AI 客服的账本两头收窄：单价在涨，工单结构封顶

客服中心的季度预算会开到一半，财务负责人把供应商的演示稿翻回第一页。对面报出来的数字是百分之七十六的工单由 AI 自己解决，按每次零点九九美元计费，一个月的账单比现在的人工成本少掉一半。散会之后有人拿自己上个月的工单重算了一遍，得出来的净节省是两成多。

两个数字都不假，差在算法上。供应商算的是它能接住多少，买家要算的是全部工单里有多少真的可以交出去。这一年的特殊之处在于，这两笔账的两头同时在动：单价那一头开始往上走，工单结构那一头是一块固定的天花板。只看一头，都会得出一个偏乐观的预算。

单价这一头正在往上走

Gartner 在今年一月的预测里给了一个方向：到 2030 年，生成式 AI 每次解决的成本会超过三美元，比不少面向消费者的离岸人工坐席还贵。他们给的理由是三条，数据中心成本上升、AI 厂商从补贴换增长转向盈利、以及被交给 AI 的工单本身在变复杂。复杂工单消耗更多 token，还要配上更贵的人来兜底。

同一份预测里还有一条更少被引用的判断：到 2028 年，与 AI 相关的监管变化会让需要人工介入的服务量增加百分之三十。这句话对预算模型的意义比听起来大。它说明被 AI 挤出来的那部分人工需求不会消失，只会换位置，一部分变成审核、抽检和申诉处理。

把这两条放在一起，就能看出今天零点九九美元一次的价格是什么性质。它是补贴期的价格，是厂商用亏损换市场份额时开的价。合同如果按今天的单价把三年的采购量锁死，买家拿到的是一张纸面上的便宜，代价是把涨价风险留给了自己。

采购层面能做的事很具体。单价写进合同并约定年度涨幅上限；按结果计费时，把“什么算一次结果”的定义权写清楚；退出条款里写明评测集和调用记录归谁。这三条不解决任何技术问题，但它们决定三年后这张账单的形状。

补贴期的定价有一个共同特征：价格低到不覆盖成本，所以厂商必须靠规模摊销，摊销的终点是市场份额见顶。见顶之后，价格回到成本线上，涨幅通常一次到位。判断这个转折点不那么玄，看两件事就够了：厂商近一年的融资节奏，以及它定价页的更新频率。价格页改得越勤，越接近那个点。

计费模式把风险放在不同的人身上

同一套 AI 客服，三种计费方式的风险归属完全不同。按坐席收费，厂商希望你多买席位，它的激励是覆盖范围，不是解决率，你的账单跟工单量脱钩，却跟人数挂钩。按会话收费，你为没解决的对话也付钱，节省比例随解决率波动，风险在买家。按结果收费，只有 AI 真的解决了才计费，这是对买家最友好的一种，但它把风险推进到了另一处：定义。

什么算一次结果，由谁判定，判定能不能被复核。定义宽一格，账单大一截。行业里已经有人在把这件事讲成方法问题：统计“客户没有要求转人工”的比例，比统计“问题真的解决了”的比例，数字会高出二十到四十个点。这个差距不是技术差距，是口径差距。

所以按结果计费的合同，真正要谈的不是单价，是判定规则。判定规则写得越像一段测试用例，越不容易在结算时扯皮。谁写，谁复核，多少比例人工抽检，判错了怎么追溯，这四件事应该在签字之前定下来。

再往下一步，是让两种计费口径并排报一次价。同样一个月两万通由 AI 解决，按坐席和按结果算出来的金额可以差一倍以上，差额不在效率，在结算口径。要向对方要完整的价目：最低消费、超额单价、年度调价条款，然后自己算在什么量下哪一档更便宜。这件事谈的时候花两小时，签完之后能省三年。

另一头是工单结构

工单能交给 AI 的比例，由工单自身的结构决定，不由模型强弱决定。同一家厂商在不同行业报出来的数差得很远。电商里有百分之七十到八十四的工单落在可预测的类目里，成本下降百分之四十七；SaaS 和科技公司平均降百分之三十九，技术升级类工单把 AI 的解决率压在百分之五十五到六十五之间；金融行业的解决率更低，但单票省得更多，因为人工处理一张的时间更长。这组数字来自 Fin 的行业基准页，是第一方口径，读的时候要知道它既是数据源，也是产品方。

这些数字合起来给出的结论是：全行业第一年的净成本下降落在百分之二十到三十五之间，而不是演示稿里的七成。差额来自基础设施、配置时间，以及那条谁也绕不开的尾巴，复杂工单最后还是回到人手里。

人工那边的参照价，Gartner 给的是每次十三点五美元，其他基准落在六到十二美元。这个区间很重要，因为它同时是 AI 的对比基数和你自己的坐标。一家把人工成本算成六美元的公司，AI 每次零点九九美元的节省空间只有前者的三分之一，而这家公司很可能正是最想上 AI 的那一类，因为它的单票利润薄。

两头一起算，账会是什么样

拿一组明确的假设走一遍，假设不是测量，读的时候请换成自己的数：每月五万通，人工每次八美元，AI 每次零点九九美元。

如果可自动化比例是四成，两万通转到 AI，人工成本十六万美元，AI 成本一点九八万，一个月省十四点零二万。按 Gartner 的 2030 情景把单价换成三美元，AI 成本升到六万，月省十万，少了四点零二万，降幅百分之二十九。

如果可自动化比例是六成，三万通，零点九九美元时月省二十一点零三万；单价三美元时月省十五万，降幅同样是三成上下。比例换成两成，月省从七点零一万掉到五万。

三个情景放在一起，能看清一件事：单价涨三倍，节省掉三成；可自动化比例从两成升到六成，节省涨近三倍。在这两个变量里，能动的是后一个。单价由厂商的成本结构和融资周期决定，比例由你自己的工单分类和流程改造决定。

还有一项常被漏掉的分母。Gartner 说 2028 年监管会让辅助服务量增加三成，意思是人工那边的工作量会因为 AI 多出来一块，审核它的输出、处理它判断错的单子、应对监管要求的抽检和申诉。预算模型如果只算“转过去的工单”，这一块会被算成零，而它会以培训和质检的形式回来。

可检验的推论

如果这套判断成立，会有几个能被观测到的现象。第一，换一个更强的模型，可自动化比例不动。第二，做了流程改造的公司比例会动，而且动在特定类目上：把审批前置、把数据源统一、把可判定条件写死，这三件事做完之后，原来落在“需判断”箱里的工单会有一部分挪进“可判定”箱。第三，单价上升最早出现在最复杂的类目，因为那里的 token 消耗和人力成本同时在涨。

反过来也成立：如果一家公司换了模型之后节省比例明显上升，多半是它原来把工单分得太粗，抽检一改，箱子的边界就变了，而不是模型变强了。这个推论能帮买家判断供应商的案例是不是真的，因为模型升级带来的提升有上限，流程改造带来的提升没有。

我们的判断

我们不太相信“AI 客服的投资回报是一条随时间改善的曲线”这个默认假设。2026 年看到的是两条线交叉：单价在涨，可接的工单比例是一块由业务结构定死的上限。真正浮动的部分在中间，你怎么给工单分箱，你把人机边界画在哪里，你愿意为流程改造付多少前置成本。

所以我们给客户的第一个动作不是选模型，是数工单。把上个月的工单按三类分箱：答案写在知识库里的算可判定，需要跨系统查证的算需判断，需要授权或赔付的算需授权。只有第一箱是 AI 的天然领地，第二箱要工具和流程，第三箱基本留在人手里。三箱的比例算出来，AI 的上限也就出来了，而且这个上限在换模型之后基本不动。

第二个判断关于合同。按结果计费听起来对买家友好，但当单价进入上升通道，它把风险放在定义上。定义越宽，账单越大，而定义这件事没法靠技术解决，只能在合同里解决。

第三个判断关于组织。AI 接住的工单越多，留下的工单越难，岗位从处理量转向判断量。这一层的成本不会因为 AI 上线而下降，它会以培训、审核、质检的形式重新出现。把它提前算进预算，比年底发现便宜得多。

我们自己做企业 AI 落地时，第一步也是先数流程，不是先选模型。客户来谈 AI 客服，我们会要两份东西：上个月的工单导出和近半年的分类占比，以及人工坐席的通话时长分布。前者决定上限，后者决定基数。这两份数据比任何演示都准，而且它们不需要厂商配合就能拿到。

这套算法什么时候不适用

边界要写清楚。每月工单只有几千通的公司，这套分箱的精度不够用，样本太少，抽检两百条就会把比例估歪，这类公司更适合做单类目试点，再决定要不要铺开。

已经有稳定外包合同、单价按人头结算的公司，AI 的对比基数不是十三点五美元，是合同里的实际单价，可能只有三四美元。这类场景里 AI 能省的钱远小于预期，真正的收益在响应速度和语言覆盖上，不该用成本模型去评估它。

还有一类是监管密集的行业，比如保险理赔和医疗咨询。那里的可自动化比例不只受工单结构约束，还受“谁有权做这个决定”约束。分箱要按授权层级切，不能按内容主题切。

最后一条边界关于时间。AI 接住的工单会改变剩下工单的分布，第一年省下来的比例，第二年可能因为剩下的是硬骨头而下降。这是选择效应，不是失败，但预算模型要按逐年递减做，不能拿第一年的比例线性外推到第三年。线性外推是这类方案书里最常见的错误，也是最容易在验收时被反过来用的错误。

三个今天能做的动作

第一，用自己上个月的工单算出三箱比例，不要用供应商的行业均值。这件事一个人一天做得完，用现有的工单标签，再人工抽检两百条校正偏差就够了。

第二，把单价做成敏感性表，零点九九、一点五、三美元三档各算一遍月省。如果三美元那一档的节省覆盖不了前置投入，这笔投资的回收期就超过三年，合同期要跟着改。

第三，在合同里写三条：单价与年度涨幅上限、结果的定义权与抽检比例、退出时的评测集与调用记录归属。

留给做决定的人一个问题：你手上的工单分类表，上一次更新是什么时候。如果它还是三年前的类目，你的可自动化上限就是三年前的上限，换什么模型都不会动它。

参考来源

外部数字来自下面两个页面，厂商口径已标注。算例中的单价与工单量是本文设定的假设，不是任何一家的实测值。

Gartner，2026 年 1 月 26 日新闻稿：到 2030 年生成式 AI 每次解决成本将超过三美元，高于部分离岸人工坐席（含 2028 年辅助服务量增加三成的预测）

Fin（Intercom）行业基准页：人工每次六到十三点五美元、AI 每次零点五到两美元、分行业解决率与首年净节省百分之二十到三十五（厂商第一方口径）