用 AI 做客户投诉工单分类与派单

客服团队每天收到几十上百条投诉，真正耗时最多的环节，常常在动笔回复之前——先得判断这条该归谁管。同一个物流问题，客户在投诉里夹着情绪和退款诉求，光靠读一遍很难稳定分派。让 AI 先做一轮分类和派单，人工只处理它拿不准的部分，来回沟通的量能降下来一大截。

为什么这一步适合交给 AI

工单分类本质是"给一段文字贴标签"，这是 AI 擅长的任务类型：有明确答案、判断依据在文本里、对创造性没有要求。只要分类口径提前定死，它就能按统一标准处理，不受情绪和疲劳影响——这两点恰恰是人工连续处理五十条投诉后最容易滑坡的地方。

但交给 AI 的前提是口径稳定。如果团队自己还在争论"态度问题算服务还是算售后"，模型只会在两个标签之间反复横跳。先内部把口径定下来，再上 AI，顺序不能反。

定分类体系：每类标签别超过两级

分类体系建议三个维度：业务线（物流、质量、退款、服务态度）、紧急度、责任部门。每类标签别超过两级——"物流"下面再分"延迟""破损""丢件"就到顶，不要出现"物流-延迟-同城-次日达"这种四级结构。层级每多一层，示例数量要翻一倍才压得住误差。

紧急度按后果定，不按情绪定。客户措辞激烈但诉求是"催进度"，紧急度中等；诉求涉及安全、健康或公开曝光的，直接高。这个区分要让 AI 也学会，靠的是你在规则里写清判定条件，别指望它"感受"客户的愤怒程度。

配示例：每类两到三条真实工单

只给定义的分类指令，"服务态度"这类边界模糊的类别很容易被乱用。更稳的做法是每类配两到三条真实工单：一条典型的，一条容易混淆的。比如"退款"类配一条"货没到就想退款"的——它同时涉及物流，模型见过这种样本后，才知道主诉求优先。

示例从哪来：翻过去一个月的工单，挑人工分派时反复出错的几类。真实工单比编造的干净例子有用得多，因为它们带着口语、错别字和情绪，和线上分布一致。

输出结构化结果，人工只看例外

让 AI 每次都输出固定字段，后续才能进系统、能统计。

人工复核只盯两类：把握程度为低的和紧急度为高的。前者是模型自己承认没把握的，后者是错了代价最大的。其余批量放行，抽查比例视磨合情况定——磨合期高一些，稳定后降下来。

它做不到什么

涉及赔偿金额、责任认定、需要安抚情绪的复杂投诉，最终判断仍要人来做。模型能判断"这条该给售后团队"，但赔多少、谁的责任、客户在气头上怎么接招，都超出贴标签的范畴。

它也不了解内部安排和临时政策：哪个团队这周人手紧张、哪类问题正在走特殊流程，这些上下文不在工单文本里。分派建议可以采纳，但派单前扫一眼例外公告，比事后返工便宜。新业务上线初期分类体系变动频繁，这一阶段模型错误率会明显偏高，宜以人工为主。

工单分类派单速查

• 口径先定死，再上 AI，顺序不能反
• 标签不超两级，每类配两到三条真实示例
• 紧急度按后果定，不按情绪定
• 输出固定五字段，人工只复核"低把握"和"高紧急"
• 赔偿、定责、情绪安抚，永远留在人这一侧

三个常被问到的问题

• 客户一条投诉里同时提了三件事，怎么分？：按主诉求分，不按事件数量分。可以在规则里写明"以客户明确要求解决的那件事为准"，摘要里提及其余事项。练不出稳定的主诉求判断时，把这类多事项工单也划入人工复核，比错派强。
• 怎么知道模型的分派在变好？：抽两个数：人工修改率，以及被派错团队的工单处理时长。修改率降、时长同步降，说明真的在省事；只降修改率时长没变，可能只是人工懒得改了。每周固定抽五十条复盘，比凭感觉可靠。
• 系统能自动派单，还需要人工看全量吗？：不需要，但要有兜底抽查。模型对罕见表述会失灵，比如方言、缩写、错别字扎堆的长句。设一个"低置信自动挂起"的队列，每天下班前清空一次，既不漏单，也不回到全人力的老路。

工单数据的价值不止于分派。《用 AI 分析退货原因：售后数据的归因》讲的是怎么从同样的文本里挖出反复出现的问题；月度复盘时，《用 AI 做年度复盘：数据与选题的总结法》里的字段法可以直接迁移到工单汇总上。要把处理结果整理成给管理层的汇报，《用 AI 写年度经营总结：给合伙人的版本》提供了一条从明细到结论的表达路径。