AI 已让客户体验评分卡过时，但多数服务商仍按旧标准计费

这里有一组值得深思的数据。2026 年初，高德纳（Gartner）调研发现：85% 的客服负责人正在扩充人工坐席的工作职责，而非裁员，尽管其中大多数人预计 AI 会减少人员编制。这些期待自动化落地的管理者，反而在给团队增加更多工作任务。

这并非自相矛盾。这一现象清晰地表明：岗位工作模式的变革速度，已经远超用来衡量它的评分卡。

过去 20 年间，评判客户体验（CX）运营成效的方式几乎一成不变：每位坐席处理的工单量、平均处理时长，还有像紧盯股价一样密切关注的客户满意度（CSAT）分数。这些指标之所以有效，是因为它们衡量的是过去稀缺且成本高昂的资源 —— 人工时间。

而 AI 打破了这套逻辑。当大模型能够以近乎为零的边际成本处理大量常规工单时，“每位坐席每日结案量” 就不再具备参考价值，它衡量的已是不复存在的约束条件。但绝大多数客户体验外包合作，以及配套的数据看板，依旧围绕这套旧指标搭建。

而 AI 打破了这套逻辑。当大模型能够以近乎为零的边际成本处理大量常规工单时，“每位坐席每日结案量” 就不再具备参考价值，它衡量的已是不复存在的约束条件。但绝大多数客户体验外包合作，以及配套的数据看板，依旧围绕这套旧指标搭建。

AI 擅长什么，又在哪些地方悄然失效

在既定框架内，AI 的表现十分出色：明确的规则、规整的输入、可重复执行的步骤。可现实中的客户交互极少如此理想化。棘手的客户诉求往往伴随信息缺失、诉求混杂，另一端还是满怀不满的用户。客户对此感受十分真切：53% 的消费者表示，在复杂问题处理上，客户体验类 AI 的表现明显欠佳。

聊天机器人与虚拟坐席，在自然语言乃至情绪识别方面已经达到很高水平。但识别到客户的负面情绪，和知道该如何处理这种情绪，完全是两回事。福睿斯特（Forrester）2026 年行业展望报告同时点明了 AI 的优势与局限：AI 能够切实减轻坐席负担，通过处理常见问答这类常规工作，平均每天可为每位坐席节省约一小时；但对情绪激烈的场景过度自动化，结果会适得其反。恰恰在客户信任最为脆弱的时刻，过度自动化会激怒客户、消耗用户信任。数据直白地揭示了代价：77% 的消费者认为，糟糕的自助服务体验，还不如不提供自助服务 —— 它浪费用户时间，最后又把问题抛回原点。

因此，设计思路不该是 “我们最多能实现多少自动化”，而是“自动化在何处创造价值，又在何处损耗价值”。以下是我们遵循的几项原则：

• 以信号而非成本，划定人工介入边界。依据情绪倾向、查询复杂度、文化背景来流转工单，而不是优先选择人力成本最低的路径。
• 为模糊场景设置防护机制。梳理业务中容易出现歧义的场景，为坐席提供边界清晰的决策框架，既不让 AI 模型即兴处理，也不让坐席自行摸索。
• AI 做分级初筛，人工完成问题解决。由 AI 完成信息初步采集，再把完整上下文同步给人工坐席。我们的坐席辅助工具 TED 就为一家旅游客户实现了该效果：使用该工具的坐席结案量提升 33%，因为他们把时间用在解决问题，而不是反复还原对话背景。

客户体验外包中，一线客服向高价值工作转型

大家本能会担忧 AI 会消解坐席岗位。但只要设计得当，现实恰恰相反：重复性工作交由机器处理，人员向更高价值的工作升级：审核 AI 处理过的对话交互、识别值得跟进的数据规律、重构存在缺陷的业务流程、参与训练高度依赖一线反馈的 AI 模型。

最后这一点远比听起来更加重要。任何真正的客户体验转型中，AI 模型的效果，取决于输入其中的真实业务判断。一线客服团队一周接触到的真实边缘案例，比任何训练数据集收录的都要多。优秀的服务商，会把坐席视作模型迭代的信息来源，而非被 AI 取代的牺牲品。这就需要搭建标准化渠道记录疑难案例，建立反馈闭环，标记 AI 幻觉问题、上报特殊异常；同时针对数据质量、偏见识别、输出校验、模型漂移监测这些务实的能力，给坐席提供系统培训。

把以上做到位，AI 就不再是那个抢走工作的威胁，而是帮员工剥离枯燥工作的工具。

如今真正具备参考意义的评分卡

绝大多数服务商都会回避这部分内容，因为这会暴露他们是真正完成变革，还是仅仅采购了几套 AI 工具。

AI 带来效率提升已经成为行业基础门槛。更快处理速度、更高自助解决率属于标配，不再是亮眼优势。真正值得付费的价值，藏在传统评分卡从未关注的维度：

• AI 转人工之后，客户情绪是否得到平复？还是转接环节本身就损耗了客户关系？
• 针对疑难工单、特殊例外、情绪复杂的诉求，问题解决质量是否得到提升？
• 是否有人持续优化底层数据，让 AI 模型的输出效果持续变好？
• AI 解放人力之后，一线团队是否能够主动发起业务优化？

这些指标都无法简单塞进传统数据看板，想要衡量乃至优化它们，都离不开人的创造力与上下文理解能力。商业模式也必须跟上运营模式的变化。如果价值重心已经从处理工单数量转向业务结果，付费模式也理应同步转变。如果服务商依旧按坐席人头收费，无论主观意愿如何，都说明他们仍在围绕旧评分卡做优化。

我们已经见证过指标体系完成迭代后的成果。一家全球电子行业头部企业，使用我们的生成式 AI 质量平台 PeopleQX，每日审核对话量提升 22%；系统完成交互的实时转写、打分与分类，交由人工分析师做结果核验。这不是自动化替代人工判断，而是自动化把人的判断力聚焦到真正值得关注的问题上。

评估客户体验外包服务商，你真正该问的问题

当你筛选客户体验外包或咨询合作伙伴时，考察问题也已经发生改变。以下几个问题值得摆上台面沟通：

人机协同层面：不要去问人机配比。不存在通用的标准答案，真实配比取决于行业复杂度、客户群体、合规监管要求。取而代之可以提问：哪些业务场景必须依靠人工判断？哪些可以完全交由 AI 处理？缺少人工监督会带来哪些实际风险？

业务结果层面：不要只停留在工单结案量。询问对方如何衡量 AI 转人工后的客户情绪修复效果、疑难工单的解决质量，以及模型迭代是否依托数据优化实现。如果服务商只能强调处理速度和工单数量，那他们售卖的仍是过时的运营模式。

避免过度依赖 AI：一个现实隐患是坐席过度依赖 AI，丧失独立思考。专业的客户体验咨询服务商，会具备清晰的自动化边界框架，允许坐席解释、覆盖 AI 模型给出的建议，并且透明披露 AI 生成建议的推导逻辑。

人才招聘标准：自动化改变了优质人才的评判标准。专业技能固然重要，但在人机混合模式下，情商、批判性思维、分析判断能力更为关键。可以询问对方，现在和三年前相比，招聘人才的核心标准发生了哪些变化？

还有三项快速自测，帮你判断服务商是真正适配新时代，还是仅仅给旧业务简单加装 AI 功能：是否有切实的 “人在回路” 机制，而不是空喊口号？是否设置模型迭代时限，定期监控算法偏见？反馈闭环是真正落地使用，还是仅仅做表面摆设？

对大部分企业来说，和已经完成这套体系建设的服务商合作，比从零搭建要高效得多。技术提速只是锦上添花，真正关键的是：你选择衡量什么指标，以及你愿意信任谁去达成这些目标。TDCX 深耕行业三十载，已经围绕这一变革完成布局，覆盖客户体验战略、客户体验编排以及一线支持全领域。