思想领袖

AI智能体正在改写联络中心的运作规则吗?

Satish Barot
将 Unite.AI 添加到您在 Google 上的首选来源
A professional woman sits at a glowing glass desk in a modern office at night. Above her laptop, a holographic interface uses icons and data streams to show an AI brain connecting various communication channels—like phone, email, and social media—to automated outcomes like account updates and task completion.
要点AI代理现通过API和MCP连接不同系统,实现对联络中心的整体协调运作。
查看更多
  • AI代理现通过API和MCP连接不同系统,实现对联络中心的整体协调运作。
  • 自主AI代理因实时决策脱离固定工作流程,引入了不确定性与风险。
  • 组织需建立可观测性和测试机制,以监管AI决策并确保责任可追溯。

过去,呼叫中心主要用于处理大量客户来电咨询。如今,联络中心已在很大程度上取代呼叫中心,成为企业管理多渠道客户互动的运营枢纽,覆盖电话、电子邮件、社交媒体和即时通讯应用。

但尽管渠道发生变化,底层运作模式基本未变。

简单的客户请求仍需经过一套割裂的技术系统:交互式语音应答(IVR)负责验证,客户关系管理(CRM)平台提供账户详情,工单工具跟踪进度,另有独立的后端系统完成具体任务。联络中心即服务(CCaaS)等云平台拉近了这些工具之间的距离,让运营更加灵活。然而,整个体验远未达到无缝衔接,仍依赖多个步骤、交接和人工协调。

多年来,这种模式一直行得通。然后,AI登场了。

随着AI智能体日益发展,初创企业和成熟企业纷纷开始开发、部署工具,承诺带来一个新阶段。这有赖于AI跨系统智能利用信息的能力,以及对过去孤立存放的数据的利用。

彼此割裂的系统正成为过去

有了AI智能体,联络中心不再各自为政。智能体可以跨平台获取信息、触发操作并完成任务。如果客户想对一笔扣款提出异议,AI智能体可以验证其身份,从CRM调取交易记录,核查相关政策,启动异议处理流程并确认结果,整个过程在一次连续互动中完成,无须交接或人工协调。

过去需要人们在多个工具之间切换的任务,如今可以在后台完成。许多复杂环节可以对用户隐藏,客户乃至人工客服都不必了解幕后流程如何运作。

这一转变也在改变软件本身的角色。软件如今像一组积木,而AI智能体则是连接、协调各个系统的中间层。固定工作流正让位于更灵活的互动,后者由具体情境决定,而非沿着预设路径运行。决策不再依循僵化的菜单选项或预先编写的流程,而是根据上下文实时作出。

是时候重新审视技术栈了

如今,联络中心负责人面临一个重大问题:如果软件不再是价值的主要载体,技术投资应投向何处?

好在不必彻底更换现有系统。负责人需要重新思考的是这些系统如何协同。

在这一新兴模式中,AI智能体接手编排工作,跨系统协调操作,而非依赖预定义的工作流。应用程序编程接口(API)和模型上下文协议(MCP)成为系统间通信的主要方式,让智能体能够访问、解读数据、系统和上下文,从而正确使用整个技术栈中的工具。

但仅仅调整配置并不够。AI工具虽然有用,仍然可能出错。许多因素都可能使其产生幻觉、偏离原本应遵循的目标,或违反政策和指引。随着这种转变,对可观测性、衡量和问责的需求会不断增加。

AI智能体不仅执行任务,还会作出批准退款、更新账户、将问题上报至更高处理层级等决策。这些工具的运行速度远超人类,因此,一个错误可能在几小时内就在数百乃至数千个案例中重复出现。

正因如此,组织需要将可观测性融入系统,了解AI在作出什么决策;需要测试工具,及时捕捉错误;还需要日志基础设施,迅速调查错误。

在每次部署AI时妥善建立这些防护机制,将带来更灵活、响应更迅速的架构,能够以传统工作流做不到的方式处理复杂情况。不过,这种架构本身也更难预测,需要以新方法开展监督和治理。

需要作出的权衡

AI开启了许多可能性,但迈向自主运行也为联络中心带来新风险。在这一业务中,一致性与信任至关重要。

结构化工作流长期以来一直是联络中心运营的基础。每一步都事先定义,每个决策都沿着获批路径作出,每次互动都可以对照既定规则进行审计。这种结构有助于保持客户互动的一致性、满足监管要求,并在所有案例中统一执行政策。

自主AI智能体从根本上采用不同的运行方式。传统软件遵循可预测的算法,AI智能体则根据底层模型、训练数据和上下文实时决策。这种灵活性使其能够适应不同情境,也带来了差异。两个相似的客户请求可能得到略有不同的处理,取决于智能体如何解读输入、能获取哪些数据,以及底层模型如何衡量不同信号的权重。

遵循严格工作流的人通常会给出在一定程度上可预测的结果,但AI智能体可能产生意外或不一致的结果,甚至已表现出很高的偏见风险。AI智能体可能正确解决一个计费问题,却以不同方式解读相似案例。

这为组织带来重要的运营问题:当决策由AI系统而非遵循脚本的人作出时,如何维持问责?尤其当模型复杂、并不总是容易解释时,如何确保决策透明?又如何在操作动态生成的环境中保持合规?

这些问题在联络中心尤其重要,因为效率与客户体验在此交汇。回复迟缓、处理错误或缺乏解释的决策,可能让客户感到沮丧,并怀疑整个企业的可靠性。他们可能重新考虑企业是否适合自己的需求,甚至转向其他服务商。

此外,还有监督方面的挑战。随着AI智能体承担更多责任,组织需要实时监测、测试其行为,发现异常并在必要时介入。如果缺乏这种程度的可见性,就很难确认系统是否按预期运作,也难以理解偏离预期时发生了什么。

下一步如何走

组织应循序渐进地采用AI智能体。与其全面替换现有工作流,不如先对其加以增强,在风险更低、能立即获益的受控场景中引入AI。

这种方式能让联络中心在不牺牲可靠性的前提下试验、调整。它们可以在低风险情境中部署AI智能体,以识别偏见、发现路由行为偏离预期的情况,并在其他问题出现时及时处理。

归根结底,目标是保持质量。AI智能体无论多么强大,也只是又一种工具。一个能以适当的谨慎和乐观态度采用这项技术的联络中心,终有一天会让我们以同样的眼光看待联络中心和呼叫中心:它们都是过去的事物。

萨蒂什·巴罗特(Satish Barot)是Klearcom的联合创始人兼首席技术官。他在电信和云技术方面拥有深厚的专业知识,领导公司的产品创新和技术战略。萨蒂什在构建Klearcom的AI驱动平台方面发挥了关键作用,该平台帮助全球企业确保交互式语音应答(IVR)和联络中心的运行毫无差错。