那个不太好找的入口
问题很简单：退款到账要几天。对话框先弹欢迎语，再列出几个你可能关心的话题，没有一个对得上。你把问题重打一遍，它回“已为您找到相关答案”，指向的还是其中一条。翻到页面角落，才看到一个不太显眼的“转人工”，点进去，排队。
遇到几次之后，很容易得出一个笼统的判断：机器人太笨。这个判断不算错，但把它当成唯一原因，改进往往会走偏。模型只是链条上的一环，前端怎么引导、知识怎么维护、什么时候放手交给人工，这几件事出问题，再强的模型也只能在原地打转。
它答不上来，多半是三处漏水
第一处是听。用户说“我上周买的东西还没到”，一句话里裹着时间、订单、物流三层信息，系统要拆得开，才谈得上回答。拆不开，就只剩关键词匹配，抓到“物流”两个字，回一段通用说明。
第二处是答。不少智能客服背后是一份人工整理的知识条目，政策一改，条目没跟上，机器人就会给出过时的承诺。这类失误责任在内容治理，不在算法。它比“不够聪明”更难发现，因为对话看上去始终流畅。
第三处是接。转人工的那一刻，如果上下文没带过去，用户得把订单号、时间、诉求从头讲一遍。省下来的几分钟在这里又还了回去，还多了一层被敷衍的不快。
指标会悄悄改掉行为
如果团队只盯自助解决率，动作会自然变形：把转人工的入口挪深一点，让机器人在答不准时也硬撑几个回合。报表变好看，用户那头却在流失。另一种做法是把“是否解决”和“是否激怒”放在一起看，前者衡量效率，后者衡量代价。
还有一个常被忽略的细节：用户并不排斥机器，排斥的是被机器拖住。同样一句“这个我需要核实一下，帮您转接”，说在前面，观感就比硬答一遍再改口要好。
什么该交给机器
判断标准不是它能不能答，而是答错要付多少代价。查单号、改地址、说明退换流程，规则清楚、错了也能补救，交给机器合适。涉及例外、对方情绪已经很急、金额不小的事，机器不该抢着答，快速交出去才是负责。
所以智能客服的价值，未必体现在开场那几轮流畅的对话里。它更像一个筛子，把重复、明确、低风险的事稳稳接住，同时把剩下的干净地递出去。演示里最难的是巧，日常里最难的是稳。