做了3个月AI客服，踩了5个坑才明白的事

前段时间接了个项目，给一家企业做AI客服。

说实话，一开始我觉得这事儿挺简单的——接个大模型，把FAQ丢进去，不就完了吗？

结果第一周就被打脸了。

用户问"我的货到哪了"，AI回了句"亲，您的快递正在路上哦"。客户当场炸了：我要的是物流单号，你跟我在那客气啥。

还有更离谱的。用户问"你们周末上班吗"，AI答"我们7×24小时为您服务，周末也上班"——但这家公司周末明明不上班。

后来这三个月，我就一直在跟这些"看起来对、实际上错"的问题较劲。今天把踩过的坑整理出来，大部分做AI客服的企业，应该都在这五个坑里的某一个待着。

坑一：觉得"接个大模型"就等于"做好AI客服"

这个坑最大，掉的人也最多。

你可能觉得——ChatGPT那么强，我把公司文档喂给它，不就能回答客户问题了吗？

不能。而且差得远。

通用大模型就像一个什么都懂的博士。你跟它聊"量子力学是什么"，它头头是道。但你跟它聊"你们公司的退换货政策是什么"，它就开始编了。

为什么？因为训练大模型的数据里，没有你公司的退换货政策。

大模型知道"退货"这个概念，但它不知道"你的公司"的退货流程是什么。

所以很多人做AI客服的第一反应是——把PDF丢进去，把FAQ导入知识库，然后觉得完事了。

但上线就发现：

• 用户问"你们跟XX品牌比怎么样"，AI答非所问

• 用户问"我上周买的那个怎么还没到"，AI说"您想买什么呢"

• 用户问"我之前跟你们经理说好的优惠呢"，AI完全没有上下文

AI客服不是"接个大模型"的事。它是一个系统工程——知识的组织方式、对话的上下文管理、意图的识别和路由，每一样都得认真搞。

坑二：知识库当文件夹用，往里堆就行

这个是坑一的延续。很多企业觉得"建知识库"就是把文档整理好放进去。

但你去看看他们怎么整理的：

Word文档直接往里丢。PDF不做处理。不同版本的文件混在一起。没有分类，没有标签，没有任何结构。

我之前看过一家公司的AI客服知识库，把一个Word文档切成四个切片丢进去。那个文档是"2024年产品FAQ"，里面包含了"产品参数""退换货政策""售后服务流程"三个完全不相关的内容。结果AI搜到"退换货"相关切片时，发现上下文里有"产品参数"的内容，直接把两个混在一起回答了。

这能对吗？

知识库不是文件夹。你把它当文件夹用，它就给你文件柜式的回答——你问什么它给你翻箱倒柜找，大概率找不对。

后来我做了一件事：把知识按场景拆分。售前一个库、售后一个库、技术一个库。每个库里的知识再按主题分类，打上标签，标注有效期。

效果很明显。之前AI答不对率大概在40%左右。分类优化后，降到了15%以内。

坑三：不知道"不知道"的时候该说"不知道"

这个坑特别隐蔽，但后果最严重。

你去一家店买东西，店员A说"这个我不太清楚，我帮你问问"。店员B说"这个啊，可以的，没问题"——但其实店里根本没那个服务。

你信谁？大概率信店员B。然后你就下单了。然后你就发现被骗了。

AI客服的问题就在这里。大模型天然倾向于"看起来有道理地回答"，而不是"不知道就承认不知道"。

有人拿一家银行的AI客服做过测试：问"你们有没有一个叫'超级理财'的产品？"这个产品根本就不存在。结果AI答了："有的，超级理财是我们的明星产品，年化收益率4.5%起……"

这就是幻觉。而且是最危险的那种——它不是在回答一个模糊的问题，它是在创造一个不存在的产品。

怎么解决？我的做法是加了一个"置信度门槛"。AI检索到相关知识点后，系统会算一个匹配分数。低于这个分数的，AI不能直接回答，必须说"这个问题我暂时回答不了，已经转给人工客服"。

听上去很简单对吧？但大部分AI客服系统默认是没有这个机制的。它们默认就是把检索到的东西丢给LLM去编。

加了置信度门槛之后，我们系统的"答非所问"率降了大概一半。虽然转到人工的量增加了一些，但至少不会给客户错误信息了。

坑四：觉得AI客服能"一次部署，永远运行"

这是个很隐蔽的期待偏差。

很多老板这样想：我把AI客服部署好了，它就能一直好好干活。不需要人管，不需要维护，不需要更新。

这个想法有多天真？你去问问那些做了AI客服的企业就知道了。

我们上线第一周，客户问的问题就有20%不在我们的知识库里。第二周，又冒出新的问题类型。第三周，公司发布了新产品，所有话术都得改。

AI客服不是上线就完事的。它是一个需要持续喂养和调教的系统。

但是很多企业没有预算或者没有意识去做这件事。结果就是：上线的时候觉得挺好，三个月后觉得越来越差，半年后就弃用了。

我看到过一个数据，说70%的企业在AI客服项目上线六个月后，实际效果会明显下滑——这个数多个咨询机构和研究都提过，虽然具体口径不太一样，但方向是一致的。原因无他，知识库没更新，模型没调优，运营跟不上。

正确的做法：把AI客服当"人"来管。定期看它的对话日志，哪些问题答得好，哪些答得不好。把新的FAQ补充进去，把过时的内容清理掉。设置一个运营负责人，每周至少要花半天来维护。

可能有人觉得"这也太麻烦了"。但你想想，你请一个客服，他也要培训、也要熟悉业务、也要定期更新知识。AI客服一样。

坑五：团队觉得"AI客服来了，我就不用管了"

最后一个坑，也是让前面四个坑不断加深的原因。

很多企业上AI客服之后，团队的心态会发生一个微妙的变化——"既然有AI了，那我就可以放松了"。

新来的客服：不学业务知识了，反正有AI嘛。 老客服：懒得回那些"简单问题"了，让AI去吧。 运营：不需要维护FAQ了，AI能自己学。

结果呢？AI不知道的东西，没人补充。AI答错的案例，没人纠正。AI产生幻觉的时候，没人发现。

而且更麻烦的是——客户跟AI聊完之后，如果解决不了问题，他们会更生气。因为花了时间跟AI周旋，最后还是回到人工，结果人工对前面聊了什么一无所知。

我做的一个调整是：所有AI处理过的对话，人工客服都可以看到完整记录。如果AI处理得不好，人工要及时介入，同时记录问题，反馈给运营去优化知识库。

AI不是让你可以不管了，是让你知道哪些地方更值得你管。

爽点总结

• 大模型不是AI客服的全部：上下文管理、知识组织、意图路由，缺一不可

• 知识库不是文件夹：按场景拆分+标签+有效期管理，答不对率从40%降到15%

• 不知道就承认不知道：置信度门槛机制，减少一半"答非所问"

• AI客服需要持续运营：70%的企业上线6个月后效果下滑，知识库不更新是主因

• AI是工具不是替代品：人机协同，AI管标准化，人管复杂和纠错

写在最后

前段时间跟一个做AI赋能的同行聊天。他说他见过很多企业，上AI客服之前信心满满，上线三个月后开始怀疑人生。

我问为什么，他说不是因为AI不好用，是因为大家把AI当成"魔术"了——以为东西丢进去，魔法就发生了。

但AI不是魔术。它更像一个刚转正的实习生。你给它什么知识，它就给你什么回答。你教它什么规则，它就按什么规则干活。它不会自己顿悟，也不会主动成长。

所以问题回到了原点——你愿不愿意花时间去教它？

"不积跬步，无以至千里。" ——《荀子·劝学》

AI客服的优化不是一蹴而就的事。每一步看起来都很小——今天加几条FAQ，明天改一个话术，后天修正一个分类——但三个月后回头看，你会发现质量完全不一样。

说到底，AI落地这件事，从来不是技术问题，是管理问题。你给AI多少资源，它就给你多少回报。这跟请一个优秀的员工、养一个成熟的团队，本质上没有区别。

参考来源：

• 多家研究机构（含Gartner 2025预测、环球睿视Ubestream等）指出：超过50%的AI客服项目上线6个月后效果明显下滑

• BetterYeah《企业级知识库AI客服：从搭建到落地完整指南》— 添可AI客服案例

• Gartner 2025预测：到2026年超过50%的AI客服项目将因认知不当而成效不彰

• 知乎《95% 企业AI 落地失败当下，另外5% 的CIO 在谈什么？》

• 人人都是产品经理《AI项目失败的真相：60%企业都忽略了这关键一点》