「核心提示」
一边被用户吐槽，一边被企业需要，AI客服的新生意。

作者 |詹方歌

编辑|邢昀

很多人对智能客服的第一印象不太好。

快递明明没收到，打电话过去，智能客服翻来覆去只有一句“已签收”；问题还没讲完，系统就自顾自地跳转、答非所问；好不容易磨到人工，又得把来龙去脉从头再说一遍。这样的场景几乎人人都经历过，智能客服在一次次“鸡同鸭讲”中，不断消耗用户的耐心和信任。

可企业偏偏不能放弃它。

客服是企业和C端用户之间最直接的桥梁。售前、售后、投诉，用户与企业的绝大部分沟通要经由它。但这份工作重复、琐碎、门槛不高，纯靠人力去堆对企业很不划算，而智能客服足够便宜。

直到大模型被广泛应用，这场体验和成本的拉锯战，才开始有了新解法。

围绕个体和行业本身，我们想弄清楚几个问题：现在的AI客服，到底还是不是只能添堵？它究竟能做什么，不能做什么？AI究竟给行业带来了怎样的进步？

这些问题有些已经有答案，有些还没有。在寻找答案的过程中，其实还藏着一个更大的命题：AI从来不是为了替代人而出现的，但它确实正在改变人的工作方式。

1、吐槽背后是市场

说起被AI冲击的岗位，客服总是第一个被提起。

原因不难理解：客服的工作里有大量高频、重复的事项，怎么退换货、能不能改地址……这些问题天然就适合被拆解成标准化的话术和流程。

现实中，智能客服也的确很早就进入了企业、机构等服务系统，但是效果一言难尽。

市场监管总局曾披露，2024年全国消费者投诉中，电商售后服务领域关于“智能客服”的相关投诉6969件，同比增长56.3%。消费者普遍反映的问题包括：智能客服答非所问、人工客服难联系、沟通效率低下等。

也就是说，智能客服一边被企业大量使用，一边又不断被用户吐槽。

这背后有技术不够成熟的原因。

早期，工程师把用户可能问到的问题拆成关键词，配上固定话术，一条条把规则喂给系统。可只要用户的表达稍微偏离预设，它立刻就答非所问。这也是智能客服被吐槽为“人工”的阶段。

智障

随后，智能系统开始依赖语义识别、意图分类和历史对话训练，回复起来没那么死板，但重新训练的拓展成本高，遇到训练时没见过的表达方式，智能客服仍然会卡住。

如今，随着大模型时代来临，工程师不再需要为每种意图单独训练模型，而是靠知识库、检索逻辑（RAG）和提示词设计，让模型“现学现答”。这时，AI客服才第一次具备了处理陌生表达的能力。

行业也因此重新升温。

国内市场中，大厂和垂直厂商正在同时推进这一轮升级。IDC数据显示，2024年智能客服五大主要厂商的市场份额达到35%，主要集中在阿里云、百度智能云、容联七陌、中关村科金和智齿科技。其中，阿里云市场份额为11.4%，百度智能云为10.4%。

大厂的优势在于模型、算力、云服务和企业客户资源。对阿里云、百度智能云、腾讯云等公司来说，AI客服可以被纳入云计算、大模型和智能体平台整体方案中，不需要单独讲一个独立故事。

但这个赛道并没有完全被大厂控制。客服是一个很细碎的行业，不同行业、不同客户的业务规则、知识库、转人工标准和质检方式都不一样。大厂有资源和渠道，未必愿意在每一个垂直场景里做重交付。于是，容联七陌、中关村科金、智齿科技等传统客服厂商，以及更多AI语音和智能体创业公司，仍然有切入空间。

而最近一年，AI客服在落地过程中，正逐渐Agent化。

国外，OpenAI在7月开始推出面向企业语音支持的Presence，从模型能力向企业服务流程前移。硅谷资本宠儿、AI客服赛道最标志性的创业公司Sierra，5月完成9.5亿美元融资、估值超过150亿美元；不久前Sierra收购了一家专注于长周期Agent的公司，意在让AI客服能够处理更长线程、复杂的任务。

这说明，AI客服已经不再是传统意义上的“问答机器人”。它正在变成企业连接用户、订单、工单、知识库和人工座席的前端智能体。行业竞争的核心，也从“能不能回答问题”，转向“能不能解决问题”。

但这条路并不轻松。

2、还需持续进化

智能客服时代留下的刻板印象，让AI客服需要花上更大的力气取得人们的信任。一个佐证是，面对AI客服的时候，很多人并不愿尝试沟通，第一反应就是“转人工”。

但实际上，AI客服正在变得更有用。大模型之后，AI客服不只是话术更自然，也开始具备理解上下文、追问信息、调用工具和生成工单的能力。

它们正在从“回答问题”，走向“处理任务”。

在标准化场景里，这种变化已经比较明显。比如订单查询、物流进度、账户信息、预约改期、费用说明、政策解释等问题，通常边界清楚，答案可以从企业系统和知识库中提取。AI客服只要识别出用户意图，再调用对应数据，就能完成大部分处理。

AI客服领域热门创业公司Sierra是最典型的代表，其官网显示合作的公司覆盖媒体订阅、智能硬件、消费电商、安防、金融、医疗、房贷、电信和公用事业领域。它为美国安防公司ADT部署的AI客服，不只是回答用户问题，还逐步扩展到付款、改约服务时间、订购庭院标识和电池等操作。

此外，据《豹变》了解，目前国内比较顶尖的AI客服，已经实现毫秒级的实时语音交互的速度，能够满足日常沟通的需要。

2026年1月，中国电信人工智能研究院（TeleAI）方面表示，其推出的超拟人对话大模型——GOAT-SLM已经能够做到不仅听懂用户的字面意思，更能听懂用户的“弦外之音”。比如，从急促的语气里察觉到用户的焦虑后，它能够同时生成共情的文字，并用合适的语调和情绪和用户交流。

也就是说，在不久的未来，AI客服或许不只能听懂指令，还能真正“共情”人。

但一旦进入复杂售后，AI客服的局限就会显现。

比如退款争议、投诉处理、责任划分、资金安全、医疗用品故障等场景，用户提出的问题往往并不标准，也不只是缺一个答案。客服需要判断事实、识别情绪、核验材料、评估风险，甚至在企业规则和消费者权益之间做平衡。

这些环节，AI很难独立完成。

AI客服能总结对话，也能提示下一步流程，但不适合直接做最终判断。尤其在涉及赔付、投诉、账户安全等场景里，如果AI理解偏差，或者把不确定信息说得过于肯定，反而会放大用户的不信任。

正因此，监管部门曾提示，发挥智能客服和人工客服各自优势。今年年初，浙江省消保委在一份关于客服热线的调查中提到：常规性咨询可由智能客服处理，涉及消费者售后投诉、资金安全等较为复杂或紧急的问题则优先转接给人工客服。

比起AI客服“不聪明”，更让人头疼的问题是其实是找不到人工。

虽然要不要多养人工客服的主动权在企业手里，但在AI这一端，通过工程化的手段同样能够改善用户体验，甚至优化人工客服的工作方式。

一方面，千千万万个AI客服能够同时稳定在线，能够在一定程度上解决人工客服等待速度太慢、在线时间太短的问题。

另一方面，与其把用户困在死循环里，不如利用工程化能力让转人工更顺利，尤其是通过AI提前记录相关信息。

比如，网易云商·七鱼的AI座席辅助能够自动从会话中提取关键信息、生成摘要，并把用户姓名、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”。当客服拥有这些能力，用户就不再需要像以前一样，对着人工客服一次次复述自己的问题。

这也意味着，AI客服的下一步竞争，或许不在于能不能处理更多标准问答，而在于能不能进入更复杂的服务流程。

3、一门在验证中的长期生意

智能客服是一个已经存在了几十年、边界清晰，甚至有点老派的市场。几乎没有人会觉得，利用AI把这件事做好，能算得上什么“颠覆性的未来”。

但这种“不性感”或许恰恰是它的价值所在。企业不会因为经济周期波动就停止向用户提供客服，这也就成了一个真实、可验证、不需要被教育的市场。

和大部分垂直领域一样，AI客服行业有一些自研大模型的玩家。除了上述提及的中国电信TeleA，还有押注AI语音技术的南京云蝠智能等。

不过，在这个赛道，选择自研大模型的企业仍然是少数派。

上述提及的美国独角兽公司Sierra也并没有完全自研大模型，而是将AI客服的行为拆解为一个个具体任务，为每个任务选用最合适的模型。如果现成的模型无法满足要求，再投入资源开发更为精细化的模型。同样能够最终交付一个模块化、有监督、随模型演进而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等主流大模型的能力，利用自己积累的行业知识库、业务流程和场景数据，把功夫下在应用层，而非底层模型。

2025年初，DeepSeek开源后，更有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，把它作为智能客服的底层能力。

对于大多数中小创业公司而言，从零训练一个模型需要的资金和时间成本太高，调用现成模型，把精力放在场景和工程化上，才更符合现实利益。

从商业模式上看，AI客服赛道往往有两种盈利模式：SaaS订阅制和项目制。

订阅制意味着可持续的经常性收入。客户按年或按月持续付费，企业因此能获得相对稳定、可预期的回款，现金流也更平滑。资本市场通常愿意给这类业务更高的估值。

但订阅制的另一面是，客户随时可以停止续费，因此产品效果和服务稳定性会被持续检验。如果客户留存率和续费率不够高，收入的“稳定性”优势就很难真正兑现。相比之下，项目制的单个项目金额往往更大，在金融、政务等大客户场景里反而更常见。

而目前Sierra还在探索“按结果付费”，企业不是为使用了多少功能、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。

比如成功解决了一个支持问题，避免了一次取消交易，实现了一次追加销售或交叉销售，或者取得了其他有价值的成果，如果相关问题未能得到解决，通常情况下，不会产生任何费用。

这种模式听起来更容易被企业接受，但也对AI客服的能力提出更高要求。

说到底，无论是技术路线还是商业模式，这个赛道眼下都还远远没有标准答案。唯一可以确定的是，聚集在这里的玩家正在验证一件朴素，也容易被忽略的事：一项技术要真正被信任、被规模化地应用，究竟要走过怎样的路。没有人知道终点是哪里，但仅仅是走在这条路上，人类的工作方式就将发生深刻的变化。