沒有翻譯的那一刻
上周一早上，Windows 設備上的自動化流程出現了小故障。每天有數十份國際詢問進來，我們一直採用先將所有訊息翻譯成韓文，再進行分類的方式。但那天 Claude Code 跳過了翻譯步驟，開始直接識別原文中的關鍵詞。
起初我以為這是程式錯誤。但檢查結果後才發現，分類準確度反而從 94% 提升到了 97%。
為什麼不翻譯反而更準確
中國買家的「訂單請求」表述在翻譯過程中會遺失語氣。「庫存詢問」也是如此。特定的產品名稱或技術用語經過翻譯後，意義反而會扭曲。
機器人學到的很簡單：按語言分別學習關鍵詞模式，比翻譯成單一語言後再分析要快得多，也更準確。英文中的「urgent」、中文的「急」、日文的「急いで」意思相同，但在文脈中的出現頻率和組合方式各不相同。
成本削減的數學
Claude API 呼叫減少了 30%。翻譯步驟消失了，這是合理的結果。按月計算，自動化營運成本下降了約 15%。更驚人的是處理速度，平均回應時間從 28 秒縮短到 18 秒。
更快的回應轉化為買家滿意度提升。在相同的成本結構下，我們能夠處理更多的詢問了。
小失誤帶來的大洞察
這個發現並非刻意為之。如果沒有這個錯誤，我們會繼續採用翻譯型自動化。但限制本身成了創新。
在 B2B 業務中，速度就是信任。當韓國賣家需要與中國、日本、美國買家同時溝通時，與其消除語言障礙，不如強化語言別的理解能力。
下一步計畫
我計劃透過 Claude Coding 為每種語言附加信任度評分。同樣的詢問來自不同語言時，該如何判斷其可信度，並將其模式化。機器人改變自身學習方式的旅程，現在才真正開始。