2026-08-06 鹈鹕全面客户体验管理 | 译者：马振江
客户体验领域的领导者们已将人工智能（AI）战略从试点阶段推进到了全企业范围的部署。他们制定了内部商业案例——即使是在持怀疑态度的组织中也是如此——并取得了令人鼓舞的初步成果。对于许多企业而言，客户服务中的 AI 应用已成为新常态。然而，我们距离 AI 的无处不在或被消费者广泛接受还相去甚远。随着技术前沿不断推进，雄心勃勃的客户体验领导者们不禁在思考：“还能更进一步吗？”
在创新和模型优化的同时，消费者的期望也在重新调整。与此同时，AI 的实际能力与其实际部署和衡量结果之间的差距正在扩大。
要如何在提供真正更优质的体验的同时，继续保持行业领先？而在消费者心中，“更优质”究竟意味着什么？为解答这些问题，我们开展了一项全球调研，重点探讨企业如何采用并完善 AI 驱动的客户体验，以及当今消费者对 AI 客户体验的期望、重视和信任程度。数据收集自北美以及欧洲和亚洲部分国家的消费者和企业受访者。
人们普遍认为，消费者对客服领域的 AI 持怀疑态度。但数据却表明事实并非如此。消费者并非排斥 AI，而是排斥那些无法有效解决问题的服务。
仅有 24% 的消费者在最近一次 AI 客服体验中，其问题得到了 AI 客服的彻底解决；另有 33% 的消费者在 AI 客服处理失败后被转接给人工客服；还有 11% 的消费者则完全放弃了此次互动。这直接构成了客户流失的风险。
只有三分之一（32%）的消费者将他们最近一次的 AI 客服体验评为 8 分及以上（满分 10 分）。当消费者描述问题出在哪里时，他们的回答并非涉及更温暖、更富人情味的声音，或是更具同理心的措辞，而是 AI 在根本上未能完成任务。这合乎情理。同理心或许能让客户在未获得理想结果时更加宽容，但无法弥补运营能力的不足。仅凭善意无法维持客户满意度。
这些是模型和基础设施层面的缺陷，而非用户偏好的问题。未来的出路在于提升 AI 的能力，而不仅仅让它模仿更“人性化”的体验。
“AI 能帮他们解决 70% 到 80% 的问题，但之后就会失效。这反而比直接联系到真人客服更让人沮丧。”
——服务运营与技术部负责人，旅游与酒店业，英国
与个性化或共情能力相比，消费者更重视功能和效率。最出色的客户服务体验往往也是最有效的。
对准确性和问题解决能力的重视表明，只要 AI 能带来实际效果，消费者就能接受它。消费者并不追求更像人类的体验，而是希望 AI 能顺畅地解决他们的问题，不出现任何阻碍。
效率固然重要，但前提是 AI 必须真正能解决问题。我们对此进行了直接测试。在账单错误的情景下（一项中等复杂度的任务），消费者更倾向于选择那种直截了当、专注于解决问题的 AI：它仅用 10 秒就解决了问题，而那种注重对话、富有同理心的 AI 花了两分钟，期间还夹杂着闲聊。
随着用例日益复杂，对能力的要求也随之提高。如果错误会带来实际后果，并且问题解决过程较为复杂，消费者更倾向于选择人工客服。这种模式一贯如此：当允许出现失误时，消费者会给予信任；而当不允许出现失误时，他们则会收回信任。这种犹豫源于他们在更简单的互动中曾遭遇的真实挫折。
好消息是，复杂性本身并非障碍，而是一个可见性问题。在高风险行业中，企业正在加大投入，以确保 AI 客服的可靠性。
对 AI 最大的信任威胁，同时也是是企业可以改变的设计选择：
“必须非常明确地告知客户他们正在与 AI 对话，并解释原因。只要做到这一点，并向客户明确表示如有需要，随时都有真人客服提供帮助，那就再好不过了。”
——客户体验官，金融服务行业，法国
企业正在客户服务领域对 AI 进行大量投资，但结果表明，这些举措与 AI 的核心优势存在根本性的脱节，且忽视了一些最重要的消费者需求。其中一个问题是，大多数企业缺乏足够的可见性来识别并提升 AI 客服的性能。这绝非微不足道的运营缺口。它阻碍了可扩展性，也是改进周期停滞不前的原因。
但机遇更为广阔：最佳的“代理式客服体验”（Agentic Customer Experience，ACX）能够超越消费者预期——实现交互个性化、在消费者提出需求前预判其需求，并迅速解决问题。要充分发挥 ACX 的全部潜力，企业必须构建相应的衡量体系，来观察、验证并在此基础上进一步提升这一潜力。
企业往往针对那些易于衡量的指标进行优化，但这些指标未必是客户所重视的。我们询问了企业级客户体验负责人，他们从 AI 部署中看到了哪些益处。结果显示，这与消费者所重视的“问题解决率”存在明显偏差。
问题解决率以 22% 的比例位列第七，而速度、成本和问题分流则占据了前几名。
AI 是一种全新的运营模式，需要新的成功衡量标准。管控（Containment）和分流（Deflection）衡量的是问题规避情况：管控表明该交互流程未升级。分流表明仅能体现用户诉求未流转至人工客服通道。这两者都无法说明客户的需求是否真正得到了满足。另一方面，问题解决率指标衡量的是最终服务结果，但该指标本身仍存在定义模糊的问题。
对 AI 如何助力整个组织的洞察，是释放增长潜力，提供更能满足消费者需求体验的关键。这首先要准确理解 AI 将何种结果视为成功。当“成功”的定义不明确时，扭曲的数据会破坏商业智能，使得实质性的改进几乎不可能实现。
超过一半的企业缺乏健全的归因基础设施。55% 的受访企业将 Al 与人工客服的互动数据合并进行衡量。这使得从结构上无法监控 Al 客服的实际表现。
如果没有这种区分，企业就会失去清晰的认识。它们无法准确找出 AI 的不足之处，无法建立可信的投资回报率基准，也无法系统地提升绩效。
通过采用“黄金标准”方法（三种情况分别追踪：仅 AI/混合/仅人工），企业能够清晰地了解：AI 在哪些方面表现优异，人类在哪些方面能创造最大价值，以及在哪些方面协作能带来最佳成果。这一洞察让企业有能力打造智能自主式客户体验，实现整体服务效果远超各独立环节的简单叠加，而不是孤立地优化各项指标。
一年前，首要任务是“速度”：尽快部署 AI。如今，首要任务是“证明”——客户体验负责人被要求证明 AI 不仅能提升效率，还能推动可衡量的业务增长。但大多数组织缺乏证明这一商业价值所需的基础设施。
我们 2025 年的研究显示，56% 的高管表示在董事会层面面临着采用 AI 的巨大压力。一年后，看来这场施压行动取得了成功。在我们最新的调查中，92% 的企业预计将在未来 12 个月内增加对 AI 的投资。尽管目前只有 9% 的企业主要由 AI 驱动，但 21% 的企业预计 12 个月后将实现这一目标，增幅达 2.4 倍。
目前，部署最广泛的应用场景往往是复杂度最低的，它们几乎直接对应于成熟度的最初阶段。此类交互对效率和利润的影响最快且最明显，因此企业高管们利用它们来证明价值并建立信任，从而推动进一步的 AI 投资。
“第一阶段……[是]基础问题。现在我们正处于添加运营功能的阶段。这样，AI 就能取消订单、办理退货，处理客户需要做的所有这些事情。接下来，我们将利用工单系统和 AI 帮助实现后端系统的自动化。现在，系统可以执行一些可能需要客户确认是否愿意操作的任务，因此需要一个能够与系统进行交互的机制，向系统传达‘好的，可以继续’的指令。所以，我们目前正在推进这项工作。”
——客户体验副总裁，电子商务，美国
对于四分之一的企业而言，决定是否继续投资的唯一因素是：当前部署所展现的投资回报率（ROI）。在进入下一阶段之前，企业需要证据来证明下一次投资的风险是值得的。
如果你无法将当前由 AI 解决或辅助的客户互动与实际业务成果联系起来，你就无法证明其预期的商业影响。这看似是一个 ROI 问题，实际上是一个可见性问题。
然而，当 ROI 仅考量孤立的效率提升时，它便忽略了真正增长杠杆：战略性再投资。领先企业的 ROI 计算范围已扩展至成本削减之外的成功维度。这正是衡量成熟度发挥核心作用之处。能够设计产生复利效应的长期改进策略，并展示这些策略将带来的真实且具体的影响，才是强大的客户体验智能。
尽管治理是 AI 成熟度的核心，但 80% 的受访企业尚未在客户体验领域建立起一套全面实施且协调一致的 AI 治理框架。（此处所指的治理，是指通过规则、控制措施和数据实践来界定 AI 被允许做什么，以及如何将其行为限制在既定边界之内。）
如果没有框架、风险管理结构和数据管理协议，企业在可能因错误造成实际损害的领域就无法安全地部署 AI 。做好治理的回报，就是让 AI 充分发挥其运营潜力。
技术控制措施的来源及其实施所需的专业知识同样重要。虽然有 54% 的企业在内部制定了技术治理政策，但只有 40% 的企业实施了技术保障措施（即控制措施和系统架构）来落实这些政策。
36% 的客户体验负责人表示，其团队在资源和技能方面均不足以有效管理、审核和指导 AI 客服代理。在那些客户服务运营主要由人工主导，即将向混合模式转型的企业中，这一比例上升至 62%。那些在成熟度发展道路上停滞不前的企业，不仅缺乏技术，更缺乏运营这些技术所需的专业知识和组织架构。
企业往往针对自己习惯衡量的指标进行优化。但传统指标无法捕捉那些它们原本未被设计用来衡量的内容：AI 的性能与影响。
本报告中的消费者数据表明，企业需要采用真正有效的 AI，并建立能够证明其效果的衡量体系。这远不止于弥合绩效差距。
在最佳状态下，AI 不仅能满足消费者的期望，更能通过“完美记忆”实现大规模个性化互动，在消费者尚未表达需求前就预先满足，从而将客户服务从成本中心转变为增长引擎。59% 的消费者会选择实时的 AI 客服，而不是等待人工客服，但前提是 AI 能够真正解决他们的问题。这是一项能力层面的挑战，需要企业沿用自身在其他业务中采用的、以实证为核心的迭代式严谨方法论。
下一波客户服务领域的领军者，是那些在 AI 领域做出正确投资的企业：它们将构建评估基础设施、治理模型和员工能力体系，从而将 AI 的愿景转化为可重复、可衡量的系统，并使其不断成熟和扩展。
原文地址：
https://www.ada.cx/research/agentic-cx-in-2026/
本文为作者原创翻译，欢迎转发分享。
转载时需在文章开头注明作者和“来源：鹈鹕全面客户体验管理（微信号：CEM-tihu）”，文字颜色为黑色，且不得修改原文内容。
欢迎小伙伴投稿合作，具体请联系：易女士 Yiml@tihu.com.cn
