企业上线 AI 客服后，最先看到的往往是“回答问题”的效果：客户问产品、查政策、咨询售后，机器人可以直接给出答案。
但客服工作很少在“回答完”之后就结束。客户问订单进度，需要查业务系统；提出售后，需要采集信息、创建工单；预约安装，需要确认时间和资源；遇到投诉或异常问题，又需要人工接手。
因此，企业 AI 客服的建设通常会沿着一条比较清晰的路径推进：先解决高频问题的稳定问答，再让 AI 进入业务流程执行任务，最后建立 AI 与人工的协同机制。
这三个阶段对应的能力边界分别是：能回答、能办事、能协同。
一、企业AI客服建设，先看客户的问题能不能被“办完”
很多企业第一次建设 AI 客服，会优先选择一个问答能力较强的机器人，把产品资料、FAQ、服务政策等内容接入知识库。这个方向没有问题，因为高频、标准、低风险的问题，本身就是最适合 AI 承接的客服任务。
问题在于，企业客服的成本并不全部来自“回答问题”。
客户说“帮我查一下订单”，客服需要进入订单系统；客户说“我要报修”，客服需要确认产品、故障和联系方式，再创建售后任务；客户说“什么时候可以上门”，客服还要查询预约资源。对于这些问题，AI 即使把流程解释得再准确，也没有真正完成客户的需求。
这就是企业 AI 客服从问答走向 Agent 的关键变化：服务目标从“回答正确”开始转向“任务完成”。
因此，企业在建设 AI 客服时，可以先把客服工作按照任务类型拆开看：
哪些问题每天大量重复？
哪些问题答案相对标准？
哪些问题需要查询实时业务数据？
哪些问题需要创建工单或触发后续流程？
哪些问题涉及投诉、异常或者人工判断？
前一类适合优先交给 AI，后一类则需要逐步建立业务执行和人机协同机制。
这样看，AI 客服的建设就不再是一次性采购一个“更聪明的机器人”，而是逐步扩大 AI 能够承担的业务范围。
二、第一阶段：先把高频问题回答稳定，再扩大AI的任务边界
第一阶段最重要的工作，是确定哪些问题可以放心交给 AI。
企业通常已经有大量客服知识，包括产品说明、服务政策、售后规则、办理流程等。但这些资料直接交给模型，并不意味着 AI 就能稳定服务客户。知识来源、更新时间、适用范围和回答边界都需要明确，否则模型可能引用过期内容，或者在没有依据时自行补充答案。
这在实际客服场景中尤其重要。企业客户关注的并不是模型能不能生成流畅的话，而是回答能否符合当前业务规则。高风险业务甚至需要明确规定哪些内容必须依据企业知识回答，哪些问题必须转人工。
与此同时，客户表达也很少完全按照 FAQ 的标准问法出现。同一个需求可能有很多种说法，客户还可能在一轮对话中不断补充信息。因此，第一阶段需要解决的不只是知识检索，还包括自然语言理解和多轮上下文。
例如客户先问“这个产品怎么保修”，随后补充“我是去年买的，现在开不了机”，AI需要理解第二句话仍然属于同一个售后问题，而不是重新开始一次问答。
因此，第一阶段的验收重点应该从单一的回答正确率扩展到几个方面：高频问题是否能够稳定解决、多轮对话是否连续、知识更新是否及时、无法回答的问题能否正确转人工，以及 Badcase 是否能够持续发现。
当这些基础能力稳定之后，企业很快会遇到下一个问题：
客户已经知道“怎么办”，但事情还没有真正办完。
这就是进入第二阶段的信号。
三、第二阶段：把客服流程里的重复动作交给AI执行
第二阶段的核心变化，是让 AI 从“回答者”变成“任务执行者”。
比如客户说：
“帮我查一下订单现在到哪里了。”
这不是一个知识问题。AI需要识别查询意图，确认客户身份或订单信息，再调用订单系统获取实时状态，最后把查询结果返回给客户。
如果客户说：
“我要预约安装。”
流程可能更长：识别安装需求、确认订单或产品、获取安装地址、确认时间，再查询预约资源，满足条件后创建任务。如果信息不完整，就继续追问；如果系统没有可用资源，或者出现异常，则需要进入人工处理。
这类流程可以概括成：
理解需求 → 补充信息 → 调用工具 → 执行业务 → 返回结果 → 异常处理或转人工。
这也是 Agent 与传统问答机器人的重要区别。
Agent 需要通过流程编排管理任务状态，通过 Tools 连接企业的订单、CRM、ERP、预约、工单等系统，再根据业务规则决定下一步动作。合力亿捷的 Agent 能够按配置执行信息追问、工具调用、系统查询、工单创建、任务流转和转人工，但具体业务动作仍然依赖实际配置的流程、工具和企业系统接口。
一个智能家电品牌的安装预约场景就体现了这种变化。过去大促和新品发布期间，人工需要反复确认地址、产品型号、安装条件和时间，再录入后台；接入 AI 后，机器人可以识别安装意图和信息完整性，引导客户完成预约，符合条件时生成任务并推送服务后台。该场景最终将原本需要 20 人接线的安装预约流程实现自动化处理，并释放 18 名人力转向更高价值的售后工作。
金融服务场景的业务执行更能说明问题。某金融平台将还款申请、提前结清、贷后问题、贷款变更等流程接入 AI 服务，AI 通过多轮对话采集身份和业务信息，查询后台系统，在客户确认后创建业务工单并进入后续处理。部分过去需要数日、多部门参与的流程，被压缩到 1 分钟内完成。
因此，第二阶段的评价方式也需要改变。
企业不能只问“机器人回答得准不准”，还需要验证：
任务完成率怎么样；
信息采集是否完整；
工具调用是否成功；
业务系统返回的数据是否正确；
工单是否能够正确创建和流转；
系统异常时能否及时停止错误动作；
转人工时是否能够保留已经收集的信息。
如果 AI 能够把客服人员原本需要操作几分钟甚至几十分钟的流程接过来，AI 客服才真正进入了业务执行阶段。
四、第三阶段：AI完成标准任务以后，人工应该接什么
AI承担的任务越来越多之后，企业会遇到另一个问题：剩下的客户怎么办？
剩下的通常不是简单问题，而是投诉、异常订单、复杂售后、情绪问题，以及需要人工判断的特殊情况。
因此，第三阶段的重点不是继续扩大 AI 的任务范围，而是重新划分 AI 和人工的职责边界。
高频咨询、信息采集、订单查询、简单预约、标准通知等任务，可以优先由 AI 完成；涉及投诉、复杂业务、异常处理和人工判断的问题，则应该设置清晰的接管条件。
这里最容易被忽略的是“转人工之后怎么办”。
如果客户已经向 AI 提供了订单号、产品型号、故障描述和联系方式，人工接手时却重新问一遍，前面的自动化就被抵消了。更合理的设计，是将客户意图、已采集信息、对话摘要和已经执行的动作一并交给人工坐席，让人工直接进入问题处理阶段。
AI 也不应该在转人工后完全退出。坐席接手复杂问题时，AI 可以继续提供知识推荐、服务提示、会话小结、工单整理和质检等辅助，把人工从重复记录和信息查找中释放出来。
某高端家居品牌的客服场景就采用了这种协同方式：AI 承接高频咨询，人工坐席获得知识和服务辅助，服务结束后自动生成小结和工单，并通过智能质检分析风险表达、流程断点和客户情绪。该案例中，AI 智能应答覆盖 90% 以上高频咨询，事务性工作量降低 70%，同时实现会话自动质检。
这说明，人机协同并不是“AI处理不了才转人工”，而是企业主动设计的一种服务分工：
AI承担标准化、高频、可执行的任务，人工集中处理复杂判断和高价值服务。
五、三阶段真正的区别，在于AI承担的责任越来越大
把三个阶段放在一起看，企业 AI 客服的变化其实很简单：
暂时无法在飞书文档外展示此内容
企业可以通过当前客服工作中的问题判断自己处于哪个阶段。
如果目前最关心的是“机器人回答准不准”“知识库怎么维护”，说明建设重点还在第一阶段。
如果机器人已经能够回答大部分常见问题，但人工仍然需要频繁查询订单、录入信息、创建工单，说明下一步应该进入业务执行。
如果 AI 已经承担了大量标准咨询，但复杂问题交给人工后仍然需要重复沟通、查找信息和整理记录，那么建设重点就应该转向人机协同。
三个阶段并不要求企业同时上线，而应该根据业务成熟度逐步推进。
这也意味着企业没有必要一开始就把所有客服业务都交给 Agent。先找到高频、标准、低风险的任务，再逐步扩大 AI 的执行范围，通常比一次性覆盖所有场景更容易验证效果。
六、企业真正需要建设的是贯穿三个阶段的基础能力
三阶段看起来是 AI 能力逐步增强，实际上背后依赖的是一套持续建设的基础能力。
知识需要持续更新
企业知识不是上线前整理一次就结束。产品、政策、服务流程都会变化，客户还会不断提出新的问题，因此需要通过会话数据和 Badcase 持续发现知识缺口，再调整知识内容和回答边界。
Agent需要真正连接业务系统
业务执行的前提是系统连接。企业需要根据实际流程配置 Agent、Flow 和 Tools，并明确哪些系统可以查询、哪些动作可以执行、哪些异常必须转人工。
如果没有接口和工具，Agent 仍然只能停留在对话层。企业不能把“支持接口”理解成“无需开发即可连接所有业务系统”，具体字段、鉴权、数据方向和责任边界仍然需要结合项目架构确认。
AI需要进入真实的客户联络链路
AI客服不能长期作为一个孤立的机器人存在。企业需要根据自身业务，把 AI 接入在线、电话等实际服务入口，并与工单和人工坐席形成连续流程。
例如制造业售后场景中，智能语音客服可以作为电话第一接待入口，在高峰、夜间和节假日承接重复咨询，并把需要人工处理的问题带着上下文交给坐席。某电动车品牌的案例中，AI 电话接起率达到 100%，高峰期分流超过 40%，人工客服压力下降 35% 以上。
上线以后还需要持续运营
AI 客服的效果不会在上线当天固定下来。真实客户会不断产生新的表达方式，业务流程会发生变化，系统也会出现新的异常。
因此，企业需要形成：
会话数据 → Badcase → 知识或流程调整 → 测试 → 灰度上线 → 效果监控
这样的运营闭环。
现有 Agent 产品能力已经覆盖自动化测试、版本管理、异常预警、运行监控、日志分析、Badcase 管理、灰度上线和效果监控等机制。
这也是 AI 客服从一次性项目走向长期运营的关键。
七、企业AI客服建设，建议沿着业务成熟度逐步推进
对于准备建设 AI 客服的企业，可以按照四步推进。
第一步，先找高频、标准、低风险的问题。 把每天大量重复出现、规则明确的问题交给 AI，先验证知识质量和基础对话能力。
第二步，把人工重复操作转成 Agent 流程。 从订单查询、信息采集、预约、报修、建单等具体任务入手，让 AI 通过工具和业务系统真正完成动作。
第三步，把复杂问题纳入人机协同。 明确哪些情况必须转人工，并保证客户信息、对话上下文和已经执行的动作能够顺利交接给坐席。
第四步，用真实业务数据持续调整。 通过会话、Badcase、工单和质检数据不断发现问题，调整知识、流程和人工接管策略。
最终形成的 AI 客服，不只是一个能够回答客户问题的机器人，而是一套能够持续扩大自动化范围、连接业务流程并与人工协同运行的服务能力。
对于企业而言，建设重点也会随阶段变化：前期看知识和对话质量，中期看任务完成和系统连接，后期看人机协同和长期运营。
合力亿捷的 AI 客服产品体系覆盖在线、电话、工单、知识和人工坐席协同等客户联络场景，Agent 能力则进一步向流程编排、工具调用、业务系统联动和持续运营延伸。这种产品路线对应的正是企业从知识问答进入业务执行，再逐步建立人机协同的建设路径。
