引言:呼叫中心正在从通信平台走向业务执行平台
IPCC 以 IP 通信和呼叫控制为基础,建立现代呼叫中心的接入、路由和坐席协作能力;AICC 将 AI 引入客户服务,使机器能够理解客户表达、提供智能应答,并辅助人工坐席;随着大模型和智能体技术发展,呼叫中心进一步开始具备理解目标、规划任务、调用业务系统和推动任务完成的能力。
这并不意味着新一代架构要替换原有通信系统。更重要的变化是:AI 不再只是附着在呼叫流程上的应答工具,而逐渐成为连接客户需求、通信能力和企业业务系统的执行主体。本文将这一演进方向称为 Agentic AICC。

一、IPCC 奠定了呼叫中心怎样的技术基础?
IPCC(IP Contact Center)是基于 IP 网络构建的呼叫中心架构。它将传统电话通信能力与计算机网络、业务应用相结合,使企业能够通过统一平台管理客户来电、呼叫路由、排队和坐席服务。
从电话连接走向统一呼叫管理
传统呼叫中心主要依赖电话交换设备完成呼入、呼出和通话连接。IPCC 将语音通信与 IP 网络结合,并通过呼叫控制、自动呼叫分配(ACD)、交互式语音应答(IVR)、计算机电话集成(CTI)和坐席管理等能力,实现对客户来电和服务资源的统一调度。
企业由此可以根据客户按键选择、服务类型、坐席状态和业务规则分配来电,并将通话过程与客户信息、业务记录关联起来。
核心能力是通信控制,而非智能业务处理
IPCC 解决的是客户如何接入、通话如何路由、坐席如何协同等通信和服务组织问题。它能够支撑稳定的电话服务流程,但并不天然具备理解自然语言、判断复杂业务意图或自主执行跨系统任务的能力。
因此,IPCC 的核心价值在于建立客户联络的通信底座,而不是直接完成客户提出的业务目标。
IPCC 仍是智能呼叫中心的基础
即使引入 AI,电话接入、呼叫路由、通话控制、坐席状态管理和人工转接仍然是呼叫中心的重要基础能力。智能化升级改变的是 AI 参与服务的方式和业务处理范围,并不意味着通信层失去作用。
对已有呼叫中心的企业而言,IPCC 仍然可以作为后续接入语音机器人、电话 Agent 和人工坐席协作的基础。
二、AICC 如何推动呼叫中心从通信平台走向智能交互?
AICC(AI Contact Center)将人工智能能力引入客户联络过程,使 AI 不再只服务于通信系统的运行管理,而是直接参与客户需求理解、问题应答和服务协同。呼叫中心由此从管理通信连接,进一步延伸到理解客户表达。
AI 进入客户交互链路,让机器能够听懂和回应
在传统 IPCC 中,客户通常通过按键导航选择服务,或由人工坐席理解自然语言诉求。AICC 将语音识别、自然语言理解和语音合成等技术引入交互过程,使系统能够将客户语音转换为文本,识别客户意图,再结合知识库或业务流程生成回应。
客户因此可以通过自然语言表达需求,而不必完全依赖固定按键菜单。AI 开始直接承担部分客户接待和问题处理工作。
从单轮应答走向连续对话和人机协同
随着自然语言处理和生成式 AI 的应用,AICC 的交互方式从关键词匹配和固定问答,逐步扩展到上下文理解、多轮沟通和知识检索生成。系统可以结合前后文理解客户追问,在信息不足时继续补充询问。
AI 也可以进入人工坐席工作环节,通过 Copilot 提供知识推荐、话术建议、对话摘要和工单辅助,让 AI 不只承担独立接待,也参与人工服务过程。
智能交互改变了服务入口,但不等于具备完整业务执行能力
AICC 可以通过预设流程和 API 调用完成部分业务操作,例如查询订单、登记信息或创建工单。但这类处理通常依赖事先配置的流程、规则和分支,业务条件发生变化或任务跨越多个系统时,往往需要增加流程配置或转交人工。
因此,AICC 推动的是客户交互方式的智能化。要让 AI 根据任务进展灵活组织多步骤业务,还需要进一步的任务规划和执行能力。
三、从 AICC 到 Agentic AICC,呼叫中心为什么开始从智能交互走向业务执行?
AICC 已经能够理解客户意图、进行多轮对话,并通过预设流程和系统接口完成查询、登记等操作。但当业务涉及多个系统、多个处理步骤,或需要根据实时结果调整处理方式时,固定流程的灵活性就会受到限制。Agentic AICC 的演进,正是为了让 AI 从执行预设交互流程,进一步走向围绕业务目标组织和执行任务。
从理解客户意图到理解业务目标
客户服务的目标往往不止于获得问题答案,而是完成查询、预约、变更、登记等具体业务。例如,售后预约不仅需要识别客户的预约意图,还涉及订单查询、条件核验、时间确认和预约提交。AI 需要理解最终要完成的业务目标,而不只是识别当前对话意图。
从预设流程执行到动态任务规划
传统 AICC 可以通过流程编排和 API 调用完成部分业务操作,但处理路径主要依赖预先配置的规则和分支。Agentic AICC 则通过智能体理解任务状态,根据已有信息和系统反馈决定下一步动作,例如补充必要信息、调用业务系统,或在条件不满足时转交人工。处理逻辑由单纯执行预设步骤,进一步转向围绕任务目标动态组织动作。
从交互应答到业务执行闭环
业务执行要求 AI 不仅能够调用 CRM、订单、会员、工单等系统,还要根据系统返回结果判断操作是否成功,并持续跟踪任务状态。因此,Agentic AICC 不只是增加一个大模型对话入口,而是在 AICC 的交互能力之上,增加目标理解、任务规划、工具调用和执行反馈能力,同时通过权限控制、异常处理和人工协同保障执行过程。

四、Agentic AICC 如何改变呼叫中心的整体技术架构?
Agentic AICC 带来的变化不只是增加一个智能机器人,而是让通信系统、智能体和业务系统围绕客户任务形成协同架构。原本以通话和坐席为中心的服务链路,开始延伸到业务任务的组织、执行与跟踪。
从独立功能模块走向任务协同
传统呼叫中心通常由通信平台、IVR、语音机器人、坐席工作台和业务系统等模块组成,各模块按照配置好的流程完成相应工作。Agentic AICC 在这些能力之上增加智能体运行与编排层,使 AI 能够根据客户目标和当前任务状态,选择知识、工具和业务系统完成后续动作。
通信平台负责电话接入和路由,智能体负责理解目标与组织任务,业务系统提供实际操作能力,人工坐席则处理需要判断、授权或复杂沟通的事项。各部分不再只是按固定顺序执行,而是围绕任务状态进行协同。
服务流程从单次交互延伸到业务闭环
在传统交互模式中,一次服务往往以回答问题或结束通话为节点。Agentic AICC 则将服务延伸到后续业务处理:客户提出需求后,智能体采集必要信息、调用业务系统、提交操作,并根据返回结果确认任务状态。
如果任务需要跨部门处理,可以将已采集信息和对话上下文转入工单;如果需要人工判断,则转交坐席继续处理。客户联络由此不再只关注对话是否结束,而是关注业务是否得到处理。
评价重点从应答质量扩展到任务结果
当 AI 开始执行业务,仅评价识别准确率、回答准确率和响应速度,已经不足以反映系统的实际表现。企业还需要关注任务完成率、独立解决率、转人工率、工具调用成功情况和异常任务比例。
这意味着运营体系也需要从对话质量管理,扩展到任务过程和业务结果管理。企业不仅要知道 AI 回答了什么,还要能够追踪 AI 调用了什么工具、业务系统返回了什么结果,以及任务最终是否完成。
五、从现有 IPCC/AICC 到 Agentic AICC,技术演进如何实现?
从 IPCC/AICC 向 Agentic AICC 演进,不需要推翻原有呼叫中心,而是在通信基础上逐步增加系统连接、智能体编排和任务治理能力,使 AI 从交互应答走向业务执行。
保留通信底座,打通业务系统连接
企业可以继续使用现有 IPCC 承担电话接入、呼叫路由和坐席协作,在此基础上增加电话 Agent 接入能力,实现 AI 与人工坐席之间的调度和转接。同时,通过 API 或业务工具连接 CRM、订单、会员和工单系统,将查询、预约、登记、建单等操作封装为可调用能力,并明确接口参数、操作权限和返回结果。
这一步的重点不是替换原有通信系统,而是让 AI 能够在既有客户联络链路中访问必要的业务能力。
引入智能体运行层,组织多步骤业务任务
在通信和系统连接的基础上,企业可以增加智能体运行与编排能力。Agent 根据客户意图和上下文理解任务目标,判断当前任务进度,选择合适的工具,并根据业务系统返回结果决定下一步动作。
例如,在售后预约中,Agent 可以依次完成订单查询、预约条件核验、时间信息采集和预约提交;如果订单信息不完整或业务条件不满足,则继续询问、调整处理方式或转交人工。关键变化是从执行固定流程,转向根据任务进展组织动作。
建立执行反馈与治理机制,保障任务可靠完成
智能体调用工具后,需要通过系统返回结果确认操作是否成功,并记录对话内容、任务状态和工具调用过程。企业可以据此定位问题发生在意图理解、信息采集、接口调用还是业务规则环节,再针对知识、工具和流程进行优化。
对于涉及资金、账户、订单变更等关键操作,还需要设置明确的权限范围、人工确认和异常转接机制。只有将执行反馈与过程治理纳入架构,Agent 才能在企业业务环境中持续、可靠地运行。
整体来看,技术演进可以沿着保留通信底座、打通业务系统、引入智能体任务编排、建立执行反馈与治理闭环逐步推进。企业可以根据现有系统成熟度和业务数字化程度分阶段建设,不必一次性替换原有平台。
六、合力亿捷的 Agentic AICC 产品实践与技术落地
合力亿捷将 Agentic AICC 的能力落在全渠道客户联络和业务办理场景中,以自研 Synerow 全渠道客户联络智能体平台为核心,连接电话 Agent、在线客服 Agent、Copilot、智能质检等 AI Agent,并与智能呼叫中心、在线客服系统和工单系统协同。
以 Synerow 为核心,连接智能体与客户联络系统
Synerow 是合力亿捷自研的全渠道客户联络智能体平台,用于构建和编排电话 Agent、在线客服 Agent、Copilot、智能陪练、智能质检和 VOC 等 AI Agent。平台与合力亿捷智能呼叫中心、在线客服系统、工单系统和视频客服等产品协同,使智能体能够进入电话、在线和人工服务等不同客户联络场景。
在通信层,合力亿捷通过自研通信能力平台承载在线消息与电话话务,并与三大运营商合作提供通信号码和线路资源,为 AI 与人工服务提供通信基础。
通过电话 Agent 推动业务任务闭环
在电话服务场景中,电话 Agent 不只承担语音应答,还可以根据客户需求采集信息,并调用 CRM、订单、会员和工单等企业系统,完成查询、登记、预约、建单和派单等业务动作。
当任务超出 Agent 的处理范围时,可以将已采集信息和对话上下文转交人工,或进入工单流程继续处理。这样,电话服务链路能够从语音交互延伸到业务办理和后续跟进。
通过 Copilot 和智能质检延伸人机协同
对于需要人工参与的服务,Copilot 可以为坐席提供知识和话术推荐、建议回复、服务小结及工单辅助,减少人工在信息查找和服务记录上的重复工作。
服务结束后,智能质检和 VOC 能够从服务对话中发现回答问题、客户诉求和高频未解决事项,为知识补充、流程调整和 Agent 优化提供依据。AI 因此不仅参与客户接待,也进入人工服务和运营管理环节。
通过任务追踪和 Badcase 优化执行效果
Agent 的业务执行需要能够追踪和复盘。合力亿捷支持查看对话记录、执行日志、会话记忆和数据存档,帮助运营人员了解 Agent 在服务过程中如何理解客户、调用工具和推进任务。
当任务未完成或发生异常时,可以结合记录定位问题来自知识缺口、信息采集、接口调用还是流程中断,再通过调整知识、工具和流程进行测试与优化。回答准确率、任务完成率、独立解决率和转人工率等指标,则可用于观察优化前后的运行变化。
项目实践:电话 Agent 承接售后预约与服务请求
在某清洁家电企业的项目中,合力亿捷电话 Agent 应用于预约安装和售后呼入场景,承接客户来电并处理相应服务请求。根据该项目提供的运行数据,电话 Agent 解决率达到 90% 以上;原本两班值守的 20 人调整为 2 人负责异常表单审核。
这一项目体现了电话 Agent 从语音应答走向业务处理的应用方式:AI 承接标准化服务请求,人工集中处理异常事项。项目数据反映的是该企业特定业务场景下的运行结果,不代表所有行业和项目都能达到相同效果。

结语:Agentic AICC 是呼叫中心能力体系的持续演进
从 IPCC 到 AICC,再到 Agentic AICC,呼叫中心的技术演进主线,是从通信连接和呼叫管理,走向智能交互,再进一步走向业务任务执行。
Agentic AICC 并不是对传统呼叫中心的简单替代,而是在既有通信、坐席和业务系统基础上,引入能够理解目标、规划任务、调用工具并反馈执行结果的智能体能力。对企业而言,真正需要关注的不是是否一次性采用某种新架构,而是能否结合现有系统和业务流程,逐步建立通信、智能体、业务系统与人工协同的能力体系。
FAQ:
Q1:Agentic AICC 是否必须依赖大语言模型?
大语言模型可以为 Agentic AICC 提供自然语言理解、任务规划和内容生成能力,但完整的业务执行还需要业务规则、工具接口、系统权限和执行反馈机制。企业不能仅通过接入大模型,就认定已经具备 Agentic AICC 能力。
Q2:企业现有 CRM、ERP 或工单系统需要更换吗?
通常不需要。企业可以通过 API、业务接口或工具连接现有系统,将已有查询、登记、预约和工单处理能力开放给智能体调用。具体改造范围取决于原系统是否具备接口能力、数据是否规范,以及业务操作权限能否明确。
Q3:Agentic AICC 如何避免错误操作或越权执行?
需要在智能体运行过程中设置工具调用权限、业务规则校验和操作范围限制。对于涉及重要业务数据变更或高风险操作的任务,可以增加人工确认;当系统异常、信息不足或任务超出授权范围时,应暂停执行并转交人工处理。
Q4:Agentic AICC 适合优先应用在哪些业务场景?
优先考虑业务规则相对明确、处理频率较高、涉及重复信息采集和系统操作的场景,例如订单查询、售后预约、报修登记、工单创建和服务进度查询。对于需要复杂判断、较高风险决策或大量非结构化信息的业务,应先明确人工参与和审核机制,再逐步扩大自动化范围。
Q5:企业如何判断 Agentic AICC 项目是否真正落地?
不能只看是否上线了智能体或是否能够进行自然语言对话。还应检查智能体是否能够稳定调用业务系统、完成预定任务、正确处理异常,并留下可追踪的执行记录。评估时可结合任务完成率、独立解决率、转人工率、工具调用成功率和异常任务比例等指标。
