当AI开始自主行动，客户结果由谁负责？

AI可以代表企业行动，但这也改变了CX设计

早期在客服领域对AI的投资，大多集中在让信息更容易找到、让回复更快生成。Agentic AI通过将推理与完成任务所需的系统和工作流连接起来，扩展了这一能力。

Dreamforce上展示的变化表明，即便是传统的客户关系管理（CRM）界面，其核心地位也在下降。员工和AI代理越来越多地可以在他们已经在使用的应用内访问业务数据并发起工作流。

设想一位客户要求更换有缺陷的产品。AI代理可以调取购买记录、核查保修资格、安排更换，并更新服务案例，而无需员工在多个应用之间切换。这与一个解释保修政策并引导客户提交请求的聊天机器人，是相当不同的命题。

客户正开始以这种方式使用AI。 在Gartner一项针对B2B和B2C客户的调查中，58%使用生成式AI（GenAI）的受访者表示，他们曾用AI代为完成某项任务。在B2B受访者中，这一比例升至74%。

随着预配置代理和专用推理模型变得更加易得，企业在将AI嵌入面向客户的流程方面有了更多选择。CX设计中的重要决策在于：确定哪些任务可以由代理独立完成，哪些仍需要人工授权。

在我们之前的例子中，核查保修资格相对简单直接。然而，处理涉及记录矛盾、公司政策例外或客户主张额外损害的争议索赔，则需要不同层次的判断。

机会在于围绕这些区分来设计CX旅程。组织应根据运营复杂性和错误行动的后果来选择任务，而不是自动化技术能够执行的一切。

在给CX定价之前先定义结果

随着代理承担客户服务责任，交付客户服务的经济性将发生变化。当下的机会在于将AI支出与已完成的工作更紧密地挂钩。

什么才算“完成”？例如，Salesforce为其Help Agent推出了每次解决2美元的定价模式。它根据多项标准将一个会话归类为“解决”，包括至少两轮消息往来、客户反馈，以及会话是否在没有人工升级的情况下结束或获得明确的正面反馈。

这是一项重要的商业进展。企业可以购买一个已定义的结果，而不是仅为软件访问权或单个代理动作付费。然而，按照技术提供商规则构成的可计费“解决”，并不必然意味着客户的根本问题已永久解决。

以退款请求为例。AI代理可能核实资格、提交退款并结束对话。如果交易随后失败，或客户因款项未到账而联系支持，会发生什么？技术提供商、企业及其CX外包合作伙伴，可能各自都有不同的依据来判断其责任是否已履行。

在引入基于结果的商业安排之前，各方需要对“成功”有共同的定义。对于退款而言，这可以包括交易确认、约定的处理时限，以及失败交易或重新开启的案例如何处理。

这一区分在计算成本时同样重要。一个始于AI代理但需要多次人工介入的客户请求，仍可能被成功解决。然而，其总交付成本需要反映整个旅程，包括因自动化不完整而产生的任何额外工作。

因此，CX和运营领导者应尽早让财务和采购部门参与这些讨论。为结果而签约，需要就如何衡量结果、验证结果所需的证据，以及案例未解决时由哪一方负责达成一致。

AI代理可能已就绪，但企业仍需把各个环节连接起来

如今，获取一个AI代理比给它配备在企业内可靠运行所需的一切要容易。预配置代理降低了引入自动化所需的技术投入，但它们仍然需要访问准确的客户记录、当前政策、产品信息以及交易发生的系统。

例如，一个处理账户调整的代理，可能需要来自CRM、计费平台和客户支持历史的信息。不完整或不一致的数据可能导致它错误地应用调整，而系统之间未打通则可能使它无法确认变更已完成。

这一挑战的规模在Salesforce的Connectivity Benchmark中显而易见。该基准基于对企业IT领导者的调查。受访者表示，其组织仅有27%的应用实现了集成。仅54%的受访者表示，其组织拥有集中化治理框架，对代理能力进行正式监督。

对CX领导者而言，集成与治理具有直接的运营后果。AI代理可能跨多个系统运行，但客户只经历一个旅程。一个错误的动作、未经授权的变更或失败的交易，最终都会反映在提供服务的企业的身上。

这要求负责AI部署的团队与客户运营团队之间建立更清晰的问责机制。IT和安全团队需要掌握系统访问、权限和代理活动的可见性。业务负责人必须制定管理交易和例外情况的规则。CX团队需要理解这些规则如何转化为客户交互，以及当代理无法正确完成请求时应当如何处理。

CX外包合作伙伴同样有责任维护服务质量、识别反复出现的故障，并管理需要人工介入的案例。

一个切实可行的步骤是：为整个客户旅程中执行的动作建立可追溯的记录。如果代理发起了一项变更但随后失败，相关团队应能够查明发生了什么、确定责任系统或工作流，并在无需客户重新还原整个交互的情况下进行恢复。

随着企业在不同平台上运行多个代理，这种追踪和从错误中恢复的能力，将成为服务交付中不可或缺的一部分。

围绕仍然关键的工作来设计人类角色

AI代理可以更独立地处理更多常规任务，但复杂交互仍然需要人类的判断力、自主裁量权和同理心。企业需要确定这种专业能力在哪些环节创造最大价值，并确保客户在需要时能够获得。在同一项Gartner调查中，87%的受访者表示，使用GenAI提供CX的企业必须提供转接人工代理的渠道。

提供这一选项只是解决方案的一部分。成功的交接应当保留客户的历史记录、已经执行的动作，以及AI代理无法完成请求的原因。

AI也可以帮助员工更有效地工作。以我们的AI驱动代理辅助工具ted为例。该全球科技公司实现了平均98%的首次联系解决率，帮助其CX团队无需反复交接即可解决问题。该技术帮助翻译和总结案例、起草回复并验证意图，同时一线支持团队仍负责审核回复并处理需要人类判断的交互。

这些能力让企业有机会重新思考服务团队如何分配时间。通过自动化释放出的产能，可以重新投向复杂案例解决、主动客户互动、质量保障以及改进AI驱动的工作流。

对于企业及其外包合作伙伴而言，人力相关的商业论证应当考虑释放出的产能将重新投向何处，以及需要哪些新技能。这些决策应当从一开始就纳入AI部署战略。

从客户旅程出发，再构建运营模式

随着企业规划下一阶段的AI采用，以下优先事项有助于将技术进步转化为可衡量的商业价值：

• 明确代理能做什么、不能做什么。 为自主行动设定清晰边界，包括何时需要人工授权。
• 确立解决成本。 在整个客户旅程中，计入AI消耗、人工介入和异常处理。
• 将模型与任务匹配。 根据具体工作流的准确性、性能和成本要求，评估通用模型与专用模型。
• 将代理治理纳入统一框架。 在组织内运行的AI代理之间，建立清晰的所有权、监督和问责机制
• 构建代理所需的上下文。 连接相关系统，维护代理所依赖的数据、知识和工作流。
• 衡量解决，而非仅衡量自动化。 验证已完成的结果，并追踪重复联系、失败交易和需要额外介入的案例。
• 规划释放出的产能将如何使用。 识别重新投入员工时间的机会，并建立支持AI赋能服务交付所需的技能。

Dreamforce 2026展示了agentic AI推进之迅速。对企业而言，机会在于将这些能力应用于客户旅程，并以合适的商业模型、治理和人类专业能力加以支撑。

下一阶段CX转型的成效，将取决于组织能否有效地将这些要素整合在一起。毕竟，衡量agentic AI价值的标准，是企业能够有把握地为其质量背书的服务水平。