劳动力管理（WFM）

什么是劳动力管理（WFM）？

劳动力管理（WFM）是一门确保在合适的时间安排合适数量的客服人员、以满足客户需求的管理实践。它涵盖需求预测（预测将有多少客户联系进线）、排班优化（为客服人员分配班次）、实时遵从度监控（跟踪客服人员是否按排班执行）以及容量规划（长期人员配置决策）。

在客户服务中，WFM 直接影响成本和质量。人手不足会导致等待时间过长、CSAT 下滑；人手过剩则浪费预算。有效的 WFM 就是要找到两者之间的平衡。

AI 如何改变劳动力管理

AI 智能体能够自主处理相当大比例的客户交互，从根本上重塑了 WFM。当 AI 解决 60-90% 的咨询时，人工团队的工作重心便从应对数量转向处理复杂问题。这改变了 WFM 的方方面面：

• 预测： 依据 AI 无法解决的部分来预测人工需求，而非总联系量
• 排班： 围绕处理复杂问题的专家进行优化，而非通用型客服人员
• 技能规划： 当 AI 接手常规工作后，人工客服需要不同的技能——更多的判断力、同理心和技术深度
• 容量： 应对业务量增长，而无需按比例增加人手

行业研究： Gartner 预测，到 2027 年，因 AI 而计划削减客服人员的组织中，将有 50% 放弃这些计划。这一转变并非要淘汰客服人员，而是要将其角色从处理数量重新定义为创造价值。

Maven 的优势：业务扩展，无需增员

Maven AGI 帮助组织应对不断增长的客户需求，而无需按比例增加人员。Maven 能自主解决 80-93% 的咨询，大幅减少需要人工客服处理的交互量，让 WFM 更简单、更高效。

Maven 实证： Rho 在月度联系量增长 12% 的情况下未增加人手，同时保持了 95% 的 CSAT——直接印证了 AI 如何变革劳动力容量规划。

常见问题

AI 会让 WFM 变得更容易还是更难？

两者兼有。AI 减少了需要人工处理的交互量（排班更简单），但剩余的交互更加复杂（更难预测和排班）。组织需要更新其 WFM 模型，将 AI 的解决模式纳入考量。

WFM 团队应如何为 AI 部署做规划？

首先衡量当前的交互构成：常规交互（可由 AI 自动化）与复杂交互（需要人工判断）各占多大比例？据此预测引入 AI 后的人工需求。规划一个过渡期，在此期间由 AI 与人工客服共同承担全部业务量，然后逐步将人工客服转向复杂和高价值的工作。

AI 会让 WFM 变得不再必要吗？

不会。复杂、敏感以及依赖判断的交互仍然需要人工客服。WFM 的核心问题将从“处理总业务量需要多少客服人员？”演变为“处理复杂案例需要多少专家？”这门实践会改变，但不会消失。