大多数企业的 AI 客服停留在听懂阶段。用户说什么它能理解,能给出通顺的回答,但事情办不了。要办事还得转人工,或者给用户一个链接让他自己去操作。

这个差距不是模型能力问题,是系统集成问题。

听懂之后要做什么?

要做三件事:确认意图、执行动作、确认结果。三步里最难的是执行,因为它需要跨系统。

确认意图靠模型,现在做得不错。执行动作要调业务接口,涉及鉴权、参数校验、幂等、错误处理。确认结果要把接口返回翻译成用户能懂的话,还要处理部分成功的情况。

为什么执行这么难?

因为企业内部的接口大多不是为机器设计的。文档不全、返回格式不统一、错误码含义靠口口相传、限流规则写在某个人的脑子里。

这些接口人用起来还行,因为人有常识能补。模型没有常识,接口含糊它就只能猜,猜错就是业务事故。

怎么补这一层?

三个动作。第一,给每个要接入的动作写清楚契约:输入什么、输出什么、什么情况会失败、失败怎么处理。第二,做幂等,避免重复调用造成重复扣款这类问题。第三,做沙箱,先在测试环境把边界跑通。

这三件事都不难,但很多企业不做。原因是接口是别人维护的,改了要协调,协调成本高。

部分成功怎么处理?

这是最容易出事的地方。一个退货请求,退款成功但库存没回滚,用户看到的是退款到账,系统里库存是错的。

处理办法是把动作拆细,每一步单独确认,任何一步失败都要显式告知用户哪一步没完成,以及怎么补。

转人工率能降多少?

取决于场景。标准化程度高的场景,比如查物流、改地址、查余额,转人工率能压到很低。涉及判断的场景,比如投诉定性、特殊赔付,很难降。

合理的预期是整体转人工率下降两到三成,不要指望归零。宣称能归零的方案,基本是把复杂请求挡在了外面。

该从哪个场景开始?

选三个条件同时满足的:请求量大、动作标准化、失败代价低。查物流最符合,改地址次之,退款要谨慎。

先在低风险场景把工具调用的完整链路跑通,包括错误处理和部分成功,再往高风险场景扩。顺序反了,第一次事故就会让项目停摆。

最后该怎么说?

AI 客服的价值不在回答得多好,在能闭环多少。一个回答一般但能办事的系统,比一个回答漂亮但只会转人工的系统有用得多。

去论坛讨论

前往 ziyuanagi.com 论坛 参与讨论