AI 打電話賣東西？企業 AI 外撥的三個關卡：為什麼要、難在哪、怎麼合規

企業 AI 落地研究所｜主持 Casper／來賓 Max｜整集約 32 分鐘。

本集主題是企業 AI 應用：AI 外撥（AI 語音打電話）加上名單中樞（管理名單與狀態的系統）。三條主軸：企業為什麼需要它、技術上難在哪、勿擾（DNC）合規怎麼做。我們自己做的兩個原型（輕量外撥驗證工具、名單中樞 LeadHub）只當具體例子，不是本集主角。

完整口白見 對談稿，圖解見 投影片。

原則：每個概念給一個生活比喻＋一個情境例子，例子一律虛構、匿名。原型要誠實定位：輕量工具是「設計已定、依計畫實作中」；名單中樞是「需求驗證用的可操作 demo，資料是虛構的」。法規只引用查得到的公開條文與規範，口播時講出處；具體適用請聽眾問自己的法遵，主持人不給法律意見。

本集問題與受眾

受眾：非工程背景的產品、業務、法遵、營運主管；金融、保險、通路、傳產業務團隊都適用。

要回答：企業為什麼想用 AI 打電話？真的做下去，卡在哪幾個技術關卡？客戶說「不要再打給我」，系統怎麼保證真的停下來？

主張：AI 外撥的價值是把「打電話」這件又貴又難擴大的事變成可以量測、可以擴大的流程；但真正決定成敗的，不是 AI 聲音多像真人，而是名單狀態只有一個真相、勿擾能在下一通之前生效。

Hook（約 45 秒）

Casper： 一通業務電話，從撥號、等接通、自我介紹、被掛掉，到再撥下一通，一個人一天能打幾通？企業想用 AI 來打，聽起來很合理。可是 AI 慢半秒回話，對方就以為斷線；講一句大陸用語，對方就覺得是詐騙；更麻煩的是，客戶說「不要再打給我了」，你確定明天另一個活動不會又打過去嗎？今天我們用三個關卡，拆開企業 AI 外撥：為什麼要做、難在哪、怎麼合規。

節奏與預估時間

全段預算約 32 分。對談稿口白約 6,300 字，照念約 25～28 分，加停頓與即興估 29～33 分。要壓到 25 分：第 3 段只講架構圖一句話，第 5 段只留號碼信譽，第 6 段只講「推名單」和「唯一真相」。

1｜Hook 與本集地圖（3 分）

• 主問題（Casper 問）：大家講「AI 外撥」，到底在講什麼？
• Max 要說清楚：
• 「AI 外撥」包含兩塊：電話裡會講話的 AI 語音，和背後管名單、排程、勿擾的名單中樞。只買前者，等於只請了廚師沒有訂位本。
• 本集三關：為什麼要做（商業痛點）→ 難在哪（技術）→ 怎麼合規（DNC 勿擾）。
• 帶走的一句話：先問「名單狀態寫在哪」，再問「AI 聲音像不像真人」。

2｜主軸一：企業為什麼需要 AI 外撥＋名單中樞（4 分）

• 主問題：企業本來就有電銷中心，為什麼要讓 AI 打？
• 追問：AI 外撥是要取代業務嗎？
• Max 要說清楚：
• 成本：人工外撥大部分時間花在「沒接、語音信箱、空號、打錯人」，真正有對話的時間很少。AI 先把這段篩過，業務只接「願意聊」的人。
• 規模與尖峰：活動上線、續約季、新產品推出，電話量是一波一波的；人力很難跟著彈性擴縮，訓練新人也要時間。
• 一致性：每一通都照同一份揭露與話術，該講的告知不會漏講——這同時是合規需求。
• 轉換：名單放越久越冷。能在名單進來後盡快完成第一次接觸、再把有意願的人交給業務，才是轉換率的來源。
• 為什麼還需要名單中樞：名單來自 CRM、各通路、活動表單，有重複、有過期同意、有人已經說過不要。沒有一個地方統一清洗、排程、記錄、擋勿擾，AI 打得越快，出事越快。
• 定位：AI 外撥是業務的前段篩選，不是取代業務；成功定義通常是「同意讓業務回電」。
• 生活比喻：餐廳的帶位員——先問幾位、有沒有訂位，再把客人交給服務生；帶位員不點菜。
• 錄製備註：本集不念任何轉換率或成本百分比，沒有可公開的第一手數字。

3｜主軸一：兩種落地形態（4 分）

• 主問題：實際做的時候，有哪幾種起手式？
• Max 要說清楚（用我們的兩個原型當例子）：
• 做法 A：輕量驗證型外撥。一個活動資料夾（產品說明＋設定＋名單）、一支指令工具、一個本機資料庫；語音走「Voice AI 平台＋台灣在地市話 SIP 線路」；打完用大模型判讀逐字稿；成功只有一種——同意業務回電。刻意不做後台、不做即時轉真人。用幾十到幾百通回答「AI 打出去有沒有用」。
• 做法 B：企業名單中樞（LeadHub 原型）。三種角色：消費者（收 CRM／通路名單）、指揮者（決定何時、對誰、什麼節奏打）、記錄者（名單狀態的唯一真相）。語音廠商只是執行層。
• 兩者互補：A 驗證「話術與 AI 效果」；B 驗證「狀態、勿擾、分派、對帳」。
• 生活比喻：A 是擺攤試賣；B 是開連鎖店要先有中央庫存系統。
• 錄製備註：不說「已上線接真實客戶電話」；不點名語音平台品牌。

4｜主軸二：電話裡的難題——延遲、搶話、台灣口音與用語（4 分）

• 主問題：AI 打電話，對方最容易在哪一秒覺得「怪怪的」？
• 追問：對方講到一半插話，AI 怎麼辦？
• Max 要說清楚：
• 延遲：AI 回一句話要經過「聽懂（ASR 語音辨識）→ 想好（LLM 大模型）→ 說出來（TTS 語音合成）」三站，每站都花時間。人跟人聊天的換手空檔很短：跨 10 種語言的研究（Stivers 等，2009，PNAS）發現回應空檔多半落在 0～200 毫秒，平均約 0.2 秒。AI 慢一拍，對方就以為斷線或開始「喂？喂？」。
• 搶話（turn-taking）與插話（barge-in）：AI 要判斷對方是講完了，還是只是停頓；對方插話時要能立刻閉嘴、聽對方說。判斷太急會打斷人，太慢又冷場。
• 台灣口音與用語：有些語音平台的中文選項只有簡體中文代碼；「視頻、質量、信息」這類用詞，或不自然的腔調，台灣人一聽就起疑。台語夾雜、數字念法（電話、金額、日期）也要測。這是硬性的可行／不可行判斷，要先小規模實測。
• 生活比喻：講越洋電話有延遲，兩個人一直撞在一起講話，最後都不想講了。
• 情境例子：AI 說「我們的信息顯示您是會員」，對方立刻掛電話——不是產品不好，是一個用詞讓人以為是詐騙。

5｜主軸二：線路與號碼信譽、AI 判讀與信心分數（4 分）

• 主問題：電話打不打得通，跟 AI 有關嗎？
• 追問：打完之後，誰來判斷這通算成功？
• Max 要說清楚：
• 發話號碼：用台灣在地市話、合規線路。境外或來路不明的號碼，手機常跳警示，接聽率直接掉。
• 號碼信譽：短時間大量外撥、接通後幾秒就掛的比例偏高，號碼可能被來電辨識服務或電信端標記。系統要能監控這些訊號並自動暫停，不是靠人盯。上線前把發話號碼與公司名稱在來電辨識服務登錄。
• 通話後的 AI 判讀：大模型讀逐字稿，輸出結構化結果——意向、摘要、要不要勿擾、停在話術哪一段。結果不只「有沒有興趣」：語音信箱、空號、打錯人、稍後再打、系統失敗，後續動作都不同。
• 信心分數：模型給的把握程度。低信心或處理出錯 → 進人工覆核，不自動重撥、不直接派給業務。
• 降級：模型掛了就走規則（關鍵字），系統還能轉。
• 生活比喻：工廠品檢——機器判不準的件，放到人工複檢區，而不是直接出貨。
• 情境例子：客戶說「我考慮一下」，模型判成高意向但信心很低，沒進覆核就派給業務，業務白跑一趟。

6｜主軸二：跟語音廠商整合——Webhook 與唯一真相（4 分）

• 主問題：名單系統跟語音廠商接起來，最常出什麼問題？
• Max 要說清楚（講模式，不講任何廠商細節）：
• 推名單的代價：名單一離開中樞，勿擾和頻率控管就變薄。做法：小批次、接近撥出時間才推，並保留「撥出前再問一次能不能打」。
• 重撥誰說了算：兩邊各算「最多打幾次」會出現落差。乾淨切法：語音側每次只打一次，重撥由中樞決定。
• Webhook（打完通知）會漏、會重送、會亂序：要去重、要定期對帳補撈。
• 錄音不搬進名單系統：只存參照和摘要，錄音本體留在原錄音系統或內網。
• 併發上限：ASR、TTS、大模型、電話線路、後端業務人數都有上限，沒有負載訊號就保守送。
• 唯一真相：語音側顯示「已打完」、中樞還排著重撥——兩邊都自以為是權威。名單狀態只能有一本帳。
• 生活比喻：大腦和手腳。名單中樞是大腦也是帳本；語音系統是手腳。手腳可以換，帳本不能有兩本。

7｜主軸三：勿擾（DNC）合規（6 分）

• 主問題：客戶說「不要再打給我」，法律上要求什麼？系統要做到什麼？
• 追問：台灣有沒有像美國那樣，民眾可以登記「不要打給我」的全國名單？
• Max 要說清楚（講原則與出處，不當法律意見）：
• 名詞：DNC＝Do Not Call，勿擾／拒絕電話行銷。
• 美國：聯邦有全國「Do Not Call Registry」（FTC 管理），電話行銷要先排除登記的號碼；FTC《Telemarketing Sales Rule》與 FCC 的 TCPA 規則都規定，未經同意不得在受話人當地時間早上 8 點前、晚上 9 點後打。FCC 在 2024 年 2 月的宣告裁定確認：用 AI 生成的人聲，屬於 TCPA 管的「人工或預錄語音」，原則上需要受話人事先明示同意。
• 台灣：目前沒有全國性、民眾可登記的拒接行銷名單；勿擾主要靠每家企業自己記、自己擋。依據是《個人資料保護法》第 20 條：當事人表示拒絕行銷，應即停止；首次行銷時要提供拒絕方式並負擔費用。國發會 2023 年 6 月的《拒絕商業行銷指引》補充：拒絕可以不附理由、隨時提出，不限於企業提供的管道；企業要記錄、更新、彙整拒絕紀錄，並盡快通知所屬人員與受託者（例如外包電銷或語音廠商）停止行銷。
• 金融業的補充規範：銀行公會《銀行業電話行銷應遵循原則》（2023 年 10 月修正）要求主動告知銀行名稱、發話人與發話目的；首次致電要說明電話從哪來；信用卡與貸款外撥行銷不得在晚上 9 點後、早上 9 點前（客戶要求者除外）。
• AI 揭露：我們查到的台灣公開規範，沒有專門針對 AI 語音來電的揭露條文；但開場表明公司與目的本來就是規範要求，主動說「我是 AI」是我們的設計原則——也避免揭露後掛斷、被認為受騙。
• 系統要做的事：
  1. 同意：不是一個勾勾——要記錄範圍、版本、時間、來源，會過期、可撤回；缺證明不進可撥名單。
  2. 拒絕處理：任一訊號成立（模型判勿擾、結果是勿擾、逐字稿出現「不要再打」）就進全域勿擾，跨活動生效，不跟信心分數賭。
  3. 撥出前檢查：每一通撥出前再查一次勿擾與同意狀態。
  4. 時段：依規範與內部政策設定可撥時段，排程自動擋。
  5. 個資保護：送去 AI 貼標前先遮蔽身分證、卡號、保單號、電話；不在電話裡要身分證、卡號、密碼。
  6. 錄音告知：開場告知錄音；錄音只存參照，本體留在受控環境。
  7. 稽核軌跡：誰、何時、因為哪一句話被標成勿擾，什麼時候通知了廠商——出事時拿得出證據。
• 生活比喻：電梯的安全感應器——有一個感應到有人，門就不關。
• 錄製備註：條號與規範名稱照念；《個資法》2025 年 11 月有一輪修正，部分條文施行日期未定，口播不延伸解讀。

8｜收束：該先做哪一步（3 分）

• 主問題：聽完，公司現在該先做哪一個？
• Max 要說清楚：
• 想回答「AI 打出去有沒有人聽、會不會秒掛、有沒有人願意讓業務回電」→ 先做小規模驗證，數十到數百通，看接通率、表明 AI 後的掛斷率、同意回電率、分類準確率。
• 面對金融或大型通路、多家廠商、稽核要舉證 → 先把名單中樞、勿擾與責任邊界談清楚，語音是可替換的執行層。
• Casper 收尾：三題檢查清單
• 名單狀態的唯一真相在誰家？
• 客戶說不要再打，誰能在下一通之前攔下來？
• 出事時，我們拿得出「誰、何時、為什麼」的紀錄嗎？
• CTA：留言告訴我們，你們公司評估 AI 外撥，最卡的是名單、技術，還是合規？

麥克風可以說／不要說

可以說：名單中樞、DNC／勿擾、SIP、Voice AI 平台、ASR／TTS、Webhook、信心分數與人工覆核、adapter；本頁列出的公開法規與規範（講出處）；所有虛構情境例子。

不要說：任何客戶、金融機構、合作案名稱；特定語音廠商的介面細節、報價、人天、合約金額；雲端網址、金鑰、專案編號；真實姓名、電話、逐字稿原文；「已上線接真實客戶電話」「已通過金檢」；沒有出處的轉換率、成本百分比；把法規解讀說成法律意見。若要點名公開的 Voice AI 產品當例子，先確認本集要不要具名。

法規與研究出處（備稿用）

• 《個人資料保護法》第 20 條（全國法規資料庫）：https://law.moj.gov.tw/LawClass/LawSingle.aspx?FLNO=20&Pcode=I0050021
• 國發會《拒絕商業行銷指引》（2023-06-13 訂定）摘要，理律法律事務所：https://www.leeandli.com/TW/Newsletters/7144.htm
• 銀行公會《銀行業電話行銷應遵循原則》（2023-10-03 修正）：https://www.rootlaw.com.tw/LawArticle.aspx?LawID=A040390041066700-1121003
• 金管會銀行局：客戶不接受電話行銷，金融機構系統要註記（中央社，2023-04-27）：https://www.cna.com.tw/news/ahel/202304270078.aspx
• FTC Telemarketing Sales Rule 16 CFR 310.4（含 8:00–21:00 時段與 National Do Not Call Registry）：https://www.ecfr.gov/current/title-16/chapter-I/subchapter-C/part-310/section-310.4
• FCC TCPA 規則 47 CFR 64.1200：https://www.ecfr.gov/current/title-47/chapter-I/subchapter-B/part-64/subpart-L
• FCC 2024-02 宣告裁定（AI 生成人聲適用 TCPA）：https://www.fcc.gov/document/fcc-confirms-tcpa-applies-ai-technologies-generate-human-voices
• Stivers et al. (2009), Universals and cultural variation in turn-taking in conversation, PNAS：https://www.pnas.org/doi/10.1073/pnas.0903616106