI Agent 轉型

電商客服 AI Agent，不只處理退換貨，還能在對話中抓住機會做 Upsell，把客服成本中心變成帶來營收的利潤中心。

學員的 Aha Moments

1. ROI 算法的拆解邏輯

讓學員意外的不是數字大小，而是拆解的方法論：

• 效益端拆解邏輯
• 成本端拆解邏輯

2. ROI 情境分析

你知道你所估算的 ROI，在哪些情境會大幅跑偏嗎？

許多推動 AI 專案的朋友都忽略了這件事，導致專案卡住。

ROI 只是最後一步

在估算 ROI 之前，必須先把 AI 技術知識架構好：

• 資料品質評估
• RAG / Agent 系統運行原理
• AI 系統驗收指標
• 新型資安風險
• AI 成本拆解

這些到位了，ROI 才能算得紮實。

活動資訊

• 下一場工作坊：四月中旬，限額 40 位
• 免費線上公開課：4/7（二）19:00，完整拆解核心框架
• 公開課後保留 20 分鐘 Q&A，歡迎帶著手上的專案提問

---

延伸分析：客服 AI Agent 如何從成本中心變利潤中心

以下為案例的技術架構推測。

核心邏輯

傳統客服 = 被動處理問題（退換貨、查訂單） 這個 Agent = 在解決問題的同時，主動識別 Upsell 機會

推測架構流程

用戶：我要退這雙鞋，鞋型太窄
         ↓
[意圖分類]
  - 主意圖：退貨處理
  - 隱含信號：尺寸/版型問題（不是不喜歡這款）
         ↓
[分支決策]
  先處理退貨 → 確認完成後
  → 「這雙鞋很多人覺得偏窄，我們有同款寬楦版本，要看看嗎？」

關鍵設計點

1. 意圖分類先於 Upsell：不能在用戶生氣時推銷，要先解決問題
2. 信號擷取：退換貨原因是強烈的購買意圖信號（退因版型 ≠ 不想買）
3. 時序控制：Upsell 在主任務完成後才觸發，不打斷主流程
4. 商品推薦接 RAG：即時查庫存、替代款，避免推薦無庫存商品

ROI 拆解示範（此案例）

成本端

• 客服人力節省（處理量 × 平均工時 × 時薪）
• 系統建置與維運費用

效益端

• 人力節省（直接成本降低）
• Upsell 成交率 × 客單價增量（新增營收）
• 客服滿意度提升（間接效益，難量化）

情境分析風險點

• Upsell 時機判斷錯誤 → 用戶體驗變差，反而增加退單
• 商品資料不準 → 推薦無庫存商品，信任崩潰
• 意圖分類準確率不足 → 主流程失誤，ROI 跑偏