企业上 AI 客服,先想清楚这三个问题
客服机器人买来不等于省钱,多数项目半年后成了第二套人工。本文讲清知识来源、能力边界、效果指标三件事,附成本账和验收单。
企业上 AI 客服,先想清楚这三个问题
客服机器人不是买来就能省钱。多数项目半年后变成第二套人工客服。这篇讲清楚上线前必须定的三件事:知识从哪来、边界划在哪、怎么衡量有用,附成本账和验收清单。
一、为什么多数智能客服最后没人用
常见的路径是这样的:老板听说 AI 能省客服成本,采购或定制一套,接在网页和公众号上。上线第一周很热闹,第二周开始有人抱怨「答非所问」,第三周用户直接点人工,半年后机器人变成一个只能回答「您好,请问有什么可以帮您」的摆设。
问题不在模型,在三个前置条件没定:知识来源没整理、能力边界没划、效果没指标。三件事缺一件,项目就会退化。
二、三个必须先回答的问题
第一个问题:知识从哪来,质量够不够
机器人答不准,九成是知识库的问题,不是模型笨。典型状况是把官网、宣传册、产品手册一股脑塞进去,里面全是营销话术,没有一条能直接回答「这个型号支持几路输入」。
可用知识通常来自三处:历史客服会话里的真实问答、产品参数表、售后处理规则。前两处决定覆盖率,第三处决定满意度。
整理成本要提前认。一个中等业务,把历史会话清洗成问答对,通常要三到五个人天;参数表如果分散在十几个文档里,还要再加几天。
第二个问题:边界划在哪,谁来兜
必须明确机器人管什么、不管什么。管什么:查订单、查物流、查价格、基础参数、常见故障的初步排查。不管什么:退款审批、投诉处理、涉及金额的承诺、需要看现场的问题。
边界之外要有明确动作:直接转人工,而不是硬编一个答案。转人工的触发条件要写成规则,比如连续两次没解决、识别到情绪激烈、涉及金额超过阈值。
第三个问题:什么算有用
没有指标的项目,永远说不清值不值。三个指标够用:自助解决率(没转人工就结束的比例)、首次响应时间、人工工单占比的变化。
只盯「省了几个人」是最容易失败的视角,因为如果解决率低、用户反复提问,人工量反而上去。
三、成本账
投入分三块:知识整理、系统对接、持续维护。
知识整理三到五人天,系统对接(接公众号、网页、企微)通常三到五人天,持续维护是每月一到两人天,因为产品更新、政策变化都要改知识。
收益侧,按自助解决率算:假设日咨询 200 条,自助解决率从 0 提到 60%,等于每天省 120 条人工。按每条 3 分钟、客服人力成本折算,一个月能省出可观工时。
但注意,这个收益只在「解决得对」时成立。60% 的自助解决率如果是靠乱答糊弄出来的,用户下一次会带更大情绪回来,成本更高。
四、我们会怎么做
第一步,拉历史会话,抽样 300 条做问题分类。看真实咨询集中在哪几类。1 人天。
第二步,按分类整理知识。优先覆盖占比最高的三类,别追求全覆盖。2 到 3 人天。
第三步,设计边界与转人工规则。把「不能答」的场景列成清单,写成可执行的判断条件。0.5 人天。
第四步,接入并灰度。先对 10% 流量开放,盯自助解决率和转人工率。1 人天。
第五步,按周回看未解决的问题,补知识。持续。
排错表:
| 症状 | 根因 | 处理 |
|---|---|---|
| 答非所问 | 知识库缺对应条目的准确答案 | 补问答对,别靠调模型 |
| 用户反复问同一句 | 回答太长或没给结论 | 先给结论,再给细节 |
| 明显该转人工没转 | 触发条件写得太窄 | 加情绪与关键词识别 |
| 上线后人工量反升 | 乱答引发二次咨询 | 降低置信度阈值,宁可转人工 |
| 三个月后效果衰减 | 知识没跟着业务更新 | 建立每月更新机制 |
上线前打勾:问题分类完成、Top3 场景知识齐、参数类问题能查到具体数值、边界清单成文、转人工规则可执行、有自助解决率看板、有每周复盘机制、有兜底话术。八条齐了再对外。
五、明确判断
AI 客服值不值得上,取决于两个条件:咨询量够大、问题够集中。日咨询低于 30 条,或者问题极度分散,投入产出比很难成立,不如先把 FAQ 页面做好。
如果两个条件都满足,那就按上面的顺序做,先知识、后系统、再灰度。顺序颠倒的项目,基本都会返工。
最不该做的是:先买系统,再想知识怎么填。系统的能力上限由知识决定,反过来不成立。
常见问题
能不能直接接大模型,让它自己答? 可以接,但不能只靠它。没有知识库约束的大模型会编造参数和政策,这类错误在客服场景里代价最高。
知识库要多大才够用? 不看条数,看覆盖率。能覆盖历史咨询里占比 80% 的问题就够了,剩下 20% 交给人工。
多久能看到效果? 灰度两周能看到自助解决率的初步数据,稳定的判断要一个月。三个月还没起色,通常是知识质量问题。