从响应到预判：容联七陌用AI Agent解锁会话中的“价值增长”

引言：

“这个东西多少钱？还能优惠吗？”

这是客服对话中普通且常见的一句话。在传统智能客服的系统里，它会触发一个标准动作：调取价格，回复，然后附上一句“欢迎下单”。任务完成，对话结束。

但在容联七陌AI策略与运营服务负责人刘倩看来，这个再平凡不过的问题，恰恰暴露了整个行业过去二十年的思维惯性——把客服当作一台回答机器，追求的是“快”和“准”，而不是“值”。

“用户问多少钱，真的只是想知道价格吗？他可能正在比价，已经有购买意向，只是差一个理由。传统客服给的是数字，而AI Agent却能捕捉用户问题背后的潜在诉求，甚至主动促成转化。”

这个细微的差异，正是客服中心从“成本中心”转向“增长引擎”的起点。

作为长期深耕智能客服领域的企业，容联七陌在2024年推出了支持“需求预判—场景分流—策略服务”全链路的生成式大模型客服系统。技术之外，他们更沉淀了一套让AI Agent真正创造业务价值的方法论——如何在会话中读懂隐性需求，如何在服务中嵌入运营策略，如何让机器学会“创造价值”而不是“完成指令”。

本次《客户观察》专访刘倩女士，正是要拆解这套方法论。我们将从她亲历的实战案例出发，探讨企业最关心的几个核心问题：AI Agent与传统智能客服的本质区别到底是什么？为什么大量企业手握海量对话数据，却挖不出增长？大促节点识别高潜用户，有没有不增加人工负担的轻量级方案？当“需求预判”从单点实验走向规模化复制，最难跨越的瓶颈是技术、数据，还是部门之间的壁垒…

这些问题，刘倩将结合她近十年在智能客服深耕中的亲身实践，逐一拆解。她主导过教育、政务、电商等领域的大模型智能客服项目，累计服务客户咨询量突破千万人次。她的解答不漂浮在概念上，而是生长在真实的企业痛点和具体的对话数据里。

接下来，让我们跟随刘倩女士的视角，一起走进这场关于AI Agent与价值增长的深度对话。

感谢刘倩女士接受《客户观察》本次专访，请先介绍一下您个人的职业经历，简要介绍一下容联七陌的发展历程、业务范畴以及核心服务理念。

《客户观察》的朋友们大家好，我是容联七陌的AI策略与运营服务负责人刘倩。

我在智能客服领域已经深耕近10年。这10年里，我的角色有一个很明显的变化：早期更多是在做产品和能力建设，比如怎么把产品理解能力做扎实、怎么让机器人能“听懂话”；这两年，我的角色逐渐转向业务端：怎么让这些能力真正跑进企业的业务场景里，产生结果。

在容联七陌，我之前主要负责AI产品体系的搭建，主导了新一代大模型智能客服解决方案的发布。现在我的工作更偏向“前后打通”：一方面参与售前方案和Demo设计，另一方面也深度参与交付、训练和效果优化。核心目标只有一个——把AI技术转化为企业可落地的降本、提效、增长能力。

关于容联七陌，我们其实是一家全球性的“软件+服务”双轮驱动的解决方案供应商。我们提供智能客服、呼叫中心、大模型客服等产品矩阵，以自然语言理解和大模型AI能力为基础，输出对应的解决方案。同时，我们也深度布局全域运营服务，涵盖全渠道流量运营、存量客户激活、私域精细化运营管理，覆盖用户从服务咨询到成交转化的完整生命周期。

这两年，我们一直关注AI Agent的落地。它不仅仅是提升服务效率的工具，更能在业务中帮企业实现咨询与转化的闭环。

目前业内都在落地AI Agent，客服的价值不再止于“不出错”，而在于“能创收”。在您看来，真正实现这一跃迁，需要客服系统的底层能力发生怎样的质变？您认为传统智能客服与AI Agent的本质区别是什么？

其实这个问题可以总结成一句话——传统智能客服解决的是“如何更快地回答这个问题”，而AI Agent思考的是“如何在对话中创造价值”。

从行业的发展历程上来看，整体可以分为两个阶段。

第一阶段是大模型出现之前，我们主要聚焦于让智能客服回答得准确、快速——也就是“读懂”和“答对”。但这个阶段的边界很明显：它仍然是被动响应客户咨询，AI去做解答，提升的主要是服务效率。

第二阶段，随着大模型的发展，AI Agent带来了两个深刻变化。第一个是技术能力的变化：大模型让系统具备了更强的理解和生成能力，不再局限于预设问答，而是可以处理更复杂、更模糊的用户表达。更重要的是，它可以进行多轮推理和上下文理解，这让“判断用户意图”这件事，从规则匹配，变成了语义理解。

第二个是业务逻辑的变化：过去客服系统的目标，是“把问题解决掉”；但AI Agent的目标，是在对话中不断判断：这个用户有没有潜在需求？有没有转化机会？是否值得进一步运营？能不能带来更大价值？也就是说，从“响应问题”，走向“预判需求”。

我举个例子。比如某用户问“这个东西多少钱”。传统智能客服会直接回复价格，然后说“欢迎下单购买”。但AI Agent会想：这个用户可能正在比价，并且会结合用户的历史画像，生成针对性的、吸引用户下单的话术，从而促成售前转化。其实这也可以看到一个转变——客服正从一个成本中心，变为增长的一个触点。

很多企业沉淀了大量客服对话数据，但真正能从中挖掘出用户隐性需求、反哺运营机制、推动业务决策的却很少。根据您的观察，阻碍企业“读懂”会话的主要障碍是什么？

我观察下来，大多数企业“读不懂会话”，其实不是单一问题，而是三个层面叠加的结果：数据、能力和组织，缺一不可。

第一层，是数据问题。很多企业的第一反应是“自己企业内部接收到的数据不够优质”，但实际上，大多数企业并不缺数据，而是缺“结构化能力”。客服每天都在产生大量对话，但这些数据是分散的、非结构化的，没有被整理成可以分析和复用的资产。所以根本问题不在于数据量，而在于没有把对话变成可运营的数据。

第二层，是能力问题。即使有数据，如果没有一套方法去理解它，也很难产生价值。客户表达的诉求和深层需求往往是含蓄、隐性的，传统的关键词分析很难捕捉。如果还停留在关键词匹配或简单分类，是很难挖掘出真正的用户需求的。大模型和AI Agent的出现，恰恰解决了这个问题。

第三层，也是最容易被忽视的一层：组织机制问题。这一点也是我们在项目中感触最深的一层。很多企业其实是能够意识到分析会话的重要性的，甚至有不少企业都做了这一步，但数据被洞察之后却无人推进。这正是因为组织管理严重断层，各部门之间的协作没有打通。因为客服部门的重心是服务，数据分析团队做分析，运营部门搞活动——彼此之间是断点的，自然而然就会难以推进下去。

所以我们在做的，其实是三件事同时推进：把对话数据结构化；用AI去做意图理解和需求挖掘；更重要的是，把这些结果直接嵌入运营动作里。最终的目标，是让每一段对话，不只是被记录，而是被运用。

正值大促节点，我们会发现，客服团队往往疲于应对大量重复问题，很难顾及“用户背后可能还有别的需求”。从您的经验看，有没有一种“轻量级、可复制”的思路，帮助客服在不增加负担的前提下，自然地识别出高潜用户或复购信号？

今年6·18大促早早已经开启了，大促阶段流量激增是必然的。但在这种特殊阶段，很多客服团队疲于承接激增流量，很容易陷入忙着“回答问题”，但没时间“识别机会”的怪圈。

这让我想起曾经的一个案例：我们服务的一个头部快消品牌，大促时流量暴增，很多客户有购买意向，但却因为服务能力跟不上，导致大量潜在订单白白流失。一般情况下，企业遇到这种情况想到的办法就是招聘大量兼职客服，用增加人力的方式来帮助企业扛过这一关，但我们当时没有去“加人”，而是设计了一套“全域运营服务 Agent”机制。

具体来说：

第一，在公域层面，我们分析了所有评论和会话数据，让AI Agent识别出用户提到的核心诉求（如关心价格、优惠等）。这类用户被标记为有潜在购买意向，AI Agent会基于客户画像生成千人千面的“钩子话术”，进一步提升售前转化率。

第二，在私域层面，传统做法是人为圈定用户范围、批量发送活动，现在我们用AI Agent自动执行整个环节。

第三，在用户运营策略上，AI Agent可以基于用户生命周期，区分新客、老客、高价值客户、有挖掘潜力的客户，进一步执行不同的运营策略。最终，在没有增加任何人力的情况下，售前转化率提升了30%以上。

不少企业已经尝试接入大模型客服，但“需求预判”大多停留在单点实验阶段，难以规模化复制。您认为最容易被忽视的非技术瓶颈是什么？

我认为这个问题的根因不在技术，而在“体系缺失”。

因为我们可以明显感受到，现在的大模型越来越聪明，AI智能体执行框架迭代层出不穷，而且非常强大。难以规模化的主要原因在非技术层面：

第一，数据闭环没有打通。很多企业只是把模型接进来，但数据没有持续沉淀，会话、订单、会员、私域数据割裂，AI无法形成完整用户画像，反馈没有回流，提示词工程没有持续优化，所以效果很难提升。

第二，服务和运营没有联动。客服发现需求，没人承接；运营要做活动，客服没同步。结果，对话产生了洞察，但没有被用在运营上。

第三，也是最关键的——缺少“可复制的标准化路径”。很多企业做AI，是一个个case在试，但没有形成标准化的知识体系、SOP和评估方式。

我们在实践中做的一件事情是：把整个过程“产品化”。AI客服要规模化，本质上不是追求技术升级，而是从“项目制”走向“体系化”。

展望未来，AI Agent在客服与运营融合领域，您认为最值得期待的演进方向是什么？对一线人工座席有哪些新的要求？简要分享一下您的观点。

在运营跟服务融合方面，我认为有两个演进趋势：

第一，AI Agent正在从一个辅助工具演变为可执行的数字员工。过去智能客服的核心是提效，它能做的就是自动应答、知识辅助等基础内容。而现在，AI Agent不再停留在答疑服务层面，而是能够分析策略、执行动作，甚至对业务结果负责。

第二，AI Agent正在从“单点应用”走向“全链路协同”。很多企业一开始建设大模型时，只用在客服或营销单一环节中；未来，伴随着AI Agent的能力迭代，其应用也将涵盖客户从咨询、转化、复购到忠诚度的完整生命周期。

这种演进趋势对于一线客服而言也提出了新的要求。在过去，优秀的客服往往需要掌握大量知识、经验丰富。未来， 知识沉淀和重复性工作将越来越多地由AI承接。客服的角色将转变为知识的组织者与沉淀者，比如生产知识、制定策略、设计SOP。

更重要的是，一线客服的视角也需要转换：从“解决问题”转向“经营企业与用户的关系”，思考这个用户是否值得深度运营、是否有增购或转化的倾向。这些变化都将为客服从成本中心转向真正的价值中心提供落地支点。

未来优秀的客服，不只需要服务好用户，而是要能帮助企业经营好用户。AI不会取代客服，但会重塑客服。

最后，再次感谢《客户观察》的邀请。希望容联七陌在AI Agent与运营服务融合方面的实践，能给大家带来一些启发。未来，让我们携手用AI让客户服务成为增长的可能。