科技云報道原創。

“對不起，我沒聽懂您的問題。”

“您可以再和我描述一下嗎？”

“人工坐席繁忙，請您稍后再撥。”

智能客服本應是提升服務效率與質量的“利器”，實際卻常讓消費者陷入“對話困境”：要么在“按1”“按2”的語音菜單中暈頭轉向，要么遭遇答非所問的機械回應，即便想轉接人工，也往往被“坐席忙”的提示擋在門外。

智能客服似乎遇到了一道坎，在理解用戶、和用戶對話方面，始終無法實現真正的“智能”。

然而生成式AI技術的出現，讓智能客服看到了前所未有的曙光，基于大模型特有的生成式AI技術和智能的涌現，讓智能客服越來越逼近人們想象中的樣子。

但問題是，生成式AI技術要如何引入智能客服才能落地？落地后的生成式AI究竟如何在智能客服具體場景中發揮作用？更進一步，對于企業和用戶而言，這種改變是否具備真正的價值？

理想與現實的巨大落差

許多企業引入智能客服的初衷是降低成本、提高效率，但現實卻是，智能客服往往只能機械應對簡單問題，一旦涉及復雜情況，便開始“已讀亂回”，甚至循環提示“請重新輸入”。

消費者在反復嘗試無果后，只能被迫等待人工客服，而人工客服的轉接入口卻隱藏極深，等待時間動輒數分鐘甚至更久。

更糟糕的是，部分智能客服甚至無法準確理解用戶問題，答非所問的情況屢見不鮮。

比如，用戶咨詢“如何退款”，智能客服卻推送“產品使用指南”；用戶反饋“訂單異常”，系統卻反復要求“驗證身份”，而真正的解決方案卻遲遲無法給出。

這種“低效溝通”不僅浪費用戶時間，還可能激化矛盾，導致消費者對品牌信任度下降。

一直以來，傳統的智能客服存在四大痛點，這些痛點不僅影響了用戶體驗，更制約了智能客服的未來發展。

首先，用戶吐槽的“智障”，其實就是機器對語義理解不足，用戶提了訴求，但機器答非所問的概率很高。

這是因為上一代智能客服，在技術上使用的是關鍵詞、BERT模型等機制，這種機制需要大量的數據標注，標注越多，理解能力就越強，但標注高度依賴人工。

一旦人工標注和訓練不足，機器的理解能力就會不夠，結果就是答非所問。

其次，用戶體驗不好，缺乏情感表達。用戶是有情緒的，但上一代智能客服是預制的，不管用戶什么情緒來提問，機器都是標準回復，比較機械。機器能不能打動用戶、解決用戶問題，完全取決于設計問答的那個人。

第三，復雜任務處理很呆板。比如預定會議室，上一代智能客服一般會使用流程畫布，第一步問定會議室的時間、參會人等信息，再調取定會議室的接口，必須一步步按設定好的流程來。當用戶的話題超出了設定范圍，智能客服就會直接告訴用戶，它答不上來，最后轉人工客服的比例其實很高。

第四，訓練成本高。上一代智能客服需要設立專門的機器人訓練師，因為需要窮舉業務上的問題和標準答案。

如果涉及到一些復雜的業務知識和流程，還需要梳理知識圖譜。整個訓練過程非常復雜，通常需要3個月到半年，然后才能達到80%的解決率。專門配置這樣一個訓練師，企業成本是非常高的。

然而，大模型的出現，為新一代智能客服可解決這些痛點提供了具有實踐意義的路徑。

從發展看，智能客服經歷了三個主要的階段。第一階段是規則系統與專家系統，通過編寫關鍵字匹配用戶的意圖并作出回應，主要應用于在線機器人。此階段依賴于大量的人工設定規則來實現基本的功能。

之后在深度學習時代，隨著ASR（自動語音識別）、TTS（文本轉語音）和NLP（自然語言處理）等技術的成熟，智能客服不僅能夠服務于在線環境，還能擴展到電話場景的應答機器人，從規則驅動轉變為數據驅動。

目前我們正處于大模型時代，隨著引入了具備更強泛化能力、理解力和擬人度的大規模預訓練模型，智能客服變得更加智能化，并且面對復雜表達時也能提供更為準確和人性化的回復。

大模型可以冷啟動，不需要標注數據，只需要把客戶的業務知識維護進去，就能達到很好的效果，回復比較人性化，接得上用戶的話題，能夠理解用戶的情緒等等。

比如，一個用戶一開口就很生氣，新一代大模智能客服會先進行安撫，然后再列出相應的解決方案。因為它能夠根據用戶的情緒變化生成對應的回復，所以用戶對話的流暢度體驗就會很好，情緒價值也足夠。

對于流程類任務，就像預定會議室的場景，大模型不需要固定的流程設置和窮舉話題。

因為它有很強的推理能力，當用戶給到它對應的提示詞工程，告訴它定會議室需要用戶提供哪些信息，大模型就可以自己去思考已經拿到了哪些信息，還缺哪些信息，從而引導用戶給出完整的所需信息。

就算中間用戶切換話題，大模型也可以繼續聊下去。

在訓練成本方面，因為有了大模型，就不再需要專門的機器訓練師了，企業成本降低了，回答的準確率還得到進一步提升。

AI客服的新一輪變革

經過多年發展，AI客服市場吸引各路玩家紛至來參與其中，行業競爭也愈發激烈。但白熱化競爭往往意味著下一輪變革的開啟，這也對各大AI客服廠商提出了新的要求。

AI能力是智能客服進階的核心，如何讓機器回答更準確，更接近真人，更深入企業的運營依然是行業面臨的共同課題。

事實上，AI能力并不局限于AI算法技術層面，而是AI技術如何落地行業、在商業化場景中有更好的表現，更考驗廠商的能力。

對于不同行業領域的智能客服，所要解答的問題并不相同，這就要求智能客服產品擁有特定行業的知識庫，對不同行業的用戶問題進行理解并做出回復。

隨著各類技術的發展，智能客服已成為多點技術融合的一個應用體系，越來越多復雜的需求將持續倒通著整個智能客服升級。

這對智能客服廠商的綜合實力提出了更高的要求，不僅需要具備雄厚的PaaS技術能力，還需要豐富的定制化開發和交付經驗。

這就需要AI客服企業既可以打造符合行業特性需求的營銷與服務全鏈路解決方案，承接企業從售前、售中到售后的全流程業務需求，也能夠為企業量身定制智能客服解決方案。

2025年，生成式AI技術在全球范圍內加速滲透，重新改寫客戶服務行業的面貌。

企業普遍尋求利用AI提升服務效率與體驗，然而，技術落地的“最后一公里”——即如何將強大的模型能力轉化為穩定、高效、易部署的業務解決方案，成為普遍面臨的挑戰。

響應延遲、多語言支持、復雜場景理解、定制化成本以及全球化部署的合規性等問題，亟須扎實的工程化能力來破解。

在此背景下，云勢數據推出了ConnectNow全渠道智能聯絡中心系統。該方案針對上述行業痛點，提供一套“開箱即用”的智能化服務解決方案，幫助企業，特別是積極拓展海外市場的中國企業，快速構建高效、合規的全球客戶服務體系。

創立伊始，云勢數據就選擇與亞馬遜云科技站在一起，成為中國最早一批投入亞馬遜云科技體系的服務商之一。

2023年，云勢數據聚焦熟悉的聯絡中心業務，正式啟動ConnectNow的研發。基于云聯絡中心服務Amazon Connect和全托管生成式AI平臺Amazon Bedrock，云勢數據打造了全渠道智能聯絡中心產品ConnectNow。

憑借全渠道接入、坐席智能輔助、Agentic AI智能客服/智能銷售、智能質檢等能力，ConnectNow實現7×24小時無縫客戶支持，精準洞察客戶深層需求，動態生成個性化服務策略，助力企業顯著提升全球售后服務質量與客戶滿意度。

當前企業在應用人工智能，特別是大型語言模型（如ChatGPT背后的技術）進行客服升級時，常常面臨兩大難題：一是技術難以真正融入現有業務流程（落地難），二是AI系統的反應速度有時不夠快（響應慢）。

云勢數據沒有一味追求最尖端或參數最大的模型，而是選擇了一條更注重實效和工程化的技術路線來解決這些問題。周利鋒介紹，云勢數據深度應用亞馬遜云科技提供的Amazon Bedrock服務，讓ConnectNow系統可以非常“聰明”地根據不同的客服任務，自動選擇最適合的“AI大腦”來處理。

對于需要閃電般速度的任務，比如實時翻譯用戶的語言，它會調用輕量級、高效的Claude Haiku模型。

對于需要深度思考、復雜推理的任務，比如理解用戶曲折的提問意圖或者解決一個多步驟的問題，它會調用更強大、思考更深邃的Claude Sonnet模型。

這種精準匹配的策略帶來了顯著提升：系統能準確理解超過95%的用戶問題意圖，并且在語音對話中，從用戶說完話到AI開始回應，延遲被壓縮到了2秒以內，接近甚至優于人工客服的響應速度。

此外，在電商領域其實很少有語音場景，而更多是圖文展示，因此需要更豐富的展現形式。

云勢數據的AI引擎像拆解樂高積木一樣，提供了30多個獨立的功能模塊（組件）。這些模塊涵蓋了各種常見場景，當用戶詢問產品詳情時，AI不僅能回答，還能直接展示相關圖片和文字說明。

系統能根據當前對話或常見問題，主動彈出用戶可能關心的其他問題選項。

企業客戶不再需要從零開始構建復雜的系統，或者被迫接受僵化的解決方案。他們可以根據自身業務需求，像挑選和拼接積木一樣，靈活組合這些預制組件，快速定制出最適合自己的客服流程，大大降低了使用門檻和定制成本。

借助亞馬遜云科技，云勢數據還實現了全球業務快速拓展。亞馬遜云科技擁有全球覆蓋的基礎設施，基礎設施遍及37個地理區域的117個可用區，助力云勢數據在短時間內完成海外服務節點部署，快速拓展海外業務，提升品牌競爭力。

目前，云勢數據ConnectNow解決方案已上架亞馬遜云科技Marketplace，有效觸達更廣泛的國際客戶群體。

憑借與亞馬遜云科技的深度合作，云勢數據現已為制造、新能源、汽車、金融、電商零售、游戲等多個行業的領先企業提供服務，全面助力企業提升全球化售后服務的品質與客戶滿意度。

在制造業、新能源、汽車等出海主力領域，ConnectNow已經開始展現令行業關注的效能。在德業股份的落地實踐中，德業股份的設備銷往全球110個國家，傳統客服受限于時差與語言障礙。

接入ConnectNow后，系統支持用戶與經銷商通過APP、官網、獨立站、郵件、WhatsApp、Facebook等多種渠道進行聯系，并提供30多種語言的7×24小時服務，客服效率提升超30%。

在為某充電樁企業合作時，因為企業缺乏多語種本地客服團隊。云勢數據基于亞馬遜云科技構建了電話機器人客戶服務系統，借助ConnectNow，該企業實現英、法、德等10國語言自動識別，成功申請10國本地號碼，語音識別和故障信息錄入準確率超90%，整體效率提升超過50%，年省成本550萬元人民幣。此外，ConnectNow系統還對接客戶的Salesforce系統，實現售后與客戶管理一體化，進一步提升客戶運營效率。

“AI客服不是替代人類，而是重構服務鏈條。”周利鋒的這句話，道破了智能客服的終極價值——技術不該是“繡花枕頭”，而應真正解決效率問題，在煙火氣的業務場景中創造真實價值。

從被吐槽“智障”到真正有了“人味兒”，智能客服的進化之路，正是技術與業務深度融合的縮影。

隨著生成式AI與大模型技術的持續迭代和工程化能力的不斷精進，未來的客服場景將更懂用戶、更高效、更溫暖，既為企業降本增效，也讓每一次咨詢都成為連接用戶與品牌的橋梁。

這或許就是AI服務于人的終極意義：讓技術隱于無形，讓體驗流于自然。

審核編輯 黃宇