手机银行App中的真实感体验设计:客户为什么讨厌＂AI味＂客服

2026年3月，南方周末新金融研究中心对国内18家全国性商业银行的电话客服系统进行了为期两周、十大应用场景、400余次的实测调查。测试结果颇具警示意义：在基础服务、紧急业务、复杂业务三大类共十个典型场景中，18家被测银行的AI客服平均问题解决率仅为62%，约四成问题最终仍需人工客服介入。紧急挂失与冻结交易这两项高敏感业务的"AI+人工"综合解决率更低至54%，而理财产品净值查询场景的解决率仅为50%。更值得关注的是，在五大基础服务场景（开户、密码、查询等高频需求）中，仍有5家银行的AI客服无法正确理解用户的自然表述，部分银行在多次尝试理解失败后直接切换为传统按键菜单，将用户"退回"了十几年前的服务体验。

这些数据背后，指向一个更深层的问题：当各家银行都在争相发布"AI赋能客服"的技术成果时，一个根本性的问题始终没有得到充分讨论——什么是好的AI客服体验？技术指标的提升是否等同于客户体验的提升？

一. "AI味"的本质：认知失调与恐怖谷效应的叠加作用

1970年森政弘提出"恐怖谷理论"：实体越接近人类，好感度先升后骤降，跌入谷底。这一定律在AI对话时代获得了新的解释力。传统按键式IVR交互中，用户预期明确——“我知道它是机器”，期待低，失望空间也有限。但拟人化AI客服出现后，AI有了名字、虚拟形象、抑扬顿挫的语调，甚至会说"很高兴为您服务"。这些设计本意是温暖，却传递了一个隐含信号——“我可以像人一样理解你。”

问题恰恰出在这里。当AI建立了"像人一样"的期待，却无法兑现"像人一样"的理解能力时，用户经历的心理落差远比面对一个"老老实实承认自己是机器"的系统大得多。部分银行AI连续三次"没能理解您的问题"后自动切回按键菜单——用户不仅问题没解决，还经历了一次"被礼貌地拒绝"，这种体验比直接说"转人工请按0"更让人恼火，因为按键菜单至少不会假装理解你。

这就是"AI味"的第一重本质：AI通过拟人化抬高了期待阈值，又因能力局限反复打破期待，最终形成持续的不信任感。

"AI味"的第二个来源，与认知负荷理论密切相关。AI的核心价值之一，恰恰在于替用户分担认知负荷、降低交互复杂度。然而，当前的AI客服设计正在系统性地制造相反的效果。

典型表现是"话术过载"。为展现"专业"与"热情"，许多银行AI客服在每个交互节点都输出一段完整的"AI式问候"——用户每提一个问题，AI的回答往往包含"感谢您的提问"“针对您的问题，我有以下几点建议”“请您按照以下步骤操作”“如有其他问题欢迎随时联系我"四到五句完整话述。从信息密度看有用，从认知负荷看，它们在每个节点都额外增加了用户需要过滤和理解的信息量。更关键的是，这些话术遵循的是"信息完整性"而非"用户当下需求"的逻辑——用户此刻最需要的往往只是一个精准答案或一句简短确认，但AI提供的是一套"标准服务流程”。

上海银行数字员工"海小智""海小慧"尝试引入"情绪自适应"话术机制——根据对话轮次、用户用词和交互时长动态调整话术密度，检测到用户焦急时自动缩短话术、直入主题。底层逻辑是对的：好的AI对话体验，需要AI主动为用户降低认知负荷，而不是反过来。

在所有"AI味"的成因中，最隐蔽也最影响信任的，是AI对自身能力边界的认知缺失与表达缺失。当用户的问题超出AI的处理范围时，一个设计良好的AI系统应当做到两件事：第一，清晰地告知用户"这个问题我处理不了"；第二，无缝地将用户引导到能够处理该问题的人工客服或其他解决路径。然而，大多数银行的AI客服在这两点上都表现欠佳。

二. "AI味"在手机银行App中的3种典型表现

1. 语气失配，从"热情"到"冷漠"只需要一个场景

银行AI客服在语气设计上有一个普遍倾向：用同一种语气应对所有场景。这听起来似乎理所当然——机器没有情绪，它理应保持一致的服务态度。但问题在于，人类的沟通从来不是情境无关的。同样的"您好，请问有什么可以帮您？"在不同的场景下传递的信息是截然不同的：当用户在营业厅排队等候两小时后终于轮到窗口，当用户深夜发现信用卡被盗刷，当用户在办理业务时遭遇系统故障——这些情境下，用户对"热情服务"的感知阈值和情感需求是完全不同的。

一个内心状态健康的客服人员，会本能地根据用户的情绪信号调整自己的语气和用词。但当前的AI客服系统大多数只能做到"词穷式"的情感检测——即识别用户是否使用了"急""愤怒""投诉"等高情绪词汇，然后在预设的"情绪安抚话术库"中调取一段对应文本。这种方案的局限性在于：它只能识别高烈度情绪信号，对于用户微妙的情绪波动和潜在需求几乎无能为力。

更深层的问题在于，AI客服的语气设计往往是从品牌传播的视角出发，而非从用户心理需求的视角出发。设计者希望AI传递的是"我们的AI很智能、很专业、很贴心"，所以AI的语气被设计为始终热情、始终积极、始终"在状态"。但用户真正需要的是一个能读懂自己当下状态的对话伙伴，而不是一个永远"在状态的推销员"。

2. 上下文割裂，每句话都像第一次见面

多轮对话的上下文管理，是当前AI客服技术中最具挑战性的领域之一，也是"AI味"最容易被用户察觉的场景。南方周末实测发现，AI与人工客服之间的协作断层是导致复杂业务场景解决率偏低的重要原因之一——当AI处理不了某项复杂业务时，部分银行的转人工流程设计不够顺畅，用户需要重新验证身份、重新描述问题，之前的对话信息完全无法继承。

杭州银行在2025年年报中提及，其智能客服系统的升级重点之一是多轮对话的意图追踪能力。具体而言，系统引入了对话状态管理器来持续维护用户意图的演化轨迹——当用户从"查余额"转向"查最近一笔交易明细"时，系统能够识别这是同一会话内的意图延伸而非新会话的建立，并据此调整响应策略。这个技术方向的核心价值在于：它把用户体验的重心从"每个回答都对"转移到了"整段对话都连贯"——这是两种截然不同的产品哲学。

3. 价值主张错位造成"全功能"与"好体验"之间的鸿沟

当前银行AI客服建设的另一个系统性偏差，是将"功能覆盖率"作为核心建设目标，忽视了功能密度与用户体验之间的非线性关系。从各银行2024-2025年年报和公开信息披露来看，各家银行在AI客服上的投入重点高度一致：引入大模型提升意图理解准确率、扩展知识库的覆盖范围、增加多轮对话能力、推出数字员工形象……这些投入的共同特征是在做"加法"——让AI能处理更多类型的请求、能回答更多领域的问题、能覆盖更多的业务场景。

但用户体验研究反复证明了一个规律：功能越多，感知到的复杂度越高；感知到的复杂度越高，用户的信心和满意度反而越低。这不是因为用户不想要丰富的功能，而是因为系统没有帮助用户管理功能的可见性和优先级。某大型股份制银行在2025年的AI客服改版就遭遇了类似的挑战：改版后的系统意图识别准确率提升了15个百分点，知识库覆盖的问答类型增加了近一倍，技术指标全面向好。然而，用户满意度调研却显示，改版后的满意度评分出现了小幅下滑。深入分析发现：系统的功能变强了，但用户面对的功能选择也变多了，很多用户反映"不知道该从哪里问起"——当你告诉用户"我们什么都能帮你做"但没有告诉用户"你现在的需求最适合从哪里开始"时，丰富的功能反而变成了认知负担。

这给银行AI客服建设带来的启示是："真实感"的一个重要维度，是帮助用户"不需要知道全部"就能解决问题。一个真正好的AI客服，不是在用户面前展示"我的能力边界有多大"，而是根据用户的表达，自动定位到最适合的解决路径，把复杂的系统能力包装成简单的用户体验。

三. 城商行体验样本——为什么"小而近"反而更有真实感

1. 城商行年报数据背后的客户体验逻辑

在讨论AI客服体验时，有一个常被忽视的观察视角：规模较小的城商行，在某些体验维度上的表现往往优于大型国有银行和股份制银行。这个结论并非空穴来风。从各银行2025年年报披露的数据中，我们可以梳理出一条清晰的逻辑线索。

宁波银行2025年实现营业收入719.69亿元，同比增长8.01%；手续费及佣金净收入60.85亿元，同比大幅增长30.72%。更值得关注的是其在数字化产品创新上的动作：手机银行8.0.8版本新增了"FIRE退休计算器"功能，帮助用户基于个人财务状况和退休目标规划攒钱路径。这个功能的设计出发点，不是"我们的APP又增加了一个新能力"，而是"我们的用户有一个真实的生活场景需求，我们来解决它"——这两种出发点的差异，直接决定了产品的气质和用户的感知。

杭州银行2025年手续费及佣金净收入42.07亿元，同比增长13.10%，净利润增速达12.05%。其年报中提及的智能客服系统升级，有一个值得注意的细节：在多轮对话能力增强的同时，该行特别强调了"低意图置信度场景下的主动兜底机制"——当AI识别置信度低于预设阈值时，不再强迫用户重复表述，而是直接提供"我是帮你转人工还是换个方式描述"两个选项。这个看似简单的设计选择，背后的逻辑是把选择权还给用户，而不是让用户在困惑中被迫适应系统的规则。

苏州银行2025年总资产达7894亿元，较年初增长13.80%，营收同比增长1.08%。其年报强调"以民唯美、向实而行"——这意味着产品设计和服务设计优先考虑的不是"技术的展示"而是"需求的满足"。

成都银行2025年资产总额突破13900亿元，营收突破230亿元，净利润突破130亿元，不良贷款率仅0.68%。资产质量的优异表现背后，往往有精细化客户服务的支撑——城商行的客户规模相对大型银行更为可控，使其有能力在客户关系维护和服务体验打磨上投入更多的"手工精度"，而这种精度恰恰是当前标准化AI客服最难复制的部分。

2. "小而近"带来的三个天然优势

城商行在AI客服体验上的相对优势，可以归纳为三个结构性因素。

第一个因素是场景更聚焦。大型银行面临的一个持续挑战是"众口难调"——客户群体庞大且分层明显，不同区域、不同年龄、不同资产规模的客户对AI客服的期待差异巨大。这导致大型银行的AI客服在设计时必须追求"最大公约数"，以牺牲个性化换取覆盖面的最大化。相比之下，城商行的客户群体通常具有更强的地域集中性和需求共性，使得AI客服可以在少数高频场景上做深做透，而不是在所有场景上浅尝辄止。

第二个因素是团队更近。在大型银行中，AI客服系统的建设通常涉及总行科技部门、多个业务条线、第三方技术供应商的多层协作，需求传递链条长、信息衰减多、优化迭代慢。而在城商行，产品经理、技术团队、客服运营往往在同一个物理空间内工作，能够实现更快的反馈闭环和更灵活的调整。当AI客服在某类场景下出现理解偏差时，城商行的团队可以在小时内完成问题定位和策略调整，而大型银行可能需要数周的跨部门协调。

第三个因素是对话风格更自然。大型银行AI客服的品牌话术体系通常由总行品牌部门统一制定，各地分支机构只能执行，无法根据当地方言习惯和客户语言特征做调整。城商行在这方面的束缚更少，其AI客服的语言风格可以更自然地融入当地用户的表达习惯，减少那种"你是在跟一个来自总行的标准客服系统对话"的疏离感。

这三个因素综合作用，使得城商行AI客服在"真实感"维度上往往能够超越技术投入更大的大型银行。"真实感"的核心不在于技术有多先进，而在于系统离用户有多近、对用户有多了解、响应用户有多快。这个结论对大型银行同样适用——它意味着大型银行提升AI客服体验的关键突破口，可能不在于继续升级底层技术模型，而在于优化组织协作效率和产品迭代机制，让技术能力能够更高效地转化为用户体验。

四. 真实感体验不是目标，是结果

现在我们再回到文章开头提出的问题：什么是好的AI客服体验？从南方周末的实测数据来看，众多银行离"好的AI客服体验"还有相当的距离。但这个距离的本质，不是技术投入不够——18家银行中绝大多数已经部署了大语言模型，语音识别、自然语言处理等技术指标在近年来持续提升——而是在于技术能力的提升与用户体验的提升之间，存在一条尚未被充分填补的鸿沟。

这条鸿沟的一侧是"系统能做什么"（技术能力），另一侧是"用户需要什么"（体验需求）。好的AI客服体验，是让两侧尽可能重合——系统做它最擅长的事（如标准化查询、快速响应），把用户带到它最需要的地方（如人工介入、复杂决策），同时在整个过程中让用户感受到被理解、被尊重、被当做一个真实的人来对待。

真实感不是AI客服的一个附加属性，而是所有体验要素到位之后自然呈现的结果。当情绪适配做对了，用户会说"它理解我"；当上下文连贯做对了，用户会说"它记得我说过的话"；当边界意识做对了，用户会说"它诚实"；当用户主权做对了，用户会说"它是来帮我的，而不是来缠着我的"。——这些"会说的话"，才是AI客服真实感最真实的衡量标准。（完）

相关文章推荐阅读：