这是“服务AI新视野”的第7篇，采访自魔法石工作室创始人杨峻

杨峻，魔法石工作室创始人，全球销售和服务数字化领域知名专家。《Sales and Service Digital Transformation – The Arrival of CRM3.0 Era》一书签约Springer Nature，全球英文发售，是中国第一本销售和服务数字化理论体系全球输出的专著。CRM3.0系列书销售数万本，为国内行业第一畅销书。

曾任微软CRM解决方案北区负责人，海尔全球服务数字化一号位，IBM GBS Oracle CRM中国区方案负责人，北京大学讲师，全球第一代CRM （Siebel 7.0）核心开发工程师，北大方正排版系统核心开发工程师。过去二十五年，专注于企业数字化转型研究与实践，主导了众多行业标杆级CRM项目，形成了数字化时代CRM3.0理论体系，并将该理论体系向全球推广。

在您看来，AI技术的出现，为服务领域带来的最核心的变化或价值提升体现在哪些方面？

杨峻：从我个人的观察来看，当前大语言模型的快速发展，在客户服务领域带来的核心变化与价值提升，主要集中在服务接入与前端交互环节。

现阶段的应用，更多体现在信息入口的智能处理上。无论是语音渠道、社交媒体、即时通讯工具，还是其他接入方式，大语言模型能够在此类场景中承担初步的语义理解与响应任务。这与我们过去已有的 PVA、语音机器人等自动化工具相比，显著提升了交互的自然度和覆盖能力。例如，它可以辅助坐席自动生成工单、快速检索知识库中的答案，并在语音质检中发现客户关注的热点议题，这些都进一步强化了前端服务的智能化水平。

目前可见的价值，侧重在信息接入端的效率提升。一个直观的体现是，单次客户对话的处理时长有所缩短，以往坐席平均需要三分钟完成一次交互，现在可压缩至两分钟左右。这种效率改善直接转化为运营成本下降：同样的业务量，原先需要十名坐席支持，如今可能只需五名甚至更少的人员即可完成。

因此，总结来说，现阶段大语言模型在客服领域的主要贡献，是在服务接入端实现了显著的提效与降本，这也是企业和用户能够最直接感知到的收益。后续随着模型能力的深化与应用场景的延伸，其价值有望向更深层的业务处理与客户洞察层面拓展。

您觉得AI在哪些具体服务场景中应用，能够切实提升服务效率和客户体验？

杨峻：从我个人的角度来看，目前大语言模型在客服领域的应用，确实更多体现在服务接入端，可以理解为冰山露出水面的部分。但从整个售后服务体系来看，真正的成本重心其实在冰山之下，也就是服务网络、服务工程师、备件管理、退换货等环节，这些才是企业运营中占比大且复杂的部分。因此，未来的发展方向必然要向更深的业务链条延伸。

举个简单的例子：当一次客户对话完成、信息被记录后，接下来的关键是如何智能派单到合适的服务工程师，以及如何根据故障现象自动分析问题、匹配维修措施，并提前通知服务网点与工程师携带所需配件。这不仅是派单的问题，还涉及复杂的服务排程，它比外卖或网约车排程难度高得多，因为必须综合考虑故障类型、预计维修时间、每位工程师的技能匹配度等多维因素。

排程完成后，还要考虑如何让工程师在上门维修时实现一次修复成功，降低二次上门率；同时在需要备件时，提高备件命中率，减少等待与物流成本。这些环节累积起来，才是售后服务体系中真正的成本核心和优化空间所在。

我们可以看一些行业案例，比如海尔，它的呼叫中心坐席可能有一两千人，但服务工程师规模达到十万级。如果能通过智能化的派工与排程，帮助工程师不漏带备件、减少二次上门，并在现场快速解决问题，那么整体效率的提升幅度，将远高于仅仅优化前端坐席的效能。原本一名工程师一天可能只完成8单，借助这类工具，或许可以提升到10单甚至12单，这不仅增加工程师的收入，也能显著降低企业的服务总成本。

当然，大语言模型更擅长的是交互理解和自然语言处理，它在前端接入和信息抽取上有明显优势，但在后端复杂决策，如海量工程师的精准派单与高效排程上，未必能独立胜任。这类任务往往需要结合运筹优化算法、预测模型等其他AI技术手段，才能实现全局优解。

面对纷繁的AI服务应用可能，企业应如何系统性地评估和筛选优先落地的场景？

杨峻：在我看来，企业如果要系统性地评估和筛选这些 AI 与服务智能化应用的落地场景，可以从两个维度入手：一个是从结果出发倒推，另一个是从过程拆解定位根因。

服务不像销售那样直接以提升业绩为核心目标，服务的提升通常围绕三个方向，我把它称为“服务三塔”：降本（降低成本）、增效（提升效率）、提升体验（改善客户感受）。对应到实际业务中，服务主要涵盖四大板块：服务接入与工单受理、服务网络管理、备件管理、退换货与不良品管理。

我们可以将“三塔”目标分别映射到这四大板块，并为每个板块设定可衡量、可视化、可货币化的核心指标——也就是要明确：这项改进能为公司提升多少效率、节省多少成本、带来多少直接经济价值。实际操作中，企业可能会梳理出上百个指标，但不可能一次性全部解决。因此需要先做价值排序，找出在当前条件下容易实现、且业务价值最大的指标，优先落地这些高价值、可实现的场景，形成快速见效的突破口。

举个例子：如果发现关键痛点是服务工程师的上门效率，并且现有模式下一个工程师一天只能完成5单，通过优化工具和流程可以提升到10单，那么对于拥有10万名工程师的企业来说，相当于释放5万人的产能。按人均成本折算，一年节省的成本可能高达数亿元。这样明确的货币化收益，就是优先投入的依据。

二、从过程拆解：基于“四流”可视化定位根因

仅有结果导向还不够，因为有时我们虽然知道某个指标表现不好，却不清楚问题根源在哪里。这时就需要从过程视角切入。我们把完整的服务过程抽象为“四流”：工单流、备件流、退换货流、结算流。

企业对“四流”中的每一个节点进行可视化与量化分析，就能发现瓶颈所在。比如：工程师效率低，可能不是他们本身的问题，而是呼叫中心在首次接入时没有问清客户需求，线上一次解决率低，导致大量工单直接转给现场工程师，造成重复沟通和无效派单；

也可能是排程与派单规则不合理，让工程师在路上浪费大量时间，影响有效作业单数。通过“四流”分析，我们可以把结果指标拆解到具体环节，锁定影响最大的节点，再针对性制定解决方案。

总结来说，企业在评估AI服务应用场景时，应先建立以降本、增效、体验为核心的价值衡量体系，并将指标落实到具体业务板块；再通过全链路“四流”过程监控找到制约指标达成的节点，优先攻克高价值且可实施的环节。这种结果+过程双视角的系统性评估方法，有助于确保AI落地既能产生明确的效益回报，又能持续优化服务体系的运行效率与客户体验。

对于正在积极拥抱AI服务应用的企业，您会给出哪些关键的行动建议？

杨峻：第一个建议，先明确要解决的核心问题。我们的原则是“少则得，多则惑”。不要试图一次性解决所有问题，哪怕在一百个指标里，可能只有两个指标能带来的业务价值，超过其余98个的总和，那就优先集中资源解决这两个。

第二，夯实数据与流程基础，打造AI可用的核心资产。

AI要发挥价值，离不开高质量的数据支撑与可视化流程。例如，企业首先要搭建精准完善的故障逻辑树，能通过客户描述的现象，快速定位故障原因与位置，并推导出对应的维修措施、所需备件等信息。现实中，很多企业在这一块差距很大，甚至没有成体系的故障逻辑树。如果没有这个基础，AI就无法准确指导服务工程师该做什么。构建这样的数据库，需要产品、质量、售后等多个部门协同，因为故障原因可能来自产品设计，维修措施来自服务经验，而且不同产品、不同区域差异很大，需要持续更新维护。

在结构上，我建议从树状结构转向扁平表结构。传统树状结构必须从上层逐层点击展开才能查到下层信息，效率低且不支持灵活反查；扁平表则是把每一个“现象—原因—措施—备件”组合做成一条独立记录，AI可以从任意字段发起查询，反向关联所有相关信息，大幅提升可用性。

除了基础数据，企业还必须做到工单流、备件流、退换货流、结算流的全过程可视。如果连服务工程师的位置、出发状态都不掌握，就很难实现实时提醒与调度。流程可视化是AI能落地的前提，否则再强的模型也无数据可用。比如派工时，如果不知道某工程师修某类问题的耗时与技能匹配度，AI就无法精准派单。因此，企业要先把基础数据和流程数据采集完整，再谈AI赋能。

第三，明确AI只是工具，需要体系化能力配套。

很多痛点不是单靠AI算法能解决的，必须有硬件、流程、管理机制配合。比如备件预测即便再准也会有缺货，这时考验的是多级仓储布局与调拨能力：能否就近24小时送达？能否跨网点实时锁定并追踪备件？

如果企业有高效和完善的多级库布局，并与工单系统打通库存信息，就能在网点库缺货时依然保障整体时效与网络命中率。这说明，AI必须与仓储硬件能力、物流可视化、数字化平台结合，比如工单与各级仓库库存联动，实时显示配件位置并锁定及在途可视等，这样才能显著提升效率。

AI在服务领域的落地需要体系化能力协同，您有哪些实操方法？

杨峻：首先，企业需强化顶层推动与跨部门协同意识。服务优化常涉及客服、售后、研发、质量等多部门，考核指标可能存在冲突。因此，需从公司整体目标出发，明确核心指标，推动各部门围绕同一目标协同，避免局部优化损害全局价值。唯有如此，AI才能真正融入服务体系，释放“1+1>2”的效能。

第二，管理机制创新，激发人员效能。

例如，呼叫中心的传统考核指标是“缩短工单处理时长”，导致坐席员倾向“快速派单”而非“线上解决问题”；但若调整考核为“线上解决率”，并配套奖励机制，坐席员会更主动挖掘客户需求，减少无效派单，反而能为后端工程师节省数倍时间。

另一方面，针对服务工程师群体，通过模式创新提升收入与积极性，夯实 AI 服务落地的人力基础。国内多数服务工程师依附网点派单，收入被网点截留、结算滞后，工单量受限导致收入偏低，积极性不足，直接影响服务质量。

建议推行两大创新模式：一是工程师创客化，跳过网点直接派单到工程师，工单完成且用户评价满意后，费用直接结算给工程师，留存小比例给网点，实现按劳即时获酬，激发工程师接单、服务的主动性；二是工程师管家化，将固定用户群体分配给工程师，工程师负责该群体的运维、保养、产品复购服务，可获得用户后续消费的分成，让工程师收入不仅来自工单，还来自用户运营增值，既提升其收入水平，又推动其主动做好客户服务，与 AI 服务体系形成良性配合。

第三，选择专业化、一体化的服务数字化平台。

传统CRM软件多聚焦呼叫中心与工单管理，但服务网络、备件、退换货等模块常需二次开发，风险较高。建议选择覆盖全链路服务的专业平台，即整合多渠道接入、服务网点管理、备件调度、退换货处理、质量分析等功能的一体化方案。此类平台能避免多系统割裂，提升数据互通效率与系统稳定性，为AI应用提供统一底层支撑。