7.4
深览指数
科技人人都是产品经理·叶小钗··AI 生成
反常识 AI客服接管业务后，我们发现：AI竟比人工贵！
一个AI客服陪跑项目两年来覆盖七成场景、承接近一半流量，但综合成本仍高于人工。作者指出，从“能回答”到“能干活”需要跨越场景、数据、权限、评测与人工兜底等工程级鸿沟。核心矛盾在于：生产级AI客服的账单从人力转移到了产研+Token费用，拐点需等待场景成熟、审核取消、组织调整后才能到来。适合正在或考虑引入AI客服的从业者、CTO、产品决策者阅读。原文 ↗
核心观点
- ▍生产级AI客服的综合成本目前仍高于人工，即便覆盖大量场景并承接近一半流量。
- ▍从“能回答”到“能干活”需要跨越场景、数据、权限、系统、评测、运营和人工兜底等七层工程，远非Demo阶段的知识库可实现。
- 01项目初期AI只用于常见问题查询（优惠券、退货政策），答案固定、风险低，但涉及具体订单时缺乏上下文和执行权限。
- 02Copilot模式下AI生成回复需客服逐条审核，AI参与覆盖对话但未真正接管工作，导致人力成本不降反升。
- 03项目经历“客服觉醒”期，团队产生大量混淆因子（虚假报BUG），快则一个月、慢则三个月才完成管理内耗。
- 04团队用场景地图（意图、前置条件、数据、规则、工具、风险等级等）结构化整理所有客服问题，优先处理高频、标准、风险可控场景。
- 05可观测性平台包含场景发现、定义、能力建设、测试、灰度、监控回流六步闭环，每个场景需经历完整迭代才能上线。
- 06成本构成包括建设期产研费用、双重成本（AI生成+人工审核）、复杂Agent多轮模型调用，以及组织尚未调整释放的价值。
反方 / 局限
- — 作者承认AI客服项目在能力建设和组织切换的中间阶段，成本账并不好看，最终甚至可能被迫选择便宜模型、牺牲服务质量。
- — 文章未深入讨论：不同行业（如金融、医疗）对AI客服的风险容忍度差异，以及大模型幻觉对关键业务（如退款、理赔）造成的潜在法律风险。
18 分钟 · 3 卡片 · 8 资料
读原文 →