“您的问题我已经理解了，请问还有什么可以帮您？”——这句话大概是很多人对智能客服最深的印象。明明说了三遍退款流程，它始终在原地打转，最后弹出一个转人工按钮，排队四十七人。用户关掉窗口，企业损失一单，技术团队回去调模型。
这个场景里，最容易被怀疑的是模型能力。但如果你真的拆开一套线上客服系统看，会发现模型往往只是链条中的一环，而且未必是最弱的那环。
它答不上来，可能因为从没被告诉过答案
智能客服的回答通常来自两条路径：一条是检索已有知识，一条是生成新句子。前者依赖知识库，后者依赖模型。问题在于，很多企业的知识库是为人写的——产品手册、FAQ、售后政策，语言完整、逻辑严密，但颗粒度很粗。用户问“上个月买的耳机左耳没声音能换吗”，知识库里只有“保修期内可申请换货”。模型要在两句话之间搭桥，桥没搭好，就只能给出一个礼貌而空洞的回复。
更麻烦的是知识更新。促销规则一周一变，退换政策按品类不同，这些信息如果还散落在各个部门的文档里，智能客服就永远慢半拍。它不是不聪明，是拿到的材料过期了。
意图识别卡在边界上
另一个常被低估的环节是意图边界的划定。用户说话不会按分类体系来。“我付了钱但订单没动静”同时涉及支付、物流和订单状态。系统如果只允许一个意图命中，就会把这句话塞进某个格子，然后用那个格子的标准话术回应。
这类问题的解法通常不在换模型，而在把意图拆得更细，或者允许一句话触发多个处理分支。听起来是工程活，实际影响的是体验。用户感受到的“听不懂”，很多时候是系统在强行归类。
转人工不是失败，是设计的一部分
有些团队把转人工率当作智能客服的负面指标，想尽办法压低。这个思路值得商榷。对于投诉、纠纷、涉及金额较大的场景，尽早让人介入反而更稳。真正该优化的是转接的时机和衔接：用户已经重复了三遍问题，转过去之后人工还要再问一遍，这才是伤害。
比较务实的做法是让智能客服在对话过程中沉淀上下文，转人工时把已确认的信息一并带过去。技术上不复杂，难的是产品、客服、技术三方愿意坐下来对齐字段。
它的价值在分流，不在替代
回到最初的问题：智能客服到底解决了什么。如果目标是完全替代人工，那大多数系统都会让人失望；如果目标是承接高频、标准、低风险的那部分咨询，它其实已经够用了。查物流、改地址、问营业时间，这些场景里用户也不想排队等人。
判断一套系统是否值得投入，可以看一个朴素的问题：它有没有把简单问题挡在前面，同时让复杂问题更快找到人。至于那些答非所问的时刻，与其急着换更大的模型，不如先翻一翻知识库的更新记录，看看意图分类是谁定的，转人工的按钮藏在第几层。答案常常在那里。