IDC《全球人工智能和生成式人工智能支出指南》预计，到2028年中国人工智能总投资规模将突破1,000亿美元，其中生成式AI投资规模超300亿美元。其中，2025年中国市场Top3 的人工智能应用场景分别是智能基础设施调配、人工智能赋能的客户服务与自助服务、增强型联络中心与现场服务，后两者都是新一代智能客服的范畴，也是当前AI大模型应用落地最广泛、最成熟的场景。

2024年至今，随着DeepSeek的异军突起，国内大模型厂商开启的“价格战”显著降低了模型推理成本，加速了智能客服行业用户应用大模型的进程。IDC最新发布的《中国智能客服市场份额，2024：持续变革，落地加速》，聚焦在为用户提供“软件+服务”的AI赋能的智能客服解决方案市场。报告显示，2024年前五大主要厂商市场份额达到了35%，集中在阿里云为代表的云服务企业，以中关村科金为代表的AI创新企业和以容联七陌为代表的传统客服企业。

报告显示，文本/语音机器人、智能质检、坐席辅助、数字人客服、视频客服、智能分析、营销、培训、运营、决策等存在用户交互需求的场景，对大模型赋能的需求在提升。然而，与行业投资和应用热情形成鲜明对比的是，用户端的体验痛点依然突出。正如人民日报《“转人工”咋就这么难？》的报道所引发的广泛共鸣：当企业纷纷标榜“智能客服”时，许多用户却在迷宫般的语音菜单和答非所问的对话中反复周旋、效率低下，“转人工”成为无奈却普遍的选择。

本文深度对话智能客服领域的产品专家和技术专家，围绕推动智能客服价值跃迁的十大关键命题展开探讨，旨在为从业者与决策者提供技术落地、体验升级与商业共赢的可行路径。

“转人工”咋就这么难？智能客服 “不智能”，问题出在哪？

人民日报曾发文质疑智能客服“转人工”困难，这一现象背后反映出智能客服在实际应用中存在的“不智能”问题。其原因主要体现在以下几个方面：

1、误把大模型当成“万能药”。许多企业错误地认为，只要接入一个大模型，智能客服就能像人一样解决所有问题。但实际上，通用大模型本身是缺乏对企业业务规则、产品知识及系统流程的深入理解。在没有企业自有数据、知识和接口支撑的情况下，大模型就如同一个“名厨缺少本地特色食材和食谱”，虽掌握广泛的烹饪技巧和通用知识，却难以烹制出符合当地口味（企业特定需求）的美味佳肴。

2、缺少“模型+业务”融合的工程化能力。许多企业只接入了大模型，却没有将大模型与业务系统有效打通，也未建立起相应的知识库或工具链，导致模型无法理解企业特有的术语和规则。此外，交互流程设计不完善，如异常识别、失败兜底、人机协同自由切换等环节缺失，使得在大模型无法直接给出有效结果的复杂场景，陷入“幻觉”和局部指标优化的陷阱，导致整体用户体验不佳。没有一体化融合的工程化能力，再强的模型也只是“空讲理”，用户当然觉得“听君一席话，如听一席话”。

3、忽视持续的系统性建设。智能客服并非简单的“一句话技术”，而是一项涵盖模型、数据、系统和运营的系统性工程。企业需要构建结合大模型的可持续演进的效果运营机制，通过数据治理、持续训练、效果评估和优化改进，才能推动大模型智能客服“越来越智能”这件事真正发生。智能客服的核心价值不是“能不能接得住问题”，而是“是否解决了用户的问题”。这不仅依赖于先进的技术，更需要企业具备足够的耐心、正确的认知以及坚定的建设决心。

为解决这些问题，企业应重构对智能客服的认知，将其从单纯的“问答机器人”转变为“任务型人机协作系统”。模型作为智能客服的“大脑”，需要数据、流程和系统的协同支持，才能使客服系统真正具备“能说能做能兜底”的能力。同时，建议企业采用“分级客服协同”策略，将标准问题和高频问题交由模型处理，长尾问题和复杂场景由人机协作组合完成，并打磨“何时需要人工介入”、“处理结果以谁为准”、“如何及时响应反馈”等关键流程，以实现智能客服的长期有效发展。

智能客服技术是如何演进的？

IDC报告指出，传统的智能客服解决方案使用语音识别、语音合成以及自然语言处理和理解技术与人类进行交流，包含一系列产品形态，包括文本机器人、语音机器人、智能质检、坐席辅助、数字人客服、视频客服、智能分析、坐席培训等。随着大模型及生成式AI技术的发展，很多企业都将客服作为探索大模型落地的重要场景之一，智能客服厂商也将大模型技术与其原有的解决方案做结合。随着NLP大模型技术不断升级，底层技术能力已经趋于收敛，加上大模型推理成本的持续降低，智能客服产品性能将实现跨越式提升，同时也会催生更多市场机遇。

以阿里云、百度智能云为代表的云服务企业在底层大模型、新一代智能客服产品上有研发优势，且集团旗下有一部分业务和客服强相关，但未来需要加强的是中小企业的定制化服务；以容联七陌为代表的传统客服企业也有一定的市场认知度，这些企业需要加强的则是大模型技术底层研发能力；以中关村科金为代表的AI创企在深化垂类大模型与智能客服的结合应用，强调场景适配及服务能力，在市场中积累了一定量客户，市场认知度持续提高。

以中关村科金为例，它的智能客服发展历程，在一定程度上折射出行业的技术演进路径，也反映了不同阶段客户需求的变化。

2019-2020年（初创期）：技术上，主要基于规则引擎与浅层自然语言处理（NLP）技术，核心功能是实现FAQ（常见问题解答）问答，准确率约为60%。这一阶段，客户的核心需求是基础客服自动化，通过智能客服分担人工接听压力，降低运营成本。

2020-2022年（成长期）：技术上开始引入深度学习模型（如BERT）和知识图谱等技术，支持意图识别与多轮对话管理，智能客服的理解能力和交互流畅度有所提升。客户需求不再局限于简单的成本控制，而是希望通过智能客服提升服务效率和质量，例如更精准地理解用户意图，提供更个性化的应答。

2023年-2024年（跃升期）：技术上的显著特征是引入私有大语言模型（LLM）和Agent架构，实现大模型与小模型的协同（通用理解能力与垂直领域微调相结合），能够处理更复杂的业务场景问题。客户需求从“降本”转向“增效”，例如通过智能客服的用户画像分析实现精准营销，提升整体业务转化效率。

2025年初：中关村科金发布得助智能客服4.0，作为业界少数具备全栈能力的智能客服产品，其全部功能基于大模型、智能体并结合小模型进行重构，且深度融合了DeepSeek的技术特性，覆盖从全媒体联络中心、语音机器人、文本机器人到智能工作台、智能陪练、智能质检等智能辅助工具的全套智能客服产品家族，标志着智能客服进入全场景、全链路智能化的新阶段。

大模型是智能客服的必需吗？小模型够用吗？

大模型能够实现多轮理解、长文本总结、语言风格拟人化以及知识融合推理等功能，为用户提供更加自然、高效的服务体验。例如，在处理用户复杂咨询、情感分析（如从“你们怎么这么慢”识别用户焦虑情绪）以及模糊语义纠错等方面，大模型表现出强大的能力。

相比之下，小模型在解决结构化、标准化的高频问题上具有一定优势，如常见问题解答（FAQ）、意图识别和关键词匹配任务等。同时，小模型成本更低、部署速度更快，适合预算有限或业务场景相对单一的企业。

大模型不是智能客服的“入场券”，而是“升级器”。企业的智能客服是否需要引入大模型，关键取决于自身业务的复杂度和对服务质量的要求，结合场景和预算综合判断。如果企业业务需求以快速响应、覆盖广泛复杂问题为主，大模型将更能满足需求，提升服务效率和用户满意度；若业务主要集中在基础问答、流程简单的场景，小模型则足以应对，且性价比更高。

优秀与糟糕的智能客服，差别在哪？

智能客服的成功与否并非由单一技术因素决定，而在于是否能够将数据、知识和流程有效打通。只有将三者有机结合，才能构建出高效、智能的客服系统，为用户提供优质的服务体验。大模型就像一个特别聪明但刚入职的“实习生”，虽然学习能力强、语言表达好，但能否胜任客服工作，还得看企业是否真正“带教”到位——有没有喂给他真实的客户数据（让他知道用户是谁、想问什么）、有没有教给他该怎么回答（通过知识库、FAQ 等经验沉淀）、有没有安排他在合适的环节出现（比如流程策略和转人工机制）。如果这些环节缺失，他就像一个“聪明但无所适从的新人”，越忙越出错；反之，训练得好、安排得对，他就能成为高效稳定的“超级客服”。

优秀的智能客服案例通常具备完善的数据支撑、丰富的知识库以及高效的业务闭环流程。这类智能客服能够充分联动人工客服与系统，实现对用户问题的闭环处理，从而获得较高的用户满意度。例如，一些领先的金融机构智能客服，通过整合用户交互数据、内部系统数据以及行业知识库，构建了强大的知识图谱和智能问答系统。在处理用户咨询时，能够快速准确地理解用户意图，调用相关知识和业务流程，为用户提供一站式解决方案，同时在必要时无缝转接到人工客服，确保问题得到妥善解决。

相反，糟糕的智能客服案例往往表现为模型“裸跑”，缺乏有效的知识支撑和人工兜底机制。在这种情况下，智能客服无法准确理解用户问题，知识断层导致回答不准确或不相关，且当用户需要转人工客服时面临重重困难，这不仅无法解决用户问题，反而容易引发用户的不满和负面情绪。

企业智能客服的数据从哪来，如何加工？

从市场应用现状来看，金融、电商零售、政府、运营商、互联网和能源制造仍是智能客服市场的需求主体，行业用户正在利用大模型去升级智能客服领域的应用，在智能客服领域也有数字人、多模态交互等方面的应用需求；营销、培训、风控、运营、决策等存在用户交互需求的需求也在提升。

数据是智能客服的 “燃料”，其来源与加工直接影响智能客服的效果。

数据来源主要包括：

• 用户交互数据：包括聊天记录、语音对话等，但在使用前需进行脱敏处理，并加以标注，以提取有价值的信息。

• 知识库文档：如企业标准操作流程（SOP）、产品手册、政策法规等，这些文档是智能客服获取专业知识的重要来源。

• 客户内部系统/数据库数据：例如客户关系管理系统（CRM）、工单记录、产品数据库等，此类数据占智能客服数据来源的约60%，能够为客服提供客户历史信息、订单状态等关键数据支持。

• 客户官网数据：官网发布的产品介绍、常见问题解答等内容，也是智能客服数据的一部分。

• 第三方数据：如行业知识库，特别是在金融、医疗等行业，及时获取最新的监管政策更新等第三方数据，有助于智能客服提供准确且符合行业规范的回答。

数据加工流程涵盖：

• 数据预处理：首先对收集到的数据进行脱敏处理，确保用户隐私安全。接着进行清洗，去除噪声数据、重复数据和错误数据，提高数据质量。然后对数据进行标注，为后续的模型训练提供有明确标签的样本。

• 构建对话对与知识结构化：将处理后的数据构建成对话对形式，以便模型学习不同问题与回答之间的关联。同时，对知识进行结构化处理，如构建知识图谱，将分散的知识整合为有逻辑关系的网络结构，便于智能客服快速检索和应用。

• 融合优化技术：引入检索增强生成（RAG）、向量库等技术，对数据进行进一步融合优化。RAG技术能够使模型在生成回答时参考外部知识库，提高回答的准确性和可靠性；向量库则用于高效存储和检索文本向量，加速知识匹配过程。

• 场景化训练：利用处理好的数据进行场景化监督微调（SFT），针对特定业务场景对通用模型进行优化，使其能够更好地理解和处理该场景下的客户问题，形成可直接用于端到端应答的行业垂类大模型。通过以上数据来源和加工流程，企业能够为智能客服系统构建起坚实的数据基础，使其能够更准确、高效地服务客户。

数据安全与算法偏见，企业有多重视？

在金融、政务、医疗等高敏感行业，数据安全与算法风险已从企业的“顾虑”转变为“底线要求”，受到普遍且高度的关注。具体体现在以下三个层面：

1、严控数据和隐私保护，确保安全合规：

• 数据出境问题：对于金融和政务等行业而言，数据出境是严格的“红线”。任何涉及用户数据的外呼、问答或建模过程，若存在外网调用或跨境处理风险，都将受到严格限制。例如，金融机构在使用智能客服处理客户敏感信息时，必须确保数据存储和处理均在国内合规环境下进行，防止数据泄露至境外。

• 用户隐私保护：用户非常关注自身隐私是否会被模型“记住”，即在后续回答中是否会“泄露”用户历史信息。智能客服系统需要采取严格的隐私保护措施，如匿名化处理、访问控制等，确保用户数据的安全性和保密性。

• 部署方式考量：越来越多的客户倾向于选择私有化部署或本地推理方式，以实现数据不出域、模型不联网。这种部署方式能够最大程度地保障数据安全，减少数据被外部攻击或滥用的风险。例如，一些政务部门在引入智能客服时，会优先考虑将系统部署在内部专网环境中，确保政务数据的安全可控。

2、强化技术手段，加强内容审核，消除算法偏见：

• 大模型潜在缺陷：大模型通常基于互联网海量语料进行训练，这可能导致其存在性别歧视、地域偏见、政治敏感回答等“原生缺陷”。例如，在某些场景下，模型生成的回答可能对特定性别或地区的用户存在不公平或不恰当的表述。企业担心算法偏见在客服场景中被触发，从而引发公关危机、用户投诉甚至监管问责。一旦智能客服给出带有偏见的回答，不仅会损害企业形象，还可能面临法律风险。

• 应对策略：为解决这一问题，企业通常会引入对抗样本测试，提前挖掘可能引发偏见问题的触发词，并结合内容审核和风险兜底策略，确保智能客服输出的内容中立、公平、可控。

3、构建可信对话链路机制，提升模型可解释性：

• 模型黑箱问题：传统模型已存在黑箱问题，而大模型由于其复杂性，更是被视为“超大黑箱”。企业对于“答错了谁负责”这一问题极为敏感，因为在实际应用中，若智能客服给出错误回答，可能会给客户带来经济损失或其他不良影响。

• 可信对话链路机制：为解决这一问题，一些企业构建了“可信对话链路”机制，将每次生成内容关联到具体调用模块、知识来源、上下文信息等。同时，配套日志记录、模型版本管理和审计接口，以便在出现问题时能够进行回溯查询、问责和解释，增强客户对智能客服系统的信任。

企业最看重哪些指标？优化难点在哪？

企业关注的智能客服核心指标是“处理能力+用户体验”，主要包括如下几个方面：

• 自主解决率：这是衡量智能客服是否真正帮助用户解决问题的核心指标。以得助智能客服4.0的文本机器人为例，其在垂直场景下的综合自主问题解决率可达90%左右。要实现高解决率，需要模型、知识和流程的紧密协同。

• 响应性能类指标：包括首次响应时间、交互轮次、总处理时长等。企业期望用户首问响应能控制在500ms内，但对于大模型来说，由于推理过程较为复杂，实现这一目标具有一定挑战，需要通过量化压缩、缓存等技术手段进行优化。

• 转人工率：该指标体现了模型对问题的“兜底”能力。转人工率并非越低越好，而是要保持在合理水平，即能自动处理的问题由智能客服完成，无法处理的则精准转人工，以实现“效率+体验”的平衡。

• 用户满意度：企业通常将目标设定在90%以上。用户满意度不仅取决于解答的正确性，还涉及语言风格、引导方式、情绪共情等方面，能否贴近真实服务体验至关重要。

仍有优化空间的部分包括：

• 多轮任务型对话：例如处理“我要退货”这类请求时，背后可能涉及订单查询、原因说明、物流核实、退款流程等多个环节。智能客服模型需要准确理解用户意图，调用相关系统工具，并保持上下文连贯，目前在这方面仍有提升空间。

• 长尾与歧义问题处理：长尾问题由于数据量少，歧义问题需要强大的逻辑判断能力，这对通用模型来说是较大的挑战。未来需要引入更多知识增强与意图澄清技术，以提高对这类问题的处理能力。

比较难以优化的是极复杂业务流程场景。特别是涉及跨系统、非结构化输入、流程依赖强的业务，仅依靠语言模型难以完全应对，往往需要结合流程引擎和人工兜底协同完成。在这些场景下，智能客服的优化难度较大，需要综合考虑业务复杂性、系统集成难度以及人工干预的必要性等多方面因素。

智能客服的成本，为何有时不降反增？

企业在评估智能客服部署成本时，不能仅关注显性成本，还应充分考虑隐性成本和容易被低估的投入，制定全面、合理的预算计划，以确保智能客服项目的顺利实施和长期有效运营。

显性成本：主要包括模型API费用，即企业使用第三方模型服务时需支付的调用费用；以及平台使用费，用于使用智能客服平台的基础服务。此外，还有相关的算力投入成本。

隐性成本：包括数据标注与人力运营、知识库持续更新、Prompt/指令调优、监管合规审计等。

容易被低估的投入：

• 知识运营团队：许多企业在部署智能客服初期，往往低估了知识运营团队的重要性和成本。知识运营团队负责构建、维护和优化知识库，确保智能客服能够获取准确、最新的知识。一个高效的知识运营团队对于提升智能客服的服务质量和解决问题能力至关重要，但其成本投入常常被企业忽视或低估。

• AI训练师/对话设计师：AI训练师负责训练和优化智能客服模型，使其能够更好地理解用户语言和业务逻辑；对话设计师则专注于设计合理、流畅的对话流程，提升用户体验。这两类专业人员的工作对于智能客服的性能和用户满意度有着直接影响，但在成本预算中，其投入也容易被低估。

• 跨渠道一致性：如果智能客服部署在网站、APP、微信、电话IVR等多个渠道，为确保各渠道体验一致、知识库同步、用户上下文能跨渠道传递，会带来额外的设计和开发成本。

• 效果衰减与再训练：用户语言习惯、业务规则、产品信息都在变化，模型效果会随时间“推移”下降。需要定期（如每月/每季度）使用新数据重新训练或微调模型，这涉及数据准备、训练、评估、部署的全过程，成本持续发生。

存在智能客服专用模型吗？

智能客服专用模型不仅存在，而且正通过行业专业化与场景精细化的双重路径，推动客服从单纯的“应答工具”向“业务引擎”转变。

智能客服专用模型的出现，是因为通用大模型在客服场景中面临诸多挑战。客服场景要求对垂直知识有深入理解，涉及复杂的多轮上下文对话以及强大的业务执行能力，而这些正是通用模型的短板。例如，客服问题常常涉及售后规则、计费逻辑、业务流程等专业内容，通用模型由于缺乏对行业语境的深入理解，容易出现“答非所问”的情况。在多轮对话中，客服需要处理连续追问订单状态、修改地址、发票申请等一系列问题，要求模型具备长期记忆和上下文理解能力，通用模型在这方面表现欠佳。

此外，客服工作并非单纯的问答，还需要触发实际业务动作，如提交退货申请、修改收货地址、查询历史账单等，这需要模型与企业内部业务系统深度对接，而通用模型往往不具备这种业务执行能力。因此，仅依靠通用模型无法满足客服场景的复杂需求，必须通过“客服专用模型”来补足行业知识和任务执行能力。

以得助智能客服4.0为例，它融合了多模态文档识别、情感分析、长上下文理解等多种能力，支持跨渠道精准应答，并且覆盖呼入/呼出/文本/视频等全场景，显著提升了问题自主解决率，同时还集成了质检和陪练模块。质检大模型则实现了全量会话分析，如中关村科金助力华福证券每日质检5万条通话，精准识别20余类违规点，有效提升了服务质量检验效率。陪练大模型为销售提供个性化培训，像中信建投证券的陪练平台，不仅缩短了新人上岗周期，还提升了转化率。

未来，智能客服专用大模型将成为企业服务的中枢，而非简单的人工替代品。它必须具备以下特点：具备垂直知识理解力（而非泛泛的通用知识）、可完成任务处理闭环（而非仅能回答问题）、具备角色意识与协同能力（而非孤立运行的模型）、与业务系统深度融合（而非单点智能）。

人工客服与智能客服，未来如何共存？

当前阶段，人机分工已较为清晰：AI作为服务前端的“高效过滤器”，凭借标准化处理能力承接70%以上的高频需求；人工则聚焦于情绪共情、复杂决策等“高价值服务场景”，构成不可替代的“人性化兜底”。但这只是人机协同的起点。

随着大模型与知识图谱技术的成熟，“人机互哺”的第二阶段正加速到来。人工客服已从单纯的服务者转变为“智能训练师”，通过实时纠错、意图标注构建数据闭环，推动AI在语义理解、场景适配等领域持续迭代。这本质上是“人类经验数字化沉淀”的过程，让机器在实践中实现“能力跃迁”。

更具前瞻性的是，当多模态交互与预测式服务技术落地，机器将在数据分析、流程执行等领域实现“超人工效能”。已有观测显示，部分企业的智能客服在自动解决率、服务预判精准度上已超越人力均值，这标志着“智能增强”第三阶段的开启。未来不仅是“机器辅助人”，还将出现AI反哺人工的新形态，例如实时质检校准、服务路径优化建议，让人工从流程性工作中解放，专注于战略级客户关系维护与创新服务设计。

终极图景中，不存在“机器取代人”的终局，而是“智能重构服务价值分配”：机器承接重复性劳动，将人类的服务能力从效率束缚中释放。“机器充当人，人监督机器”的模式可能才是智能客服行业的归宿。因此，人机并非替代者，而是共同定义下一代服务标准的协同创造者。

智能客服的发展，本质上是技术能力、业务需求与服务理念的深度融合。从对大模型的盲目迷信到理性认知其边界，从单一的问答工具到复杂的业务协同系统，行业正在经历从“形似”到“神似”的蜕变。未来，只有那些真正理解“智能客服是系统性工程”、平衡好技术投入与业务价值、构建起人机协同生态的企业，才能在服务智能化的浪潮中占据先机。