一通电话，三种转人工失败
一通客户投诉电话进来——客户因为物流延误，情绪激动，要求退款并升级处理。这通电话进入客服系统后，要依次经过IVR导航、AI接待、意图识别、话术匹配和转人工判断；其中AI一旦无法识别客户情绪和风险等级，继续用标准话术回应，轻则让客户愤怒升级、投诉转为舆情，重则坐席从零开始重新安抚，前期所有交互数据全部作废。
在传统机器人客服的架构里，转人工只有一条路径：客户在语音菜单里按某个键，或者在对话中主动喊出"转人工"。机器人本身没有判断能力——它不知道客户在生气，不知道这个问题涉及退款权限，更不知道继续让AI接待可能引发更大的投诉风险。
这不是个别案例。在呼叫中心、在线客服和售后热线中，转人工的失败模式至少可以归纳为三种：漏转——AI把高风险客户晾在机器里，直到客户愤而挂断；误转——AI把"查一下订单状态"这类标准问题也转给人工，坐席不堪其扰；裸转——问题确实该转，但坐席接过来时看不到任何上下文，不知道客户是谁、问了什么、AI答了什么、为什么转过来。
三种失败的共同根源，是转人工被当成了一个按钮，而不是一套规则。
为什么按钮兜底不够用
传统客服机器人对转人工的理解，本质上是"兜底"：当AI回答不了某个问题，或者用户主动要求转人工，就把会话移交出去。这种模式下，转人工是一个被动的、二元的、无差别的动作。
但真实业务中，一通电话或一个在线会话该不该转人工，从来不是一个技术判断，而是一个业务决策。它至少涉及四个层面的信息，传统机器人一个都拿不到：
情绪信号：客户的语气、语速、用词是否透露出愤怒、焦虑或失望？同样一句话"我要退款"，平静地说和愤怒地说是两种完全不同的业务场景。
业务权限：这个请求是否涉及退款、理赔、投诉升级、合规红线等需要人工审核的操作？AI可以解释退款政策，但不能替企业做退款决策。
知识边界：当前问题是否在AI的知识范围内？如果AI找不到匹配答案，是硬编一个回答，还是标记"无答案"并转给人工？
交互状态：客户是否已经反复询问同一问题？是否频繁打断AI？对话轮次是否已经超过了合理上限？
传统机器人做不到这些判断。它只能靠关键词匹配——客户说了"转人工"就转，没说就继续。这让坐席面临两难：要么AI漏转，把高风险客户晾在机器里；要么AI乱转，让坐席处理大量本可自动回答的问题。而这两种情况，都在消耗客户耐心和坐席精力。
风险分级的四个判断维度
当AI客服从"机器人"升级为"Agent"后，转人工不再是会话的终点，而是流程中的一个决策节点。Agent可以同时监听文本语义、语音信号、对话历史和业务状态，在多个维度上持续评估是否需要切换人机协作模式。
核心变化在于：转人工从"客户发起"变为"Agent主动判断"，从"二元开关"变为"多层分级"。
合力亿捷通话Agent在电话场景中，结合文本语义和语音信号，可以在对话过程中持续监测情绪变化，并在检测到高情绪场景时优先触发转人工评估。这背后依赖的不是单一关键词，而是Synerow客服智能体平台中Flow编排定义的转人工规则——把意图识别、情绪阈值、知识置信度、业务权限和交互轮次组合成可执行的决策逻辑。
具体来说，Agent时代的风险分级建立在四个维度上：
情绪风险：结合文本语义和语音信号，识别客户的愤怒、焦虑、失望等情绪。当情绪指数超过阈值，不是简单地"转人工"，而是标注情绪等级和触发原因，让坐席在接手的瞬间就知道客户为什么生气、AI已经说了什么、哪些话可能刺激了客户。
业务风险：识别问题类型是否涉及退款、理赔、投诉升级、合规红线等需要人工审核的动作。比如，客户说"我要投诉"时，Agent不只是转人工，而是先采集投诉类型、订单号、问题描述，生成工单草稿，再带上下文交给坐席。合力亿捷的工单系统可以在转人工的同时自动创建待办，让投诉从"一通电话"变成"一个有责任人、有状态、可追踪的工单"。
知识风险：当Agent在合力亿捷悦问知识库中找不到匹配答案，或答案置信度低于阈值时，不盲目编造回复，而是标记"无答案"状态，将已采集的字段和客户意图传递给人工，同时记录知识缺口供后续补充。知识库的检索结果和引用依据可以同步展示给坐席，让坐席判断知识是否需要更新。
交互风险：当客户反复询问同一问题、频繁打断、要求转人工，或对话轮次超过预设上限时，Agent主动判断交互是否已经失效，避免陷入"答非所问"的死循环。
四个维度不是孤立的。一通电话可能同时触发情绪风险和业务风险——客户在投诉物流延误时情绪激动。Agent需要把多个信号合并成一个风险等级，决定是"标记风险但继续服务"、"准备转人工"还是"立即转人工"。
转人工之后，上下文怎么交接
分级只是第一步。更大的挑战在于：转人工的动作发生后，坐席看到的是什么？
在传统模式下，转人工意味着"从头开始"——坐席不知道客户是谁、问了什么、AI答了什么、为什么转过来。客户需要把问题再重复一遍，体验比一开始就找人工更差。
Agent架构下的转人工，交接的不是一个会话，而是一份上下文。合力亿捷AI原生工作台在转人工时，会把客户身份、来电意图、AI已采集的字段（如订单号、投诉类型）、AI回复摘要、转人工原因（情绪升级/权限不足/无答案）和建议处理方向，一并推送到坐席界面。
在电话场景中，坐席接起的不只是一个"转接来电"，而是一个带有完整背景的客户事件。在在线客服场景中，坐席辅助Agent可以在接待界面实时提示客户历史、风险标签和推荐话术，让坐席从接手的第一秒就进入状态，而不是先花两分钟翻聊天记录。
这种交接方式把"转人工"从一个中断动作，变成了一个有信息增量的人机协作节点。坐席不需要从零开始，客户不需要重复描述，管理者也能从转人工原因中看到知识缺口、流程断点和坐席负荷。
分级规则如何持续校准
风险分级规则不是一次性配置就完事的。上线后，质检和运营数据会持续暴露规则设计的盲区：
哪些场景下Agent判断了"低风险"，但实际转人工后坐席发现是高风险？
哪些场景下Agent频繁触发转人工，但坐席接手后发现只是常见问题，说明知识库或流程配置存在缺陷？
哪些转人工原因反复出现，说明某个业务环节的系统性缺口？
这些问题的答案不在上线前的设计文档里，而在上线后的会话数据中。合力亿捷智能质检与VOC可以按转人工原因、风险等级、情绪变化和坐席处理结果做交叉分析，发现"漏转"和"误转"的模式。运营团队再根据分析结果，调整风险阈值、补充知识库、优化流程节点，让转人工规则从"一次配置"变成"持续校准"。
更重要的是，转人工数据本身就是客户之声的一部分。高转人工率的问题类型，通常是客户最不满意的环节；转人工后的坐席平均处理时长，反映了AI与人工之间的信息缺口；转人工原因中反复出现的知识缺口，直接指向下一步知识建设的方向。这些数据进入质检和VOC复盘后，不是"看个报表就结束"，而是回到知识库和流程编排中修正，形成从接待到转人工再到运营优化的闭环。
哪些判断必须留给人工
风险分级不是为了追求"转人工率越低越好"。有些判断，无论Agent技术如何进步，都必须留给人工：
投诉与纠纷：涉及第三方责任认定、赔偿金额、法律后果的投诉，AI可以收集信息、生成工单草稿，但最终判断和沟通必须由人工完成。
情绪危机：当客户表现出极端情绪——威胁、辱骂、声称要公开曝光或采取法律行动时，转人工不能只是"交接上下文"，还需要坐席主管级别的介入和后续跟进。
医疗与金融专业判断：医疗场景中，AI可以处理导诊、预约、流程指引，但不能做诊断或治疗建议；金融场景中，授信、理赔、交易确认等环节必须保留人工审核和系统权限控制。
复杂售后：涉及多方责任、需要现场勘查、需要跨部门协调的售后问题，Agent可以生成工单并派发，但处理过程和结果确认需要人工主导。
这些边界不是限制AI，而是让AI和人工各自做自己最擅长的事。AI擅长快速识别、分类、采集和记录；人工擅长判断、安抚、协商和决策。风险分级的本质，就是把这两类能力安排在合适的节点上，而不是让AI在所有场景下都"先试试再说"。
从兜底到可控
回到开头那通投诉电话。在Agent架构下，它的处理路径会完全不同：Agent在客户说出"物流延误"时就开始标记业务风险，在客户语气变化时同步监测情绪风险，在客户喊出"叫你们主管来"之前，已经完成了投诉工单的草稿生成，并准备将上下文——客户身份、订单号、延误原因、AI已解释的内容、情绪等级——交给坐席。
坐席接起电话时，看到的不只是一个"转人工"的标记，而是一个完整的客户画像和问题摘要。更重要的是，这通电话的转人工原因、处理结果和客户反馈，会在运营复盘中被纳入质检和VOC分析，成为下一次规则优化的数据依据。
从"按钮兜底"到"风险分级"，本质上是管理方式的转变——不再把转人工当作流程的终点，而是把它当作人机协同的起点。按合力亿捷在Agent交付中的实践思路，转人工规则的设计不是一次性完成，而是先在一个高频场景中跑通最小闭环，再用真实会话数据中暴露的漏转、误转和裸转问题，持续扩展意图覆盖、调整风险阈值和优化交接流程。转人工率本身不是目标，转得准、转得明白、转完能复盘，才是Agent人机协同真正要解决的问题。
