2月10号是什么星座

“对不起，我没听懂您的问题。”

“您可以再和我描述一下吗？”

“人工坐席繁忙，请您稍后再拨。”

智能客服本应是提升服务效率与质量的“利器”，实际却常让消费者陷入“对话困境”：要么在“按1”“按2”的语音菜单中晕头转向，要么遭遇答非所问的机械回应，即便想转接人工，也往往被“坐席忙”的提示挡在门外。

智能客服似乎遇到了一道坎，在理解用户、和用户对话方面，始终无法实现真正的“智能”。

然而生成式AI技术的出现，让智能客服看到了前所未有的曙光，基于大模型特有的生成式AI技术和智能的涌现，让智能客服越来越逼近人们想象中的样子。

但问题是，生成式AI技术要如何引入智能客服才能落地？落地后的生成式AI究竟如何在智能客服具体场景中发挥作用？更进一步，对于企业和用户而言，这种改变是否具备真正的价值？

理想与现实的巨大落差

许多企业引入智能客服的初衷是降低成本、提高效率，但现实却是，智能客服往往只能机械应对简单问题，一旦涉及复杂情况，便开始“已读乱回”，甚至循环提示“请重新输入”。

消费者在反复尝试无果后，只能被迫等待人工客服，而人工客服的转接入口却隐藏极深，等待时间动辄数分钟甚至更久。

更糟糕的是，部分智能客服甚至无法准确理解用户问题，答非所问的情况屡见不鲜。

比如，用户咨询“如何退款”，智能客服却推送“产品使用指南”；用户反馈“订单异常”，系统却反复要求“验证身份”，而真正的解决方案却迟迟无法给出。

这种“低效沟通”不仅浪费用户时间，还可能激化矛盾，导致消费者对品牌信任度下降。

一直以来，传统的智能客服存在四大痛点，这些痛点不仅影响了用户体验，更制约了智能客服的未来发展。

首先，用户吐槽的“智障”，其实就是机器对语义理解不足，用户提了诉求，但机器答非所问的概率很高。

这是因为上一代智能客服，在技术上使用的是关键词、BERT模型等机制，这种机制需要大量的数据标注，标注越多，理解能力就越强，但标注高度依赖人工。

一旦人工标注和训练不足，机器的理解能力就会不够，结果就是答非所问。

其次，用户体验不好，缺乏情感表达。用户是有情绪的，但上一代智能客服是预制的，不管用户什么情绪来提问，机器都是标准回复，比较机械。机器能不能打动用户、解决用户问题，完全取决于设计问答的那个人。

第三，复杂任务处理很呆板。比如预定会议室，上一代智能客服一般会使用流程画布，第一步问定会议室的时间、参会人等信息，再调取定会议室的接口，必须一步步按设定好的流程来。当用户的话题超出了设定范围，智能客服就会直接告诉用户，它答不上来，最后转人工客服的比例其实很高。

第四，训练成本高。上一代智能客服需要设立专门的机器人训练师，因为需要穷举业务上的问题和标准答案。

如果涉及到一些复杂的业务知识和流程，还需要梳理知识图谱。整个训练过程非常复杂，通常需要3个月到半年，然后才能达到80%的解决率。专门配置这样一个训练师，企业成本是非常高的。

然而，大模型的出现，为新一代智能客服可解决这些痛点提供了具有实践意义的路径。

从发展看，智能客服经历了三个主要的阶段。第一阶段是规则系统与专家系统，通过编写关键字匹配用户的意图并作出回应，主要应用于在线机器人。此阶段依赖于大量的人工设定规则来实现基本的功能。

之后在深度学习时代，随着ASR（自动语音识别）、TTS（文本转语音）和NLP（自然语言处理）等技术的成熟，智能客服不仅能够服务于在线环境，还能扩展到电话场景的应答机器人，从规则驱动转变为数据驱动。

目前我们正处于大模型时代，随着引入了具备更强泛化能力、理解力和拟人度的大规模预训练模型，智能客服变得更加智能化，并且面对复杂表达时也能提供更为准确和人性化的回复。

大模型可以冷启动，不需要标注数据，只需要把客户的业务知识维护进去，就能达到很好的效果，回复比较人性化，接得上用户的话题，能够理解用户的情绪等等。

比如，一个用户一开口就很生气，新一代大模智能客服会先进行安抚，然后再列出相应的解决方案。因为它能够根据用户的情绪变化生成对应的回复，所以用户对话的流畅度体验就会很好，情绪价值也足够。

对于流程类任务，就像预定会议室的场景，大模型不需要固定的流程设置和穷举话题。

因为它有很强的推理能力，当用户给到它对应的提示词工程，告诉它定会议室需要用户提供哪些信息，大模型就可以自己去思考已经拿到了哪些信息，还缺哪些信息，从而引导用户给出完整的所需信息。

就算中间用户切换话题，大模型也可以继续聊下去。

在训练成本方面，因为有了大模型，就不再需要专门的机器训练师了，企业成本降低了，回答的准确率还得到进一步提升。

AI客服的新一轮变革

经过多年发展，AI客服市场吸引各路玩家纷至来参与其中，行业竞争也愈发激烈。但白热化竞争往往意味着下一轮变革的开启，这也对各大AI客服厂商提出了新的要求。

AI能力是智能客服进阶的核心，如何让机器回答更准确，更接近真人，更深入企业的运营依然是行业面临的共同课题。

事实上，AI能力并不局限于AI算法技术层面，而是AI技术如何落地行业、在商业化场景中有更好的表现，更考验厂商的能力。

对于不同行业领域的智能客服，所要解答的问题并不相同，这就要求智能客服产品拥有特定行业的知识库，对不同行业的用户问题进行理解并做出回复。

随着各类技术的发展，智能客服已成为多点技术融合的一个应用体系，越来越多复杂的需求将持续倒通着整个智能客服升级。

这对智能客服厂商的综合实力提出了更高的要求，不仅需要具备雄厚的PaaS技术能力，还需要丰富的定制化开发和交付经验。

这就需要AI客服企业既可以打造符合行业特性需求的营销与服务全链路解决方案，承接企业从售前、售中到售后的全流程业务需求，也能够为企业量身定制智能客服解决方案。

2025年，生成式AI技术在全球范围内加速渗透，重新改写客户服务行业的面貌。

企业普遍寻求利用AI提升服务效率与体验，然而，技术落地的“最后一公里”——即如何将强大的模型能力转化为稳定、高效、易部署的业务解决方案，成为普遍面临的挑战。

响应延迟、多语言支持、复杂场景理解、定制化成本以及全球化部署的合规性等问题，亟须扎实的工程化能力来破解。

在此背景下，云势数据推出了ConnectNow全渠道智能联络中心系统。该方案针对上述行业痛点，提供一套“开箱即用”的智能化服务解决方案，帮助企业，特别是积极拓展海外市场的中国企业，快速构建高效、合规的全球客户服务体系。

创立伊始，云势数据就选择与亚马逊云科技站在一起，成为中国最早一批投入亚马逊云科技体系的服务商之一。

2023年，云势数据聚焦熟悉的联络中心业务，正式启动ConnectNow的研发。基于云联络中心服务Amazon Connect和全托管生成式AI平台Amazon Bedrock，云势数据打造了全渠道智能联络中心产品ConnectNow。

凭借全渠道接入、坐席智能辅助、Agentic AI智能客服/智能销售、智能质检等能力，ConnectNow实现7×24小时无缝客户支持，精准洞察客户深层需求，动态生成个性化服务策略，助力企业显著提升全球售后服务质量与客户满意度。

当前企业在应用人工智能，特别是大型语言模型（如ChatGPT背后的技术）进行客服升级时，常常面临两大难题：一是技术难以真正融入现有业务流程（落地难），二是AI系统的反应速度有时不够快（响应慢）。

云势数据没有一味追求最尖端或参数最大的模型，而是选择了一条更注重实效和工程化的技术路线来解决这些问题。周利锋介绍，云势数据深度应用亚马逊云科技提供的Amazon Bedrock服务，让ConnectNow系统可以非常“聪明”地根据不同的客服任务，自动选择最适合的“AI大脑”来处理。

对于需要闪电般速度的任务，比如实时翻译用户的语言，它会调用轻量级、高效的Claude Haiku模型。

对于需要深度思考、复杂推理的任务，比如理解用户曲折的提问意图或者解决一个多步骤的问题，它会调用更强大、思考更深邃的Claude Sonnet模型。

这种精准匹配的策略带来了显著提升：系统能准确理解超过95%的用户问题意图，并且在语音对话中，从用户说完话到AI开始回应，延迟被压缩到了2秒以内，接近甚至优于人工客服的响应速度。

此外，在电商领域其实很少有语音场景，而更多是图文展示，因此需要更丰富的展现形式。

云势数据的AI 引擎像拆解乐高积木一样，提供了30多个独立的功能模块（组件）。这些模块涵盖了各种常见场景，当用户询问产品详情时，AI不仅能回答，还能直接展示相关图片和文字说明。

系统能根据当前对话或常见问题，主动弹出用户可能关心的其他问题选项。

企业客户不再需要从零开始构建复杂的系统，或者被迫接受僵化的解决方案。他们可以根据自身业务需求，像挑选和拼接积木一样，灵活组合这些预制组件，快速定制出最适合自己的客服流程，大大降低了使用门槛和定制成本。

借助亚马逊云科技，云势数据还实现了全球业务快速拓展。亚马逊云科技拥有全球覆盖的基础设施，基础设施遍及37个地理区域的117个可用区，助力云势数据在短时间内完成海外服务节点部署，快速拓展海外业务，提升品牌竞争力。

目前，云势数据ConnectNow解决方案已上架亚马逊云科技Marketplace，有效触达更广泛的国际客户群体。

凭借与亚马逊云科技的深度合作，云势数据现已为制造、新能源、汽车、金融、电商零售、游戏等多个行业的领先企业提供服务，全面助力企业提升全球化售后服务的品质与客户满意度。

在制造业、新能源、汽车等出海主力领域，ConnectNow已经开始展现令行业关注的效能。在德业股份的落地实践中，德业股份的设备销往全球110个国家，传统客服受限于时差与语言障碍。

接入ConnectNow后，系统支持用户与经销商通过APP、官网、独立站、邮件、WhatsApp、Facebook等多种渠道进行联系，并提供30多种语言的7×24小时服务，客服效率提升超30%。

在为某充电桩企业合作时，因为企业缺乏多语种本地客服团队。云势数据基于亚马逊云科技构建了电话机器人客户服务系统，借助ConnectNow，该企业实现英、法、德等10国语言自动识别，成功申请10国本地号码，语音识别和故障信息录入准确率超90%，整体效率提升超过50%，年省成本550万元人民币。此外，ConnectNow系统还对接客户的Salesforce系统，实现售后与客户管理一体化，进一步提升客户运营效率。

“AI客服不是替代人类，而是重构服务链条。”周利锋的这句话，道破了智能客服的终极价值——技术不该是“绣花枕头”，而应真正解决效率问题，在烟火气的业务场景中创造真实价值。

从被吐槽“智障”到真正有了“人味儿”，智能客服的进化之路，正是技术与业务深度融合的缩影。

随着生成式AI与大模型技术的持续迭代和工程化能力的不断精进，未来的客服场景将更懂用户、更高效、更温暖，既为企业降本增效，也让每一次咨询都成为连接用户与品牌的桥梁。

这或许就是AI服务于人的终极意义：让技术隐于无形，让体验流于自然。