AI 客服大概是企业服务里「立项最多、验收即躺平」的 AI 场景——上线演示时答得头头是道，三个月后人工接管率回到八成，半年后连企业自己都不提了。我做过的和见过的类似项目里，躺平的原因很少是「模型不行」，而是下面这三层。
第一层：数据问题——知识库不是「有」，是「能用」
AI 客服的效果上限，几乎完全取决于知识库质量，而多数企业的知识库是：
- 散：FAQ 在销售手里、产品文档在研发 wiki、话术在客服组长脑子里。
- 旧：上线的知识版本和当前业务规则差三个月。
- 糊：同一问题三份答案，客服自己都分不清哪个有效。
一个判断数据能不能用的土办法：让一个新入职的客服，只靠这份知识库回答 20 个真实问题，看她能答对几个。新客服答不好的，AI 也答不好——AI 不会比你的知识库更懂你的业务，它只会把知识库的混乱放大三倍。
第二层：技术问题——模型会「自信地答错」
就算知识库没问题，还有两个技术现实：
- 检索是瓶颈：用户问法和文档写法差很远，「我要退货」vs「售后条款第 3 条」，纯向量召回经常兜不住，需要混合检索 + 兜底（方法在RAG 生产落地）。
- 答错比答不上来更伤：客服场景最怕的不是「不知道」，是「一本正经地编一个退换货政策」。上线前必须做两件事：识别不了的问题必须转人工（拒绝回答优先），答案必须带引用来源，让客服能一键核实。
第三层：组织问题——责任人不明确，项目必躺
这是我观察到的最大变量：
- 谁为效果负责？ 技术团队建完系统就走了，业务方以为「AI 该自己变聪明」，没有人持续喂新问题、修知识、看转人工率——三个月后效果必然衰减。
- 考核指标错了：只考核「AI 解决率」，团队就会疯狂调低转人工阈值刷数据；应该考核「解决率 + 转人工体验 + 知识更新及时性」的组合。
- 人工流程没变：客服还是照旧复制粘贴，AI 的建议没进工作流——工具做了，人没变，等于白做（这一点在所有企业 AI 项目里都成立）。
什么条件下值得做（对照自查）
- 存在量大且标准化的问答（占量 30%+）：查订单、改地址、退换货政策这类规则清晰的高频问题
- 知识库有专人维护，或你愿意为此设一个「知识运营」岗位
- 能接受「答不了就转人工」的产品设计（先求不坏事，再求省人力）
- 有明确的第二负责人（业务侧），而不是纯技术推动
更稳的起步姿势：先「辅助」，别急着「替代」
我现在的建议是：第一版别做「AI 直接面对用户」，做**「AI 辅助人工」**——实时给客服推荐答案、给用户先自助再转人工。理由很朴素：辅助模式的错误代价低、数据回流快、业务阻力小；等知识运营跑顺了，再把自助的比例往上加。从替代起步的项目十个躺平九个，从辅助起步的项目更容易活下来。
判断一个客服项目值不值得投，可以先用AI 项目 POC 评估清单过一遍，尤其是「数据资产」和「组织阻力」那两节。