晚上十点,一位用户打字:“我要退的是运费,不是商品。”窗口秒回:“请选择您要办理的业务:1. 退货退款 2. 物流查询 3. 优惠券问题。”他点了 1,又被要求“请描述商品问题”。三轮之后,他关掉窗口,第二天在社交平台上写了三百字。
这段对话里,机器人并不是没回答。它每一句都回了,而且回得很快。问题在于,它接收到的只是“退货”这个词,漏掉的是“运费”这个限定。用户真正想说的那半句话,恰恰是例外所在。
它擅长的是分类,不是理解
多数智能客服的底层并不复杂:把用户的话切成意图,再从知识库里找最接近的答案。意图识别、槽位填充、多轮对话管理,这套流程在标准问题上跑得很好,查订单、改地址、问发货时间,几乎不出错。
但它处理的是“这一类问题”,不是“这一个用户”。一旦句子带上条件、否定、比较,或者用户把两件事塞进一句话,分类就开始跑偏。“不是我本人下的单”“上次说好补发的”“能不能只退一半”,这些说法在话术库里往往没有对应条目,于是系统退回最安全的那句:“抱歉,我没太理解,您可以换个说法。”
换个说法。这句话把理解的成本推回给了用户,而用户此时往往已经在气头上。
真正的开销不在人力,在重复
企业算账时习惯看自助解决率、看单次会话成本,这些数字确实好看。但有一笔账不容易被算进去:用户为了绕过机器人,需要重新组织语言、重新描述一遍、重新证明自己不是在无理取闹。
转人工本身不是失败,转得太晚才是。如果用户在第一次表达时就被识别为“需要人来处理”,损失只有几十秒;如果被来回引导五轮才转接,损失的是耐心,还有对品牌的判断。所以看它是否称职,除了看它答对了多少,也许更该看它多快承认自己答不了。
大模型改了说话方式,没自动改掉责任
接入大语言模型之后,这类系统的措辞明显自然了,能顺着上下文聊,也能把散落在帮助文档里的条款揉成一段人话。体验上的提升是真实的。
但另一面也出现了。生成式回复会“补全”它并不知道的信息,比如把模糊的时效说成确定的天数,把“通常可以”说成“一定可以”。客服场景对这类偏差格外敏感,因为用户会把它当承诺。于是问题从“答不上来”变成了“答得太像真的”。这需要另一套约束:可引用的知识范围、敏感表述的拦截,以及明确的话术边界。技术能生成句子,但责任归属仍然是人的事。
哪些工作适合交给它
把边界划清楚,比一味追求“全流程自动化”更实际。适合交给它的,大致是这几类:
- 信息明确、答案唯一的查询,比如营业时间、订单状态、发票申请入口;
- 流程固定、步骤可枚举的办理,比如修改收货信息、预约上门时间;
- 高频重复的说明性内容,把同样的规则讲给不同的人听。
而需要人来做的,往往带一点模糊:情绪已经起来的对话、涉及例外和补偿的协商、责任尚不清楚的纠纷。这些事情没有标准答案,也就没有可以检索的条目。硬塞给机器,结果通常是多绕一圈,再由人从头问一遍。
一个可以马上改的细节
如果只提一条建议,我会说:让“转人工”始终看得见。不是藏在第三层菜单里,不是要用户连打三次“人工”才触发,而是摆在每一轮回复旁边。这个设计不会拉低自动化的比例,反而会减少无效轮次,因为用户知道随时能走,才愿意多试一句。
智能客服的价值,从来不是把人挡在外面,而是把简单的事快速处理掉,把复杂的事尽快交出去。判断它做得好不好,有个很朴素的视角:关掉窗口之后,用户是松了口气,还是更想骂人。