晚上十一点，想改一下收货地址。点开客服窗口，机器人先问“请问您遇到什么问题”，四个选项里没有“改地址”。打几个字，它回“没有理解您的意思，请换个说法”。再打，它开始推荐优惠券。
这类经历很常见，于是很多人得出一个结论：机器人不行。但把问题全推给模型，其实放过了一些更实在的东西。
它听不听得懂，取决于有没有人替它想清楚
对话入口的意图分类，通常靠一套事先列好的问题清单。清单从哪来？历史工单、客服主管的经验、产品经理的猜测。清单覆盖不到的地方，模型再强也只能硬猜。改地址这类操作，在不少系统里被归到“订单问题”下面第三层，用户想不到那么深，机器也等不到那么深。
还有知识库。答案写在文档里，表述是给客服看的，不是给用户看的。“如需变更收货信息，请核实订单状态”——用户读到这句，仍然不知道点哪里。知识没被改写成对话语言，检索再准也白搭。
所以有时候不是智能客服不懂人话，是它背后的那份清单和那套答案，本来就不是按人说话的方式组织的。
生成式模型接进来之后，问题换了个样子
把大模型放进客服，长尾问法确实能被兜住一些。用户说“我那个单子地址填错了能不能改”，模型能听懂。但新的麻烦是，它太愿意回答。答案没有出处、政策理解偏了一点、承诺了系统做不到的事，用户信了，后面的人工要花不少力气去纠正。
比较稳妥的做法，是让它负责理解，不负责拍板。识别意图、把用户的话整理成结构化信息、给出候选答案，再由规则或人工确认。答案要能落到具体条款上，落不到就说不知道。这句话说起来简单，做起来得在产品流程里留位置。
把转人工藏起来，代价在后面
很多页面上，“转人工”按钮藏得很深，要先点三层菜单，或者等机器人问满三轮才出现。设计者的想法可以理解：希望用户先试试自助。但用户一旦察觉被拦，情绪会变。原本只想改个地址，变成和系统较劲。
人工入口该在哪儿？我倾向于放在对话开始就能看到的位置，同时让机器人先把能做的做掉。让路不等于放弃，先解决问题再让人接手，体验反而顺。
看什么指标，就会长成什么样子
自助解决率、会话轮次、满意度评分，这些数字都在用。问题是它们容易被自己说服。用户点了“已解决”，可能只是懒得再点；满意度打高分，可能是在评价人工那一段；轮次少，可能因为用户第二句就走了。
如果一定要看一个数，不如看同一类问题在短时间内重复进线的比例。它不太会说谎。
有些场合，它应该早点退后
高频、标准、能枚举的问题，机器合适：查物流、改预约时间、解释规则、引导操作路径。涉及金额争议、账户异常、情绪已经起来的对话，机器再客气也补不上。这不是能力问题，是位置问题。
判断一个智能客服做得怎么样，我越来越不看它能答多少，而看它知不知道自己什么时候该停。愿意说“这个我处理不了，我帮你叫人”的系统，背后通常有人认真想过流程。反过来，一个什么都说“已为您解决”的机器人，往往让问题在第二天以更大的形式回来。