AI 客服这一年：究竟改变了什么

回头看这一年 AI 客服的变化，值得说的不是参数和规模，而是两个体验层面的改进：分流更准了，上下文能带过去了。这两点恰好是过去用户抱怨最多的地方——被机器人来回踢皮球，转人工之后还得把问题从头再说一遍。变化的另一面也没变：该人工的地方仍然必须人工，知识库依然是所有能力的前提。以下讲的是这一年的共性变化，具体产品的能力边界以官方说明为准。

分流从看关键词到看意图

过去分流主要靠关键词命中，客户说「退」就进售后队列，说「贵」就进议价队列，分错是常事。现在的系统开始按意图和紧急程度分流：同一句「我不想等了」，在物流场景是催发货，在退款场景是催进度，意图不同去向不同。分得准不准有个朴素的判断标准：客户需要重复描述几次。一次都不用重复就能落到对的队列，分流才算及格；每次都要客户重新解释一遍，说明分流的口径还没对上真实场景。

转人工时上下文跟着走

上下文衔接是这一年改善明显的一环。转人工时，对话摘要、客户已经提供过的信息、机器人已经尝试过的方案，可以一起带到人工坐席面前，客户不用从头再说。这一步看似小，实际影响很大：客户重复描述问题时的烦躁，是客服差评的主要来源；客服反复追问，也拉长了单次处理时间。机制好不好，取决于摘要是否准确、已尝试方案有没有如实呈现——摘要漏了关键信息，客户照样要重说一遍，体感不会有任何改善。

赔付与承诺，仍然必须人工

工具能力再强，有一条边界不能让：涉及赔付、退款、服务承诺的答复，必须人工确认。机器人可以拟稿、可以整理依据、可以给出建议口径，但不能替团队做承诺。原因很直接：承诺一旦给出就是企业的责任，模型可能生成制度里并不成立的赔付条件，也可能把话说到规则没覆盖的地方。这条边界要写进使用规范、配进流程里，而不是依赖员工的自觉。哪类金额、哪类话术需要升级到谁，事先定好，比事后补救便宜得多。

一切改进的前提：知识库干净

分流和上下文都是管道，管道里流的水来自知识库。知识库混乱——同一问题两个答案、过期政策没下架、口语表述和制度表述对不上——分流再准、上下文再好，最终给出的还是错答案，而且错得更快更流畅。清理知识库是第一步，也是最容易被跳过的一步：业务部门急着上线工具，没人愿意花几天整理历史文档。先清库再上线，顺序不能反；上线之后还要有定期维护的安排，政策一变就同步更新，否则干净的知识库会慢慢变脏。

环节对照：工具做什么，人把什么

这张表可以当作上线前的分工清单：左列交给工具前，先确认中列的能力已经配好，右列的责任人已经落到具体的人。

它做不到的部分

AI 客服解决不了服务制度本身的问题。退货规则苛刻、时效承诺过高、人手排班不足，这些是管理问题，工具只能把矛盾挡在前面一会儿，挡不住积累的不满。它也处理不了情绪激动的场景：安抚有边界，超出边界的投诉要尽快转到人，转晚了差评反而更多。不同业务的可用程度差别也大——标准品、政策清晰的类目效果好；非标品、个案差异大的业务，机器人能接住的比例明显低，别拿别家的效果预期套自己的业务。

AI 客服落地速查

• 分流准不准，看客户要重复描述几次
• 转人工带上下文，摘要准确性要抽查
• 赔付、退款、服务承诺必须人工确认
• 先清知识库再上线，之后定期维护
• 情绪激动的场景尽早转人，别硬扛

三个常被问到的问题

• 上了工具，客服团队还要不要留这么多人？：人数取决于进线问题的结构。标准问题占比高的团队，人力可以往赔付审核、规则维护和复杂个案上移；问题五花八门的团队，工具只是把简单题筛走，人仍然是主力。
• 怎么判断我们该不该上 AI 客服？：先统计重复问题的占比。同一批问题占了进线量大头，工具的效果就明显；几乎每个客户问的都不一样，先整理知识库比先部署工具划算。
• 摘要功能会漏信息吗，漏了怎么办？：会漏，尤其是客户夹杂情绪的长段描述。应对办法是让坐席接手时先跟客户确认一遍摘要要点，发现缺口当场补，这比让客户完整重说省力得多。

看懂一项 AI 能力的真实进展，需要剥开宣传看机制。AI 价格战里的补贴、成本与留存提供了一种拆解框架；榜单排名变化的信号怎么看讲的是同类判断；分流调度这类资源安排问题，公交调度员的 AI 排班方法里有相通的思路。