短短 60 天内，Gartner 发布了 2 项预测。任何在规划未来 24 个月 AI 投入的客户体验（CX）负责人，都应该把这 2 项预测放在一起看。
1 月 26 日，Gartner 预测：到 2030 年，生成式 AI 在客户服务中的单次解决成本将超过 $3，高于许多 B2C 离岸人工坐席的成本。3 月 31 日，Gartner 又预测：到 2028 年，超过半数的客户服务组织将把技术支出翻倍，而人员规模却不会相应减少。
结合来看，这 2 项预测描绘的是这样一种 CX 经济格局：支出曲线上升，人员曲线基本持平，而 AI 的单次解决成本却逐渐逼近它本应压低的离岸坐席成本线。“AI 让客户服务更便宜”——这个自 2023 年以来支撑大多数 CX 软件预算的假设，已经不再那么站得住脚。
Gartner 指出了这一趋势背后的 2 个变量：人才和工具复杂度。这两点都真实存在，但在它们之下还有第 3 个变量，而大多数团队并没有在追踪它。这个变量就是解决率，具体来说，是 AI“处理”的问题与 AI 真正“解决”的问题之间的差距。它决定了 CX 技术上的每一笔新增投入，带来的是成果，还是仅仅是一次交互。
用金额衡量解决差距
大多数 CX 仪表盘把“自动化率”或“分流率”作为核心指标。工单进来，AI 回复，对话在没有人工坐席介入的情况下结束，平台就把这张工单标记为已处理。仪表盘上的数字随之上升。
仪表盘不一定会显示的是：客户的问题到底有没有真正解决。这就是解决差距：AI 接触过的交互与 AI 真正解决的问题之间的那段距离。
当差距很大时，业务量并不会消失，而是以 3 种方式重新回到系统中：
- 以重复联系的形式：问题依然存在，客户通过同一渠道再次联系
- 以跨渠道升级的形式：客户先试了在线聊天，放弃后改打电话，接听的人工坐席只能从头开始
- 以客户流失的形式：客户认定公司帮不了自己，干脆不再尝试
这些结果都会产生分流仪表盘无法反映的成本。McKinsey《AI in Customer Service 2026》样本清晰地揭示了单位经济效益：AI 处理的单次解决成本约为 $0.62，而人工处理的为 $7.40（引自 Digital Applied 的 2026 年基准汇编）。但这笔账只有按解决率计算才成立，按分流率计算则不成立。每一次被记为“已分流”、随后又转回人工处理的交互，都意味着您要付 2 份账单：AI 许可费，以及接手中断对话的坐席成本。差距越大，这笔账的叠加效应越明显，而 Gartner 预测的 2028 年前的支出曲线，正是这种叠加效应在规模化之后的样子。
因此，在将 AI 经济效益与人工基线进行比较时，真正重要的基准是单次解决成本，而不是单次交互成本，也不是分流率。Gartner 预测的 2030 年 $3 单次解决成本，衡量的是 AI 真正解决问题时的成本，而不是它处理一条消息的成本。
支出曲线背后究竟发生了什么
Gartner 于 2025 年 10 月对 321 位客户服务负责人开展的调查显示，仅有 20% 的组织因 AI 而减少了坐席人数。其余 80% 的组织既在为 AI 付费，也在为坐席付费。
这并不是迈向更低成本途中的过渡状态，而是当前大多数 CX 部门部署 AI 方式所带来的结构性结果。正如 CXOVoice 所指出的，客户服务成本之所以上升，是因为 AI 在不断叠加新的层级，而不是精简原有层级。如今的技术栈包括对话式 AI、路由、知识库、分析、编排和监管，每一层都有各自的许可、实施和集成成本。
这些新增层级没有一个能取代现有层级。Gartner 对 2028 年之前的预测并非一次性的迁移成本，而是一种结构性转变：CX 预算从以人力成本为主转向以软件成本为主，而总成本基数是在上升，而不是下降。
在这一转变中，解决差距决定了 AI 支出最终落在账本的哪一边。当 AI 端到端地解决问题时，软件层就物有所值：它完成了原本需要人工完成的工作，单位经济效益也随之成立。当 AI 只分流而不解决时，软件层只会增加成本，却无法替代任何现有成本，原本应从坐席预算中节省下来的钱，最终变成了在坐席成本之上额外为 AI 买单。
叠加效应的算法
以一个典型场景为例：每月 10,000 张入站工单，供应商仪表盘显示自动化率为 60%，即 6,000 张工单在无人工介入的情况下被标记为“已处理”。
而在区分“分流”与“确认解决”的审计中，结果通常会有所不同。针对基于 RAG 部署的行业研究一致发现，15% 至 25% 的“已分流”工单包含错误或不完整的答案。如果这 6,000 张已分流工单中有 25% 在 72 小时内重新回到系统（以重复联系、升级或跨渠道尝试的形式），那么就有 1,500 次看似已自动化的交互其实并没有被自动化。
在这一业务量下，真实的自主解决率不是 60%，而是 45%。这一差距体现在大多数 CX 仪表盘都无法呈现的 3 个项目中：
- AI 供应商的账单不变。许可按交互次数计价，而 AI 确实处理了这些交互。
- 坐席团队的工作量包括这 1,500 张回流工单，而且往往缺乏上下文，因为交接环节是断裂的。
- 客户体验要承担客户重复求助的代价。供应商按 6,000 次交互收费，而您得到的只是 4,500 次解决。
解决差距决定了 AI 这项支出是在替代人工处理，还是在人工之外额外增加成本。差距小时，AI 支出可以抵消坐席支出；差距大时，AI 支出会叠加在坐席支出之上，而这正是 Gartner 预测的 2028 年前的支出曲线。
架构这一变量
解决差距不是模型问题，而是架构问题。
如今在生产环境中运行的大多数 AI 智能体只能读，不能做。它们可以从知识库检索信息、总结政策、建议后续步骤。但如果没有更深层的集成，它们通常无法处理退款、更新账户、修改订单或调整预约。架构上的分界线在于：对客户实际问题所在的系统，拥有的是只读权限还是读写权限。
只读型 AI 在结构上就受到限制，只能解决那些靠提供信息就能解决的工单。对大多数企业 CX 项目而言，这部分是 Tier 1 级别的问题，例如密码重置、订单状态查询和政策咨询。这类业务量确实不小，但存在天花板。而真正推高支持成本的投诉、例外情况、账单争议和账户变更，都位于读写边界的另一侧。
这就是为什么在广泛的查询集上超过 70% 的“自动化率”值得深究。这类数字通常意味着：要么有一个激进的分诊层，在 AI 接触之前就把难处理的长尾问题排除掉了；要么对“解决”的定义只统计对话完成数，而没有确认最终结果。在包含依赖政策判断的工单在内的广泛查询集上，与后端系统实现读写集成的生产部署，其确认解决率通常落在 70% 至 85% 区间。
架构决策决定了 CX 技术上的每一笔新增投入是在缩小解决差距，还是在扩大它。只读还是读写、叠加部署还是推倒重来、AI 作为外挂层还是内嵌于服务台——这些都不是实施细节，而是支出的放大系数。Maven 的评估框架对这些维度做了更深入的阐述。
以解决为先在生产环境中是什么样子
正在缩小解决差距的企业都具有相同的架构特征：与客户问题实际所在的系统实现读写集成。能够缩小解决差距的生产数据非常具体：
- Mastermind 在部署后 6 周内实现了 93% 的自主解决率。
- Papaya Pay 在 3 周内实现了 90% 的自主解决率。
- Clio 从传统聊天机器人升级后，自主解决率达到 80%，解决的工单数量增加了 60%，人工支持响应速度提升了 4 倍。
- Rho 在未增加人手的情况下，每月多处理 12% 的联系量，同时 CSAT 保持在 95%。
最后这个数据值得细细体会。Gartner 在 3 月 31 日的发布中预测，2028 年前 CX 技术支出的翻倍不会伴随人员的相应减少，并警告称，靠削减坐席来为 AI 筹资的企业，将面临运营中断、客户体验下降和代价高昂的回滚风险。这一预测的前提假设是：AI 自身的解决能力不足以应对不断增长的业务量。
Rho 的数据最清楚地说明了以解决为先的支出算法在生产环境中的表现：CSAT 保持在 95%，联系量增长 12%，团队规模却没有扩大。这就是解决率真实可靠时的业务承载能力：服务更多客户，团队不变，CSAT 不受影响。
这才是让 AI 支出物有所值的算法：技术支出上升，坐席支出持平，客户业务量增长，而每个已解决问题的总成本反而降低。但这只有在解决率足够高时才成立。换句话说，只有当分流与解决之间的差距足够小，AI 的处理量才能顺利转化为 AI 的实际成果。
预算翻倍之前要问的 3 个问题
Gartner 对 2028 年的支出预测不一定会落到每一家企业的 CX 损益表上。决定它是否会发生的变量，是所新增 AI 层的架构与经济模式。以下 3 个问题可以帮您穿透任何供应商都会主打的那些核心数字。
- AI 能否在客户问题所在的系统中执行操作，还是只能根据文档作答？ 只读与读写的分界，是决定 AI 能覆盖多大比例支持成本的架构变量。能查询订单状态的 AI 有用，但能处理退货、更新账户并确认变更的 AI，才能真正缩小解决差距。
- 已解决工单的 72 小时重复联系率是多少？ 这是审计指标。如果 25% 的“已解决”工单在 3 天内产生了后续联系，那么实际解决率会明显低于宣传数字。对自家 AI 解决质量有信心的供应商会公布这个数字；没有衡量过的供应商，通常是有原因的。
- 确认解决率是多少，而不是分流率？ 确认解决只统计客户问题已被解决且客户没有再次联系的工单；分流则统计 AI 接触过的所有工单。两者都衡量过的供应商会同时提供这 2 个数字；没有衡量或不愿提供的供应商，通常是在优化对自己有利的那个数字。
这 3 个问题的答案合在一起，决定了 CX 技术上的每一笔新增投入，买到的是解决，还是仅仅是活动量。
Gartner 没有点明的变量
Gartner 2026 年的这 2 项预测指向同一个方向：支出上升，AI 单次解决成本逼近人工成本底线，人员规模基本持平。对于在 2028 年前将技术支出翻倍的那一半组织而言，综合效应就是 CX 成本基数的结构性增长。
这些预测没有说明的是（因为它们衡量的是技术支出，而不是架构）：解决差距正是决定一家组织落入哪一半的变量。把解决率作为核心衡量指标、并让 AI 层能够在客户问题实际所在系统中执行操作的企业，不会看到支出翻倍却毫无成果。而把“解决”等同于“分流”的企业，将在 2026 年、2027 年和 2028 年花更多的钱，解决的问题却与 2024 年相差无几。
行业话语体系正在随之转变。自主解决正在成为核心衡量指标。解决率有望取代旧有的 CX 基准，成为衡量 AI 在客户支持中是否奏效的首要标准。供应商和分析师的观点正在形成共识：在 2026 年，AI 供应商最先展示给您的那块仪表盘，恰恰是您最应该深究的。
Gartner 预测的 2028 年支出曲线并非不可避免，它是大多数 CX 团队当下所做架构决策的结果。
用您自己的对话来验证。
申请免费的个性化演示。
