智能算法和机器学习的应用，不仅提高了客户服务的效率，更改变了服务的方式。本文将深入探讨大模型如何驱动售后服务的创新，从技术原理到实际应用，为你揭示未来呼叫中心的发展趋势。
售后服务的呼叫中心似乎是两边不讨好的存在。
当然这是一种很极端的表达，售后呼叫中心仍然给消费者解决了很多问题，但是对售后的不满意也是普遍存在的现象。在大模型实践了两年后，人力成本高昂的售后呼叫中心该去哪里，其实对不同的企业，还是有很多讨论的空间。
以我所在消费电子行业售后坐席来讲，其实他们承担了以下四部分工作
1）咨询类问题，帮助处理一些线上闭环，可以不去线下门店就能解决的问题，也包含一些通用话术。 这部分其实涉及比较多的垂域知识
2）办理类问题，这类办理可能就是通过工单或者其它系统的录单来体现的
3）投诉，这类问题很特别，强依赖人工，但是投诉问题，本质是服务成本的问题
当然，还有一个隐形的工作，就是对消费者的情绪安抚。
4）情绪支持，接收消费者一些负面情绪，提供情绪价值。 其实情绪支持是贯穿在所有的业务类型中的
如果划分为以上四个类型的工作内容，那我的结论是， 99% 的人力可以就被大模型Agent 替代。
领域知识的获取。
RAG的基本工程逻辑：
现在大家用RAG实践的其实也比较成熟了。 那RAG和大模型理解能力的增强，其实让我们把检索精品知识（FAQ，图谱）渐渐的往检索原始长文去牵引。但是目前来看，检索高质量的知识，生成的效果还是更好。 但是，为了降低运营成本，检索原始长文必然会成为更有性价比的选择。
幻觉问题，我认为是技术和消费者双向奔赴。 幻觉越来越可控，消费者对大模型的接受程度也越来越高。 说到底，幻觉是个风险接受的问题。
多轮问答的实现。
多轮之前依赖业务配置流程
后面通过图谱实现
再通过完全依赖大模型+RAG+提示词（业务规则）实现。
其实效果已经不错。 当然这里说的仍然是消费电子产品的售后服务，如果是医学领域，估计还是要依赖图谱的严谨性。
大模型的推理能力+RPA完全搞的定 。 某汽车厂商不是做了一个demo，用deepseek输出办理步骤，车机AI去办理。 这里不展开
这类问题是无法在售后的场景通过AI来解决的，可能要往上游追溯，从质量，服务策略的制定阶段去解决这类问题。
情感类APP很多，这里比较复杂的是，很多投诉用户，很底层的需求是对人的发泄。 大模型或者可以低声下气，但是满足不了消费者对真人发泄的需求。 这部分可以换个题目展开讲讲。 但是我的结论是，对于真正的投诉类问题，比较难以纯靠AI解决。
呼叫中心是人力密集的，也是技能重复的，缺乏创造性和想象力的 。 即使没有上面关于可行性的论证，很多人也早早下了结论，人可以不存在。
从纽卡门把蒸汽机用在煤矿上抽水开始，蒸汽机以全新生产力的革命姿态替代了传统动力来源，无论是畜力还是水力，风力，都迅速的被淘汰掉了。但是，依赖蒸汽机产业的上下游，也诞生了很多新的岗位。
说了这么多，其实想表达的是，无论如何，呼叫中心坐席的人肯定会减少，但是，剩下更少的人，会要求更高的技能，这未尝不是好事。 只是说，我们从什么角度看待AI带来的重复劳动岗位的减少的问题。 这个命题太宏大，聚焦到呼叫中心来看，90%多的岗位HC还是会消失。
但是，你我的岗位不也面临同样的困境吗？
售后服务之前在华为应该有个ITR的流程，也就是从问题到问题解决。 即使有了大模型的替代，呼叫中心的业务实质是不会变的，解决消费者问题是售后存在的意义。业务不变，但是流程会变，之前依赖人力的呼叫中心，围绕人力构建的招聘、培训、评优、质检，等等一系列的东西都会变化。
整体讲的其实还是很粗糙，无论是大模型在呼叫中心的替代路径，人的价值，还是对于流程IT的变化，相信大家真正的实践中，面临的问题还要更多，更细碎。但是无论如何，机会还是大于挑战。 多思考，多做一些推演，多和不同领域的人聊聊，或许，对于呼叫中心未来的演进，就有更加清晰的图景。
本文由 @Eclipse 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。