在客服服务场景，一通投诉电话结束，处理工作往往才刚刚开始。
客服还要翻阅历史记录，核对订单和工单，查询相关制度，向业务部门确认事实，再整理客诉经过、填写工单、起草回复。
真正需要经验的，是判断责任、把握处理尺度和安抚客户。但在此之前，人工已经把大量时间花在查找信息和整理材料上。
所以，客诉场景使用AI，更现实的切口不是让AI决定“怎么处理”，而是优先承担判断前后那些耗时、规则明确、可以复核的工作。
高风险场景也可以拆出适合AI的工作
客诉涉及责任、补偿和合规风险，不适合完全自动化。但拆开来看，其中包含两类性质不同的工作。
一类需要人工判断，例如问题定性、责任归属、补偿尺度和最终沟通。
另一类虽然耗时，但相对标准，例如汇总历史记录、检索制度、提取关键事实、填写投诉字段和起草回复。
后者是AI更容易产生确定价值的环节。
英国 Yorkshire Building Society 一家会员制住房金融机构，拥有超过300万名会员和客户，就把投诉处理拆给了三个AI助手——Penelope, Sam, and Alf 。
投诉回复 Agent（Penelope）：根据客户问题和处理规则，辅助生成专业回复内容，提升投诉处理效率。在复杂投诉中，这一环节最多可以节省约26分钟。
投诉摘要 Agent（Sam）：自动梳理客户投诉内容，提炼关键信息，帮助客服快速了解客户问题，单次预计节省约7分钟。
知识检索 Agent（Alf）：自动查询企业政策、服务流程和历史案例，为客服提供处理依据。
三个助手都没有取代投诉负责人，而是分别承担“整理事实、寻找依据、起草回复”三类耗时工作。YBS的实践说明，即使是金融客诉这样的高风险场景，也可以先把能够拆解、能够复核的环节交给AI。
难点不是生成摘要，而是进入处理流程
AI要真正减少客诉工作量，不能只看到当前一轮对话。
它还需要在权限范围内调取历史会话、订单、工单和服务记录，检索经过确认的制度和回复规范，并明确哪些内容可以自动生成，哪些必须由人工审核。
否则，所谓AI辅助，很可能只是坐席旁边多了一个文本生成工具。
YBS证明了客诉任务可以被拆解。接下来更关键的问题是：拆解之后，如何把AI放进真实客服中心的日常流程？
一家高端家居品牌如何把AI放进复杂售后
合力亿捷服务的某高端家居品牌拥有超过5400家线下体验馆。总部400客服中心需要处理产品咨询、售后受理、投诉反馈和满意度回访。
服务内容较为复杂：一部分是产品材质、保养方式等标准问题，另一部分是安装交付、门店服务和投诉反馈等需要具体判断的问题。
过去，客服接待复杂来电时，需要在沟通过程中查找产品知识和服务政策。通话结束后，还要手动填写服务小结、整理客户信息并创建工单。
管理人员主要通过抽样听取录音开展质检，很难及时发现全部敏感表达和潜在风险。
这家企业没有把复杂售后直接交给AI，而是重新划分了人工与AI的工作。
・明确人机协作边界
标准问题（如产品材质、保养方式等）优先由在线和通话Agent承接；需要协商、安抚或作出特殊判断的问题（如安装交付争议、门店服务投诉等），仍由人工负责；
人工接待时，AI负责推荐相关知识和服务话术，帮助坐席更快找到处理依据，但最终回复、问题定性及是否升级，均由人工决定。
・自动完成服务记录与工单生成
通话结束后，AI自动生成服务小结和工单；自动整理客户问题、诉求、已有处理情况和后续动作，减少人工手动填写的工作量。
・实现全量智能质检与风险预警
智能质检覆盖电话和在线会话，自动识别风险表达、敏感话术、流程断点和客户情绪；
改变过去依赖抽样听取录音的质检方式，实现100%全量会话自动质检，风险预警提前率达到85%。
・整体落地成效
该智能化改造覆盖产品咨询、售后受理、投诉反馈和回访等全业务流程；事务性工作量降低70%，其中投诉相关的事务性工作得到显著释放；
需要说明的是，上述数据为整体客服智能化项目的综合效果，不等同于投诉处理单一环节的专项结果。
无论是YBS的三个AI助手，还是这家高端家居品牌的智能化实践，都在印证同一个逻辑：在复杂的客诉场景中，AI并不是冲在前面的“决策者”，而是做“辅助者”。这或许才是当下企业引入AI最务实，也最具性价比的选择。
