數字驗證
5.05 C-1 AI 客服優化 — 數字驗證
5.05 C-1 AI 客服優化 — 數字驗證
原文（成本效益分析.md:131）
C-1 AI 客服優化｜LLM 接 API、知識更新｜約 50~100 萬｜⚠️ 需訓練語料（incumbent 有，新進無）
驗證
1. 工作範圍核對
- 工作範圍 §C-1（:65）：「分析使用紀錄調整語意判斷模型，更新知識內容，擴充多語系」→ 估價單 3-1（式 ×1）。
- ✅ 屬「優化既有系統」，非從零建置。
2. 同類案 / 估價單錨點
- 估價單 3-1（:52）：「智能 AI 線上客服功能持續優化」式 ×1（無單價）。
- 同類案比價（:60、:231）：AI 客服優化為 114-115 新增子項，113-114 案無此項，無直接可比金額。
- 網站維運與分析整段約 368 萬，C-1 為其中之一。
3. 市場行情拆解（純優化）
| 項 | 人月 | 成本 |
|---|---|---|
| LLM API 接入（OpenAI/Claude）+ RAG 串接 | 0.3 | ~7 萬 |
| 知識庫更新（既有 FAQ 補充） | 0.3 | ~7 萬 |
| 多語系前端整合 + chatbot UI | 0.5 | ~12 萬 |
| 模型評測 + 提示詞調校 | 0.2 | ~5 萬 |
| incumbent 優化小計 | 1.3 | ~31 萬 |
| 新進加項：語料蒐集標註（FAQ + 對話歷史重建） | +1.0 | +25 萬 |
| 新進加項：知識架構從頭建（無交接文件） | +0.5 | +13 萬 |
| 新進總計 | 2.8 | ~69 萬 |
- LLM token 費：政府案量級每月約 2,000
5,000 元，年計 2.46 萬，計入維運。
4. 訓練語料缺口（新進）
- incumbent 累積 ≥ 2 年「我要報報」+ 客服專線 + LINE 群組對話，已有真實語料微調基底（交接風險:104, 116）。
- 新進無歷史對話 → 上線初期答錯率高，需 3 個月真實對話累積再 fine-tune（交接風險:116 已點出此風險）。
- 補完成本約 25~40 萬（已併入上表）。
結論
⚠️ 50~100 萬區間略寬鬆但可接受：
- incumbent 實際 ~30 萬足矣（純優化）；50 萬已含寬鬆 buffer。
- 新進 ~70 萬合理，100 萬上緣保守。
- ✅ 「incumbent 有語料、新進無」差距 約 30~40 萬（與 §6.1 已列「AI 客服訓練語料補完 30 萬」一致，未重複）。