客服 AI 的第二幕：量级层交给机器，价值层留给人

「AI 取代客服」是 2024 年的框架。2026 年的证据把它改写成一道更精确的设计题：量级层交给机器，价值层留给人，边界可以被设计、被度量、被校准。第一波部署（Klarna）证明了机器能吸收多少；第二波部署（Kogan.com、BILL、Engine）证明的是另一件事——用什么指标衡量、把省下的人往哪放，才决定这个项目是省钱，还是增值。

第一波：Klarna 证明量级层可以被吸收

Klarna 的客服 AI 2024 年 2 月全球上线：首月处理 230 万次对话，相当于约 700 名全职客服的工作量；平均解决时间从 11 分钟降到 2 分钟以内；重复联系减少 25%；公司预计 2024 年利润改善 4000 万美元（均为 Klarna 自报：投资者材料与官方新闻稿；综合分析见 Perspective AI）。这些数字后来被反复引用，也被反复误读——它们是「工作量等价」测算，不是裁员数。

真正的转折在 2025 年 5 月：CEO Sebastian Siemiatkowski 公开承认裁人裁过头了，重新开放 premium 支持岗位招聘（Bloomberg）。注意发生了什么：AI 没有从 Klarna 撤出，它仍是高频量级层的入口；被回调的是边界——复杂、高价值会话重新交给人类。这不是客服 AI 的失败案例，是边界校准的公开样本。

第二波：Kogan.com 用「真实解决率」校准

澳洲纯线上零售商 Kogan.com 的入站请求里，约 60% 是「我的订单到哪了」这类常规查询。它从订单管理这一个用例起步，逐步补上退货、商品推荐与电视排障（Salesforce 博客，2026-07）。它没有用行业通用的偏转率，而是自建了一个更严格的指标：真实解决率——客户的问题被完全解决、且没有后续联系的比例。这个指标每月与 Salesforce 的数字交叉校验。2026 年 3 月上线时是 6.2%，现在约 20%：进步来自每个版本都做 A/B 测试、复杂用例改用确定性流程、持续用真实对话数据调优。

结果是可核对的：AI 处理约 50% 的入站请求；客户对 agent 的偏好从 50% 升到 78%；AI 处理的 CSAT 与人工处理只差 4 个百分点以内；过去一年销量增长 20%，客服成本下降 10%（Salesforce 与 Kogan 共同报告，厂商与客户双方数字，未独立审计）。

规模与监管：BILL 的 70% 与 Engine 的 50%

美国金融科技公司 BILL 服务 50 万家 SMB，年约 140 万次客服查询。它给 AI 设的硬指标是至少 30% 偏转、路径到 60%；POC 用 20 万条真实查询验证，AI 解决率达到 70%；15 周全量部署，已节省超过 500 万美元，同时维持或改善客户满意度（DevRev 客户案例，经第三方 CX 媒体转载；厂商与客户自报数字）。受监管金融场景能走到 70%，前提是 Salesforce 工作流深度集成与合规护栏——不是模型更聪明，是边界和升级路径更清楚。

B2B 差旅平台 Engine 是另一个样本：AI agent Eva 自动解决 50% 的聊天请求，支持团队处理时长降 15%，CSAT 升 16%（Salesforce 客户故事，2026-06）。共同点很清楚：量级层的先决条件是认证上下文（知道是谁在问）、有限的意图集、明确的升级路径。三条缺一条，偏转率就会变成投诉率。

从省钱到创收：省下的产能往哪放

Salesforce 自己的路径最有代表性。第一幕：Agentforce 处理了 300 万次支持对话，案例量同比下降 8%（少 17 万+ 个案例），年化节省 1 亿美元（Fortune，2026-04，Salesforce 数字）。第二幕：它把 agent 转向此前无人跟进的沉睡线索——大量低优先级、人类「不经济」的潜在客户。结果：影响 3,200+ 个机会，成交了原本不可见的业务（同上）。同一套能力，第一阶段省成本，第二阶段创收入。

这印证了一个判断：客服 AI 的 ROI 公式不完整，除非你写清楚「省下的产能去了哪里」。只写成本降低的项目，是在 2024 年的框架里打转；把省下的时间重新配置到挽留、深挖与沉睡线索上的团队，才进入第二幕。

我们的判断

第一，偏转率是成本指标，真实解决率是客户指标。衡量什么，团队就优化什么；只追偏转率的团队，会悄悄把复杂案例也丢给 AI，然后眼睁睁看着二次联系率上升。第二，量级层的成立前提是「认证上下文 + 有限意图 + 升级路径」，三者缺一不可。Klarna 场景之所以可行，是因为结构化数据、已认证用户与有限的常见意图——把同样的玩法搬到复杂 B2B 支持，是范畴错误。第三，边界不是一次划定的，是持续校准的：Klarna 2025 年的回调、Kogan 每月校验真实解决率，都是校准动作，不是失败信号。

给买家的测试：列出你前五类高频会话，给每类标一个「AI 完成度」（0-100）。80 分以上的交给机器，50 分以下的留给人，中间段显式设计升级路径。这是边界设计的起点，不是终点。

行动清单

三步。先换指标——用真实解决率（或一次联系解决率）替代偏转率，让团队优化客户体验而不是成本。再画边界——高频、低复杂度、可认证的会话归 AI，复杂与高情绪会话归人，中间段设计升级。最后重新配置产能——把省下的时间投到挽留、深挖与沉睡线索，那是第二幕的 ROI 所在。

参考来源: Salesforce 博客《How Kogan.com Automated 67% of Customer Inquiries and Tripled Resolution》（2026-07-10）— www.salesforce.com/blog/kogan-agentforce/ ；Salesforce 客户故事《Engine resolves 50% of chat requests with agentic service》（2026-06-04）— www.salesforce.com/customer-stories/engine/agentic-service/ ；Customer Experience Live《BILL transforms with DevRev's AI platform, saving $5M》（转载 DevRev 客户案例）— www.customer-experience.live/post/bill-transforms-with-devrev-s-ai-platform-saving-5m-while-improving-customer-experience ；Fortune《AI's next act: how Salesforce is turning efficiency gains into revenue》（2026-04-18）— fortune.com/2026/04/18/salesforce-agentforce-ai-efficiency-revenue-growth/ ；Perspective AI《Klarna AI Customer Service: Replacing 700 Agents — A 2026 Case Study》— getperspective.ai/blog/klarna-ai-customer-service-replacing-700-agents-conversational-ai-case-study ；Klarna 官方新闻稿《Klarna AI assistant handles two-thirds of customer service chats in its first month》— www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/ ；Bloomberg《Klarna Turns From AI to Real Person as Cost Cuts Go Too Far》（2025-05-08，经 Perspective AI 引用）— www.bloomberg.com/news/articles/2025-05-08/klarna-turns-from-ai-to-real-person-as-cost-cuts-go-too-far