Kore.ai

一句話結論

Kore.ai 是給「已經有客服中心、有 IT 服務台、有法遵部門」的大企業用的 AI agent 平台；你要的如果是幫官網加一個聊天機器人，它太重、太貴，也太慢。

實際的產品邏輯

Kore.ai 做對話式 AI 很多年了，2026 年 5 月 21 日推出新一代平台 Artemis，整個官網也改成以 Artemis 為主軸。官方新聞稿列了三個核心：Agent Blueprint Language（ABL，一種編譯式、宣告式的 agent 定義語言，內建六種編排模式）、Arch（把商業目標翻成 ABL 的 AI 架構師），以及「Dual-Brain」架構——讓 LLM 的推理與傳統的確定性流程在同一份記憶與語言裡並行。

說穿了，Artemis 在回答一個企業最在意的問題：agent 能不能被管。ABL 的意義是讓 agent 的行為先被寫成可驗證的規格，治理與可觀測性在上線前就套上去，而不是事後補 log。Dual-Brain 則是承認一件事：銀行的轉帳、保險的理賠核准這種流程，你不會想完全交給 LLM 自由發揮。

產品線分兩大塊：客戶體驗（語音與文字 AI agent、真人客服輔助、品質管理、AI 原生客服中心）與員工體驗（企業搜尋、AI for HR、AI for IT、AI for Recruiting），另有銀行、醫療、零售、電信、財富管理、旅遊、保險的產業套件。官方稱服務 500 多家 Global 2000 企業、支援 40 多種語音與數位通路、300 多個整合，並被 Everest Group 2026 年 Agentic AI 產品評比列為 Leader。

優點

治理思路是真的有想過的。多數 agent 平台先求能跑，Kore.ai 把「上線前驗證」寫進語言層，這對受監管產業是實質差異。確定性流程與 LLM 並存的設計也很務實，大企業的客服流程有大量不能出錯的步驟。語音通路是它的老本行，客服中心場景的累積比新創深得多。產業套件讓銀行、保險這類客戶不必從零設計意圖與流程。

缺點

價格不透明是最大的評估障礙：官網沒有公開價目表，第三方整理的資訊（例如新帳號有試用額度、依對話時段或席位計價、企業合約另議）都只能當參考，實際要跟業務談。Artemis 首發只上 Microsoft Azure，其他雲「之後跟進」——公司如果標準化在 AWS 或 GCP，現階段要多考慮。平台功能多、概念多（ABL、Arch、Dual-Brain、各種 agent 類型），導入需要專案團隊，不是 IT 部門一個人週末能摸完的。新一代架構剛推出幾個月，舊版客戶的遷移路徑與新功能的成熟度都還需要時間驗證。

適合誰

有大型客服中心、每天處理大量來電與訊息的銀行、保險、電信與零售業；想把 HR、IT 服務台的重複問題交給 agent 的大型企業；對稽核軌跡與治理有硬需求的受監管產業。不適合中小企業、只想在官網放問答機器人的團隊，以及沒有專職專案人力的組織。

台灣觀點

台灣的銀行與壽險業是最可能的買家，但要先過兩關。一是法規：金管會的金融業運用 AI 指引要求可解釋、可稽核、有人類監督，Kore.ai 的治理設計方向吻合，但實際的資料落地位置（Azure 哪個區域）與委外作業規範要跟法遵逐條對。二是語言：官方強調多語系與多通路，但台灣客服常見國台語夾雜、注音文與 LINE 貼圖，繁中與台語語音的實際辨識表現一定要在 POC 階段用真實錄音測，別只看英文 demo。另外台灣企業的客服主力通路是 LINE，導入前要確認 LINE 官方帳號的串接方式與成本。

替代方案

Cognigy 同樣主打客服中心與語音，是最直接的比較對象；Yellow.ai 在亞洲市場經驗較多；Moveworks 專攻員工端的 IT 與 HR 服務台；Sierra 與 Decagon 是新一代以 LLM 為核心的客服 agent；預算有限或想自己組的團隊可以看 Voiceflow 或 Botpress。員工知識搜尋為主的需求，Glean 更聚焦。