2026-08-02
一家客服公司 5172 名坐席的分批上线实验显示，AI 助手让每小时解决量平均涨 15%，新手和低技能者涨约 34%，老手几乎无增益，客户情绪和留存也改善。
生成式 AI 在实验室里表现惊艳，但搬到真实工作场所会怎样？这是 2023 年悬而未决的问题：会不会遇到陌生问题就翻车、被员工抵触、在要紧场合给出误导信息。作者拿到了一家客服外包公司分批上线一套 AI 对话助手的数据，这是生成式 AI 在真实职场大规模部署后的第一次严格因果测算。
样本是 5172 名客服坐席和大约 300 万条对话。这家公司分批（staggered）给不同团队接入一套基于生成式 AI 的对话助手，它实时给坐席建议该怎么回复。分批上线天然形成对照：相同时期里有的坐席已经用上、有的还没，作者据此识别因果效应。主指标是每小时解决问题的数量，还看了处理时长、解决率、客户满意度、客户情绪和员工流失。
平均下来，接入 AI 让每小时解决量涨 15%。增益高度集中在新手和低技能坐席：入职不到一个月的新手涨 46%，论文对外给出的口径是新手和低技能组提升约 34%；而入职一年以上的老手几乎没涨，解决率和客户满意度甚至小幅下滑，AI 反而干扰了顶级表现者。
机制上，作者认为这套系统捕获了高技能坐席的隐性知识，就是那些说不清但靠经验攒出来的处置方式，再分发给新人，等于把老手的最佳实践装进每个新人的实时建议里。证据是经验曲线被压平：用上 AI 的新人两个月就达到没 AI 的人要八到十个月才到的解决量，入职两个月加 AI 大致抵得上没用 AI 干半年。坐席并不盲从，平均只采纳 35% 的建议。
副产物同样实在：客户情绪更正面，提升约半个标准差；客户要求找主管的频次下降约 25%；员工流失率也降了，主要留住了新人。还有一条暗示真学到了东西的线索，把 AI 关掉后，用过的人表现仍略好于从没用过的人。
这篇把生成式 AI 对低端、流程化白领工作的效应钉成了基准数字。它修正了一种流行担忧，把收益分布讲清楚了：增益大头落在新人和低技能者身上，不是顶级专家，这是一件罕见的能压缩技能差距的工具。对客服、电销、初阶文职这类高流转、靠经验积累的岗位，结论可以直接拿去用。
样本只有一家、产品相对稳定的技术支持客服，能否外推到产品快速变化的环境是开放的。作者自己警告，环境变得太快时，AI 可能反过来用历史数据推荐过时做法、阻碍学习。论文没有覆盖长期效应：AI 把效率提上去之后，对客服的总需求、工资、岗位设计是升是降未知，需求缺乏弹性时甚至可能压低该行业用工。作者还点出一个分配公平问题：训练数据大量来自顶级坐席的成功对话，但顶级坐席自己的生产力几乎没受益，而奖金又是按相对绩效算的，他们可能反而被扣钱。这等于在问，供出训练数据的人该怎么分钱。