過往機器人受限於腳本，表現僵化且無法處理複雜場景，在搭載生成式AI後，已能與顧客自然對話，並靈活應對。做為提升服務的工具，服務業若想順利部署這類機器人，應優先導入勞力短缺職位，用以改善與顧客的互動體驗，並建立安全使用規範。
如果你曾經有機會搭乘Waymo自駕計程車，大概下車後會對它的能力嘖嘖稱奇。自從字母公司（Alphabet）在2009年啟動該計畫以來，Waymo已經成長為一個擁有2500輛自駕計程車的車隊，在舊金山、邁阿密（Miami）、鳳凰城（Phoenix）等城市營運，累計完成超過2000萬趟行程。這些車輛除了能以最高65英里的時速載運乘客，還能回應各種語音指令（像是「用Spotify播一些80年代的饒舌音樂」）或回答問題〔像是「巨人隊（Giants）的比賽幾點開始？」〕，同時自動變換車道，避開併排停車的貨車。根據早期客服資料與Waymo One這個app上的評論顯示，乘客對這種體驗非常滿意。
從Waymo這個具體的用例，能夠清楚看到一種正在迅速成熟、準備大規模推行的技術：由生成式AI驅動的機器人。許多企業已經在使用AI聊天機器人、AI代理與相關技術來將客服自動化並擴大規模，但大多數時候，顧客與這些技術的互動方式還是透過螢幕。而在那些一向堅持人工服務的實體環境，像是餐廳、飯店、醫院、零售商店與其他實體場所，讓機器人搭載生成式AI後，企業就有機會重塑與客戶的互動方式。
新一代機器人採用大型語言模型（large language model, LLM）、大型行為模型（large behavioral model, LBM）、代理式AI等技術之後，就更能掌握情境脈絡、進行推理，並提供個人化的體驗。這些機器人的對話能力並不下於稱職的人類員工，能夠掌握多輪對話之間的邏輯，澄清語義的歧異，還能用簡潔的語言解釋複雜的概念。
過去，若病患問機器人：「這會痛嗎？要多久？如果我頭暈要怎麼辦？」機器人預載的腳本就無力應付。但如今，服務機器人搭載LLM，已經能夠理解這些問題背後的憂慮，並提供簡單易懂的回應。例如，美國一款名為Robin的機器人已經具備這樣的能力，在全美30個兒科部門與護理之家提供情緒支持。這款機器人能夠自主移動，向小朋友打招呼、回答各種問題。護理師可以向Robin下語音指令，如「去517房待20分鐘，再去516房待10分鐘」。Robin還預先搭載了一些遊戲，小朋友只要用語音回應就能玩。
你大概不是第一次讀到這類文章，聲稱機器人將徹底改變服務業的面貌。
我得承認，目前機器人影響力的成長速度，並不如愛好者原本的預期。專業服務型機器人（包括用於物流、醫療、清潔與其他產業的模型）的全球市場，雖然在2024年成長約9％，銷售量接近20萬台，但許多試行計畫後來面臨停滯，或是表現不佳。麥肯錫（McKinsey）研究顯示，有71％的公司認為高昂的前期成本是導入機器人的一大挑戰，也有61％的公司認為自身缺乏自動化經驗是另一項重大阻礙。其他長期以來的挑戰，還包括了維修問題與可靠性，以及顧客與員工的接受程度；許多人仍然比較喜歡和真人互動，特別是在那些複雜或情感成分高的情境。目前，企業若在第一線接觸顧客的場合採用機器人，多半僅局限於腳本嚴格固定的任務，如飯店的客房服務或行李搬運。而這樣的服務型機器人，幾乎只能說是功能較強大的行動販賣機。雖然能夠很可靠地按照預設路線移動、讀取條碼、回答常見問題，但比起那些早期採用者真正期望的規模或好處，多半仍有一段差距。
話雖如此，幾乎所有主要的機器人製造商都在嘗試將生成式AI整合到機器人裡，部分早期成果也確實已經看到潛力。我研究先進機器人技術超過10年，過去18個月裡，我走訪歐洲、亞洲與北美，考察14家機構，如何將搭載生成式AI的實體服務型機器人，應用於金融服務、醫療、教育、餐旅等產業。本文中，我將勾勒企業能夠如何應用這項新技術來創造價值、降低風險，以及培養實力邁向成功。
何謂生成式AI機器人？
生成式AI機器人仰賴多種技術，有些已為人熟知，但也有些還較為陌生。
如今，多數高階主管都已經對LLM與代理式AI略有了解。對機器人而言，LLM能讓它們擁有對話能力，而代理式AI則讓它們擁有記憶、規劃、執行與反思的能力。運用這些技術，機器人就能夠辨認回訪的顧客、做出權衡取捨（例如，若房務說房間快好了，是否能讓房客提前入住？）、規劃一系列任務，以及橫跨數位系統與實體空間執行一連串步驟，然後思考哪些步驟有效或無效。受腳本約束的傳統機器人，與搭載代理式AI的機器人，兩者有著天壤之別。受腳本約束的傳統系統，雖然或許能判斷某項配送任務應該優先處理，但還是會遵循預定的路線。而採用代理式AI的系統，則可能選擇把該項任務交派給真人員工、重新規畫路線，並重新分配資源，以完成任務。這樣的機器人，既擁有特定領域的智慧（用在飯店的機器人，訓練方式會和用在醫院的機器人截然不同），也能做出複雜的決策來執行高階指令，如「快速辦理客人入住」或「在輪班結束前，補滿點滴的庫存」。
至於LBM，則是一種目前還比較陌生的技術。如同LLM是用近乎無窮無盡的文本來訓練，LBM則會使用大量的行為資料來訓練。有了LBM，就能夠協助機器人面對在實體環境提供服務時的種種複雜性。托盤會歪、地板會滑、顧客給的東西也可能脆弱易碎；因此，不可能預先幫機器人針對每一種突發情況都寫好程式。這種時候，開發人員就針對各種必要場景使用LBM來訓練機器人學習。像是前面提到的Waymo，正是靠著LBM學會了如何繞過併排停車的貨車。
生成式AI機器人會透過鏡頭、麥克風與感測器，從觀察人類、提問、以及反覆試錯當中學習。這樣的訓練，可以從現實世界開始，先讓機器人觀察幾組示範（像是如何小心拿起一杯葡萄酒），從中習得行為。接著再到元宇宙或數位雙生環境當中，嘗試微調不同的速度、抓握方式與運動軌跡，實驗數百萬次，調整出最佳的操作。另外，這些行為也能夠挪用到其他的場景。例如，假設機器人已經學會如何在咖啡館處理易碎的玻璃杯，就能把這項技能的種種元素，應用到在診所處理小藥瓶、或在精品店處理易碎商品。
還有其他技術，也提升了生成式AI機器人的學習能力。例如，透過「無程式碼程式設計」與「車隊學習」（fleet learning，即將指令同步分享給一整群機器人），已讓機器人的使用與改進，比10年前更加容易。在過去，想要對機器人進行任何調整，都需要向IT部門提出工單，或是拜託供應商上門服務。而生成式AI讓第一線員工不用寫程式碼也可以訓練機器人，他們只要先問機器人為何用了某種方法，接著提出更好的方法、再實際示範一次，就能調整機器人的行為。改進的方式如此便利，以往需要好幾個月時間才能改善作業流程，現在縮短成幾天內就能完成。這些功能讓機器人成為適應式系統（adaptive system），能夠整合對話、認知與實體動作，大規模為每位顧客提供個人化服務。
以南卡羅萊納州斯帕坦堡（Spartanburg, South Carolina）的BMW汽車組裝廠機器人為例。汽車製造業是機器人技術的早期採用者；從1980年代開始，像是點焊這種重複性作業，工廠就會用簡單的機械手臂來完成。但到了2024年，BMW開始試用Figure 02這款人形機器人，成為傳統工業自動化的重大突破。Figure 02不同於傳統的工廠機器人，能夠靠著搭載的六個攝影鏡頭，自主穿梭於工廠之中，解讀所看到的景象，並根據龐大的汽車與一般知識庫，推斷各種物件應有的用途。Figure 02採用OpenAI模型，能夠聆聽並處理人類語音，就算指令說得模模糊糊，也能推測其中意圖、並在需要時提問加以釐清，此外還能不斷從錯誤中學習。在為期11個月的部署期間，Figure 02參與生產了大約三萬輛BMW。在車身製造區，這款機器人就像一雙精準的手，負責搬運、放置脆弱的鈑金零件，並對齊各個組件，方便焊接機器人完成車架組裝。BMW目前正在升級採用更輕、更高的Figure 03，希望讓這些功能也能應用於工廠以外的領域。在一段宣傳影片中，Figure 03展現了它有能力完成洗碗、摺衣服、端飲料、玩拋接等任務，在在顯示生成式AI正讓機器人的功能愈來愈多元。
如何部署
我與多家企業的合作顯示，生成式AI機器人最令人興奮的應用方式，就是用於第一線、直接面對員工與顧客的任務。要將機器人引入工作場所，絕不只是開箱一個新玩意那麼簡單，因為許多工作場所的狀況難以預料：服務生端托盤經過，醫生和護理師來回於各個病房等。要將潛力轉化成實際表現，領導人就必須慎選用例，向顧客與員工清楚表達使用機器人的原因與方法，並制定相應的安全措施。根據我的實地觀察，以下四個關鍵步驟，值得領導人參考。
步驟1：先從能夠解決勞力短缺問題的用例開始。
機器人最有效的應用，就是那些可重複、經濟價值高、能夠帶來顯著報酬的任務。我觀察到的許多早期實驗，都是用在那些長期面臨勞力短缺的產業工作。這很合理：機器人不只能夠降低成本，還能減少人手難尋的問題。找出了哪些職務要使用機器人之後，第一步就是仔細研究這些職務需要完成的具體工作。這些工作的重複性是否夠高，能讓機器人迅速學會？把這些工作交給機器人，是否能立刻提升速度、效率、一致性，或是能讓員工騰出時間，從事更能增加價值的工作？
適合做實驗的可能用例，包括飯店的入住與退房手續、快餐店的訂單修改與送餐，以及醫院病房的物流；這些場景的第一線，都必須持續面對沉重的壓力，而且部分任務可以明確交由機器人負責完成。
選定用例後，在設計試行計畫時，需要確保第一線員工願意積極提升工作流程的成效。員工如果發現機器人執行的操作順序並不是最佳方案，應該要能夠提出解釋，並示範更好的作法，而不是等上好幾週來完成軟體更新。
只要運用得當，這種作法會逐步擴大機器人的功能，提升它們在該領域的表現，也讓它們的部署更有成效。與此同時，原本的第一線人員也能調到對技能要求更高的職位，並讓勞力短缺最嚴重的領域得到緩解。
步驟2：設計機器人互動的方式，以提高顧客的接受度。
顧客抗拒機器人，多半不是抗拒這項技術本身，而是不喜歡接觸時的體驗。傳統的自助服務系統與技術，以及一切遵照腳本的機器人，常常逼得顧客只能採用僵化、不自然的操作順序。這是一個設計上的問題，而搭載LLM的機器人就能解決這個困擾，因為顧客與員工不但能夠自然與機器人對話，而且更重要的是，機器人還能在實體環境下完成任務。
以飯店入住為例。一般來說，人類員工需要從預訂紀錄、會員資訊、房務狀態、付款方式，再到各種偏好，一次一個螢幕、逐一操作各個系統。但如果是搭載生成式AI的機器人，就能同時平行連結這些系統，處理可能的衝突狀況，既在幾秒鐘內就送上房卡，同時還能熱情迎接房客、與他們互動。對房客來說，這樣的體驗，會是一次既溫暖又有效率的對話，而且比起人工服務面對壓力時的表現，也往往更為穩定可靠。
然而，早期部署雖然展現了這項技術的潛力，卻也顯露了隱憂。東京的海茵娜飯店（Henn na Hotel）是由機器人負責接待房客，包括確認身分、安排房間，以及完成付款。雖然這項作法確實有助於降低勞力成本、緩解人力短缺，但事情並非一切都如預期般順利。有時口音、背景噪音及種種意外要求會讓機器人無力應對，甚至偶爾還會增加、而非減少員工的工作量。
想從設計上提升顧客的接受度，就得在真實環境裡與真實顧客互動進行測試，掌握有哪些地方可能出現摩擦，並確保機器人的對話能力，確實能在實際執行時表現穩定。
步驟3：將機器人定位為提升服務的工具，而不是去取代勞力。
如何引進機器人，以及如何解釋機器人的角色，都會深深影響大眾對機器人的看法。不同的人口族群、背景脈絡，對AI的接受程度都有不同，而如今許多顧客仍然比較喜歡與人互動，尤其是那些需要溫暖、同理心或判斷的情況。同時，員工也擔心自己的工作會被這項技術取代。
面對這樣的偏好與擔憂，企業對生成式AI機器人的定位，不該是用來取代第一線員工，而是要做為一種工具，提升服務的便利性、速度及可靠性，同時又讓員工能夠專心處理那些需要投入情感、較難判斷，或是風險較高的互動。據我觀察，部署機器人最成功的情況，就發生在顧客認為便利是第一要務，而且自動化的價值，也顯而易見的那些情境。
企業也應該清楚指出，機器人將用於哪些任務、顧客又能在需要時如何得到人工支援。例如，在醫院可以讓機器人解釋：它們會讓簡單的互動更舒適便利，而在超出機器能力時，也會呼叫真人服務；至於在零售環境，則是讓現場仍然可以看到服務人員，再搭配後台的機器人自動化作業，好讓購物體驗依然以真人在場為主。
誠實地設定期望是一大重點。要讓顧客與員工知道，機器人目前已經在哪些地方更有優勢（速度、一致性和長期可靠性），人類又在哪些地方更勝一籌（特別是在需要同理心、創造力或創新問題解決能力的情況）。用證據提高說話可信度，而不是只靠空泛的口號。數據會比抽象的承諾更有說服力：像是「等待時間從6分鐘縮短為90秒」，或是「護理師每班的步行量減少了3000步，還多了一個小時來陪病患。」像這樣的數字，就能點出機器人如何為顧客與員工帶來雙贏。
步驟4：持續更新「負責任使用指引」。
企業推出生成式AI機器人，會讓倫理、公平與隱私的風險隨之增加。許多機器人都會配備攝影鏡頭與麥克風，這意味著除非法律另有規定，否則機器人能夠把面對面互動中發生的一切幾乎都數位化。此外，憑藉著高階語言模型的威力，機器人突然間就具備了說服人的能力。雖然這很有利於銷售與向上銷售，但如果機器人分析、輕推（nudge）和操縱顧客的方式不在公司的預期中，就可能越界。特別是若讓機器人決定分配或訂價（如升等、提前入住或個人化優惠），情況就會變得非常敏感，可能會給人偏頗或不公平的印象。
想要部署成功，就該把生成式AI機器人視為還在學習的系統，而非最後成品。企業需要準備一套機制，來觀察人類與機器人的實際互動，找出裡面有問題之處，然後有系統地逐步改善。而第一步就是蒐集雙方都認可的訊號（像是使用者在哪些環節猶豫、重複自己說過的話，或是拒絕機器人做出的決定），並將這些發現整理成幾個明確的重點，讓主管與第一線領導人可以做後續改善。
另外，還有學習上的風險。生成式AI機器人會從互動中學習，但也就讓員工與顧客有了濫用的機會。要是少了安全措施，就可能讓機器人學到一些你不樂見的行為。我就聽過有飯店機器人在複述一些不恰當的語言，也看過博物館遊客試著惡搞機器人，只是為了好玩。至於各種無程式碼工具與車隊學習也帶來了新的挑戰。員工可能在無意間引進錯誤或有偏見的邏輯，也可能有人惡意破壞機器人──而且這些不良行為可能迅速蔓延。
任何的改進措施，都該經過深思熟慮，並且迭代調整：測試改變、評估成效，保留有效的做法，接著不斷循環改進。實際上，導入機器人不可能一開始就有良好的成效，必須不斷仔細微調。而在這個學習循環中，第一線員工扮演著核心的角色，應該把他們當做公民開發者（citizen developer）來支持；只要有各種微學習（microlearning）流程、認證與無程式碼工具，這些領域專家就能抓出問題，並使用自然語言直接向機器人解釋還有什麼更好的做法。慢慢地，主管的角色也會從監督工作轉為協調各個系統：審查改進措施、執行安全規範和使用者同意機制，並根據品質、可靠性和顧客成果來設計激勵方案，而不是只看速度。
與此同時，機器人的學習，也必須有健全的治理與企業數位責任來加以約束。機器人會蒐集敏感資料，因此必須特別保護隱私。此外，機器人會在實體環境中穿梭，可能與他人或其物品發生碰撞，因此安全也是要優先考量。動作上的謹慎、環境的清潔、運作的可靠程度，都該視為不可妥協的要素，而這背後就需要風險分析、地理圍欄（geofencing，將機器人的活動限制在特定區域，又稱電子圍籬）、緊急停止機制（讓人類能夠阻止機器人動作），以及與供應商簽訂明確的服務層級協議，來應付各種維修與事故應變需求。
這一切絕不是要說，品牌不該採用生成式AI機器人，而是要說，必須把人身安全、資訊安全與負責任的設計視為優先要務。錯誤在所難免，但如果企業能有完善的架構、政策與測試，造成實際損害的可能性就會大大降低。有良好的實務作法，便能確保隨著機器人能力的提升，組織仍然能夠負起責任：擴大創新規模，但不犧牲信任。
生成式AI機器人提供了一種實際的方式，能在實體世界提供經濟又有效的服務。這些機器人能夠大規模提供一致與個人化的服務，這在過去一向是實體服務的軟肋。然而，生成式AI機器人的部署過程複雜且漫長，而且由於是在現實世界中進行，風險更高、失誤人盡皆知，而人身安全也會是重大的問題。
雖然這項技術還在起步階段，但初期的實際試行已經顯示，生成式AI機器人能為企業、員工與顧客打造三贏的局面。只要遵照本文所點出的步驟，企業就能用安全且有條理的方式，開始部署生成式AI機器人。
（本文轉載自《哈佛商業評論》全球繁體中文版2026年6月號〈服務業生力軍：生成式AI機器人報到！〉，作者為新加坡國立大學商學院教授武耀恆Jochen Wirtz，譯者為林俊宏）
