當下，面對市面上形形色色的AI技術公司撲面而來，問題亦隨之而來，泥沙俱下，良蕪難分，加上各式各樣的的概念炒作，更令使用者企業暈頭轉向。各大服務商紛紛聲稱自己的智慧客服方案技術領先，對外宣導的產品功能非常強大，但事實上真的如此嗎？使用者企業如何“上對轎選對郎”，選好智慧客服廠商？

伴隨著智慧客服大量湧入，不同服務商的實力差異也凸顯出來。入門級的智慧客服，大多數服務商都能提供，一般以雲的方式交付，其特點在於對準確率的要求不高，能夠簡單幫助人工客服降低工作量和工作壓力。而若使用者企業需要AI能力更強，具有更高的語義識別準確率，就要構建一個大的AI平臺，以客服中心這個企業最主要的資訊來源部門為基礎對業務底層進行全面的智慧化升級，這就需要智慧技術實力更強、行業經驗和知識沉澱更多的大公司。

那麼使用者企業要如何從眾多繁雜的智慧客服市場學淘沙識真金？如何不會“亂花漸欲迷人眼”，量體裁衣對症下藥，找到合身合體、與企業融會貫通、促進企業發展壯大的智慧客服產品？

可以從以下幾個層面來觀察、判斷和選用：

一是從技術實現方式看，多輪對話和複雜場景處理能力最能直觀地考驗AI的應用能力

目前大多數智慧客服企業都是基於搜尋的方式實現FAQ類單輪問答，並沒有上下文和複雜場景處理能力。如果消費者的提問剛好在提前設定FAQ的範圍內，那麼智慧客服看起來一切正常。一旦問題超綱，或者需要應對的場景稍微複雜，那麼這類智慧客服就基本失效，回答得驢唇不對馬嘴。

還有一部分企業宣稱使用深度學習的方式進行問答處理，透過一定量的問答對訓練後，系統就可以處理所有日常聊天類的對話。但在實際領域的應用場景下，由於深度學習下機器回覆內容的不可確定性以及不可控制性，也決定了這類系統真的是隻能應對“日常聊天”，而在商業環境下基本難於實際應用。

當前客服機器人的一大技術難點在於多輪對話和多意圖的理解力。日常活動中，人類的某個需求往往包含多個資訊，比如說買飛機票，涉及買票的主體、時間、出發地和目的地。這些資訊通常難以一次性表述完整，需要多輪對話來完成。比如：

上海使用者：幫我買一張明天到廈門的飛機票。

機器人：出發地點是哪裡？

使用者：上海。

機器人：……

使用者的第二句話雖然缺少主語和謂語，但透過聯絡上下文可以輕易判斷出，其隱藏含義為“幫我買一張明天從上海到廈門的飛機票”。機器人客服要想做到用自然語言和使用者交流，就必須具備透過多輪對話，並聯繫上下文獲取完整需求資訊的能力，不然動不動就“啞火”。了

此外，使用者的一段話裡還可能包含多個需求，比如“幫我買一張明天從上海到廈門的飛機票，再幫我叫一份黑椒牛肉飯外賣”，這段話裡就包含“買飛機票”和“叫外賣”兩個需求，客服機器人需要將它們一一分辨出來，這就叫做多意圖理解。有的使用者更“刁”，甚至一句話有三個需求，若客服機器人不“靈動”，使用者體驗就不好，就會抱怨。

使用者所提的問題的形式通常都是非標準化的，同一問題的問法多種多樣。可見，一個好的智慧客服在垂直場景下，可以多輪次可打斷複雜語音對話能力，根據對話語境進行多輪次自然語言理解。支援使用者隨時打斷，保障機器人可及時靈活響應客戶對話，對於打斷句子進行二次分析，最佳化話術內容。

總之，各家企業在具體實現時有自己的演算法模型，拋開效果說模型孰優孰劣沒有意義，但有幾個特徵必須參考判斷：是否支援全渠道多維度的互動框架？是否能解決多輪對話、動態場景、多意圖理解等一些在人類對話中必須會碰到的問題？等等。

二是從核心技術壁壘看，AI客服企業需要行業領域的大量積累、大量的實際專案和應用積累的行業經驗

比如，當用戶想查詢網上一件衣服賣多少錢，提問的方式可以是“這件衣服是多少錢”、“這件衣服價格多少”、“這件衣服最優惠是多少”，等等，其表現形式可能是文字或者語音，因此必須將各種形式的問題歸一化，以便同知識庫中的標準問法相匹配有備料。而語料庫和資料標註要達到滿足實際應用的需求，這可能需要數百人花費數年的時間才能夠積累完善。這就非常考驗智慧客服企業在語料庫和知識庫上的積累。

每個軟體產品在具體的技術方面不會有太大差異，但是經受過足夠多的行業積累和實施經驗的軟體產品，才是最終成功的軟體產品，在AI領域也是如此。目前國內智慧客服市場上，擁有大量的實際專案、應用積累的行業經驗、多行業跨場景的應用實踐、且具備AI平臺化能力的服務商屈指可數，基本集中在BAT等網際網路巨頭和科大訊飛、小i機器人等垂直領域AI廠商。

因此考量智慧客服供應商時應該對其的技術積累、從業經驗、工程化能力，行業案例等方面進行綜合考察。特別是行業積累，因為現有的算法理論並沒有實質差別，關鍵的是看誰的行業知識積累、運營能力更強，行業應用經驗更豐富，這是產品可靠性、實用性的保障。

三是懂得企業業務需求，無縫銜接靈活多變

比如合力億捷研究院所做的語音互動機器人，首先能對來電使用者作後臺的客戶畫像標籤體系建立；然後是利用語音識別的技術把座席和使用者的語音實時轉寫以彈幕的形式展現在客服代表的螢幕上；並且當智慧機器人客服無法解答時，就接入人工客服，使得由機器人和人工客服無縫配合，發揮各自所長；針對重要渠道或頁面指定人工服務，根據不同客戶的屬性判斷智慧機器人客服與人工客服的優先接入；根據時段分別配置機器人或人工客服。

就服務架構上，智慧客服廠商要想清楚整個服務環節，從客戶發起問題之時起，都要經過哪些步驟，生成工單後如何流轉，哪些部門會參與，如何進行風險控制和質檢。並能對能對來自包括微信、易信、線上網頁、手機APP等電子渠道進行整合。服務環節的明確是後續選擇第三方客服系統的前提。

一個好的智慧客服系統甚至需要具備使用者CRM功能來管理龐大的使用者流量與訪問。

四是智慧分析要更懂客戶心，智慧客服關鍵在於讀心術

讓系統聽懂人話甚至能有讀心術是智慧客服一個成敗的基礎。要做到讓客戶感覺與智慧客服的對話跟人工客服、人工交談沒有差異十分不容易，這取決於系統是否能夠適應客戶提問方式的隨意性，並漸具人性化。

一個優秀的智慧客服系統甚至能進行使用者情緒線上分析，系統可透過對使用者通話中的使用者語速語調變化等異常資訊進行情緒偵測，對客戶情緒激動客戶提升監控級別，並自動安慰疏導，若還是不行，及時轉接人工處理。

語音識別功能只是智慧客服的小技能，更厲害的還是人工智慧客服的“讀心術”。比如開啟支付寶客服“小螞答”，你或許還沒想好要問什麼，“小螞答”已能夠根據你平時的訪問軌跡“猜出”你要問哪些問題，並在客服介面逐個列出，就像用“讀心術”看透了你內心的想法。

更厲害的是，“小螞答”還能根據你周邊所處的環境推斷出你可能會問的問題。比如因為當時環境訊號不佳，支付寶的頁面突然一時無法重新整理，而當訊號重現時，重新開啟客服中心時，預測列表中的第一個問題竟然是“沒有訊號的情況下怎麼轉賬？”這種根據周邊環境的變化隨時更新問題的能力令人叫贊。

比如微軟小冰，就是將“她”打造成一款將檢索到的資訊用更生活化的語言講述出來的搜尋引擎，比如自然跟進、擴充套件搜尋與整合，以便讓“好友式聊天”得到更好地發揮，吸引了不少年輕人與之互動。

總之，引進一套智慧客服系統，好比生養一個孩子。這個孩子，生容易，養很難。如果你想要一個天資聰穎，且能力不斷提升的“孩子”，那麼它需要企業和技術供應商一起悉心栽培，要不斷進行系統維護和升級，不斷豐富知識庫和語義庫，不斷拓展和延伸它的智慧功能，逐具個性化、人性化，而不是一個賬號，或一套系統就萬事大吉。

此外，AI智慧供應商還要有能力提供完善的售後服務，幫助企業培養一支專業的運營和操作人員，為企業提供更好的同行案例分享和學習，與企業一起改善系統，一起挖掘系統的功能和價值。而不能只是賣弄概念，乘熱造勢，甚至不能只是實驗室裡的一項技術。

總之，智慧客服從資料到技術，從技術到系統，從系統到具體場景應用，這每一步都需要保質保量的人才和成本投入，需要經年累月的資料和經驗積累，需要千錘百煉的資源和專案整合，需要厚積薄發的耐心和勇氣支撐，才能大功告成，造福各方。

在人工智慧爆發的今天，人工智慧的技術和產品參差不齊，不能簡單的評判好與壞，也不能簡單的評價行還是不行，人工智慧技術很重要，但更重要的是首先要想清楚你想用智慧客服來解決什麼問題。人工智慧不是無所不能的，人工智慧也不是無價值的，一定要具體需求具體對待。

智慧客服擅長的是解決客戶的常見問題，流程處理，但並不擅長處理過於複雜，過於需要溝通技巧的問題。

所以這個時候選擇智慧客服一般分以下幾步：

1、先明確需求，希望智慧客服作什麼，需求絕對不能發散，一定要細化成一個一個的場景、問題或者流程；

2、不要迷信大廠、不要迷信背景，看效果，所以建議做POC測試，直接看效果；

3、智慧客服分語音客服和文字客服，語音客戶重點關注語音識別準確率、意圖識別準確率、TTS語音合成的聲音效果體驗；文字客服主要看意圖識別準確率、長語句識別準確率、多輪對話處理能力、智慧推薦準確率；

4、看機器人訓練是否簡單易用；

5、不要指望機器人可以解決所有問題，只要算一下ROI，只要是機器人的工作成本比人工成本低，效率高，智慧客服就是成功的，就是可以用的，不要過於糾結技術本身或者與概念較真！