访谈
Seel 联合创始人兼首席执行官 Zack Peng——访谈系列

要点Seel通过让AI完成解决方案而非转移工单,解决了99%以上的支持案例。
查看更多
- Seel通过让AI完成解决方案而非转移工单,解决了99%以上的支持案例。
- 对AI支持的信任取决于能否明显地转接到人工,而非机器人的准确性。
- 商家应要求提供端到端解决率和责任的证明,而非精美的演示。
Zack Peng是 Seel 的联合创始人兼首席执行官,专注于解决消费者和商家在结账后面临的问题。他最初致力于预测退货和退款,后来将工作拓展至构建 AI 系统,以处理贯穿电商业务流程的客户请求。他主张让能够采取行动的智能体与明确的运行边界、人工升级机制以及对客户最终结果的责任担当相结合。
Seel为电商提供购后服务和 AI 代理服务,包括购物和配送保障、客户支持以及转售。其平台连接商家系统、订单信息和服务工作流程,帮助解决消费者遇到的问题;其 LLM Gateway 则支持接入模型并根据任务进行路由。在这次访谈中,Peng 谈到了从回答问题转向对结果负责的变化、智能体跨系统采取行动所需的控制机制,以及商家如何判断 AI 服务是否可靠。
是什么促使您共同创立 Seel?解决消费者结账后遇到的问题,又是如何让您开始为电商打造 AI 劳动力的?
一切始于一个电商平台。我们遇到一位运营电商平台的创始人,并看到这个行业在预测拒付上投入了多少精力,而拒付造成的损失约占 GMV 的 0.5%。退货和退款的比例却高达 10% 到 20%,当时却没人预测这类情况。于是,我们开发了一个能够预测退货和退款的模型,并据此让消费者支付一小笔费用,把最终销售商品变成可退款商品。我原以为会有 3% 到 5% 的人选择这项服务,实际比例却达到 10% 到 20%。这让我们明白,消费者愿意为结账后的安心感付费,这与人们购买 AppleCare 或租车损坏免责服务的原因相同。
AI 劳动力的构想源自我们自己的客服收件箱。我们的支持工单中,超过 70% 与退货无关。消费者想知道订单到哪儿了,或者能不能换货。我们没有把他们转回商家,而是开始亲自处理这些工单。我们发现,AI 在电商领域的真正价值不在于省钱,而在于即使业务量达到高峰,也能大规模、即时地完成任务。这包括让 AI 系统在收到退货包裹之前评估并批准符合条件的退款,也包括部署全天候运行、能够采取行动解决客户请求的 AI 智能体。
您描述了这样一个发展过程:从回答问题的聊天机器人,到能够采取行动的智能体,再到对整个结果负责的 AI 代理服务。这几个阶段在技术和运营层面分别发生了哪些变化?能否用一个真实的客户问题来说明?
区别在于谁对结果负责。聊天机器人会回答“我的订单到哪儿了?”。智能体会完成一项具体任务,比如提交索赔。代理服务则对最终结果负责:确保客户拿到自己付费购买的商品。
在技术层面,代理服务会跨多个系统运作,包括商家的店铺、承运商和支付系统,而不是只在一个系统内部工作。它会持续跟踪一个案例数天,而非只处理一轮对话,并且必须判断问题何时真正解决。在运营层面,企业不再按工单量配置人员,而是转为针对例外情况安排人手。
比如,包裹显示已送达,消费者却从未收到。聊天机器人会让消费者再等等;智能体会发起索赔。Seel Agencies 会核查承运商的扫描记录和订单历史,判断是否符合条件,支付款项或寄出替换商品,更新商家的记录,并告知消费者问题已经解决。作为承担商家端到端购后工单处理工作的合作伙伴,我们先在自己的工单上测试了这套 AI 基础设施。这种以解决问题为导向的做法,让我们的解决率超过 90%,同时也使我们能够立即标记并退还符合条件的请求。
假设购物智能体代某人买错了尺码。要解决这个问题,该智能体、商家和 Seel 之间需要采取哪些步骤?谁应该对结果负责?
不应该让消费者来裁定责任归属。无论是谁犯了错,解决办法都一样:尽快换货或退款。
要做到这一点,需要满足三个条件。第一,订单记录必须注明下单者及其依据的指令,以便追溯智能体的决策。第二,商家的退货政策必须可被机器读取,这样智能体才能据此采取行动。第三,在查明责任之前,必须有人为最终结果兜底。
这正是 Seel 发挥作用的地方。我们承担责任。如果订单获得了保障,就先确保消费者得到补偿,之后再厘清责任归属。如果 AI 购物智能体代某人买错了尺码,只要结账时添加了适当的保障,且问题属于保障范围,消费者就应该享有与自己亲自下单时相同的问题解决途径。对于承保范围内的结果,我们会在财务上承担责任。消费者不应该还得费心判断究竟是自己还是智能体出了错。
您的团队表示,AI 能加快处理 Seel 80% 的支持工单。具体来说,“加快处理”意味着什么?有多少工单无需人工介入即可解决?哪些指标能说明客户实际获得了更好的服务?
这意味着,AI承担了过去会拖慢人工处理速度的工作:阅读案件、调取订单和承运商数据、核对商家的政策,并在大多数情况下完成问题处理。AI处理了我们80%的工单量。总体而言,我们解决了99%以上的客服案件,而业内通常谈论的比例是60%至70%。
但仅看结案率可能会掩盖糟糕的服务,因为一个把消费者挡在门外的机器人,在仪表板上看起来也会很出色。因此,我们会追踪工单重新开启率、转交人工客服的比例以及客户满意度等指标。在让消费者感到挫折的时刻,速度至关重要。更改收货地址通常意味着要在彼此独立的订单和履约系统之间来回发送邮件。我们的客服人员几分钟内就能办妥。
我最在意的指标是消费者是否会再次购买。在我们的网络中,69%的回头客为自己的首笔订单购买了保障。
你曾说自己“支持智能代理,但不支持自动驾驶”。哪些决策是你有意保留给人来做的?你的系统如何识别看似常规的案件何时需要人类判断?
自动驾驶意味着没有人在旁监看。我们希望由智能代理完成大部分工作,而在需要判断力的地方由人来做决定。
有三类决策我们会交由人来做:任何涉及制定政策的决策;判断失误后难以挽回、代价高昂的案件;以及特殊到规则给出的答案未必公平的案件。AI会在这些界限内处理常规案件,也无权自行扩大权限。如果某项操作尚未获准,或者案件需要额外审批或特殊处理,系统就会直接将其转交给人工处理。
系统会综合考量请求类型及其背景:风险、紧迫性、客户的不满情绪,以及对政策的敏感程度。高风险案件会转交人工处理;对政策敏感的案件则可能需要在采取行动前进行额外核验。这些阈值会根据商家和工作流程分别设置,而不是采用统一的金额门槛或置信度分数。例如,加急处理请求或提高赔付金额的请求,可能超出AI自主处理的权限。
你的消费者研究表明,许多Z世代消费者仍希望有人参与解决他们的问题。你在设计能够赢得信任的AI客服时有何发现,特别是在客户希望对某项决定提出异议或联系人工客服的情况下?
Z世代是最习惯使用AI的一代,同时也最容易察觉公司是否利用AI来回避他们。在我们发布的2026年Z世代购物报告中,49%的Z世代表示,他们更愿意由人工来解决问题。他们仍希望问题能迅速解决:87%的消费者希望问题能在两到三天内得到解决。
我们的经验是,信任来自留有退出渠道,而不是来自机器人。消费者知道自己可以联系到人工时,就乐于让AI处理事务。如果AI成了一道屏障,即使答案正确,信任也会崩塌。
因此,我们围绕三点进行设计:
- 速度要快,在消费者感到沮丧之前解决问题
- AI拒绝请求时,要用通俗易懂的语言清楚说明原因
- 并且只需一步就能转交人工处理;接手的人可以立即看到完整记录,消费者无需重复说明情况。
如果智能代理能够退款、修改订单,或在商家的多个系统中执行操作,出错就会造成财务后果。你们如何管理权限、防止重复或未经授权的操作,并在发生问题时还原事件经过?
每个智能代理只获得其工作所需的权限,不多给任何权限。我们会将权限限定在商家同意的具体工作流程范围内。我们使用专用账户或API令牌,并将其与员工身份分开,这样商家就能随时调整、暂停或撤销访问权限。
对于大额退款等风险较高的操作,我们可以根据商家的要求配置人工审核,或设置基于金额和规则的阈值。允许智能代理访问某个系统,不应意味着赋予它不受限制的授权。
每项系统操作都会留下日志,记录操作发生的时间、执行的内容以及触发操作的原因。如果出了问题,这些记录能让我们与商家一起调查、协助回滚,并在事后收紧规则。
通过1-Click Resale,智能代理会生成商品刊登信息、设定价格,并在多个交易平台上协调销售。你们如何核验商品描述和定价?如果交易平台更新延迟,又如何防止同一件商品售出两次?
我们的转售代理服务会替卖家完成那些通常不愿意处理的工作。它会查看消费者提供的照片,核验商品状况;参考市场行情为商品定价;创建商品刊登信息,并在商品售出后将其下架。
商品描述以我们已有的数据为基础。由于商品来自商家的订单,代理服务会依据原始商品记录开展工作。定价会参考可比商品的实际成交价,并根据商品状况进行调整。消费者确认报价后,我们才会继续;商品刊登及任何缺失信息均由我们的团队处理。
我们的目标是让转售更轻松,使消费者能够从不再需要的商品中收回价值,即使退货期限已经结束
哪些运营方面的挑战促使你们开放 Seel 的 LLM Gateway?你们如何根据可靠性、延迟和成本为不同任务选择模型?你们是按每次模型调用,还是按每个成功完成的客户目标来评估经济效益?
我们最初是为自己打造的。开发 Seel Agencies 来运行我们自己的工作流程,让我们认识到,要大规模应用 AI,就必须有条不紊地采购模型。我们需要规模化能力、可靠性、使用最佳模型的权限,以及可预测的单位经济效益,因此我们为此搭建了基础设施。商家也面临着同样的问题:随着模型和请求逐一增加,成本不断攀升,所以我们开放了这套基础设施。
我们根据任务进行路由。从电子邮件中提取订单号,无需使用与处理复杂多步骤问题相同的模型。LLM Router 会评估请求的复杂程度,并在客户许可使用的模型范围内进行路由。客户可以选择性能、节省成本,或兼顾两者。这让他们能够自行决定,在处理较简单的任务时要多大程度地节省成本。
可靠性和延迟仍必须经得起实际工作负载的考验。我们建议先测试质量、响应时间和成本,再更积极地采用路由。对于复杂的工作流程或要求严格一致性的任务,客户可以继续使用指定模型,而不采用自动路由。
LLM Router 按模型用量收费,而非按每个成功完成的客户目标收费。采用智能路由时,您按实际运行的模型费率付费。Seel 会承担评估请求复杂程度、以便作出路由决策的费用。
对于正在打造 AI 业务的创始人来说,Seel 让你们了解到,令人印象深刻的演示与客户可以信赖的服务之间有何区别?在将一项完整的业务职能交给 AI 代理机构之前,商家应该要求对方提供哪些证据?
演示只能展现系统成功运行一次;而服务则要证明系统在凌晨 2 点、承运商的 API 宕机且购物者怒气冲冲时,运行到第一万起案例仍然可靠。难点从来不在模型本身,而在于糟糕的数据、彼此不一致的系统,以及判断何时不应让 AI 采取行动。
商家应该要求对方提供证据,而不是看演示。代理机构能够端到端解决多少比例的案例?除了减少支持工单之外,它的解决时长和重复购买率如何?如果它出错了,谁来承担损失、多久能够处理,你能否准确查看它采取了哪些行动?运营它又需要多少人?
感谢这次精彩的采访。希望进一步了解 AI 代理机构、售后服务和电商自动化的读者,可以访问 Seel。












