AI 客服不是买个接口接上就完事。真正的成本在知识整理与兜底设计，真正的收益在把重复问题挡在人工之前。给出三种落地形态、成本构成与验收指标。
先说结论：AI 客服能省下的钱，等于"重复问题占比 × 人工单次处理成本"。多数中小企业的重复问题占比在 60%–80%，所以这件事值得做；但收益不会自动发生——它取决于你能把知识整理到什么程度。技术只占 20%，剩下 80% 是内容工程。
一、先把账算清楚，再决定做不做
不要从"我们要不要上 AI"开始，从三个数字开始：
- 每天咨询量（含微信、电话、在线表单）
- 其中重复问题占比——把最近两周的咨询记录按问题归类，你会得到一条很长的长尾和几个巨大的头部
- 单次人工处理时长（含查找资料、确认库存/价格、回复、跟进）
举个例子：每天 60 个咨询，重复问题占 70%，平均每次 8 分钟，那么每天约有 5.6 小时耗在可以被标准化回答的问题上。这部分就是 AI 的靶心。
二、三种落地形态，成本和效果差很多
| 形态 | 适合场景 | 优点 | 局限 |
|---|---|---|---|
| 关键词 FAQ 机器人 | 问题高度固定、答案标准（营业时间、地址、退换货规则） | 成本极低、响应稳定、不会"胡说" | 换个说法就答不上来，用户问两轮就放弃 |
| 知识库问答（RAG） | 产品参数、服务流程、政策条款较多，需要按内容回答 | 能理解自然语言，答案可溯源到具体文档 | 依赖文档质量；文档过时会答错；对表格类数据支持较弱 |
| 带工具的智能体（Agent） | 需要查订单、查库存、预约排期、生成报价单 | 能真正完成动作，不只是回答问题 | 开发与维护成本最高；出错代价大，必须设计人工确认环节 |
务实的顺序是：先用 FAQ 覆盖头部 20 个问题，再升级到 RAG 覆盖长尾，最后才考虑让 AI 去"执行动作"。跳过前两步直接做 Agent，是失败率最高的路径。
三、80% 的工作在知识整理
这一步没有捷径。一个能用的知识库至少要满足：
- 一个问题一个答案，不要把十个问题写在一段话里，也不要写成营销文案。
- 答案里有可执行的信息。用户问"多少钱"，答"价格面议"等于没答；应给出区间、影响价格的因素、以及下一步怎么走。
- 标注适用范围与时效。哪些产品适用、什么时候更新过。过期的政策是 AI 客服最大的错误来源。
- 明确"不知道"的边界。要主动告诉 AI：超出范围就转人工，不要自己编。
一个检验标准：把你整理好的知识库给一个刚入职的同事看，他能不能独立回答 80% 的咨询。如果人都不行，AI 一定不行。
四、成本到底由哪几块组成
- 模型调用费：按 token 计费，日常咨询量下通常不是主要成本，除非上下文塞得很长或让模型反复思考。
- 知识库与检索：向量库、文档解析、定期重建索引，属于固定+运维成本。
- 人工兜底：转人工的比例决定了你还需多少人，这是变动成本的大头。
- 持续维护：产品更新、政策调整后同步知识库，这项最容易被低估，也最容易被忽略到出事。
判断投入是否值得，看一个指标就够：自助解决率（用户没转人工就把问题解决了的比例）。它低于 40% 时，说明知识没整理好，继续加技术投入是浪费。
五、三条不要踩的坑
1. 让 AI 全自动接管，不留人工出口
再好的知识库也会遇到没覆盖的问题。必须在每一轮对话里都保留"转人工"入口，并且转过去时把上下文一起带过去，否则用户要重复描述一遍，体验比没有 AI 更差。
2. 用 AI 回答价格与承诺类问题
"能不能便宜点""多久能交付""保证排名第一吗"——这类问题涉及商业承诺，应由人回答。让模型自由发挥，迟早会给出你兑现不了的承诺。
3. 上线即放任，不做回归测试
知识库每改一次，都应该跑一遍固定的问题集（建议 30–50 条真实问题），确认没有把原来答对的改错。这一步能拦住绝大多数线上事故。
六、验收看四个指标
| 指标 | 含义 | 参考门槛 |
|---|---|---|
| 自助解决率 | 未转人工且用户不再追问的比例 | 起步 40%，成熟期 60% 以上 |
| 转人工率 | 进入人工的比例 | 与自助解决率互为镜像，重点是看趋势 |
| 首次响应时长 | 用户发问到达的第一条有效回复 | 秒级，这是 AI 最确定的价值 |
| 错误答案率 | 抽查中答错或答非所问的比例 | 低于 5%；涉及价格政策应为 0 |
如果这四个指标里只有"响应快"变好，其他没动，说明你只是把人工排队换成了 AI 排队，没有真正降本。
