AI 客服别再从简单问题下手：控制平面五层法与座席流失率这个新指标

企业投了钱上对话式 AI，座席流失率却没人盯着看——这是 Opus Research 分析师 Ian Jacobs 在 PolyAI 播客 Deep Learning 里抛出的核心提醒。他与主持人 Nikola Mrksic（PolyAI 创始人）的对谈覆盖了客服 AI 的投资误区、AI Agent 军团的协调架构和一批反直觉的实测数据，适合正在规划客服 AI 预算的负责人对照自查。整场谈话的可贵之处在于嘉宾立场：Ian 是分析师不是厂商销售，他出版这套框架不为卖货，读者可以放心把他的结论当成体检表而非广告单。

一句话结论

客服 AI 的下一步不是多自动化几个问题，而是搭好五层控制平面（上下文、身份、策略、知识治理、持续评测）来统一调度你的 AI Agent 军团，并把座席流失率加入成功指标。

为什么说”从简单问题下手”是投资陷阱

开场 Ian 就点了行业通病：每场发布会、每个厂商都在讲”先把高频低复杂度的活自动化”。他引用 PwC 2026 年 CEO 调查——超过半数 CEO 承认 AI 投资没有换来成本或营收层面的回报，他的判断是切入点错了。

密码重置、订单查询这类”简单问题”本来就流程固定、早就能自动化，再把预算砸上去，只是”把已经自动化的东西再自动化一遍”，换来几张捷报，业务并没有变化。Ian 用了个刺比喻：给士兵发把剑壮胆——看着像武装了，仗该输还是输。自动化了 30 分钟通话里的 15 分钟，剩下的一半人工一半 AI，怎么算账？行业连度量这种混合工作的指标都还没有。

他的替代思路是选那些”自动化后能卖出过去卖不出的产品和服务”的场景，因为新业务会带来新的服务流程和新的度量方式，这才是变革级回报的来源。他还点破了”从简单开始”话术的实质：那不过是”先拿几个速赢”这个老套路的 AI 版本——速赢本身没错，错在把速赢当成终点，赢完就散场。

这个判断可以直接拿来做预算盘点：把今年的 AI 自动化项目列成清单，逐条标注”这条流程在上 AI 之前是否已经可以低代码或规则引擎自动化”；凡是像密码重置、订单查询这样流程固定的，从明年的 AI 预算池里降级挪回传统自动化，把省下的额度投给需要判断力的场景。动手时用 AI 工具提取近半年的客服通话分类数据，逐类评估情绪负担等级，优先把催收提醒、敏感话题咨询这类”AI 反而表现更好”的类目排进下一批自动化清单。Ian 对度量的建议也值得记下：为混合工作建立新指标时，别只盯着自动化率，把”AI 处理量、人工介入量、联合解决率”三个数放在一起看，才能看清一半人一半机器的真实产能。

座席流失率：没人盯着的隐藏指标

Ian 提出的观察角度：如果对话式 AI 真的成功，一线座席的流失率应该下降，因为 AI 把员工从最消耗人的部分解放了出来。行业里大量公司一边上 AI 一边继续承受 30% 以上的年流失率，却没人把这两个数字连起来看。

支撑这个判断的是一批反直觉数据：催收场景里 AI 的还款承诺达成率反而高于人工——因为 AI 不会像人类催收员那样带着道德压力感说话；青少年更愿意和 AI 聊性健康话题，因为不存在面对人的尴尬；丧亲来电里，人类座席每十通就有一通在听人讲述亲人离世，这种工作没人干得长久，而 AI 没有情绪损耗。这些场景的共性是”情绪负担重的对话”，恰好是 AI 相对人类的优势区。

主持人 Nikola 补了一个最有说服力的自家数据：PolyAI 三年半前上线的丧亲来电自动化，至今每天处理数千通（占客户每日数万通话务量的一块），客户满意度（CSAT）得分比人类座席还高。但他的感叹是——即便有公开案例背书，品牌仍然不敢用，“直到人工服务水位崩到没法看，他们才会被迫尝试”。这个细节对采购方的启示是：同行的公开数据只解决”能不能”的问题，敢不敢上，取决于你对自身服务水位的判断，越早小流量试点越主动。

这背后还有一笔经济账：招募、培训一名新座席的成本高昂，流失率超过 50% 的团队，人力成本的大头其实消耗在反复补员上。把情绪负担最重的类目交给 AI，把人挪到需要判断力的位置，流失率下降本身就是 AI 项目最直接的投资回报。Ian 还点了一个行业注脚：上市 BPO 公司近六个月的财报显示，传统客服业务线保持稳定甚至增长，而内容审核这类对人工情绪损耗极大的业务线正在收缩——不是 AI 抢走了工作，是那些岗位本来就留不住人，BPO 甚至需要为内容审核团队配备驻场心理咨询师，成本结构早就不可持续。

核心架构：给 AI Agent 军团搭一个五层控制平面

节目后半段是方法论主体。Ian 观察到品牌方开始出现”AI Agent 蔓延”：各家供应商各卖一套 Agent，复杂流程却要跨着这些孤岛跑。他把这个问题形式化为”控制平面”——所有 Agent 共享的五层基础设施，并公开出版过这份研究。术语本身借自计算机网络：网络工程里控制平面负责路由决策、数据平面负责转发，Ian 直接把这个分层思想搬到了 AI Agent 编排上。他也坦承市面上已有厂商在用”control plane”一词指代评测工具，最终行业叫法未定，但分层协调的思路本身站得住。

架构上他打了个好懂的比方：控制平面是夹在 AI Agent 和企业系统之间的”三明治”。上层可以是任何来源的 Agent——商务的、法务的、客服的；下层是企业全部的数据和系统；中间这五层的隐含前提是每一层都能访问自己需要的企业数据，并按策略控制 Agent 对系统的访问权。策略说不能碰的，Agent 就碰不到——这也是为什么身份层和策略层必须独立于任何单个 Agent 存在。

五层依次是：第一层，旅程与意图状态，即上下文——一段旅程里无论多少个 Agent 接手，需要持久化哪些上下文才能保证结果一致；第二层，身份与同意——人类的声纹认证已经普及，Agent 的身份、授权和水印追溯怎么做，多个 Agent 都有权做同一件事时尤其关键；第三层，策略与护栏——铂金客户该享受什么弹性、底线在哪里，要有一条全公司统一的策略层，让排班 Agent、客服 Agent、后台 Agent 都遵循同一套口径；第四层，知识治理——重点不是把知识源聚成数据湖，而是定 freshness 规则：三个知识库说同一件事时 Agent 听谁的、谁定数据新鲜度标准；第五层，评测——把上线前一次性测试改成贯穿全程的持续评测，而且要评 Agent 与 Agent 之间、Agent 与人之间的交互质量，不是只测单个 Agent。

第五层还有个容易低估的难点：B2B 环境里客服 Agent 常常需要和法务部门的 Agent 协作——一次复杂客诉可能牵动法务、财务、运营多张面孔。怎么评测两个不同供应商提供的 Agent 之间的交接质量？目前行业没有现成答案，但把问题摆上桌本身就是进步：在采购合同里要求供应商披露 Agent 间调用的日志格式，是当下能做的最实际的一步。Ian 特别说明这份五层清单不是完备普查——任何有脑子的从业者都能再补五层——它的价值是给出提问的骨架。

落地顺序他给得很实际：五层不必齐头并进，先从”部署多个 AI Agent 时最痛的那一层”切入，供应商在各层强弱不均，品牌方要的是开始逐层提问，而不是等一个厂商交付全部。Ian 也提醒品牌不要追求每层同时拿满分——那等于自己把门槛抬到没人够得着的高度，聚焦最疼的伤口逐层补齐才是可行路径。他还预告了一个组织信号：当品牌开始设”Agent 编排负责人”这类岗位时，往往就是蔓延痛到了临界点的标志——与其等岗位倒逼，不如先让现有客服负责人拿着五层清单做第一次盘点。

想动手的团队可以从一个五列表格开始：列出公司现有和计划中的每个 AI Agent，列依次填”持久化哪些上下文、用什么身份凭证、遵循哪套策略、读哪个知识源、怎么被评测”。填不出来的格子就是控制平面的缺口，先补最痛的一列。给客服 AI Agent 配身份时沿用现有账号体系的 OAuth 授权，让 Agent 继承所属员工的访问范围，避免另发全局令牌；评测环节把上线前测试改成每周跑一轮的持续评测，用真实客服通话样本回流验证 Agent 的回答质量，这样新知识、新策略上线前就有量化依据。

高级座席的新角色：指挥 Agent 的”空管”

人机分工上，Ian 描绘的中间态是”空管”式的高级座席：十年老员工被信任在标准流程未覆盖的角落行使判断权，他们不接线，而是指挥一组 AI Agent 处理绝大部分通话，自己只在例外场景介入。BPO 公司已经在把 L1 座席往这个方向升级，因为 L1 的活被自动化之后，这是现成的晋升通道，也是留住人的通道。Ian 特别提醒这个角色自带”自我消解”属性——把人训练成空管的过程，也是把他们的判断沉淀进系统的过程，三年后这个岗位又会演变，组织要为里面的人持续设计下一站。

这个角色眼下还有个更现实的名字——很多品牌不知道该把它挂在哪个部门、向谁汇报、KPI 怎么定。Ian 早年戏称这类岗位为”bot wrangler”（机器人驯兽师），那时它的工作还是消歧语音识别的模糊表达；今天的版本更接近政策例外的把关人：白金客户要求破例、复杂情况需要人本判断时，由他们插入人类智能、人类同理心。每一次例外裁决都应回流沉淀为训练数据，让 Agent 下次遇到同类情形时有了先例可循——Ian 给的判断标准很具体：当同类例外的历史裁决积累够了，AI 就可以在”这类客户、这类对话、过去三周六次交互”的条件下自主放行；积累不够的，继续人来。信任就是这样一档一档升上去的。

主持人补充的关键机制是”上下文工程”：这类角色的价值在于把老员工脑子里的隐性判断提前沉淀成 SOP 的升级版。Ian 的观察是，很多品牌的 SOP 从来没有真正”解决”过那些灰色地带——资深座席凭十年经验知道什么时候可以变通，成文的规则永远落后一步。捕获得越充分，能交给 Agent 的判断边界就越宽，自动化的 ROI 天花板就越高。他建议品牌自查的问法很尖锐：“你把 SOP 往上翻新过几版，才够格让 AI 接手？“而且这个上下文捕获取之不尽——每次资深座席做出的例外裁决，都是下一版 SOP 的素材，控制平面第一层（上下文持久化）存的就是这些东西。

对谈中还提到一个供应商侧的诚实做法值得借鉴：PolyAI 会直接告诉客户”我们能自动化的上限在哪”，因为很多流程卡住不是模型不理解，而是客户自己的 SOP 从未把例外情况写清楚。提前说明反而赢得信任——出了问题客户记得是你预警过，而不是怪技术失灵。Nikola 补充说这个”提前打预防针”的打法是多年教训换来的：早年不说，到了上限客户只会怪你的技术不行；说清楚了，客户反而会感谢你把流程欠账暴露出来。对甲方同样适用——供应商敢于当面说”做不到”的部分，往往正是你内部流程需要先修的地方。

实时智能回流：从分析录音到实时改流程

对谈还点出一个正在发生的转变：过去的对话智能是事后分析录音做改进，现在 PolyAI 这类厂商把它搬到实时——分析对话流，当场判断”这通该转人工""这个例外该请示”，把智能直接灌进服务流程本身，而不只是给人工座席打分。Ian 认为这是对话式 AI 和对话智能两条技术线汇合的方向，也是品牌能否突破 90% 自动化叙事的分水岭：没有控制平面和实时智能，大型呼叫中心永远卡在长尾例外上。

他回顾了这两条线的历史纠葛：行业过去把对话式 AI（会说）和对话智能（会分析）当成两个市场、两拨买家，这是个伪二分——一家公司若能让 AI 顺畅对话，本身就证明了它理解对话结构；反过来，只会分析的公司做对话还差一口气。行业并购已经在弥合这道缝，比如 NICE 收购 Cognigy 就是分析侧和对话侧的合流。对采购方的含义很直接：别再按”语音机器人”和”质检分析”两个预算科目分别采购，两条能力合在一家，实时回流才是顺的。

这个方向对采购方也有直接含义：选型时除了问自动化率，还要问厂商能否输出实时对话分析的接口——转人工决策、例外请求、情绪信号这三类事件能否流回自己的数据系统。能回流，控制平面的评测层才有源源不断的真实样本；不能回流，自动化率再高也只是个黑盒数字。

控制平面向谁采购：生态答案而非单一供应商

Ian 没有回避”这套东西找谁买”的问题。他的答案是企业短期内别指望一家全包：厂商生态里既有 PolyAI 这种愿意互操作的伙伴型玩家，也有超大规模云厂商和大型 CRM 供应商——后者会告诉你”我们家全都有”，而且几年后大概率确实会有。对品牌方的建议是按层拆开评估：身份与同意层找同时懂人类和 Agent 认证的厂商，策略层看谁能支持全公司统一口径，评测层看谁能做持续而非一次性的验证。把五层当作询价单的章节标题，比问”你们有没有控制平面”能得到多得多的有效信息。

他还补了一个反直觉的判断：能从一家买齐控制平面的大概率只有超大规模企业——它们本来就是 hyperscaler 的目标客户，可以直接在云厂商的封闭环境里拼出来。中型品牌走不了这条路，多供应商互操作是宿命，这也是为什么”按层提问”的采购纪律对绝大多数公司更有用。

给客服负责人的自查清单

把这场对谈折成四问：第一，我今年的自动化清单里，有多少是本来就已自动化的流程？第二，座席流失率和 AI 投入这两条线，我在同一个报表里看过吗？第三，我买的各家 Agent，身份、策略、知识、评测是各管各的还是有一层共享底座？第四，混合工作的度量指标建了吗，还是仍在用 AHT 考核一半 AI 一半人的通话？四问答不上来的部分，就是下一阶段预算该去的地方。

若要更细的操作口径，可以给每问配上数据动作：第一问对照自动化清单逐条标”规则引擎可做/AI 才能做”；第二问把 HR 的流失月报和 AI 运营周报并进同一张仪表盘；第三问让 IT 盘一遍现有 Agent 的身份凭证来源和策略文件归属；第四问挑一条人机混合流程试算”AI 处理量、人工介入量、联合解决率”三个新指标。四个动作都不需要新采购，用现有报表工具一周内可以跑通第一版。

Ian 的整场论述可以压成一句话：客服 AI 的下一程，比的不是谁自动化得多，而是谁先把”协调 AI Agent 军团”的基础设施建起来——五层控制平面是骨架，座席流失率是体温计，实时智能是神经系统，三者齐备的组织才有资格谈真正的转型。Nikola 的收尾观察同样值得记：你永远不需要也永远做不到自动化一切，等全部自动化了，仍然会有几百人在替你运营这些 AI Agent——终点不是无人化，是人挪到了更值得待的位置上。

原文信息

• 原视频标题：Who’s coordinating your army of AI agents?
• 频道：Intercom (Fin)
• 讲者：Nikola Mrkšić（PolyAI 创始人，主持）、Ian Jacobs（Opus Research 分析师）
• 发布日期：2026-09-03
• 视频时长：约 43 分钟