前 Chime 首席产品官 Mu Sun：强监管金融行业落地 AI 客服的信任方法论

一句话结论

在金融、金融科技这类强监管行业落地 AI 客服，核心不是等一个完美模型，而是”从你所在的地方开始、用你手上的资源、做你当前能做的事”（嘉宾引用网球名宿 Arthur Ashe 的话）：先用低风险的查询类场景（如查余额）让 AI 辅助人工建立信任，再逐步扩大自动化边界，最终把客服从被动的成本中心重构为主动触达客户的沟通渠道——这是前 Chime 首席产品官 Mu Sun 在 Decagon 播客中给出的一套可直接照做的落地路径。

嘉宾背景：为什么他的判断值得参考

本期嘉宾 Mu Sun 的履历覆盖了美国金融科技与生产力工具的多个关键岗位：他曾任移动银行 Chime 的首席产品官（CPO），也是 Robinhood 和 Notion 的产品负责人，长期在强监管行业（金融服务、金融科技）和大规模消费产品两条战线上做产品决策。主持人 Max Lithal 是 Decagon 的智能体产品总监，Decagon 是一家为企业构建 AI 客服智能体的公司，双方围绕”AI 在高监管行业如何建立信任”展开了对谈。

Mu Sun 在节目开头就点出了金融行业客服的特殊性：当你打开手机银行查询账户余额时，如果应用能快速加载并显示余额，这就是一次合格的体验；但对很多人来说，金融产品的容错空间远低于其他消费产品——流媒体服务卡了可以等，金融服务出错就是真金白银的问题。这种高风险感知，决定了金融行业的 AI 客服落地必须走一条比其他行业更谨慎的路径。

为什么金融行业的信任这么难建：百年老店的价值锚

对谈中 Mu Sun 给出了一个常被忽略的行业观察：金融服务领域的在位巨头大多有上百年历史，美国运通（American Express）、富国银行（Wells Fargo）、Visa 这些公司能长期存在，不是因为行业变化慢，而是因为建立信任就需要这么长时间。这些公司的百年招牌不只是靠顺风顺水时的承诺积累的，而更多是靠”出事的那一天”的表现换来的——银行卡丢了怎么办、登录不上了怎么办，正是在这些最糟糕的时刻如何对待客户，构成了金融品牌信任的底座。

他把这套逻辑延伸到 AI 客服：在强监管行业，客服是品牌信任的核心载体之一，任何自动化的动作都会被客户放进”这个机构可不可靠”的评估框架里。这也是为什么他反复强调，金融行业的 AI 落地不适用互联网行业常见的”快速上线、快速试错”打法——每一次失败交互的代价，不只是客户流失，而是在透支百年信任资产。

方法论第一步：别等完美模型，先做能观察到的小事

Mu Sun 引用了他父亲常说的 Arthur Ashe 名言：“Start where you are, use what you have, do what you can”（从你所在的地方开始，用你手上的资源，做你当前能做的事）。他对这句话的解读是：如果你在等一个完美的模型、一张漂亮的架构图、或者一个”恰到好处”的时间点才开始做 AI，那这件事永远做不成。

他给产品负责人的第一步建议是：先盘点”你知道什么”和”你想做什么”，这两件事是所有后续动作中最重要的起点。在这之后，真正的工作就是迭代——找到一个可以观察到结果的小场景去做。他举例说，这个小事可能是”对客服对话做摘要和归纳”这类不起眼但立刻能看到产出的任务，从那里开始积累对 AI 能力边界的真实认知，而不是从宏大的五年转型计划开始。

这套逻辑与他在节目后段的观察一致：行业里真正在推进的团队，卖的不是”五年 AI 转型大项目”，而是把问题拆到”能不能让帮助中心（help center）在两周内提升一个层级？能不能一周做到？“这样的颗粒度，并明确用什么伙伴、内部谁来主导、以及怎么知道做到了。

一个已经被验证的最小起点：转写、阅读、提取洞察

在解释”从哪件小事开始”时，Mu Sun 给出了一个具体到可以直接执行的操作样板。他以 Robinhood 时期的实践为例：我们本来就在大量地和客户通话，那就从”把这些通话转写成文字”（transcribing these conversations）开始——先让对话数据变成自己可控的资产，然后用 AI 去阅读这些转写文本，从中提取洞察（reading them with an AI and getting insights）。

怎么证明这件事可行？他的答案是”我们已经在做了”：每个客服团队都有质检人员（quality control folks），都在抽样听录音、评估服务质量。AI 做的事本质上和这批人一样，只是从抽样变成了全量、从事后评估变成了实时洞察。这个对比让”AI 读客服对话”从激进创新变成了渐进改良——落地阻力自然小得多。

这套”转写→AI 阅读→提取洞察”的路径，对任何已经在做客服质检的企业都是零门槛起步项：不需要改变任何客户交互界面，不需要审批新的自动化权限，纯粹是内部数据加工能力的升级。信任资产没有任何暴露风险，而团队却能第一次看到全部对话里到底发生了什么。

方法论第二步：从低风险场景切入，让 AI 先辅助人工

针对”哪些场景该自动化、哪些该保留人工”的判断问题，Mu Sun 给出了一个可操作的风险分级思路。他以”查询账户余额”为例做了完整拆解：客户想知道余额，但一时进不了 App——这是一个低风险（low stakes）场景，因为 App 本身就能完成这件事，客户只是需要一条获取同样信息的替代路径；公司有人工团队、有标准操作流程（SOP）、信息也是现成的。这类场景就是理想的起步点。

具体路径是分两步走：第一步先让 AI 增强人工客服（augmenting people with AI skills），也就是 AI 做辅助、人做决策；第二步才是”跑一个测试”，看 AI 在多大程度上能独立处理这类请求。这种”先增强、再自动化”的顺序设计，本质上是把信任建立的过程拆解成了可回退的小实验：每一步都有人工兜底，出了问题随时能退回上一级。

值得强调的是 Mu Sun 对”增强”（augment）的定义：AI 智能体先作为现有客服团队的”超能力”（superpower your current agents）存在——他们本来就在和客户对话、本来就是品牌与客户接触的最前线，AI 给他们配上实时的话术建议、信息检索和操作辅助，让同一批人产出更高的服务质量。这与”AI 上来就替代人工”的叙事完全是两条路线。

对于企业该从哪里切入的优先级问题，Mu Sun 承认没有唯一正确的剧本（playbook），但给出了两条被验证的路径：一条是从”专家最多、问题最难的部门”切入，让最有热情的内部团队先跑起来；另一条是如果目标就是降本，那就从”量最大、风险最低”（highest volume, lowest stake）的场景切入，再逐步推进。两条路径的选择取决于企业推进 AI 的真实动机。

他还特别澄清了一个普遍的误解：自动化不是”从全人工一键切换到全 AI”的开关动作。每个公司、每项服务、每类问题都可以单独决策（for each part of your company or each service you offer and to each type of problem you can make a different decision）——某个环节 100% 人工，相邻环节 80% 自动化，这种颗粒度的混合状态才是常态，也是风险控制的最优解。

方法论第三步：重新定义客服——从成本中心到主动沟通渠道

对谈中最有反转性的观点，是 Mu Sun 对”客服是成本中心”这一传统定位的挑战。他指出，传统上企业把客服视为成本中心，逻辑是尽量压低每次接触的成本、最好客户别来联系；但企业从不把邮件和推送通知（push notification）当成本中心——它们被视为客户沟通，甚至希望客户多读。而推送通知的边际成本极低，企业可以大量发送。

他的推演是：如果 AI 能把客服类交互的成本结构压到足够低，客服就可以从”被动等客户来投诉”变成”主动向客户触达”（outbound）的沟通渠道，像推送和邮件一样承载产品告知、新功能介绍等主动消息。到那一步，客服与运营、产品的组织关系会被彻底重构。

他进一步用奢侈消费品牌做类比：很多服务高净值人群的奢侈品公司，本质上可以被描述为”运营公司”——鞋匠品牌会有专人在门店现场讲解一双鞋是怎么做出来的，这类岗位通常不会被叫作”客服”，却是品牌体验的核心。Mu Sun 认为这是客服角色演进的方向参照：当交互成本足够低、体验足够好时，“服务”本身就成为产品的差异化组成部分，而不是事后的成本项。

这套重构对企业的实际意义在于：评估 AI 客服的投入产出时，不能只算”省了多少人工坐席”，还要算”省下来的交互容量能创造多少主动触达”。把这两笔账放在一起，AI 客服项目才能从降本故事升级为增长故事，也才能在内部拿到持续投入的正当性。

信任的社会学：为什么人们仍要”找真人”

在讨论自动化边界时，Mu Sun 提出了一个容易被技术团队忽略的人性观察：尽管报税完全可以通过软件自助完成，很多美国人仍然坚持要找真人报税，说”我知道这就是一堆规则，软件也能做，但我就是想有个人能聊聊”；医疗场景里，人们也希望有一个真实的医生可以对话。他借此说明：有些需求的核心不是信息本身，而是”被一个懂我的人接待”的体验，这类需求在 AI 时代依然真实存在。

他同时提到 TurboTax 的案例：这个产品长期成功的关键之一，恰恰是在软件流程中”引入人”——在关键节点让用户感到背后有人陪伴，把纯规则流程做成了有人感的体验。这对 AI 客服设计的启示是：自动化的目标不是消灭人工，而是把真人用在”人最被需要”的位置上，其余环节交给机器。

关于新技术信任的建立节奏，他还举了自动驾驶的例子：即便数据表明机器驾驶能降低事故率、减少人类司机的错误，公众在很长一段时间内仍然恐惧——他给中西部老家亲戚看无人驾驶汽车的照片，对方的反应是”赶紧下车，你在干什么？这是死亡陷阱”。这个例子与 AI 客服的处境同构：技术上的安全性和公众感知上的安全感是两件事，后者的建立需要更长时间和更多可观察的正面证据，这也是为什么”小步、可观察、可回退”的落地方式在强监管行业尤其重要。

Mu Sun 对这组现象的总结是：沟通体验里最难替代的，是”恰到好处的上下文、恰到好处的理解”，让对方觉得”你懂我的语言、你在乎我的问题”。他判断 AI 正在快速逼近这种能力，但在金融这类高情感价值场景里，真人兜底的象征意义会长期存在。

对产品负责人角色的预判：AI 时代的反馈飞轮

对谈结尾，两位讨论了 AI 智能体普及后产品负责人的角色变化。Mu Sun 的判断是：当 AI 客服承担了越来越多的客户交互，产品负责人与运营、支持团队之间的反馈飞轮（feedback flywheel）会被整个翻转——过去是产品团队靠抽样质检工单碰运气式地找客户洞察，未来是 AI 把全量对话变成产品团队可即时消费的结构化输入，产品迭代的信息来源和节奏都会改变。

他也提醒，这个转变对产品负责人提出了新要求：不再只是”决定做什么功能”，而是要深入参与 AI 智能体的构建与测试——AI 智能体本身就是一个产品，它的对话设计、能力边界、迭代机制都需要产品思维介入。这与 Decagon 在客户实践中观察到的趋势一致：产品经理正在成为 AI 客服项目里越来越核心的角色。

对谈最后，Mu Sun 给正在观望的企业留了一句务实的话：不要被”别人已经怎么做了”带乱节奏，找到对的合作伙伴后，事情推进会比你想象的快；把团队的目标从”追上别人”切换到”一起构建正确的东西”，组织的心态和产出都会不一样。

客户体验的两个硬指标：速度与上下文

对谈中 Mu Sun 拆解了金融服务客户体验的两大长期痛点，它们恰好也是 AI 最先能补上的两块能力。第一个是速度：过去五六年，很多数字原生企业教出来一代”没有电话可打”的用户——产品页面上找不到客服电话，好运气谷歌到了号码，也要在等待队列里耗到天荒地老。第二个是上下文：好不容易接通了，接电话的人往往不知道你是谁、不知道你前天反馈过什么，更谈不上表现出”在乎”。

他进一步引用主持人的观察：沟通体验里真正打动人的，是”恰到好处的上下文 + 恰到好处的理解”，让对方感觉”你说的是我的语言、你在乎我的问题”。这两件事传统客服受限于人力成本无法规模化——让每个坐席记住每个客户的历史在经济上不可能。但 AI 智能体恰好在这两件事上是原生能力：检索全部历史交互是毫秒级操作，稳定的响应速度是机器的基本属性。这也是为什么对谈双方都认为，速度和上下文这两个老大难问题，正在从客户体验的失分项变成 AI 客服的加分项。

信任光谱：从一致性到愉悦感

被问到”AI 在高风险行业里到底扮演什么角色”时，Mu Sun 给出了一个信任光谱模型：客户体验的起点是一致性（consistency）——每次接触都能拿到同样的正确答案、同样的处理时效；在一致性之上，才是愉悦感（delight）——那些让客户记住的、超出预期的瞬间。传统客服团队在一致性上消耗了绝大部分资源（培训、质检、SOP 都是为了对齐），留给愉悦感的余量极少。

他的判断是：AI 智能体应该先接管一致性层——标准问题的准确应答、全天候的响应、跨渠道的口径统一，这些恰恰是机器最擅长、人类成本最高的部分。人类坐席则被释放到愉悦感层——处理需要创造性和同理心的复杂场景。这个分工框架再次呼应了他”光谱而非开关”的自动化哲学：信任是一层一层垒起来的，AI 从最底层接手，人往最上层迁移，两层各得其所。

组织节奏：小胜利如何改变公司对 AI 的态度

对谈还有一段关于组织心理的观察值得单独展开。Mu Sun 指出，企业在 AI 落地初期最容易犯的错，是用”五年转型”的框架去找寻安全感——仿佛只要规划做得足够宏大、蓝图画得足够完整，风险就可控。但真实情况恰恰相反：五年计划在第三个月就会与现实脱节，而团队则因为看不到阶段性成果而失去信心。

他建议的替代节奏是”两周一个可见成果”：第一周让帮助中心升一个层级，第二周让某类高频问题的自助解决率上一个台阶，第三周把转写洞察接进产品周会。每一个小胜利都在组织内部积累两种资产——数据上的（我们知道 AI 在这个场景的真实表现）和心理上的（团队开始相信这件事能成）。对谈双方都提到，实际推进中”人的大脑天生对进展感到兴奋”，这种兴奋会自发吸引更多团队主动请缨，比任何自上而下的动员令都有效。

这也解释了为什么 Mu Sun 不认同”先买平台、再找场景”的采购式路径：没有具体场景里的小胜利垫底，再大的平台采购最终都会沦为无人使用的授权席位。正确的顺序是场景先行、小步验证，平台采购是规模化阶段的事，而不是起点。

给企业的行动清单

综合整场对谈，正在强监管行业评估 AI 客服的团队可以提取出以下可执行要点：

• 场景选择：从低风险、高确定性的查询类场景（如余额查询）起步，避免一开始就碰交易、投诉裁决等高风险环节。
• 节奏设计：采用”AI 辅助人工 → 小规模自动化测试 → 逐步扩大”的三段式推进，每一步保留人工兜底和回退能力。
• 最小起点：先把客服通话全量转写归档，用 AI 阅读并提取洞察——这等于把现有的质检抽样升级为全量分析，零客户风险。
• 目标设定：把宏大转型拆成”两周内帮助中心提升一个层级”这类可观察、可验收的小目标，明确判断标准再动手。
• 切入优先级：求稳走”专家多的难题部门”，求降本走”量最大风险最低”的场景，先想清楚自己的动机再选路径。
• 颗粒度决策：按服务环节和问题类型逐个决定自动化比例，拒绝”全有或全无”的一键切换叙事。
• 角色重构：提前规划客服从成本中心转向主动沟通渠道后的组织与考核变化，把省下的成本规划为主动触达能力。
• 真人配置：把人工坐席重新部署到”被真人接待”价值最高的环节，如高净值客户、重大异常、情感敏感场景。

原文信息

• 原视频标题：AI in regulated industries
• 频道：Decagon AI
• 讲者：Max Lithal（Decagon 智能体产品总监，主持）、Mu Sun（前 Chime 首席产品官，Robinhood/Notion 产品负责人，嘉宾）
• 发布日期：2026-03-09
• 视频时长：约 36 分钟