客服团队降本措施：AI助手能承接哪些重复问题?

去年跟一位客服主管聊过，她手下十二个人，负责一家中型家居品牌的售后咨询。她给我看了一天的会话记录，我数了一下，光是"我的单子到哪儿了"这一句，那天出现了六十多次。她指着屏幕说，这六十多个人里，有五十个完全可以由一句话解决，剩下十个是因为真出了问题，得人去处理。她的人每天要先花大量时间做完那五十个，才有精力碰到那十个。 这就是客服降本的真实起点。不是"要不要用AI"，而是"哪些活本来就不该由人来干"。 先把"重复"这两个字抠清楚 很多团队一上来就列问题清单，列了三十条，看上去很全，实际上没法用。判断一个会话值不值得交给AI，我习惯只看三件事： 一是 问法能不能收敛 。"物流怎么还没到"和"我的快递是不是丢了"看起来是两句话，背后是同一个动作：查运单。这种就适合交出去。反过来，"我这个柜子装不上"可能有七八种原因，问法千奇百怪，交出去只会答错。 二是 答案能不能预先写死 。退换货期限是几天、发票怎么开、会员卡能不能转赠、安装要提前多久预约——这类问题有标准答案，只是每次要有人重复说一遍。 三是 错了会不会伤到人 。查个运单，答错了客户最多多等一天。涉及退款金额、赔付、责任认定，答错一次就是纠纷。 三条都过，才轮得到谈AI。三条里有一条不过，先放着。 能交出去的那几摊活 按我见过的落地情况，能稳稳接走的大概是这几类： 查询类。 订单状态、物流轨迹、预约安装进度、工单处理到哪一步了、保修还剩多久。这类的特点是客户要一个确定信息，信息在系统里，AI去取就行。它占的量往往最大，也最容易见效。 政策解释类。 七天无理由怎么算、拆封了还能不能退、运费谁承担、发票开专票要什么资料、以旧换新的条件。这些答案一年到头不变，但每个新人来了都要重新背一遍，每个客户来了都要重新问一遍。把它写进知识库，AI照着说，比人记得还准。 操作指引类。 改收货地址、改绑手机号、申请退货、开发票、预约上门。流程固定的操作，AI可以带着客户一步步走，走不下去再转人。 售前重复问答。 尺寸、材质、库存、能不能配某个型号、和另一款有什么区别。这类问题在售前占比很高，答案基本都写详情页里，只是客户懒得翻。 告知类。 营业时间、门店地址、服务覆盖范围、节假日怎么安排、师傅上门穿不穿鞋套。听着琐碎，加起来是很大一块。 这五类合在一起，通常能吃掉人工会话量的一半往上。但我要提醒一句： 吃掉多少不等于省了多少 。有些团队把"AI拦截率"当成唯一指标，拦截率冲到70%，结果客户换个渠道再问一遍，或者进线三次才解决，总成本反而上去了。真正该盯的是"一次解决率"和"重复进线率"，这两个数字难看，拦截率再漂亮也是白搭。 交不出去的那部分，才是重点 我在不少方案里看到过一种偷懒的做法：把所有问题都往AI那儿推，推不动再转人工。这种设计看着聪明，实际体验很差。客户被机器人绕了三圈才见到人，火气已经上来了，人工接手的难度比一开始就接要大得多。 有几类我会明确划出来，不给AI碰： 情绪已经上来的。客户用了感叹号、说了重话、提到了投诉和监管，直接转人，别让机器人再问"请问您的问题是"。 涉及钱的。退款退多少、赔不赔、运费算谁的、能不能补偿，这些必须有人定。 需要跨部门协调的。货损了要走理赔、安装出问题要联系服务商、批量订单要报备，AI最多帮你把信息收集齐，然后交出去。 还有一类常被忽略：老客户和问题复杂的客户。一个买了三次、每次都问得很专业的客户，你让他跟机器人绕，他会觉得被怠慢。这类账号打个标签，直接进人工队列，成本不高，效果明显。 说白了，AI接手的是"标准动作"，人接手的是"判断"。这条线划不清，省下来的钱会以另一种方式还回去。 降本的账，别按人头算 我见过最不靠谱的算法是：AI能接70%的会话，所以能减掉七成人力。这个账错在把"会话"当成了均匀的活。实际上客服的活是极度不均匀的，一个复杂投诉花掉的时间，可能顶五十个查运单的。 比较靠谱的算法是算时间。一天有多少分钟花在重复应答上，这些分钟里有多少能被AI拿走，拿走之后省下的时间用来干什么。常见的答案是：让原来接电话的人去处理那些真正需要沟通的事，比如挽回一个要退单的客户、跟进一个反复出问题的订单、主动回访。这些活以前没人有时间干，现在有了。 这也是我更愿意把AI看作"腾手"而不是"替代"的原因。腾出来的手用来做什么，决定了这笔投入值不值。如果腾出来的手只是被裁掉，短期报表好看，长期会发生另一件事：没人再能从一线听到客户到底在抱怨什么，产品的问题被一层机器人挡在外面，反馈链条断了。 知识从哪儿来，这是最容易翻车的地方 很多团队买了工具，第一件事是坐下来写知识库。写了两百条，上线，答非所问，客户骂，项目停。 问题出在"写"这个动作上。人凭想象写的问答，跟客户真实的问法差得很远。客户不会按你的分类提问，他会用他自己的话说，带错别字，带情绪，一句话里问三件事。 比较有效的顺序是反过来的：先把过去三个月的会话导出来，按问法聚类，看哪些问题出现频次最高、说法最集中，先做那几条。做完上线跑一周，看哪些没答上，补哪些。这样迭代几轮，知识库是长出来的，不是编出来的。 这个过程里最耗人的不是技术，是反复调。今天发现"到货时间"这个词客户常用，得加进去；明天发现某类问题的转人工率特别高，得拆细。这类调整如果每次都要提需求、等排期，两周变两个月，一线就没耐心了。 万达宝LAIDFU（来福）在这方面有个特点值得说：零Python知识的用户也能配置和优化它在不同场景里的行为。这话听着像参数，实际意义在别处——客服主管自己能改。她昨天发现有一类问法总答错，今天上午就能自己调完，下午看效果，不行再改回来。这种"改错的成本很低"的状态，比功能清单上多十个特性重要得多。知识库这种东西，本来就是靠高频微调才活的。 收个尾，留一张清单 如果只留几条能马上用的判断，我会写这些： 先扒三个月的会话记录，按问法聚类，别凭印象列清单； 优先做查询类和政策解释类，这两块量大、风险低、见效快； 情绪、金额、跨部门，三类直接转人，别设门槛； 指标看一次解决率和重复进线率，别只看拦截率； 配置权限交给听得见客户声音的人，别全压在技术那边。 客服这行有个特点，它的成本结构和别的不太一样。真正贵的从来不是回答一个简单问题的那三十秒，而是客户问了三遍还没解决、最后带着情绪走掉。AI能省的是前者，能不能不增加后者，取决于那条转人工的线画得够不够利索。