「核心提示」
一边遭用户抱怨，一边被企业依赖，AI客服正是一门新生意。
作者 | 詹方歌
编辑 | 邢昀
很多人对智能客服印象不佳。
快递显示已签收却未收到，致电后系统只重复这一句；话没说完，界面就跳转，答非所问；好不容易接通人工，还得把前因后果复述一遍。这种“鸡同鸭讲”的经历不少人都有，智能客服就在一次次无效沟通中，透支着用户的耐心与信任。
但企业没法丢掉它。
作为连接企业与C端用户的直接纽带，售前咨询、售后支持、投诉处理等大部分沟通都得经过这道关卡。这活儿琐碎、重复、门槛低，全靠人力堆砌成本太高，而智能客服胜在便宜。
直到大模型普及，这场体验与成本的博弈才有了新解法。
围绕个体和行业现状，我们试图厘清几个问题：当下的AI客服是否依然只会添乱？它的能力边界在哪里？它究竟给行业带来了哪些实质进步？
部分问题已有答案，部分尚在探索。寻找答案的过程也揭示了一个更宏大的命题：AI并非为取代人类而生，但它确实在重塑我们的工作方式。
1、吐槽背后是市场
提及受AI冲击的岗位，客服往往首当其冲。
逻辑很清晰：客服工作包含大量高频且重复的事项，如退换货流程、地址修改……这些问题天然适合拆解为标准化的话术和流程。
现实中，智能客服进入企业服务系统已久，但效果不尽如人意。
市场监管总局数据显示，2024年全国消费者投诉中，电商售后服务领域涉及“智能客服”的投诉达6969件，同比增幅56.3%。用户集中反映的问题包括：答非所问、人工难联系、沟通效率低等。
换言之，智能客服在企业端被广泛采用，在用户端却饱受诟病。
技术成熟度不足是主因之一。
早期阶段，工程师将用户可能提出的问题提取关键词，搭配固定话术，通过规则引擎喂给系统。一旦用户表达偏离预设，系统便无法应对，这也是智能客服被称为“人工智障”的时期。
随后，系统转向依赖语义识别、意图分类及历史对话训练，回复不再那么生硬，但重新训练成本高，遇到未见过的表达方式时，仍会卡壳。
如今，大模型时代到来，工程师无需为每种意图单独建模，而是借助知识库、检索增强生成（RAG）及提示词设计，让模型具备“现学现答”的能力。至此，AI客服才真正拥有了处理陌生表达的能力。
行业热度因此回升。
国内市场方面，大厂与垂直厂商同步推进升级。IDC数据指出，2024年智能客服五大主要厂商市场份额合计35%，分别为阿里云、百度智能云、容联七陌、中关村科金和智齿科技。其中，阿里云占11.4%，百度智能云占10.4%。
大厂的优势在于模型、算力、云服务及企业客户资源。对于阿里云、百度智能云、腾讯云等而言，AI客服可融入云计算、大模型及智能体平台整体方案，无需单独讲故事。
但该赛道并未被大厂完全垄断。客服行业细分程度高，不同行业、客户的业务规则、知识库、转人工标准及质检方式各异。大厂虽有资源渠道，却未必愿在每个垂直场景做重交付。因此，容联七陌、中关村科金、智齿科技等传统厂商，以及众多AI语音和智能体创业公司，仍有切入空间。
近一年来，AI客服落地过程中逐渐呈现Agent化趋势。
海外，OpenAI于7月推出面向企业语音支持的Presence，从模型能力向企业服务流程延伸。硅谷热门独角兽、AI客服赛道标志性创业公司Sierra，5月完成9.5亿美元融资，估值超150亿美元；近期Sierra收购了一家专注长周期Agent的公司，旨在让AI客服处理更长线程、更复杂的任务。
这表明，AI客服已超越传统“问答机器人”范畴，正演变为连接用户、订单、工单、知识库及人工座席的前端智能体。行业竞争焦点，也从“能否回答问题”转向“能否解决问题”。
但这并非坦途。
2、还需持续进化
智能客服留下的刻板印象，使得AI客服需付出更多努力以重建信任。一个迹象是，面对AI客服时，许多人不愿尝试，第一反应往往是“转人工”。
但实际上，AI客服正变得更具实用性。大模型加持下，AI客服不仅话术更自然，还具备了理解上下文、追问信息、调用工具及生成工单的能力。
它们正从“回答问题”迈向“处理任务”。
在标准化场景中，这一变化尤为明显。诸如订单查询、物流进度、账户信息、预约改期、费用说明、政策解释等问题，边界清晰，答案可从企业系统及知识库中提取。AI客服只需识别意图，调用对应数据，即可处理大部分事项。
AI客服领域的热门创业公司Sierra便是典型代表。其官网显示，合作伙伴涵盖媒体订阅、智能硬件、消费电商、安防、金融、医疗、房贷、电信及公用事业领域。其为美国安防公司ADT部署的AI客服，功能已从单纯回答问题扩展至付款、改约服务时间、订购庭院标识及电池等操作。
此外，《豹变》获悉，目前国内顶尖的AI客服已实现毫秒级实时语音交互，足以满足日常沟通需求。
2026年1月，中国电信人工智能研究院（TeleAI）表示，其推出的超拟人对话大模型——GOAT-SLM不仅能听懂字面意思，更能捕捉“弦外之音”。例如，从急促语气中察觉用户焦虑后，它能同时生成共情文字，并以合适的语调和情绪进行交流。
这意味着，未来AI客服或许不仅能听懂指令，还能真正与人“共情”。
然而，一旦进入复杂售后环节，AI客服的局限便显露无遗。
退款争议、投诉处理、责任划分、资金安全、医疗用品故障等场景，用户问题往往不标准，也不仅缺一个答案。客服需判断事实、识别情绪、核验材料、评估风险，甚至在企业规则与消费者权益间寻求平衡。
这些环节，AI难以独立完成。
AI客服可总结对话、提示后续流程，但不宜直接做出最终判定。尤其在涉及赔付、投诉、账户安全等场景，若AI理解偏差或将不确定信息表述得过于肯定，反而会加剧用户的不信任。
正因如此，监管部门曾提示应发挥智能客服与人工客服各自优势。今年年初，浙江省消保委在客服热线调查报告中提到：常规性咨询可由智能客服处理，涉及消费者售后投诉、资金安全等复杂或紧急问题则优先转接人工。
比起AI客服“不够聪明”，更令人头疼的是找不到人工。
虽然是否增聘人工客服由企业决定，但在AI端，通过工程化手段同样能改善用户体验，甚至优化人工客服的工作方式。
一方面，海量AI客服可同时稳定在线，能在一定程度上缓解人工客服等待时间长、在线时间短的问题。
另一方面，与其让用户陷入死循环，不如利用工程化能力使转人工更顺畅，尤其是通过AI提前记录相关信息。
例如，网易云商·七鱼的AI座席辅助能从会话中自动提取关键信息、生成摘要，并将用户姓名、联系方式等自动填入工单；沃丰科技的大模型座席助手也主打“自动生成小结、自动填写工单”。拥有这些能力的客服，使用户无需再像过去那样，对着人工客服反复复述问题。
这也意味着，AI客服的下一步竞争，或许不在于处理更多标准问答，而在于能否介入更复杂的服务流程。
3、一门在验证中的长期生意
智能客服是一个存在数十年、边界清晰甚至略显老派的市场。几乎无人认为，用AI做好这件事能算作什么“颠覆性的未来”。
但这种“不性感”或许正是其价值所在。企业不会因经济周期波动而停止提供客服服务，这使得它成为一个真实、可验证、无需教育的市场。
与其他垂直领域类似，AI客服行业也有自研大模型的玩家。除前述中国电信TeleAI外，还有押注AI语音技术的南京云蝠智能等。
不过，选择自研大模型的企业仍是少数。
上述提到的美国独角兽Sierra也未完全自研大模型，而是将AI客服行为拆解为具体任务，为每个任务选用最适配的模型。若现成模型无法满足要求，再投入资源开发更精细化的模型。最终交付的是一个模块化、有监督、随模型演进持续优化的生产级智能体。
在国内，更普遍的做法是调用百度文心、阿里通义、字节豆包、DeepSeek等主流大模型能力，利用自身积累的行业知识库、业务流程和场景数据，将功夫下在应用层而非底层模型。
2025年初，DeepSeek开源后，包括中关村科金在内的大批客服及云服务厂商集中宣布接入DeepSeek，将其作为智能客服的底层能力。
对大多数中小创业公司而言，从零训练模型的资金和时间成本过高，调用现成模型，将精力聚焦于场景和工程化，更符合现实利益。
从商业模式看，AI客服赛道主要有两种盈利模式：SaaS订阅制和项目制。
订阅制意味着可持续的经常性收入。客户按年或按月付费，企业获得相对稳定、可预期的回款，现金流更平滑。资本市场通常对此类业务给予更高估值。
但订阅制的另一面是，客户可随时停止续费，因此产品效果和服务稳定性需接受持续检验。若留存率和续费率不高，“稳定性”优势便难以兑现。相比之下，项目制单笔金额往往更大，在金融、政务等大客户场景中更为常见。
目前，Sierra还在探索“按结果付费”模式。企业不为使用了多少功能、消耗了多少token买单，而是为AI客服真正完成的业务结果付费。
例如成功解决支持问题、避免交易取消、实现追加销售或交叉销售，或其他有价值成果。若问题未解决，通常不产生任何费用。
这种模式看似更易被企业接受，但也对AI客服能力提出更高要求。
归根结底，无论是技术路线还是商业模式，该赛道眼下尚无标准答案。唯一确定的是，聚集于此的玩家正在验证一件朴素却易被忽略的事：一项技术要真正获得信任并被规模化应用，究竟需经历怎样的过程。终点未知，但仅仅行走在路上，人类的工作方式就将发生深刻变化。
【站点差异】本稿将发布到 shixunpress.com。请换一种措辞、句式与段落节奏，避免与发往其他站点的版本雷同；事实与数字仍必须与原文一致。
