摘要：调查显示，当前有超过95%的大型企业，已在实际业务流程中试点或部署了生成式AI技术。中型企业通常可以识别出超过100个应用场景，而在大型企业中，这一数字已突破500。企业也早已不再停留在“这项技术能做什么”的探索阶段，而是将关注点转向更核心的问题——“这项技术

作者/秋平

校对/Tina

策划/Eason

调查显示，当前有超过95%的大型企业，已在实际业务流程中试点或部署了生成式AI技术。中型企业通常可以识别出超过100个应用场景，而在大型企业中，这一数字已突破500。企业也早已不再停留在“这项技术能做什么”的探索阶段，而是将关注点转向更核心的问题——“这项技术如何为我的业务部门、客户，乃至整个运营体系创造真正的价值”。

在这场转型中，客户服务成为生成式AI最优先的应用领域，甚至超越营销与销售。对不满足于仅提升效率的企业而言，更关键的，是通过AI实现服务角色的重塑——从“响应式客服”进化为“主动式代理”。AI不再只是助手，而是深度参与服务流程，主动识别问题、调动资源、协同解决，构建出全天候在线、实时响应的智能服务体系。这种智能体不仅服务人类客户，也面向车辆、设备、传感器等“非人客户”，成为企业新的连接触点。

长期以来，企业增长的核心依赖于产品与价格，服务被边缘化，各职能部门各自为政，难以协同。如今，客户体验正成为新的竞争焦点，促使企业从“以流程为中心”的内部管理范式，转向“以客户为中心”的整体重构。生成式AI不仅打破了职能边界，更以智能化方式重塑服务协同，成为这场变革的关键驱动力。

近期，第一新声特别采访了容联七陌智能客服营销产品专家王琦，与他深度探讨了这场变革的背景、驱动力及其对企业客户服务体系带来的深远影响。

01
客服“兜底”产品背后的管理效率变革

在谈及客户服务行业本质时，王琦结合了自己过往职业经历进行了说明。他介绍自己职业早期主要从事面向C端用户的游戏与教育行业，这期间积累了大量与用户交互的经验。在他看来，传统意义上的客户服务，核心职责在于响应投诉、提升客户满意度，并协助用户更好地理解和使用产品——本质上是弥补产品本身无法全面覆盖或解决用户痛点的不足。

理想状态下，若产品设计足够完善，用户就能非常顺利完成操作，无需频繁寻求帮助。但现实显然并非如此。就像微信创始人张小龙所言：“每天都有 5 亿人在说我们做的不好，每天还有 1 亿人想教我怎么样做产品。”这句话一针见血地揭示了C端产品普遍面临的困境：它们必须在众多用户的差异化需求中不断权衡，无法以单一方案覆盖所有人群。

客服岗位的存在正是为了应对这种“不可避免的偏差”。在To B领域亦是如此——客服始终扮演着弥补产品能力不足的“兜底”角色。

客服岗位的存在正是为了应对这种“不可避免的偏差”。作为TO B领域的客服saas产品，容联七陌需要嫁接起客户场景与用户的体验的桥梁，帮助企业实现客户服务支持。

也正因如此，客服部门长期被视为企业的“成本中心”，其价值往往体现在品牌声誉或用户长期留存等隐性维度，难以用直接产出衡量。

在这样的背景下，“提升人效”成为客服部门长期的核心命题。无论是通过管理制度、培训体系，还是技术手段，企业本质目标都是提高单个客服的服务效率和问题解决能力。

但随着团队规模不断扩张，传统方式面临明显瓶颈：管理成本不断上升，边际效益持续递减。单纯“堆人”不仅难以支撑业务增长，反而可能拖慢整体运转节奏，拉高组织复杂度。

因此，提升单人产能不再只是效率话题，更是组织可持续发展的关键。容联七陌始终认为，唯有借助技术力量，在不扩张人力的前提下提升服务密度与处理质量，才能真正实现降本提效，构建更具韧性的服务体系。

02
先人一步，
ALL IN押注原生大模型智能客服

王琦介绍，正是在这样的背景下，2023年下半年团队开始系统性思考：AI 的真正价值，不应止步于“润色话术、辅助判断”，而应着眼于重构企业服务逻辑，从底层驱动效率跃迁。

由此，摆在容联七陌眼前的是两条截然不同的技术转型路径：

第一种路径是延续传统 NLP 体系的思路，依然基于意图识别和槽位填充，通过枚举用户的核心诉求来构建对话流程。大模型的角色主要是作为兜底机制，在覆盖不到的场景中提供自然语言的多样化表达，从而提升回答的自然度和“智能感”。这类方案本质上是对传统逻辑的补强，而非范式转移。

第二种路径则采取更激进的策略——直接以大模型为核心，构建智能 Agent，从用户输入开始接管整个流程，涵盖理解、推理、决策和执行等能力。与传统 NLP 架构下的“模块化拼接”不同，这种方式强调上下文理解和动态应答的统一闭环，真正实现对话的智能协同。它不仅要求大模型具备强大的语言理解力，还需支持状态管理、函数调用以及跨系统联动。

一旦构建完成，这类智能 Agent 可以完成复杂的任务链，比如在客服场景中自动识别用户意图、调用内部接口获取业务信息、生成个性化回应，甚至部分替代人工坐席或外包团队。如果进一步结合语音输入输出能力，还能实现从“听懂”到“说出”的全链路语音交互，彻底改变人与系统的沟通范式。

为了能彻底解决客服行业长期以来被诟病为“智障客服”的“痼疾”，容联七陌于 2023 年底明确了直接转型为原生大模型智能客服的战略路径，也因此成为业内最早一批投入落地的企业之一。

王琦回忆道， 2016 到 2017 年期间，团队主要探索的是传统 NLP 的最佳实践，比如基于预设枚举的智能辅助系统。当时一旦用户的问题超出枚举范围，系统就只能回到通用兜底回复。

但自 2023 年起，随着大模型能力快速提升，容联七陌便在继续保持原有 NLP 产品稳定性的同时，另起炉灶，以大模型为底层架构重新构建客服系统。这一过程中，公司投入大量研发资源解决初期模型不稳定、响应不可控等问题，包括对知识库的重构、模型调用的约束策略、权限校验机制等。

例如，在知识管理上，系统要求配置明确的问答式知识对，并基于语义 Embedding 技术进行高效检索；在功能设计上，每一轮迭代都需评估 Agent 的执行能力和用户满意度，淘汰不具备价值的冗余模块，以此推动 Agent 工具的持续演进。

经过近9 个月的版本迭代和能力打磨，容联七陌逐步建立起以大模型为核心的客服工作流平台，是目前国内少数真正能在生产环境中稳定运行大模型 Agent 的厂商之一。

王琦补充道：“与 Coze、Dify 等产品相比，我们从一开始就没有依赖 NLP 体系构建逻辑，而是完全基于大模型设计交互链路。其他厂商大多在原有基础上‘接入’大模型，本质上仍是 NLP 架构 + 大模型做兜底、润色或话术扩展。而我们则是彻底重构，哪怕前端仍保留部分传统坐席界面，后端已完全脱离 NLP 系统。这种彻底转向，使我们在接入新模型、新工具时拥有更强的灵活性，也让我们在行业里整整领先了将近半年的窗口期。”

03
让AI从工具成长为客户的组织能力

随着企业对客户体验重视程度不断提升，客服系统的角色也在发生转变——它不再只是一个被动响应的工具，而是连接用户、产品与销售的重要接口。AI的快速发展，则为这一角色注入了前所未有的可能性。

但想要将技术潜力真正转化为业务成效，并不轻松。一方面，大模型能力日新月异；另一方面，企业内部的流程体系复杂多样。在这一背景下，企业首先要解决的，是路径问题：从何切入，如何持续落地并产生可见价值。

容联七陌在实践中总结出一条务实可行的路径：不盲目堆叠技术，而是从业务场景出发，搭建可持续优化的架构，推动企业从试点应用走向深度转型。

这一框架不仅加快了项目交付，也验证了一个关键命题：唯有当AI成为组织的内生能力，而非外部工具，企业才真正迈入智能化的深水区。

1、建构可持续性的“AI营销三角引擎”

王琦指出，企业要真正释放大模型的业务价值，必须将复杂流程拆解为清晰的诊断路径，在各环节中精准匹配技术能力，明确哪些由AI承担，哪些需人工介入。这不仅依赖对业务场景的深入理解，更要求企业具备跨模块的技术整合能力，本质上是一项系统性工程。

也正因其复杂性，过去企业多依赖预设规则或大量人力支撑流程，难以应对如今日益复杂的业务需求。而随着多模态、端到端等AI技术不断演进，传统架构已难以为继，企业亟需构建灵活、模块化的系统体系，既满足当前需求，又为未来技术升级留出空间。

唯有打造具备可演进能力的架构，才能让AI在关键环节逐步替代人工，真正释放效率红利，推动企业向智能化迈进。在这一思路下，容联七陌提出了“AI营销三角引擎结构”作为落地抓手：

第一角——业务场景诊断与功能匹配

场景构建的关键在于充分理解客户的商业模式与具体业务需求，进而将其转化为切实可行的技术功能。例如，外呼任务执行、意图识别、实时话术推荐等功能，均为实现业务场景的核心支撑。

第二角——技术能力整合与方案落地

甄选并融合适用的大模型技术和工具，确保其能有效纳入具体业务场景解决方案。此外，技术整合不仅要关注功能实现，更强调系统的灵活性和可扩展性，以便快速适配未来AI能力的升级和替换。

第三角（未来角）——数据进化与闭环优化

通过精准追踪用户行为并进行细致标注，结合持续的优化调优，构建完整的增长闭环，推动业务链路不断进化与成效提升。

“容联七陌的未来愿景是实现AI自主闭环优化，当大模型技术具备足够的业务理解能力后，AI将替代人工完成数据解读和方案迭代，实现自我进化和持续优化，从而极大提升业务智能化水平。”王琦补充道。

2、“乐高式”搭建Agent智能客服解决方案

容联七陌依托多年深耕不同行业的经验，打造了一支专业团队，能够高效对接企业需求，深入梳理复杂流程，并转化为可执行的 Prompt 和工作流，构建高度定制化的智能服务方案。这种能力不仅突破了对通用行业模板的依赖，更能将流程细化至具体岗位，实现高颗粒度的个性化适配，精准响应企业差异化需求。

随着大模型技术的快速演进，传统行业对“标准模板”的依赖正在减弱。智能 Agent 借助通用大模型与多源数据的融合训练，正逐步覆盖更多复杂、非标准化的应用场景。基于这一趋势，容联七陌将更多精力投入到“训练师机制”中——深入企业一线，与业务人员协同梳理专属流程与知识，再转化为可执行的工作流，而非提供一套固定答案。这一方式也让 AI 能力更贴近企业真实运作，具备更强的落地性与可持续性。

在此基础上，容联七陌创新性推出了独创的“Ask Human Help”托管模式，充分发挥大模型机器人的优势，实现全程接待客户，消除了传统客服“机器转人工”过程中的生硬体验。用户可用自然语言自由交流，机器人遇到无法回答的问题时无缝转接人工，人工客服只需针对单条消息回复，随后机器人继续提供服务，大幅降低了人工客服的工作量，提升了整体服务效率和客户体验。

以某教育公司为例，该客户之前采用传统NLP方案，客户问题解决率保持在65%到70%之间。随着DeepSeek的广泛讨论，该企业希望实现大模型客服的转型。容联七陌为其搭建了基于知识库和角色配置的自动化智能客服系统。

在交付速度上，这种规模的客户系统替换行业内最快的demo交付周期通常需要1个月以上，而容联七陌仅用7天便让客户见到了初步成效，赢得了良好的第一印象。为确保项目顺利推进，容联七陌派遣两名资深训练师驻场，全程协助系统调优。训练师团队与客户紧密合作，不断调整Prompt和角色设置，补充完善通用feature，最终根据业务场景定制了19个角色，涵盖从简单寒暄到复杂流程的多种类型，解决率迅速提升至70%以上。

随后，容联七陌通过精细调优和工具函数调用，成功实现了自动推荐功能，并依托产研团队的快速响应，及时满足客户的通用需求。同时，团队合理引导客户避免过度定制，倡导用通用方案达成业务目标，确保项目始终围绕用户需求高效推进。