編輯 | 言征

出品 | 51CTO技術棧（微信號：blog51cto）

背景是這樣的。

前幾天，我發現我的XX激光雷達出了問題。本來我靠它來為電影攝像機增加自動對焦和自動跟蹤功能，如果沒有這項功能，我會很難拍攝到我需要的畫面。

這個激光雷達大概用了一年左右，但我不知道它是否還在保修期內。但不管怎樣，它都需要修理。

于是，我登錄了XX官網，前往支持頁面，正如我所猜想的，果然有一個智能客服來迎接我。

我與智能客服進行了交流，輸入了類似“我的激光雷達無法自動對焦”的內容。智能客服的回答毫無幫助，于是我繼續追問。

然而，智能客服再次讓我失望，于是我換了一種方式提問：“我該如何將我的激光雷達退回維修？”

客服還是幫不上忙。

在嘗試了 30 分鐘后，我決定還是要找一個真正的人工客服。大約 60 分鐘后，我終于拿到了激光雷達的退貨標簽，可以將其打包寄回。

鑒于許多企業都在依賴智能客服來處理幾乎所有事務，這種情況本不該發生。

與智能客服的對話本應簡單，可能像這樣：

我：我的激光雷達無法自動對焦了。

智能客服：您能提供序列號嗎？這樣我可以更好地為您提供幫助。

我：當然可以。<輸入序列號>

智能客服：謝謝。請稍等片刻。<片刻后> 您的設備仍在保修期內。請提供您的電子郵箱地址，我會發送一個退貨標簽，并將優先處理您的請求。

我：謝謝。

智能客服：還有其他需要我幫忙的嗎？

我：沒有了，謝謝。

智能客服：祝您一天愉快，別忘了查收郵箱中的退貨標簽。

這才是對話應有的樣子，但遺憾的是并非如此，我在安排退貨和維修上花費了太多時間。

目前，只有企業享受到了效率提升的好處。我每次嘗試通過智能客服解決問題的經歷都與我試圖退回激光雷達時的經歷非常相似，所以這不是XX公司的問題。

問題出在人工智能本身。

1.人工智能本應讓一切更加高效

我其實之前開發過聊天機器人，也了解它們是如何工作的。智能客服在構建方式和與用戶互動方式上與聊天機器人非常相似。

問題是，大多數智能客服是基于檢索增強生成（RAG）模型構建的，這種模型既便宜又低效。這種基于 RAG 的系統在全球范圍內被廣泛使用，這正是問題所在。為什么呢？因為這些公司正在使用這些系統來處理客戶支持這一極其復雜的任務。

想一想。

許多大公司可能沒有意識到，客戶支持是一個極其復雜的過程。每個用戶都有不同的問題，對所使用或嘗試做的事情有不同的理解水平，使用不同的語言，并且處于不同程度的沮喪狀態。

當基于 RAG 的系統被用于此目的時，它們無法處理溝通的細微差別，往往無法解決問題。

為什么呢？基于 RAG 的人工智能與 Mistral、Ollama 或 ChatGPT 這樣的人工智能系統不同，它沒有語言處理、推理或決策能力。當你使用基于 RAG 的系統時，你會明顯感覺到這種差異，因為互動遠非人類化的。基于 RAG 的智能客服只有在你問到正確的問題時才會起作用。如果你問到離題或復雜的問題，你就會立即明白我的意思，因為客服要么不知道如何回答，要么會重復自己的話，要么會重置（我經歷過好幾次這種情況）。

基于 RAG 的系統被用于醫療保健、法律咨詢、房地產代理、電子商務助手、企業檢索型聊天機器人、會議記錄和總結生成器、預約預訂和日程安排、數據分析助手等領域。

2.如何解決這個問題？

你可能使用過谷歌的 Gemini Live，并與人工智能進行了完整的對話。我使用過，它令人印象深刻。我還會定期通過 Msty 使用 Ollama 進行研究，很少讓我失望。

現在，想象一下如果一家公司使用像 Gemini Live 這樣的智能客服，事情將以前所未有的準確性和效率完成。

問題是，大多數公司不會愿意花錢購買變革性智能客服。什么是變革性智能客服？我很高興你問了。

變革性智能客服具有以下特點：

• 自主性
• 學習與適應能力
• 決策能力
• 任務執行能力
• 協作能力

這類智能客服被認為是人工智能發展的“第三波”（繼預測性和生成式人工智能之后），很容易就能革新許多行業。

然而，公司需要愿意花錢讓它們發揮作用，而這并不便宜也不容易。考慮一下：一家公司可以創建一個變革性智能客服，并將其提供給各地的企業使用。一旦企業決定采用該客服，他們必須針對自身需求（針對產品、服務等）對其進行專門培訓。

這種培訓需要企業為其產品和流程準備大量文檔。除此之外，為了真正讓這些客服發揮作用，它們必須與企業內部的其他系統（例如用于提交工單的系統）進行集成；否則，它們不會非常有效。

為了好玩，我向 Gemini 提出了一個問題：

為什么智能客服在處理支持事務上表現得如此糟糕？

Gemini 的回答很有啟發性：

盡管智能客服取得了顯著進展，但它們仍然在處理細微差別、適應性、數據偏差和客戶信任方面存在困難。克服這些限制需要持續的研究、更好的數據、改進的算法以及一種更以人類為中心的人工智能在客戶支持中的實施方式。關鍵是要將人工智能視為增強人類客服的工具，而不是完全取代他們。最佳的客戶支持體驗很可能是那些無縫融合人工智能和人類智能優勢的體驗。

Gemini 的回答一針見血，尤其是提到人工智能是增強人類客服的工具，而不是完全取代他們。除非公司明白基于 RAG 的客服無法取代人類從事支持工作，否則客戶將繼續經歷令人沮喪的體驗，甚至可能因為支持服務太差而對一個喜愛的品牌產生反感。

這個問題是真實存在的，而且我不認為它會很快消失。

3.變革性AI客服要花費多少錢？

為什么？很簡單。我向由 Perplexity AI 驅動的搜索引擎提出了以下問題：

一家公司部署一個變革性智能客服需要花費多少錢？

答案應該能說明問題：

部署一個變革性智能客服的成本因項目的復雜性和范圍而異。截至 2025 年，以下是潛在成本的概覽：

• 對于小規模或基礎的智能客服開發，公司預計需要花費 5 萬到 8 萬美元。
• 中等規模的智能客服開發通常在 8 萬到 15 萬美元之間。
• 大規模或先進的智能客服開發成本可能超過 15 萬美元。
• 對于具有深度學習、實時決策和持續學習等高級功能的高度專業化、智能客服，成本可能超過 30 萬美元。

因此，部署一個變革性智能客服的成本可能在 5 萬到 30 萬美元之間。這是一筆不小的開支，尤其是與基于 RAG 的系統相比，根據 Perplexity 的說法，基于 RAG 的系統起價為 7,000 美元，隨著復雜性的增加而增加。

最終，基于 RAG 的人工智能客服比變革性人工智能便宜得多，所以你可以打賭，大多數企業會選擇前者。除非他們最終愿意為變革性選項投入更多資金，否則大多數客戶和客戶在體驗后都會感到不滿。