在使用过 AI 客服的消费者中，近 1/5 表示这种体验对他们毫无益处。这一发现来自 Qualtrics 2026 年客户体验趋势报告，而就在同一年，供应商纷纷宣布 50%、60% 甚至 80% 的自动化率。
二者可以同时成立。它们之间的差距，归根结底在于“分流”（deflection）这个词。
分流统计的是 AI 经手的交互，自主解决统计的是 AI 真正解决的问题。您的 AI 客服解决率就是二者之间的距离，而正是在这段距离里，客户不断流失，CX 负责人也在依据错误的数据做出代价高昂的决策。
分流到底衡量的是什么
当客户提交问题，系统回复一个常见问题文章链接时，大多数平台会将其记录为一次成功分流。工单没有转到人工，自动化率上升，仪表板看起来一切正常。
但仪表板并不知道客户是否找到了答案，也不知道他们是放弃了、第二天再次来电，还是悄然流失。分流衡量的是 AI 做了什么，却完全无法反映客户的实际体验。
部署规模越大，这个问题就越严重。NewtonX 在 2026 年开展的一项研究调查了 3 大洲的 2,000 名消费者和 500 名企业 CX 决策者，结果分歧鲜明：企业优化的是降本和工单分流，而消费者最看重的是解决。在企业列出的优先目标中，解决仅排名第 7。
同一研究还发现，55% 的企业将 AI 与人工坐席的绩效合并衡量，这使得单独评估 AI 的实际表现几乎不可能。无法区分这些信号，就无法判断您的 AI 是在解决问题，还是只是在消化流量。
用一个数字看清差距
关于这一差距有多大，最清晰的依据来自业内广泛引用的 Gartner 研究：AI 分流了超过 45% 的客户咨询，但只有约 14% 实现了完全自助解决。仪表板报告的结果与客户实际得到的结果之间，相差 31 个百分点。
AI 每经手 100 个问题，只有约 14 个最终真正解决了客户的问题。其余 31 个被计为已处理，却并未得到解决。这些咨询会以重复联系、升级和客户流失的形式卷土重来，这也解释了为什么看似健康的自动化率背后，可能是一套并不健康的运营。
让分流变得危险的数学
下面看看这在 1 个月内会如何体现。
您的 AI 处理了 10,000 个工单。供应商仪表板显示自动化率为 60%，即 6,000 个工单无需人工处理。纸面上看相当亮眼。
但深入分析数据会发现：在这 6,000 次自动化交互中，大约只有 75% 真正得到了解决，客户获得了所需帮助，没有再回来。另外 25% 只是被分流：AI 做出了回复，但问题依然存在。其中一些客户转向了其他渠道，一些打了电话，还有一些直接离开。
您实际的自主解决率不是 60%，而是 45%。那 1,500 个看似已自动化、实则未解决的工单仍留在您的系统中，以重复联系、升级或客户流失的形式存在。
要发现这一问题，有个办法是衡量解决的持久性：不只看问题是否被标记为已解决，还要看客户是否在 72 小时内就同一问题再次联系。高分流率加上高重复联系率，并不是自动化，而是成本的延后。
生产环境中的真正解决是什么样子
自主解决意味着 AI 完全解决了客户的问题，没有人工介入，没有后续工单，也没有通过其他渠道再次尝试。这一标准高于大多数供应商仪表板所能衡量的范围，而它恰恰与 CX 负责人关心的结果直接相关：更低的单工单成本、更高的 CSAT、更少的客户流失。
要让一次 AI 交互算作真正的解决，必须满足 3 个条件。
AI 需要能够访问您的系统，不只是知识库，还包括订单管理、计费、CRM 和工单工具。客户要求修改收货地址，需要的不是一个帮助中心链接，而是地址真的被修改。采用叠加式架构连接您现有的服务台，而非替换它，才能在无需耗时数月迁移的情况下实现这种访问。如果 AI 能读取系统却不能写入，它就只能回答问题，无法解决问题。那只是一个更复杂的常见问题库，而不是 AI 智能体。
AI 需要执行操作。处理退款、改签航班、更新账户：正是这些交互推动了问题的解决。只会呈现信息的平台与能够执行事务的平台之间的差距，就是分流与解决之间的差距。
AI 需要确认客户认可问题已经解决。这是大多数平台忽略的一环。它们在 AI 回复后就关闭工单，而不是在客户确认问题已处理后才关闭。衡量客户确认解决率的供应商，其 CSAT 得分始终比依赖自动关闭工单的平台高出 15% 到 20%。
当这 3 个条件都满足时，数字就会改变。McKinsey 2026 年发布的独立服务运营研究显示，能够执行操作的 AI 智能体，其解决率远高于以分流为主的工具，而单次联系成本仅为人工处理的一小部分。这种差距是结构性的，而不是配置问题。
真正奏效时是什么样子
生产数据印证了这一点。Mastermind 在部署后 6 周内实现了 93% 的自主解决率。不是分流，而是无需人工即关闭的问题。Rho 在每月联系量增加 12% 且未增加人手的情况下，保持了 95% 的 CSAT，因为 AI 真正消化了业务量，而不是将其转手。
这些成果有一个共同点：AI 以其解决的问题来衡量，并且与真正完成解决的系统深度连接。解决率而非分流率，才是与客户体验和财务可见结果相一致的数字。
评估任何供应商时都应提出的 5 个问题
如果您正在评估 AI 客服平台，分流与解决的区别应当是您的首要筛选标准。以下是在演示或 POC 中揭示这一区别的方法。
你们如何定义“已解决”？ 如果回答涉及拦截率、分流率或自动化率，却没有明确说明客户的问题已被完全解决，那么您看到的就是一个贴着“解决”标签的分流指标。请供应商区分 AI 处理过的交互和 AI 真正解决的问题。
72 小时内的重复联系率是多少？ 这是揭露虚假解决的指标。如果 25% 的已解决工单在 3 天内产生了后续联系，那么实际解决率就会显著低于宣传的数字。对自身解决质量有信心的供应商会坦然分享这一数据，而含糊其辞的供应商很可能根本没有衡量过。
AI 能否在我的后端系统中执行操作，还是只能呈现答案？ 只读集成与读写集成是架构上的分水岭。能查询订单却无法处理退货的 AI，在真正解决问题方面的上限始终更低。请具体询问其与您现有的服务台、CRM 和订单管理工具的集成深度。
你们如何衡量客户对解决结果的确认？ AI 回复后自动关闭工单，并不等于确认客户的问题已被处理。请询问平台是否采用客户确认、后续调查或重复联系追踪。方法论与数字本身同样重要。
你们是否愿意按成功解决的结果定价？ 基于结果的定价让供应商的激励与客户成果保持一致。如果供应商只有在您的客户问题真正得到解决时才能获益，他们就会以解决为目标打造产品。如果他们无论结果如何都按席位、按工单或按消息收费，那么他们的激励在于业务量，而非成果。
指标转变已在发生
行业正在朝这个方向转变，尽管步伐缓慢。Gartner 预测，到 2029 年，AI 将在无需人工介入的情况下解决 80% 的常见客服问题。其中关键的词是“解决”，而不是“分流”。一些供应商已经在调整计费方式，将经过验证的解决与单纯拦截区分开来，只为能够证明的成果收费。比起任何案例研究，这能更快地看清供应商的真实激励。
对于本季度正在评估供应商的 CX 负责人来说，分流与解决之争并非理念之辩，而是采购的筛选标准。衡量解决的供应商会打造提升解决率的产品，衡量分流的供应商则会打造提升分流率的产品。您的客户会远比您的仪表板更早察觉其中的差别。
如果您正在开展评估，请从上述 5 个问题入手，并将任何供应商的定义与解决率的真正含义进行对照。至于为什么在演示中表现出色的部署会在生产环境中停滞不前，可参阅关于 AI 客服从试点到生产的差距的分析，其中介绍了区分二者的关键指标。
看看基于您自己的工单量，自主解决是什么样子。预约演示，带上您最棘手的问题。
用您自己的对话来验证。
申请免费的个性化演示。
