简短回答：AI 客服适合高频、标准、可批量处理的问题，不适合高客单纠纷、情绪激动的投诉、复杂定制报价、关系型 B2B，以及数据还没理顺的团队。这五种情况继续用人工更划算。诚实的做法是先判断适配度，再设计人工与 AI 的分工，而不是全都交给机器人。
几乎所有 AI 客服的宣传都在讲”能省多少人”。很少有人讲反过来的问题：哪些对话不该交给 AI。承认这一点，反而更容易把工具用对，因为你知道它该站在什么位置。
下面先给一张适配度表，再逐条展开五种不适合的场景，每个都给判断标准和具体做法，最后讲混合分工怎么设计、成本怎么比、什么时候可以重新评估。
一、先看一张适配度表
判断一个场景适不适合 AI，看三件事：问题是否高频重复、答案是否标准、出错成本高不高。三条里满足前两条、第三条不高，基本适合；反过来就要谨慎。
| 场景 | AI 是否合适 | 原因 | 替代做法 |
|---|---|---|---|
| 订单查询、营业时间 | 适合 | 高频、答案固定 | AI 直接答，异常转人工 |
| 物流进度、退换规则 | 适合 | 有明确规则 | AI 答标准部分，个案转人工 |
| 高客单纠纷 | 不适合 | 出错成本高 | 人工全程处理 |
| 情绪激动的投诉 | 不适合 | 需要共情与授权 | 直接转资深客服 |
| 复杂定制报价 | 不适合 | 需现场判断与议价 | AI 收集需求，人工报价 |
| 关系型 B2B | 不适合 | 信任靠人建立 | 人工主导，AI 做辅助 |
| 数据还没理顺的团队 | 暂不适合 | 知识库不完整 | 先整理知识库再上 AI |
表里没有”绝对不能用”的场景，只有”现在还不适合”。同一个场景，随着数据积累和流程完善，判断可能一年后就变了。这一点最后一节会讲。
二、场景一与二：高客单纠纷、情绪激动的投诉
高客单纠纷。判断标准很简单：这一单的金额是否高到”答错一次就吃掉几十单利润”。家电、家具、B2B 设备、保险理赔都属于这一类。这类对话里，客户要的不是快，是准和被重视。AI 可以负责第一轮信息收集——订单号、问题描述、期望处理方式——但决策和承诺必须由人做。
具体做法：AI 识别到关键词或高金额标签时，立刻转人工，并把上下文一起交过去。不要让 AI 先给一个”通常可以退款”的模糊答案，人工再推翻，客户会更生气。
情绪激动的投诉。判断标准是情绪强度和升级风险。客户用词激烈、提到投诉平台、要求主管、或在同一问题上重复三次以上，就应该跳过 AI。共情、道歉、破例补偿这些动作，需要人的判断和授权，AI 做出来只会显得敷衍。
具体做法：设置情绪与关键词触发规则，命中就直接转到资深客服，并提高这条对话的响应优先级。不要让 AI 继续走”我理解您的感受，请问订单号是多少”的流程，那只会火上浇油。
三、场景三与四：复杂定制报价、关系型 B2B
复杂定制报价。判断标准是”是否需要对着一张参数表现场判断”。定制包装、非标尺寸、组合套餐、批量折扣，都属于这一类。报价不只是算数字，还涉及成本、交期和议价空间，AI 很难把握分寸，算错一次客户就不信了。
具体做法：让 AI 做前端，收集规格、数量、交付时间和预算区间，整理成结构化信息交给人工；报价和议价由人完成。这样 AI 省掉的是来回问需求的重复劳动，而不是判断本身。
关系型 B2B。判断标准是”这单生意是否依赖长期信任和人情”。在印尼、马来西亚这些市场，B2B 决策往往建立在多年关系和面对面沟通上。用 AI 处理这类客户，传递的信号是”你不重要”，代价可能超过省下的人力。
具体做法：人工主导，AI 只做辅助——提醒跟进时间、整理历史沟通、准备资料。让客户始终感觉对面是一个具体的人，而不是一套系统。
四、场景五：数据还没理顺的团队
判断标准是：你有没有一份能覆盖八成常见问题的知识库，而且答案是一致、最新的。如果没有，上 AI 只会把混乱放大——它会基于过时或矛盾的内容回答，客户拿到的错误信息比你人工答错更难纠正。
具体做法：先花两到四周把常见问题、政策、话术整理成一份结构化文档，明确谁维护、多久更新一次。知识库能覆盖八成高频问题之后，再让 AI 接手第一轮。这一步看起来慢，其实是省时间。
还有一个隐形前提：渠道和客户记录是否统一。如果同一个客户在三个地方有三份记录，AI 拿到的永远是半张画像，回答自然不准。先把数据对齐，再谈自动化。
五、混合分工怎么设计
不要把问题简化成”AI 还是人工”，而是设计一条接力路径。AI 负责第一轮：确认身份、识别意图、回答标准问题、收集信息。命中转人工条件时，带着完整上下文交给人工，人工处理完再回到 AI 做回访和提醒。
转人工的触发条件建议明确写成规则：出现投诉、退款、纠纷关键词；金额超过某个阈值；客户连续两次表示不满；对话超过约定轮数仍未解决；客户明确要求人工。这些规则要能让客服随时调整，而不是写死在代码里。
SLA 也要分开定。AI 首响以秒计，人工接手要在几分钟内响应，投诉类对话优先级更高。夜间用 AI 兜底收集信息，上班后人工优先处理积压。这样既不缺人，也不让客户觉得被晾着。
衡量分工是否有效，看三个数：AI 独立解决率、转人工率、转人工后的满意度。独立解决率高但满意度低，说明 AI 答得太”敷衍”；转人工率过高，说明规则太松或知识库不够。
六、成本对比与什么时候重新评估
人工的单位成本按每条对话算，包含薪资、社保、培训和排班；AI 的单位成本按订阅、模板和知识库维护算。单看一条标准问答，AI 通常比人工便宜；但涉及判断和情绪的场景，用 AI 省下的钱会被答错带来的损失吃回去。
所以成本对比要分场景看，不能看总数。标准问答用 AI，判断类用人工，整体单位成本才最低。这也是为什么”全都交给 AI”和”完全不用 AI”都不是好答案。
什么时候可以重新评估？三个信号：知识库覆盖率和准确率明显提升；AI 独立解决率稳定在一个可接受水平；团队有精力维护规则和内容。满足之后，可以把一部分原本给人工的场景逐步交给 AI，小步试、看数据、再扩大。
两个印尼市场的例子可以参考。Euromedica 是本地诊所，客户报告值：预约率提升到 25%–30%，转化约 32%，预约量有超过 5 倍的增长，点击率约为原来的 3 倍，这些是客户统计的结果，不是行业均值。看 Euromedica 案例。Sparks Sports Academy 做体育培训，在 AI 辅助下坐席转化达到 20%–30%，新人上手快 30%–50%，培训质量约 80%–90%，同样为客户报告值。看 Sparks 案例。两个案例的共同点是：AI 做辅助和第一轮，人做判断和成交。
七、常见问题
小团队人手不够，还能不用 AI 吗？
可以，但会累。小团队更适合用 AI 接标准问题和夜间咨询，把有限的人力留给判断类对话。
怎么判断一个场景适不适合 AI？
看三条：问题是否高频重复、答案是否标准、出错成本高不高。前两条满足、第三条不高，基本可以交给 AI。
AI 答错了怎么办？
先把纠错流程做出来：客户能一键转人工，错误回答能被标记并进知识库修订。别让它重复答错同一件事。
关系型 B2B 真的不能用 AI 吗？
可以用作辅助，比如提醒跟进、整理记录。但客户沟通的主体应该是人，尤其是需要建立信任的阶段。
知识库要整理到什么程度才能上 AI？
能覆盖八成高频问题、答案一致且有人负责维护，就可以开始。剩下的边用边补。
转人工会不会让客户觉得麻烦？
取决于是否带着上下文。客户最烦的是重复讲一遍。把订单号和已问过的问题一起交过去，转接反而更快。
用 AI 之后客服岗位会减少吗？
多数团队是岗位内容变了：从答标准问题，转成处理判断类和纠纷类对话。人少了，但留下的人更关键。
诚实地评估自己的场景，比追工具更重要。判断类对话该给谁就给谁，标准问答该自动化就自动化，整体效率才最高。售后与纠纷的处理顺序，这篇写得比较细；如果还在纠结底层用官方 API 还是别的方案，服务商选型可以一起看。
想知道不同套餐能支持多少会话和多少个 AI 席位，直接看套餐与价格。
