更厉害的是，它接电话还接出了“One More Thing”：问人类要不要找eBay的时尚专家帮选一下尺码。于是，就到了人类出场的时刻。

当然，这个人类，也是AI分析了用户之后，挑选出来的。

当人类介入之后，AI的工作并没有停止，其能够实时监测人类客服和用户的对话，并实现文本转换，基于Agent Assist系统，能从公司的知识库中提取最关键的文档，为人类客服提供对话相关的信息，还会列出一些建议问题。

这个解决方案除了能够作为AI来电客服外，还能支持更多元化的交换，比如电话、信息，甚至以后AI客服进行视频交流也有可能。

我们距离“不再智障”的智能客服还有多远？

对于智能客服，用户一直都是“批评多于褒奖”，究其原因是在于人们对于AI客服的期待很高，而AI客服在实际应用中的拙劣表现让许多用户大失所望。

随着移动互联网的愈来愈热，企业开始拓展APP、微信多新型轻渠道，通过人工参与粘度低来维护低成本，同时随着AI的到来，人工智能似乎为这种繁琐而简单的工作提供了一个很好的取代解决方案，因此入局企业蜂拥而至，但是发展至今，智能相对论（aixdlun）分析师柯鸣认为，我们离“不再智障”的智能客服依然有一定距离，其发展仍然存在着显而易见的痛点。

“鹦鹉学舌”般的深度学习能力

“鹦鹉学舌”是借由人类语言的模仿行为，其类似于当前由数据驱动的AI。“乌鸦喝水”则是一个完全的自主行为，其含括了感知、认知、推理、学习和执行，这是智能客服朝想象力、创造力更高层次的进阶。

但是，目前的深度学习模式都只是“鹦鹉学舌”而已。智能客服领域的深度学习主要包括业务上和技术上的学习。业务上一是企业知识的补充或更新一般都是在新政策新业务需求非常明确的情况下才会做进一步梳理和更新，管理流程比较复杂，操作周期较长；另外一个就是客户的问题有可能会超过知识库回答的范围，此时系统就无法给出准确的答案。这使得AI进化的能力十分缓慢，有时候会存在答非所问等情况。

而在技术方面，深度学习作为智能客服系统的核心算法，目前大多数智能客服系统在算法的优化更新方面的速度非常缓慢，有些甚至几乎就不更新，根本没有考虑到随着需求变化去进行实现系统自身算法参数上的调整以便及时优化自身推荐机制、提高推荐准确率。

2．尚需提高的自然语言处理

目前企业所用的智能客服系统普遍用于业务解答，系统的开发模式主要基于企业的知识库，采用关键字匹配来推荐答案，这种方式虽然直接，但其实没有很好地考虑到客户的提问习惯。

当下的智能客服语音识别主要基于语音识别的基本架构、声学模型、语言模型并进行解码，而真正能够根据客户需求和话术进行个性化适配的智能客服少之又少。其实，不同用户的性格、特点、知识层次都不相同，如果有预设的用户画像，那出现话术误读的可能性也会大大减小。

目前语音识别的通常模式

对于普通客户而言，发问一般以相对口语化的方式进行，而系统则一般以结构化的语言去读取，在客户自然语言和计算机结构化语言之间必然需要一定的机制去做好翻译工作，例如客户的口语化提问方式、上下文智能关联等，但目前大多数智能客服处理这类问题的能力并不强，客户提问的内容一旦比较复杂或表达不完整，系统就无法完整、正确识别客户问题，导致目前一些智能客服应用在实际使用过程中推荐答案的准确率并不高，从而影响客户的使用体验。

3．难以提高的用户接受度

目前，我国整个客服市场规模已经超过千亿。而在线客服最为使用率最高的客服系统，达到了73．9％，呼叫中心使用率50．7％，但是，其中智能客服的使用率仅为31．5％。

用户接受度直接影响着产品的应用范围。对于用户接受度低的原因，无疑是两个方面。首先是用户自身使用习惯，以笔者而言，许多的用户并不喜欢智能客服机械式的回答，而是更喜欢与人工智能一对一的谈话，虽然效率可能不及智能客服，但是在特定问题的解决上，人工客服能够提出更多个性化的建议。另一方面，目前市面上的智能客服更多的是“噱头大于功效”，其糟糕的使用体验，使得用户不得不放弃它。

当然，在业界人士看来，智能客服目前仍然处于萌芽发展期，但作为“风口”行业，其发展前景是大有可期的。

总的来说，Contact Center AI的出现为当前的智能客服领域打了一针“强心剂”，谷歌也开始与Cisco、Five9、Twilio、Appian等企业合作落地Contact Center AI的具体产品。当然，许多情况下概念永远要比实际应用强大的多，在具体应用中能够表现如何，这还需要应用企业和用户们来亲自检验。

（智能相对论 ｜ 柯鸣）