AI客服和人工客服怎么配合？分流机制的搭建

AI客服上线后最常见的场景是：客户问了五分钟，AI 答了四轮没解决，最后还是转人工——但转过去之后，AI 已经把客户的事搅乱了，客户要重新讲一遍。问题不在模型能力，而在于分流机制没有搭，AI 和人工之间是"各干各的"，不是"接力"。这篇讲清楚怎么设计这套接力：谁在什么条件下接、交接带什么信息、两边的工作量怎么配。

一、先搞清"分流"到底在分什么

分流不是简单的"AI 答不了就转人工"，而是同时在分三件事。

分的是问题类型。 有些问题天生该由人接，有些天生该由AI 接。判断依据是这个问题的判断密度——查订单状态、比对规格、算一个具体的数，这是查信息类，AI 效率是人工的 20 倍以上；需要权衡退款例外、判断客户情绪、做商务让步，这是决策类，人更可靠。

分的是责任等级。 客户值多少钱、什么身份、什么阶段，决定了这个问题由谁接。普通咨询进普通技能组，VIP 客户、首次投诉、媒体问询直接进专家组，别让 VIP 的问题排在普通队列后面等 20 分钟。

分的是时段和负载。 夜间和节假日 AI 全接，白天早高峰和下午三点是客服量最高的两个时段，这两个窗口要预留人工冗余。判断标准很简单：人工队列的平均等待，任何时段都不能超过 30 秒。 超过就是分流规则没按真实流量曲线配。

二、分流规则要写成一张可执行的判断表

很多团队的分流规则只写了两条："AI 答不好就转人工""客户要说人工就转人工"，实际跑起来会被长尾问题打穿。一份能用的分流规则表至少包含五种判断，按优先级从上往下执行。

第一层：强制转人工，不给AI 机会

命中即转。判断标准是"一旦答错，损失不可挽回"：涉及赔付、退款金额、责任归属的；客户情绪已经明确激动，或出现"投诉""曝光""12315""起诉"这类词；医疗、金融、教育招生场景里的专业承诺和资质问题；账户安全、密码、支付信息相关；客户是媒体或行业媒体身份。

第二层：身份优先，按客户价值分流

同样是问物流，会员等级不同队列不同。先查客户标签再进队列，顺序不能反。客户等级判断必须在问题意图识别之前完成，否则会出现"VIP 客户问了个简单问题，被扔进普通队列"的尴尬。

第三层：意图路由，分给不同技能组

至少分成 4 组：售前咨询组、订单物流组、售后处理组、退款纠纷组。不同组配不同提示词和知识库范围，不要用一个全能机器人接所有问题。

第四层：置信度阈值，AI 自己判断答不答得准

给 AI 的每次回答一个置信度分档，低于阈值就走转人工流程。经验值是：知识库里能找到原文支撑的模板类问题（订单状态、退换货政策、营业时间）置信度高；需要跨多个信息源拼装的置信度明显低。起点是整体回答置信度低于 0.75 就转人工，然后按周调整。 宁可多转一点，也不要给错答案。

第五层：客户主动要求，永远优先

客户说"转人工"就必须转，但转之前可以先做一件事：把问题结构化。AI 客服用一句话复述"您是要退掉上周买的 XX 订单对吗"，客户确认后直接带着完整信息转过去。这一步能省掉客户重新描述的三四句话。

三、交接环节：AI 要把什么交给人工

这是整套机制里最影响体感的一环，也最容易被省掉。转人工时，人工坐席打开的工单里应该已经有这些字段：

客户身份与等级标签，来源渠道

问题意图分类，以及 AI 的判断依据

AI 已经尝试过的动作和答复

客户在对话中明确说过的关键信息（订单号、时间、诉求），要结构化提取出来

相关订单、金额、售后记录的链接或摘要

AI 的置信度和转交原因

这些字段是人工坐席能否在 30 秒内接手问题的分水岭。实测方法很直接：转人工后，坐席挂断电话前有没有问客户"您刚才说的问题具体是……"——问了，说明交接信息不合格。 这一条应该作为日常监控指标，每周抽 20 通录音听。有一个技术前提必须满足：AI客服和人工坐席必须挂在同一套工单系统上，共享同一份客户数据。 两套系统就意味着人工接手时看到的信息是残缺的，再好的分流规则也白搭。

四、人工侧的三个配套改变

分流做通了，人工这边不做调整，团队会崩。因为 AI 客服接走的是简单活，人工接到的全是难缠的。

第一，人工要学会"接诊"。 过去坐席考的是快速回答标准问题，现在标准问题被 AI 接走了，剩下的是需要判断和安抚的场景。培训重心要从"话术背诵"转到"问题定位和情绪处理"。

第二，人工要参与知识库维护。 每一个 AI 转过来的工单，都应该沉淀为一条新知识或判断规则。这是人工侧最重要的新增工作，也是AI客服效果能不能持续爬升的唯一来源。

第三，人工工时要重排。 AI 分流之后，人工的工作量结构变了，原来按人头排班会闲忙不均。建议按技能组排班、按组配置人力，并设一个 30 分钟的"支援池"应对突发高峰。关键是不能用原来的坐席数量去衡量工作量——同样的人手，处理的问题数可能差一倍。

五、怎么监控分流机制是有效的

四个数，每周看一次：

转人工率。 健康区间 40%–60%（视业务重复度）。低于 30% 要警惕，AI 可能在不该自己答的问题上硬答；高于 70% 说明知识库覆盖不足或阈值太严。

转人工后的一次解决率。 客户转过来之后人工能不能一次搞定。这个数在 80% 以下，说明人工侧没准备好，或前面的信息交接不完整。

平均等待时长。 分流做得好的话，人工等待应该稳定在 10–30 秒。这个数突然变长，先查是不是某类问题被错误地路由到了爆满的技能组，而不是去催坐席。

AI 答完但客户不满意的比例。 这个数比转人工率更能反映 AI 的真实质量，客户在 AI 环节放弃的比例高，说明知识库里的答案和客户问的不是一个问题。

六、三个常见误区

误区一：把分流当成"省人力"。 分流的目的是让 AI 接住高频标准问题，让人腾出手处理真正的复杂咨询，同时保证任何时候客户都能找到人。

误区二：一次配好分流规则就再也不动。 规则要跟着业务变。产品改版、政策调整、新出现的问法，都要回头改路由表，建议每两周复盘一次。

误区三：只测 AI 不测人工。 客户真正的体验是完整的一段——从提问到解决，跨越 AI 和人两个环节。

判断一套分流机制是否到位，最直接的方法：找 20 个真实客户问题跑一遍，记录每个问题最终由谁解决、总共花了多久、客户有没有重复描述需求。 超过 3 个出现重复描述，说明交接机制还没搭好。

企悦互联（2019年成立，服务客户覆盖电商、教育、医疗、金融行业）在做智能客服落地时，分流规则是按业务线分开配的——教育、医疗这类高风险场景的阈值设得比电商严格得多。分流要能查订单、读会员等级，前提是这些数据在系统里是通的，这部分往往要落到网站开发（/jzkf）的接口改造上。AI客服和人工客服的配合质量，最终取决于交接时那几秒里系统给了坐席多少信息。