课题演示，非客户项目。以下是我们对这类问题的判断与工作方式，具体项目会按企业实际情况调整。
问题
假设一家太原的企业，有一个五到十人的客服团队。电话、微信、小程序在线咨询，每天几百条。重复问题多，客服人员流动大。老板看到 AI 客服的介绍，想上一套。
动机合理，问题在落地。常见的情形是这样：采购了一个产品，把官网和产品手册喂进去，直接上线。前几天效果不错，简单问题答得快。然后开始出事。客户问了一个边界问题，AI 胡说了一个承诺。客户情绪激动，AI 还在按模板回复。客服人员不知道什么时候该接管。最后要么全关掉，要么变成一个只会说「请联系人工」的摆设。
AI 客服的关键不在 AI，在「客服」。先要弄清楚客服到底在处理哪些事，其中哪些适合交给机器。
我们的判断
第一，AI 客服的边界要由业务定，不由技术定。什么问题 AI 可以独立回答，什么问题只能转人工，这是业务规则。技术只负责执行规则。
第二，有明确答案的问题交给 AI，需要判断和承诺的问题留给人。营业时间、地址、流程步骤、常见故障排查，这类问题适合 AI。涉及价格谈判、投诉处理、个案例外、任何形式的承诺，必须是人。
第三，知识库比模型重要。大多数 AI 客服答得不好，是因为知识库本身乱。内容过期、口径不一、没人维护。上 AI 之前，先把知识库整理干净。这一步省不掉。
第四，分步上线，不一次到位。第一步只让 AI 做问题分类和辅助人工。第二步让 AI 独立回答一小类问题。第三步逐步扩大范围。每一步都看数据再决定下一步。
第五，人工接管规则要写清楚，而且要让客服人员参与制定。客服人员知道哪些对话会出问题。规则由他们参与写，执行才顺。
工作方式
- 问题分类与边界（第 1–3 周）。抽取一段时间的客服记录，按问题类型分类。和客服团队一起判断每类问题适合 AI 还是人工。产出客服问题分类与边界清单。
- 知识库整理（第 4–6 周）。梳理现有资料，统一口径，补齐缺口。定义知识库的结构和更新规则。产出知识库整理规范。
- 分步上线方案（第 6–7 周）。设计三步上线的范围、条件和时间。明确每一步的进入和退出标准。产出分步上线方案。
- 人工接管规则（第 7–8 周）。定义什么情况下 AI 必须转人工，转给谁，怎么转。含情绪识别、敏感词、重复追问等触发条件。产出人工接管规则。
- 效果评估（第 9–12 周，随上线进行）。定义看哪些指标、多久看一次、谁来看。产出效果评估办法，陪跑第一步上线。
交付清单与周期
- 客服问题分类与边界清单：第 1–3 周。含问题类型、样本、AI 或人工的判定及理由。
- 知识库整理规范：第 4–6 周。含结构、口径标准、更新流程、责任人。
- 分步上线方案：第 6–7 周。含三步范围、进入条件、退出条件。
- 人工接管规则：第 7–8 周。含触发条件、接管流程、记录要求。
- 效果评估办法：第 9–12 周。含指标定义、取数方式、评审节奏。
周期 8–12 周。知识库基础差的企业，第二阶段会更长。我们不开发 AI 产品，负责把业务边界和规则定清楚，协助选型和验收。
衡量什么
- AI 独立解决的问题类型分布：哪些类型的问题被 AI 答完且客户没有再追问。数据来自对话记录。
- 转人工触发原因分布：转人工是因为哪类条件触发。数据来自接管日志。
- 错误回答记录：AI 答错或超出边界的对话。数据来自客服人员标记和抽检。
- 客户二次联系情况：同一客户在 AI 回答后是否再次就同一问题联系。数据来自对话记录比对。
- 知识库更新及时性：知识变更到知识库更新之间的间隔。数据来自知识库变更记录。