SiliconANGLE 联络中心 AI ROI 分析揭示知识鸿沟

SiliconANGLE 的联络中心 AI ROI 分析已将讨论重点从模型能力转向一个不那么光鲜的制约因素：组织能否有效治理其知识。

9 月 11 日的报道提炼了在 AI ROI in Contact Center Summit 上对分析师 Bob Laliberte 和 Zeus Kerravala 的采访。他们的核心观点十分直接：当客服人员获得的信息不完整、过时或彼此割裂时，联络中心无法仅靠自动化获得更好的结果。

这一结论挑战了市场主导性的销售叙事。Five9、Cisco、Microsoft、Salesforce 及其竞争对手都在增加智能体、副驾、编排和自动化质量控制功能。然而，这些产品仍然依赖其底层的政策、客户记录、工作流和运营规则。

因此，真正的竞争并非一个联络中心平台对抗另一个，而是自动化规模与解决质量之间的较量。一个系统可以缩短对话时间、处理更多客户，同时仍让更多问题悬而未决。

这一差异至关重要，因为高管正要求那些已走出受控试点阶段的 AI 部署带来财务回报。与此同时，客户会根据付出多少精力、结果是否准确，以及是否还需要再次致电来评价同一套系统。

SiliconANGLE 联络中心 AI ROI 报告改变了什么

该报告重新界定了知识管理：它是一项运营依赖，而非辅助功能。

在原始采访中，Laliberte 将联络中心描述为企业 AI 尤为醒目的试验场。这里兼具庞大的交互量、可观的人力成本以及与客户的直接接触。

一次薄弱的内部实验可能仍隐藏在某个部门中。一次糟糕的客户服务智能体交互则不会。它可能给出错误的退款规则、遗漏账户限制，或迫使来电者重复提供信息。

这些失败暴露出联络中心自动化的一个基本问题。语言模型生成答案，但企业必须提供事实、权限和经批准的后续行动。

知识管理涵盖用于创建、更新、组织、检索和淘汰这类信息的流程。对于 AI 而言，它还决定系统可以使用哪些来源，以及如何对这些来源进行排序。

由此形成的知识层远不只是帮助中心文章的集合。它还可能包含产品政策、地区限制、账户数据、故障排除流程、合规规则和升级标准。

客户询问延迟发货时，就能体现其中的差别。通用模型可以解释常见的配送问题。真正有用的智能体必须检索实际订单、识别承运商规则，并了解客户符合哪种补救措施的条件。

同样的要求也适用于人工协助。AI 副驾可以在通话中建议措辞，但当它调取的是过时政策时，其速度几乎没有价值。

SiliconANGLE 的报告也对传统上用于评估这些交互的指标提出了挑战。Kerravala 质疑：如果根本问题仍未解决，那么缩短通话时长是否代表成功。

平均处理时长衡量客服人员在一次交互及相关工作上花费的时间。它有助于人员配置，但无法证明客户得到了正确答案。

首次联系解决率更接近结果，因为它衡量一次交互是否解决了问题。即使是这一指标也需要谨慎定义，尤其是在客户通过其他渠道再次联系时。

自助解决率也存在类似陷阱。它记录自动化系统是否避免了转接人工客服，但放弃使用故障机器人服务的客户仍可能被计入正面结果。

因此，该报告并未宣布新的模型或平台。它指出了衡量整个类别标准的变化。

仅完成部署已不再足够。联络中心必须将自动化与准确解决、客户付出、重复需求和业务成果连接起来。

这一转变也包含一项重要披露。SiliconANGLE 表示，theCUBE 是该峰会的付费媒体合作伙伴，而赞助商并不对其报道拥有编辑控制权。

读者应将这次采访视为知情的行业分析，而非对供应商部署的独立审计。其论点仍可通过更广泛的市场数据和个别生产环境结果进行检验。

为什么知识管理如今决定 AI 回报

只有在可信知识能于正确时刻抵达正确工作流时，联络中心 AI 才能产生价值。

除非企业提供相关上下文，否则语言模型不会知道哪一版退货政策当前有效。它也无法从通用训练语料中安全推断客户的权限。

检索增强生成（通常称为 RAG）让 AI 系统在组织答案前检索经批准的信息。这种设计可以让回答基于公司材料，但仅有检索并不能保证准确性。

来源可能已经过时。两个部门可能发布相互冲突的指引。访问控制可能会阻止相关记录，或向错误的用户泄露信息。

元数据也可能缺失。如果缺少地区、产品、生效日期、受众和负责人等有效标签，检索系统就可能选择看似合理却并不适用的文档。

这使内容治理成为 AI 系统本身的一部分。每个重要来源都需要明确负责人、审查规则、版本历史、访问控制和淘汰流程。

当 AI 智能体能够采取行动时，问题会变得更加棘手。关于修改地址的回答风险有限。但自动修改地址会影响客户数据，并可能要求进行身份验证。

智能体 AI 指的是能够选择步骤并朝目标执行行动的系统。在联络中心中，这些步骤可能跨越电话、客户关系管理、计费和履约系统。

可靠的智能体需要了解的远不止如何回答。它还必须知道允许执行何种操作、需要哪些信息、何时需要审批，以及何时应将客户转交人工处理。

因此，工作流重构与知识管理密不可分。现有流程通常是为受过培训的员工编写的，他们能够理解模糊之处并寻求非正式指导。

自动化智能体需要明确的条件。团队必须将未文档化的判断转化为规则、获准工具、异常路径和明确负责的交接机制。

知识库还需要来自真实交互的反馈。失败的搜索、反复转接、被纠正的回答和有争议的摘要，都可能暴露缺失或误导性的材料。

这种反馈循环将静态知识库转变为运营基础设施。没有它，联络中心 AI 只会以更大规模重复同样的知识失误。

这种关系也体现在更广泛的 2026 年数据中。一项全球 CX 调查覆盖了 12 个市场、19 个行业的 815 名企业决策者。

Ryan Strategic Advisory 在 2026 年第一季度为 TELUS Digital 开展了这项研究。调查发现，AI 采用情况与优化 AI 所需的运营系统之间存在差距。

51% 的受访者计划投资于智能知识管理和搜索。仅有 34% 表示当前已部署，形成了 17 个百分点的差距。

实时 AI 副驾也显示出类似差距。56% 的受访者计划投资，而目前只有 38% 使用面向客服人员的实时知识检索和指导。

仅有 32% 的受访者表示使用 AI 驱动的质量保证和辅导。这意味着许多组织尚未具备与 AI 辅助交互规模相匹配的自动化监测能力。

这些数据属于供应商赞助的调查发现，而非普遍适用的市场衡量结果。不过，它们支持了 Laliberte 和 Kerravala 所描述的同一机制。

企业已大量投资于面向客户的 AI。底层知识、评估和改进层的发展则相对缓慢。

受治理的 AI 知识库为理解这种依赖关系提供了有用模型。其价值来自来源可追溯性和检索纪律，而非单纯的文档数量。

对买家而言，实际问题已不再是平台是否包含生成式 AI。大多数主流平台都具备这一功能。

买家需要询问系统如何选择来源、解决冲突、执行权限、记录操作以及衡量错误回答。这些能力决定了一场吸引人的演示能否经受住生产环境的考验。

自动化规模正在让位于解决质量

核心张力在于：是自动化更多交互，还是产出客户可以信赖的结果。

多年来，联络中心通过平均处理时长、呼叫分流、坐席利用率和单次交互成本来优化队列。这些指标帮助管理者规划人员配置并控制运营支出。

AI 让其中多个数字更容易得到改善。它可以总结通话、推荐回复、路由请求，或无需人工客服便回答重复性问题。

危险在于，仪表盘数据改善的同时，客户体验却在恶化。一次简短的自动化对话如果导致第二次致电、投诉或本可避免的退款，就没有价值。

AI 智能体也可以通过提高升级人工处理的难度来增加自助解决率。这一结果降低了表面上的人力需求，却增加了客户付出并损害信任。

Laliberte 强调了这些失败的可见性。一次糟糕的 AI 交互会增加客户的工作量、损害信心并削弱品牌。

Kerravala 对平均处理时长的批评指向了更广泛的衡量体系重置。效率仍然重要，但它必须置于结果层级之下。

第一层应衡量所请求的任务是否被正确完成。第二层应捕捉重复联系、转接、纠正和客户付出。

财务指标随后应纳入解决问题的完整成本，包括模型推理、集成、监测、知识维护、人工审查和升级处理。

这种方法改变了团队对常见场景的理解。假设一名 AI 智能体在无人介入的情况下处理地址更新。

当对话迅速结束时，这次交互看起来是成功的。但如果系统更新了错误账户、遗漏验证，或迫使客户日后再次纠正，它就成为失败。

因此，可信的 ROI 模型必须在初始对话结束后继续追踪结果。它应识别传统自助解决率报告所忽略的下游返工和客户行为。

自动化背后的财务压力依然巨大。一项被广泛引用的 Gartner 预测称，到 2026 年，对话式 AI 将在联络中心带来 800 亿美元的人力成本节省。

这项预测最初于 2022 年作出，当时 Gartner 估计，到 2026 年，十分之一的客服交互将实现自动化。这是一项预测，而非对已实现节省的经核实财务核算。

Gartner 最新的成本警告带来了重要的张力。该公司预测，到 2030 年，生成式 AI 的单次问题解决成本将超过 3 美元。

其理由包括数据中心支出的增加、使用场景愈发复杂、供应商面临的盈利压力，以及维护部署所需的专业劳动力。

Gartner 还预计，监管将增加辅助服务量。其预测称，随着客户行使与人工客服沟通的权利，AI 相关规则将使此类服务量到 2028 年增加 30%。

这两项预测都没有否定联络中心自动化。它们共同说明，为何替代劳动力不能成为唯一的商业论据。

AI 可以通过更快地帮助客服人员做好准备、提供更一致的答复、扩大质量覆盖范围以及改进路由来创造价值。但这些收益仍需要经得起推敲的衡量方法。

结果评分还应区分简单与复杂的工作。订单状态查询与存在争议的医疗账单或疑似金融欺诈，所承载的风险并不相同。

将这两类交互合并为一个拦截率，可能掩盖自动化在哪些场景有效。它也可能掩盖哪些地方仍需要人工判断。

联络中心应按意图、渠道、客户群体、语言和风险等级细分结果。它们还应将自动化结果与恰当的人工基准进行比较。

这正是知识基础的财务价值变得可见之处。准确的来源能提高问题解决的概率，而清晰的升级规则可避免代价高昂的失误。

最终胜出的运营模式未必是自动化通话占比最高的模式。它会自动化正确的通话，同时保留可靠的人工服务入口。

语音 AI 提高了错误知识的代价

语音智能体会将知识错误直接转化为客户的实时体验，往往在主管介入之前。

语音仍是最具挑战性的渠道之一，因为系统必须识别语音、理解意图、检索信息、快速作答并处理打断。

文本界面允许用户重新阅读答案。来电者则会实时感受到延迟、困惑和重复。

背景噪声、口音、生僻姓名和较差的连接质量都可能扭曲转录结果。当系统误解客户请求时，即使知识来源正确也无济于事。

Five9 在其 2026 年 3 月的部署指南中强调了这一依赖关系。该公司将语音转文本准确率描述为路由、资格判断和知识检索的基础。

这一说法来自销售相关技术的供应商。但它仍指出了一个买方可以用自身音频和通话组合进行测试的具体失效点。

6 月，Five9 发布了更新后的Voice AI 版本。该系统利用协同智能体处理多步骤客户交互，并包含测试、版本控制、监控和回滚机制。

Five9 表示，其研究中有 65% 的组织正在实施和发布至少一个 AI 用例。该公司还称，自助服务自动化是主要用例之一，占比为 42%。

这些发现应被视为企业赞助的研究。不过，它们显示了供应商市场正如何将生产控制定位为产品的一部分。

Cisco、Salesforce、Microsoft、NICE、Genesys 及其他平台提供商正在沿着相同的大方向发展。它们正在将对话系统与企业记录、路由、劳动力工具和质量管理相连接。

竞争将暴露出一个重要分野。平台可以提供连接器和治理功能，但客户仍需对自身记录和运营决策负责。

没有供应商能自动判断哪项相互冲突的政策体现了组织的真实意图。当企业没有明确责任归属时，供应商也无法代为指定负责人。

向人工客服转接会带来另一项知识考验。当自动化达到极限后，客户不应被迫重复整段对话。

人工客服需要获得转录内容、经验证的客户背景、已尝试的操作以及升级原因。仅有原始对话记录反而可能增加工作量，而不是减少。

AI 生成的摘要或许有帮助，但它必须区分客户陈述与已验证事实。否则，下一位客服人员可能会将错误假设视为已确认的账户信息。

受监管环境还会增加更多要求。金融、医疗和公共部门联络中心必须控制访问权限、保留审计记录，并记录具有重要影响的操作。

这些控制措施可能会降低表面上的速度。但它们也能保护组织，避免将一次不准确的回答演变为反复发生的政策违规。

相同逻辑也适用于多语言服务。翻译有缺陷的来源并不能修正它，反而可能将错误扩散到多个市场，并造成相互冲突的客户承诺。

因此，测试必须覆盖的不只是对话流畅度。团队需要围绕常见请求、边缘案例、政策例外、对抗性提示和转接场景建立测试套件。

他们应测试从语音识别到检索和执行操作的完整链路。仅对模型进行基准测试无法揭示账户系统或工作流权限中的故障。

生产监控还应区分拒绝处理与处理失败。对受限请求进行安全升级的智能体，可能比错误完成该请求的智能体表现更好。

这使简单的自动化排行榜变得复杂。更高的拦截率并不总意味着更好的运营表现。

知识时效性提供了另一项可衡量的信号。团队可以跟踪有多少活跃来源具备负责人、审查日期、生效日期和有文档记录的替换规则。

他们还可以衡量检索成功率。有用的指标包括未获回答的搜索、相互冲突的来源、主管纠正，以及自动化解决后再次出现的咨询。

这些运营指标将内容维护与财务结果联系起来。它们揭示一个模型问题实际上究竟是知识问题、集成问题，还是流程问题。

ROI 论据仍存在严重的验证缺口

知识管理的论点颇具说服力，但现有证据尚未确立一套适用于所有情况的 AI 回报公式。

SiliconANGLE 的文章以一场赞助活动中的分析师评论为核心。它没有提供来自一组明确界定的联络中心的经审计结果。

TELUS Digital 的研究提供了更广泛的量化证据，但赞助方同样销售客户体验服务。其数据描述的是报告中的采用情况与投资优先级，而非因果证明。

供应商案例研究还有另一项局限。它们往往突出成功部署、精选用例，以及愿意公开发声的客户。

这些案例可以揭示实施机制，但不能证明普通买方也会获得相同结果。

不同组织对问题解决、拦截和客户满意度的定义也不同。两份报告中看似相同的指标，可能采用了不同的观察窗口或排除条件。

底层工作组合进一步改变了比较结果。处理订单状态的零售商，与处理敏感医疗咨询的医院，自动化潜力并不相同。

劳动力节省尤其容易被高估。缩短处理时间能够释放产能，但产能不会自动转化为现金。

只有在避免招聘、减少加班、转移工作或调整人员配置时，联络中心才能实现直接节省。否则，它可能获得了服务产能，却未降低支出。

这些产能仍可能具有价值。更快的响应、更多辅导或额外的客户触达，可能改善业务，却不会体现为薪资支出的减少。

AI 成本也不止于软件许可证。企业还需要集成、安全审查、评估数据、知识负责人、合规工作以及持续的模型监督。

其中一部分成本只是转移，而非消失。更少的重复来电可能为人工客服带来更复杂的工作，并对主管提出更高要求。

客户行为也可能发生变化。便捷的自动化入口可能增加交互数量，从而抵消单次联络成本降低带来的节省。

行业也缺乏针对长期运行自主系统的稳定基准。模型、供应商架构、政策和客户预期都在同时变化。

这使短期试点难以预测成熟运营的表现。试点可能采用范围狭窄的意图集、经过整理的知识，以及异常密切的监督。

生产环境会引入政策变化、季节性需求、新产品、罕见口音、系统故障以及行为难以预测的客户。

最可信的评估设计应从有限数量的高频意图开始。团队应建立人工基准，并记录当前解决流程的完整成本。

随后，他们可以使用相同定义比较 AI 辅助、自主和纯人工组。比较应持续足够长时间，以捕捉重复联系和纠正工作。

质量审查需要覆盖不同客户群体的代表性抽样。平均分数可能掩盖某些语言、口音、产品或无障碍需求上的较弱表现。

组织还应维持明确的停止条件。不断上升的纠正率、合规事件或反复出现的检索失败，应触发回滚或缩小自主范围。

这并非主张推迟每一项部署，而是主张让权限与证据相匹配。

摘要和客服辅助通常仍由人掌控。自主退款、账户变更或资格判断则会带来更具后果性的风险暴露。

分阶段模型可让信任随着可衡量的表现而增长。它也让知识团队有时间修补真实交互所暴露的内容缺口。

因此，关键的不确定性并不在于知识是否重要，而在于严谨的知识工作能在特定运营中将各项结果改善到何种程度。

在接受关于节省的宽泛说法之前，高管应要求看到这类本地证据。他们也应避免将缺乏衡量视为收益不存在的证明。

平衡计分卡可以同时衡量财务与服务价值。它应连接问题解决质量、客户付出、员工结果、风险和完全负担运营成本。

三个信号将表明联络中心 AI 是否值得投入

下一阶段将由生产证据、知识纪律和客户结果决定，而非功能发布公告。

第一个信号是报告指标的变化。供应商和企业买方应在公布拦截率和平均处理时间的同时，发布经验证的问题解决率。

这些报告应包括重复联系、升级质量、纠正工作和客户付出，也应说明定义和衡量窗口。

如果结果报告成为标准，它将强化 SiliconANGLE 关于联络中心 AI ROI 的论点。这将表明买方不再接受以自动化量取代价值。

如果供应商继续强调已处理的对话数量，却不公布后续结果，验证缺口仍将存在。买方将难以比较平台或验证回报。

第二个信号是对知识运营的投资。2026 年调查发现的 17 个百分点部署差距，为未来研究提供了清晰的基准。

关注企业是否超越了仅仅采购搜索功能的阶段。更有力的指标在于，它们是否指定内容负责人、跟踪信息时效性、解决内容冲突，并将更正与工作流关联起来。

这些实践的增长将支持这样一种观点：企业知识已经成为生产基础设施。若采用率持平，则说明企业仍期待模型弥补薄弱的基础。

第三个信号是平台如何处理人工交接与治理。产品发布应依据可观察的控制机制来评判，而非关于更高自主性的宣称。

有价值的证据包括版本控制、回滚、来源引用、权限执行、操作日志、评估工具，以及完整的交接上下文。

监管进展也将检验这些控制机制。有关人工介入的要求，可能会暴露那些不惜代价将客户留在自动化流程中的部署方式。

设计良好的运营体系应将交接视为有效的解决路径。它应仅在系统具备足够的知识、权限和证据时，才赋予其自主权。

这些信号的重要性不只在于联络中心高管。开发者必须围绕不断变化的业务规则设计检索与工具访问机制，而不是围绕静态演示进行设计。

企业采购方需要涵盖知识所有权与评估的采购标准。一份功能清单无法揭示产品是否能适应碎片化的内部信息。

知识工作者同样直接受到影响。AI 可以减少重复搜索和通话后的文档整理工作，但也可能在缺乏充分上下文的情况下，将更棘手的问题推给员工。

客户将面临最直接的后果。他们需要能够迅速解决常规请求的系统，并在情况变得复杂时获得可追责的人工帮助。

更大的启示超越了客户服务领域。企业 AI 依赖于组织能够向其提供的信息和决策质量。

联络中心只是让这种依赖关系更容易被观察到。每一次错误回答、失败交接和重复来电，都会成为可量化的证据。

SiliconANGLE 的联络中心 AI ROI 分析捕捉到了市场处于这一转折点的状态。模型不再是完整的产品，部署也不再等同于最终结果。

实际的下一步，是端到端审视一条高频客户旅程。识别其中涉及的每一个信息来源、决策、系统操作、例外情况和交接环节。

随后，询问每个来源是否都有负责人，以及每项自动化操作是否都可以被审查。在扩大系统权限之前，先衡量正确解决率。

如果这些问题的答案仍不明确，增加另一个 AI agent 并不能修复商业论证。治理更完善的知识、更清晰的工作流和诚实的结果指标必须先到位。