2026-05-28 鹈鹕全面客户体验管理 | 译者：马振江
在客户服务支持领域，大多数团队已经以某种形式应用了人工智能（AI）。无论是工单分流、回复建议，还是通过聊天机器人处理基础问题，都能看到其身影。
AI 是否在实质上缩短了问题解决时间？它是在降低成本，还是仅仅将工作量转移到了其他地方？团队能否完全信任 AI 独立完成工作，还是必须有人工监督？
我们对 700 多名客服负责人进行了调研，旨在了解 AI 的采用情况，并探究其融入日常运营的深度；它在哪里创造了真实价值，又在哪里难以实现规模化应用。
调查结果显示，整个行业正处于转型期。尽管 AI 应用已十分普遍，但对其有效性的信心却参差不齐。而“AI 已投入使用”与“AI 已具备运营成熟度”之间的差距，正逐渐成为下一阶段的关键挑战。
本报告旨在帮助你评估自身所处位置，并识别整个行业中正在形成的差距，从而检验自身策略的有效性，优先考虑正确的投资方向，比那些仍停留在表面阶段的团队更快行动。
对大多数团队而言，引入 AI 时并没有现成的操作指南。相反，他们只能在实践中摸索：修改 AI 的回复、尝试不同的提示词、调整工作流程，并从错误中吸取教训。
这个循环解释了为何“中等信心”占据主导地位。各团队每天都在使用人工智能，但由于缺乏统一的规则，信心水平停滞不前。
那么，团队该如何突破“中等信心”的瓶颈呢？根据我们的数据观察以及直接听取支持部门负责人的反馈，仅仅增加 AI 的使用不能提升信心。只有当 AI 平台或工具的行为变得可预测时，信心才会提升。
高信心团队不会依赖试错式学习。他们通过规范 AI 的预期行为，以及当 AI 出现异常时人类的应对方式来消除不确定性。有两个关键因素，每次都能带来决定性的差异。
大多数团队在引入 AI 时，并未明确“成功”的标准，也未界定人类何时应介入。结果，每个客服人员都自行决策，既未共享也未标准化，信任感也无法积累。
高自信团队的做法恰恰相反。他们将 AI 转化为一套共同的判断体系。
第二个提升信心的因素与培训毫无关系。它取决于工具本身带来的心理负担有多大。
当 AI 被整合到新界面、新配置和新工作流的复杂平台时，团队为了操作它就需要接受大量培训。这会减缓学习进程，并加深人们的谨慎态度。这种怀疑态度在经验丰富的支持部门负责人中十分普遍。
能够自然融入现有工作流程的工具则恰恰相反：
简便的设置和工作流程减轻了培训压力，从而通过使用而非指导来建立信心。客户支持工具的易用性和直观性是第二个信心驱动因素。那些要求客服人员学习新工作流程或处理复杂配置的工具，会增加培训需求。相反，能够无缝融入现有客户支持工作流程的工具，在日常使用中则轻松自如。
通过加强自助服务，并确保文档内容能与客户需求同步更新，这种方法有助于随着时间的推移减少重复咨询。
AI 最直接的应用场景是起草回复。客服团队利用 AI 处理常见请求，例如账单咨询、取消服务、配送更新、访问问题以及设置说明等。客服人员无需每次都从头撰写回复，而是直接基于预先撰写的草稿进行修改，这些草稿已准确反映了相关背景、语气和政策。他们只需审阅内容，必要时进行编辑，然后发送即可。
聊天机器人非常适合处理重复性查询。对于过于复杂且需要人工介入的情况，机器人会收集相关背景信息，并将其转交给人工客服。对于将聊天机器人作为真正第一道防线的客服团队而言，这种方法已经产生了显著成效。
AI 会像管理者一样审阅回复，但速度要快得多。它会标记出缺失的政策细节、有风险的措辞、不完整的步骤或与历史服务水平协议（SLA）不符的时间表。
令人惊讶的是，AI 的应用范围其实相当有限。
仅有 9% 的客服负责人表示，AI 能协助处理他们大部分的工单。对于其余团队而言，随着工单从首次响应进入解决、跟进直至关闭的流程，AI 的作用逐渐减弱。
不过仍有少数团队正在采取不同的做法。他们不再将 AI 局限于起草回复或工单分流，而是将其应用于整个客服工作流程中。
问题解决时间（Resolution time）并非由单一因素决定，而是两种截然不同的力量共同作用的结果。
解决时间的一个部分是可重复工作。另一个部分是结构性延迟。AI 在处理可重复工作方面非常出色。但在处理结构性延迟方面，它的影响有限。
解决时间 = 客服必须重复的工作 + 客服无法控制的时间
大量时间都花在了必要但重复的工作上：
这正是 AI 发挥最大作用的地方。它能帮助客服人员更快地掌握上下文、更迅速地起草回复，并避免不必要的重复工作。
这是不受客户支持团队直接影响的部分。其中包括：
AI 无法消除这些延迟。它可以呈现背景信息并减少混淆，但无法突破组织层面的限制。
客户服务和体验专家 Shep Hyken 指出，AI 主要通过两种方式影响问题解决时间。
“首先，由 AI 驱动的自助服务支持系统能够快速高效地解答问题或解决简单问题。其次，当 AI 协助客服代表处理客户咨询时，客服代表可以更快地访问更强大的知识库，从而再次快速高效地为客户提供所需信息。”
我们发现，阻碍 AI 规模化应用的最大障碍并非功能缺失或预算有限，而是缺乏信任、缺乏背景信息，以及未能解决人们关切的问题。
当 AI 无法理解客户历史、过往决策或对话中的细微差别时，其回复往往显得千篇一律。这迫使客服人员不得不对 AI 生成的内容进行修正、重写或反复推敲。
这种额外的工作不仅拖慢了进度，更动摇了团队的信心。随着信心的下降，抵触情绪随之上升。客服人员开始犹豫是否要依赖 AI，管理者则将 AI 的使用限制在“安全”的场景中。最终，AI 变成了团队勉强接受而非真正信赖的存在。
但抵触情绪的背后还隐藏着更深层次的原因，而团队往往不会将其说出口。对许多客服代表而言，他们的担忧并非 AI 能否发挥作用，而是 AI 是否会最终取代他们。如果没有明确的规范、培训以及管理层的明确意图，AI 的引入与其说是赋能，不如说是带来了不确定性。
60% 的客服负责人会将两者结合起来，以获得更清晰的整体情况：人工指标反映客户体验是否良好，而 AI 指标则显示系统是否按预期运行。
仅依赖人工指标的团队往往会错过早期问题。即使客服人员正在修改大部分 AI 生成的回复，或者完全避开 AI，客户满意度（CSAT）数据看起来可能依然良好。仅依赖 AI 指标的团队则会忽略对客户的影响。高准确率并不能保证回复内容有用、完整或恰当。
关注人工服务的指标：这些指标用于衡量客户体验是否令人难忘。
AI 专用质量指标：这些指标用于衡量 AI 在工作流中的表现是否可靠。
采用混合评估方法的团队不会从头开始构建新的报告层级。他们会：
目标并非让 AI 表现完美无缺，而是要发现 AI 在哪些方面能改善结果，以及哪些方面需要调整。
当我们询问客服负责人，AI 是否改变了他们的团队结构或职责时：
这意味着，尽管相关变革仍在不断演进，但已有三分之二的团队已经感受到结构性影响。
团队正围绕 AI 进行重组和调整，主要体现在两个方面：
下表反映了这一变化。它展示了目前正在支持组织内部出现的各类角色。这些角色并非为了取代客服人员，而是作为该职能的延伸。
重复性的工单处理已不再是主要的职业发展路径。相反，团队正在着力培养能够提升 AI 性能、降低风险并减少不一致性，确保 AI 与支持目标及品牌标准保持一致的职责角色。
在客户支持工作中，代表品牌形象，不仅意味着使用正确的标志、标语或问候语。这意味着在与客户互动时，要做出符合品牌价值观和原则的正确判断。
87% 的客服负责人表示，他们对 AI 在客户互动中代表品牌持谨慎态度。这种谨慎源于 AI 能否解读语境和情感。
AI 可能出现判断失误的情况：
随着 AI 越来越接近与客户的实时对话，客服负责人正审慎考虑应赋予其多少自主权。数据已经说明了一切。
当客服负责人谈论 AI 的投资回报率（ROI）时，有三个特点尤为突出：
这三个事实形成了一种明显的矛盾：AI 确实在创造价值，但这种价值分散在各个工作流程中，难以整合为一个核心指标。
在现阶段，AI 通过保持系统稳定来赢得信任——而非凭借某一项突出的指标。正是日常影响与正式 ROI 之间的这种差距，使得 AI 的应用得以持续推进，即使在评估体系尚不完善的情况下也是如此。
如果这份报告揭示了一个明确的转变，那就是：AI 的采用已不再是重点，AI 的成熟度才是。
大多数支持团队已经从 AI 中获得了渐进式的收益，包括更快的回复速度、更轻的工作负荷以及适度的效率提升。但当 AI 在缺乏足够上下文信息的情况下运作，无法做出可靠决策时，这些收益就会停滞不前。速度虽有提升，但判断力却未见长进。而没有判断力，信任就无法真正积累。
客户支持的下一阶段将取决于团队处理场景信息的能力——整合客户历史、知识库、政策和质量指标，使 AI 能够自信地解决问题，而不仅仅是协助起草回复。真正掌握这一要领的团队，不仅会更多地使用 AI，更将彻底改变服务支持工作的运作模式。
原文地址：
https://hiverhq.com/reports/state-of-ai-customer-support-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
