晚上十点多，你想改一个已经发货订单的收货地址。对话框弹出来：“您好，请问有什么可以帮您？”你说明来意，它回三条常见问题链接。你换个说法再问，它问：“请问您是想查询物流进度吗？”第三次，你干脆打出“人工”两个字，屏幕上出现一行字：当前排队人数较多，请耐心等待。
这串流程里，每个环节都跑通了，唯独用户的诉求没有落地。问题不在机器答得不像人，而在于整套流程被设计成必须给出一个答案。
它默认你的问题有标准答案
多数智能客服在工程上都有一层意图识别：把用户说的话归到预先定义的类别里，再按类别调出对应话术或操作入口。问题集中、表述稳定的时候，这套做法相当有效——查订单、改地址、问发货时间，几句话就能闭环，用户也确实省了等待。
麻烦在于真实问题是长尾的。知识库和话术按高频场景搭建，而用户来找客服，往往正是因为遇上了那部分没被覆盖的情况：地址改了一半、优惠叠加出了偏差、退换货的责任说不清楚。系统在这些地方不会说“我不知道”，它会继续问“请问您是要查询物流吗”。答非所问不是故障，是它在按既定逻辑工作。
转人工的难点在别处
把“转人工”当成兜底按钮，还是当成系统的一部分，会导向两种完全不同的形态。前者是失败后的逃生口，后者是一条需要认真设计的交接路径。
真正难的不是那个按钮，而是把上下文递过去：用户说了什么、试过哪些操作、订单号是多少、情绪走到哪一步。有些系统在转接瞬间把对话清空，用户被迫从头复述一遍，还要再解释一次“我刚才已经说过了”。这种重复对用户是消耗，对客服也是。一个能把自己听到的内容原样带过去、并标注哪些环节已经确认过的系统，即使话术朴素，体验也会好很多。
大模型改变了什么，没改变什么
生成式模型进来之后，最直接的变化是话术不再生硬，追问也显得自然。但它把“听起来像人”这件事变便宜了，并没有自动解决“该不该承诺”“能不能退款”“这个权限有没有”的问题。规则、权限、责任边界都在模型之外，靠提示词绕不过去。
所以更值得关注的能力，其实是判断自己该不该继续。什么时候可以自主处理，什么时候必须交给人，这条线画得清楚，比多生成几句得体的话更有价值。
指标会反过来塑造体验
如果只看人工转接率，系统会被优化成尽量不转，用户在那里反复循环；如果只看解决率，又容易把“用户关掉窗口走了”记成“已解决”。几个指标互相拉扯，最终的形状会落在用户身上。这些数字本身没有错，错在单独拿一个去定义成败。
也不是所有场景都适合交给机器。高频、低风险、答案稳定的问题，放手让它处理是合理的；一旦涉及金额、责任认定，或者用户情绪已经明显上来，机器往前多走一步，成本就往下压给了用户。
回到开头那个夜晚。一个让人不恼火的智能客服，未必需要多会讲话。它需要知道自己在哪里该停下来，把位置让出来，并且把之前听到的话，一字不落地带过去。