服务量能涨十倍，人招不了十倍：云栖2026论坛上的三道天花板与三个飞轮
先说结论
9月24日云栖大会「AI驱动的服务进化：从解题、感知到组织重塑」分论坛（议程编号194，主持人陈晟，阿里云智能集团AI服务产品与运营负责人——笔者注：议程页显示该场日期为9月22日，本文按云栖系列发布日期统一记为9月24日）把阿里云客户服务与体验部过去一年的实践压缩成了一句判断：AI客服化进入深水区的标志，不是又减掉了多少坐席，而是敢不敢直面三道天花板——「解题靠人，能力有上限；声音靠传，组织有节点；边界靠岗，价值有终点」（主持人陈晟的开场框架）。针对这三道天花板，他们跑出了三个飞轮：重塑解题力，让专家经验被Agent规模放大；重塑感知力，让声音穿透组织、从被动响应走向主动预防；重塑组织力，从固定的岗位边界走向随需成型。真正贯穿全场的矛盾只有一组数字：业务量在指数增长——罗龙九称今年3月「阿里云服务的双十一」一个月内服务量增加了近十倍——而传统服务模式的能力只能线性增长，靠招聘和「老带新」扩带宽。外部视角给了同方向的注脚：埃森哲黄欣卓引用自家全球研究称，过去十年约27万亿美元企业价值在市场间迁移，AI爆发后迁移速度翻倍，资本衡量企业的标准已经从「用了什么AI」变成「AI是否改变了核心竞争力」。对不从事客服的读者，这场论坛的价值在于：它展示了一套从超大规模服务现场淬炼出来的、可迁移的机制——经验如何资产化、组织如何协议化、人机如何按确定性分工——而几乎每一环都有踩坑实录兜底。
三道天花板：加人这条路走到头了
先把问题说清楚。罗龙九（阿里云智能集团客户服务支持中心负责人）把业务挑战总结为三点。第一是规模：阿里云每年处理数百万工单、服务超百万客户，过去服务增长是百分之十、二十，AI时代变成成倍增长。第二是专家经验难以沉淀复用：超过六成的工单需要技术排查，这部分问题「非常吃经验」，而经验停留在专家脑子里，靠一代带一代传承；统计下来，一个新人从入职到具备资深小二的服务能力需要六到十二个月。第三是知识跟不上迭代：传统产品更新以月为单位，现在以周甚至天为单位——「今天上午组会上发布了新模型、新产品，可能这个时候就有客户打电话进来咨询」（罗龙九）。三个挑战叠出一条鸿沟：服务量急速增加、产品迅速迭代，服务能力却还在线性增加。
主持人陈晟随后给出的三道天花板框架，是理解整场论坛的钥匙：解题靠人，能力有上限——专家的脑力和时间不可复制；声音靠传，组织有节点——客户声音要经过人肉层层传递才能到达研发；边界靠岗，价值有终点——客服被岗位定义困在「接单-结单」循环里，创造的价值到工单关闭为止。这三个判断都出自阿里云自身实践（主持人陈述），但与外部观察收敛：埃森哲黄欣卓（Jeff，大中华区董事总经理、Song事业部设计和数字产品主管）引用埃森哲《The Great Value Migration》研究称，2014到2024十年间约27万亿美元企业价值易手，2022年AI爆发后曲线突然变陡、迁移速度翻倍——市场不再为「做了AI尝试」付估值，只为「AI改变了什么核心能力」付估值（笔者经外部核验：该数字与埃森哲公开报告一致，属研究口径而非论坛首创）。
从这条裂缝往里看，机制已经清楚：当需求的增长曲线与人力供给曲线永久分离，任何还在按「招聘-培训-上岗」周期运转的服务组织都会被甩下。二阶影响是，服务的瓶颈从「人不够」转移为「组织吸收经验的速度不够」——这正是后面三个飞轮各自下手的位置。对任何企业的启发是：先别问「AI能不能替代客服」，先问自己的服务弹性带宽是用什么构成的——如果是用人堆的，天花板已经到了。
解题力：把专家脑子里的东西变成Agent能执行的Skill
第一个飞轮从解题下手。罗龙九把阿里云服务团队的技术演进总结为三阶段：Chatbot聊天时代（「我问你答」，北极星指标是自助解决率）、Copilot助手时代（「我做你来帮」，指标是人效提升，但人仍要逐个判断校验、并发没有扩大）、以及现在的Agent Team自主服务时代（「你办我来管」，指标变成Agent自主完成率）。关键变化是执行结构：过去一个专家同一时间只能处理一个工单，现在一个专家监督多个Agent同时处理多个工单——从串行到并行，从人操作到「小二操作Agent来回复客户」。
敢并行的前提是放行机制。单个工单内多个Agent协同（解题Agent负责澄清意图、调用排查工具，安全护栏对结果做质量检测），输出走红黄绿三灯分流：绿灯安全可控、自动发送；黄灯需专家复核补充后重新评估；红灯——高危数据操作、投诉、故障类场景——人工直接介入。多工单并发时，绿灯全自动输出、黄灯由专家补事实。这个分级结构后面还会反复出现：它是所有「自主服务」叙事的地基（罗龙九）。
第二层是经验资产化。传统模式面向人撰写静态文档、师傅带徒弟；Agent Team时代变成「面向Agent生产可执行的Skill」——一个Skill打包核心知识、SOP和SOP调用的工具。生产流程四步：从历史完结工单自动抽取知识构建业务流程；调用本地Agent工具（罗龙九口述为「CodeWork」，转写存疑）自动生成排查诊断Skill；在沙箱环境回放历史工单，校验答案、流程与工具调用；灰度发布小范围验证，再用线上bad case持续迭代。自进化同样有边界：运行日志、人机对话、历史工单、产品文档自动分析，评测任务自动化生成可迭代版本，但「涉及安全风控边界、危险操作、写操作，必须人工审核」（罗龙九）。落地路径三步走：先选高频标准场景（财务退款、证书类）由先锋小二试点，跑通全流程自助解决，人效提升近百分之五十（试点自报）；再把评测、护栏、自进化能力沉淀进系统放量；最后让更多专家持续转化经验，实现「从超级个体到超级团队」。迭代速度的变化最能说明问题：需求过去按周、按天迭代，现在Skill可以按小时更新（罗龙九）。他的收尾判断值得原样保留：「每个行业都值得用AI重新做一遍，让最懂业务的人成为Agent的第一作者。」
刘志强（阿里云智能集团Forward知识工程&智能服务产研负责人）补上了技术底座和复杂度背景。阿里云服务三百多个几乎每周更新的云产品，背后是数百个系统、数千个诊断工具；一个典型跨产品工单，与客户对话35轮、执行959个步骤、调用217次诊断工具（刘志强）。他的架构是「三加一」：AI驱动的知识工程、拟人化服务引擎、递归自我进化体系，打包输送到全部服务渠道（热线、在线、钉群多人混聊——群里有机器人值班、主动感知问题直接解答，而非把机器人拉进群了事）。知识工程这块他讲了个反直觉的事实：阿里云数十万篇文档中约56%是操作类、需要验证的，靠人根本验不过来；他们的做法一是把产品代码变更直接喂给AI生成文档，二是建文档验证引擎——过去半年只能回归30%的文档，现在做到每周回归（刘志强）。方法论出自他主管、阿里云CIO提出的「从意图空间构建知识空间」（转写名为「晏阳」，姓名待核——笔者注）：从海量工单提取真实用户意图，对云计算业务做正交解耦，再生成动态（工具调用稳定性与覆盖度）和静态（文档知识）两部分知识空间，最终「死于意图，终于意图满足」。
拟人化引擎部分藏着全场最有迁移价值的产品观。四个能力：能听懂（意图理解，处理口音、方言、描述不清，靠补齐上下文追问对齐真实意图）、会表达、人共情、知边界。「会表达」的依据是一个冷知识：人类消费信息的速度大概是每秒十个比特，所以一次吐太多信息就是给用户负担——表达要结论优先、带冗余、像真人打字，语音场景甚至故意加入说话的顿挫感、偶尔说个错别字让它「像个人」（刘志强。笔者经外部核验：10 bits/s出自Caltech Zheng & Meister 2024年发表于Neuron的《The unbearable slowness of being》，数字吻合）。「知边界」则是他称为差异化的能力：一上来先定义意图围栏，围栏内做、围栏外不做；「知道自己不知道」、该转人工时丝滑转人工——有了这个机制，才有信心让AI上岗任何复杂业务。谈到为什么如此在意拟人化，他给的理由是产品设计理念：碳基生物在服务过程中始终希望被真人服务，因为希望自己的时间被尊重。这套东西被打包成产品「睿服宝」，北极星指标只有两个：端到端解决率和解决时长（DTS），即将商业化。他现场用真实线上环境演示了热线数字员工接听「催工单加急」电话：核验来电手机号、实名、UID，查到ECS连接不上的工单，加急，道别——全程口语化应对，连背景嘈杂（客户在开车）的场景都处理了（现场演示，样本量为一通电话，笔者注）。
解题力的第三个层面在客户侧。庚志伟（阿里云政企事业部）直指企业AI落地「最后一公里」的两个现实难点：高价值场景怎么选——一把手关注的就是高价值场景吗？业务团队抱怨的就该做吗？厂商推荐的就准吗？没有标准方法论，项目常常「起的调子很高、内部达不成一致、不了了之」；效果怎么验证——做了很多Agent、做了AI改造但没进生产系统，等于没价值。更麻烦的是组织撕裂：高层喊AI Native转型，基层要么觉得离自己远，要么担心被替代，「开发了很多Agent最后根本没有人用」；最可怕的是按传统建设逻辑做AI落地——长时间调研、高阶设计、开发，半年一年过去，模型、算力、工程范式已经全变了，「上线即代表落后」（庚志伟）。他们的解法是去年底组建的FDE（Forward Deployed Engineer，前进部署工程师）团队：把会代码、有工程能力、能推进产品改进的人放在客户侧。这个岗位今年正是行业热词——庚志伟提到Palantir多年实践在前、今年四五月份OpenAI、Anthropic跟进（转写为「OpenAI、Australia」，按语境校正为Anthropic；笔者经外部核验：2026年5-7月，OpenAI、Anthropic联盟、微软分别以数十亿美元量级投入FDE模式，属实）。但他对名字之争的态度很清醒：「叫什么名字不是最关键的，关键是这个岗位的能力要求、技能域是什么、在客户那做什么、怎么衡量价值。」人选从内部整编：有业务架构能力的同学靠Web Coding补工程短板，工程算法同学去客户现场泡业务流补锤炼能力；定位是客户的「技术一号位」——识别痛点、找最小场景做MVP、生产级开发、反哺自家AI工具平台，而不是拿客户成本写完代码就走。两个案例：一家高校附属三甲医院，FDE以患者身份把全流程跑一遍、再从院方视角反向串一遍，正反结合识别痛点，先做「AI健康管家一站式导诊」最小场景，再搭Agent框架、用MCP协议对接医院存量IT系统打通数据，后续健康档案、病历、复诊持续迭代——「改造成本不大，因为很多系统已经有了，只要底层数据链路是通的」（庚志伟）；一家国家级新闻媒体，与客户专家共建整建制数字员工，从选题策划、创作、审核、分发到运营7×24运转，数字员工加人工把关。由此总结的企业AI落地四部曲：选场景（一把手支持、always实时在线而非领导视察一次性、资产持续沉淀反哺、成本撬动比高）、快速验证（每周看到真流程真数据的量化结果，不做demo）、科学建设（基础设施经济量化、模型适配就好不追求最大）、效果飞轮循环。
把这一部分抽成机制链：专家经验的Skill化（历史工单抽取→沙箱回放验证→灰度放量＋红黄绿分级放行）→ 一名专家监督多Agent并行 → 服务弹性从「招聘带宽」变成「Skill资产加算力」。二阶影响是知识权力的转移：经验从专家的私有脑力变成团队可复用、可进化、可按小时迭代的组织资产，新人成熟周期从6-12个月被压向「近零天」（沈乘黄后文会展开）。启发：解题主战场不在模型而在经验工程化——最懂业务的人应该成为Agent的第一作者，而不是等着被替掉。
感知力：A2A让客户声音直接变成产品改动
问题解决得再快，也只是把欠的债还得快。第二个飞轮处理的是「怎么让问题不再发生」。姚福琦（阿里云AI客户体验高级专家）先承认一个尴尬现实：过去听见了这么多客户声音，问题反而照样多——因为链路上有三处断点：分析难、推动难、效果难验证；人工抽样要好几天，结论还不扎实。用AI把链路串起来之后：30分钟定位整体根因，1小时推动明确分析依据，效果自动化验证（姚福琦，自报时效）。价值不在快，而在「客户的声音真正进入了产品改进过程，形成完整闭环」。
归因是第一关。声量大不等于价值高，表象相同不等于根因相同。他举的例子很典型：客户反馈「模型调用失败」，表象像稳定性问题，但用客户原声和业务数据交叉校验后发现，真因是额度规则不明确——客户临近限额时没有任何触达提醒（姚福琦）。「归因不是听起来合理，而是要用客户的声音验证得足够准确。」优先级是第二关：AI三轮判断——影响面加共性、业务受损阻断程度、产品边界匹配度——三个条件都满足才给出优先级建议和依据；涉及安全、合规、核心链路或购买链路阻断的，即使没有客户反馈也第一时间处理。第三关「怎么改」是全场最有组织学意味的部分：A2A（Agent to Agent）。体验Agent与研发Agent基于统一的任务、状态和协议协同：体验Agent把根因、影响面、改进目标、验收标准封装给研发Agent；研发Agent受理、评估方案、拆解任务；全程留痕。「A2A不是把两个Agent简单串联，而是让问题有统一承接、责任有明确归属、状态持续同步、结果自动回流」（姚福琦）。效果验证看两个指标：客户工单量是否下降、业务受损或失败量是否减少——「方案上线不代表问题解决，客户诉求量下降才证明改进有效」。之后是四防体系：改后防复发、上线前预防（把踩过的坑变成新产品上线检查项，新产品新模型提前布防）、同类防扩散（方案跨产品复制）、趋势促改进（投诉量与失败率同升的异常出现就提前推动，不等爆发）。真实案例：客户大促触发限流、不敢放流量，诉求经A2A直达研发，产品补齐三个功能——高峰期预测预警、弹性扩容、智能路由自动降级——客户高峰期可以放开使用（姚福琦）。
吴平（阿里云云服务器ECS前端开发负责人）从研发侧接住了这条链路，给出了A2A落地的完整工程细节。七步链路：多链路自动轮询汇集用户声音到统一需求池，准入Agent评审分流，数字人圆桌会议从产品、体验、技术、服务多维做准入评估，准入需求拆解下发开发任务，多链路AI Native研发工作流并行，上线后服务和用户侧标准化验收，所有知识数据归档成为下一轮改进依据。需求单携带原始评审信息、研发状态、验收结果向前流转，「上下文随行」，减少沟通中的理解成本和信息流失（吴平）。最有讨论价值的是准入机制的设计哲学：预审同时查五件事——产品价值是否成立、用户场景与交互链路是否完整、技术路径有无依赖约束、服务侧受什么影响、数据是否支撑完整决策；信息完整且判断统一就直接准入，信息不足不打回，而是调服务侧澄清Agent补齐背景再评，仍有分歧才走人工。「核心不是让AI替我们拍板，而是提供更多信息辅助人更准确地拍板……最后决策的还是人。」人工评审信息留档存根，成为相似需求的复用依据和AI Skill进化的养料——「机制保留了必要的讨论，压缩的是没有完整事实根据的来回拉扯」（吴平）。
工程底座同样值得抄：原始需求打成不可变更的需求快照，防止执行中被变更干扰；评审讨论在封闭沙箱进行，敏感信息服务端处理不透前端；多角色调度引擎里设主持角色（监控讨论、纠偏）和汇总角色（最终决策与报告），防止多Agent死循环或越聊越偏；每个子Agent可访问的工具、服务、文件路径严格权限认证；数据双保险（服务端推送加前端轮询互备），断网记录断点、恢复后续跑。研发流本身六步：需求澄清、需求设计、AI Coding（集成Claude Code、Codex等主流工具，转写「cloud code」按业界事实校正；本地与在线开发都支持）、测试验收、集成发布、数据归档。两个细节见功力：一是「开发之前先生成自测用例」，让AI Coding有事实依据；二是他的原则声明——「AI可以帮助缩减准备和执行的时间，但不能帮我们简化或绕开工程的链路和要求。AI Native提效不是省流程，而是用更完整、更标准的质量保证流程完成需求落地」（吴平）。他现场演示了线上真实运行的需求评审：一个「计费信息在控制台透传不明确」的需求，四个机器人角色（PD、研发等）接力分析、调用澄清工具补语料、查功能图谱，最终产出需求分析、推荐方案、风险判断、任务拆解清单（现场演示，系统已在线上运行一段时间）。
第二条机制链在这里成形：统一协议加全程留痕的A2A协同 → 客户声音不再依赖人肉层层传递，直接变成产品改动 → 服务部门从成本中心变成产品进化的输入口。二阶影响落在组织行为上：需求准入由Agent加数字人圆桌承接后，「以前靠人盯流程，现在靠机制自动推进」，管理者不必实时追进度，随时可查节点状态和产出物；按吴平的总结，传统与智能化的四个关键变化是发现（人工识别→定时扫描加AI解析）、准入（双重人工→AI加数字人协作）、协作（串行确认→角色拆解并行）、闭环（手工同步→标准化验收与数据归档）。启发：信息穿透组织靠的是协议和可追溯，不是更多的人和更多的会；AI找齐信息、说清分歧，人保留拍板权——这个分工比「AI替代决策」诚实得多。
组织力：按确定性分工，给AI设计「认怂信号」
能力被放大、声音能穿透之后，压轴的组织问题浮出水面。沈乘黄（阿里云客户服务与体验部总经理）先重新定义了组织：工业革命前的组织基本只有人；信息化、数字化时代加入了系统；AI时代组织成员变成「人、系统和AI」三元。对全场最关心的问题他给了明确回答：「人不会被AI替代掉，而会借助AI和Agent进行升级」（沈乘黄，立场性判断）。
怎么分工？他给的判据是确定性：AI擅长的是「确定的输入信息、确定的知识库、确定的系统操作，能够得到确定的结果」——到后台查账单这类事AI一定比人快；所以在信息和知识结构完善的成熟行业（他点名通信、金融、医疗、政务）AI应用非常好。反过来，三类不确定性归人：一是知识快速过期——产品天级发布，「昨天写进文档的知识，今天可能已经过时，甚至一小时之前的知识现在已经过时」（他顺带提到当天上午主论坛新发布的模型，转写为「Oyster」「shrimp」，型号待核——笔者注）；二是人本身不确定（「今天问同事吃了什么，他说黄焖鸡米饭；明天问，说红烧狮子头」）；三是意图识别难——客户只说一句「我的系统出问题了」，上下文不全时AI很难办，建议人工介入（沈乘黄）。
分工之上是交接（handoff）。旧方法两种：按反馈交接——客户投诉了、连喊三次「人工服务」才转人，但那时体验已经受损；或者人校验AI的所有输出——耗时耗力。他们的做法是让AI主动告诉人「我搞不定了」，像智能驾驶遇到特殊情况提示司机接管方向盘；反向则通过成本等方式判断何时交给AI。红绿灯机制（呼应罗龙九）就是这种明确交接协议的落地。人在这套体系里做三件事：设计流程（客户求助先进AI还是先進人，需要业务设计）、监督管控（判断AI输出靠不靠谱、要不要介入）、以及长期看「人更多跟AI交互，指挥AI去做各种事情，甚至包括跟人打交道」（沈乘黄）。
更大胆的判断是系统将被倒逼重构。既然将来是「人操作Agent、Agent操作系统」，系统的设计理念就要升级为「面向Agent」：界面层面，现在的按钮、下拉框都是给人设计的，Agent只能靠模拟人的点击去学（他举例GPT-6用RPA方式模拟学习点哪里，嘉宾举例、未独立核验——笔者注），这未必是最有效的操作方式；错误码层面，现在的报错信息是给人看的所以短——「很少有一个错误码超过五行」——面向Agent的错误码完全可以携带完整上下文（full context）；数据层面，Agent手很快但需要全量数据，只给片面数据它就会编、会猜、会幻觉，而且产出多到人无法校验；非结构化文本太长必然损失信息，「缩略、优化、甚至向量化都救不了」（沈乘黄）。同时他留了人这一端的接口：所有信息还要有对人友好、可回溯的界面——他援引最新Harness框架的理念，AI的所有操作和迭代应可回溯，人才能跟进、排查错误；还吐槽了一个真实痛点：让AI写Skill，结构确实完善，但通病是「非常非常长」、不可读，人要能及时监督检验，至少现阶段（沈乘黄）。
落到岗位形态，是两种新模式。单人模式：小二变「特种兵」「万能工程师」——垂直方向能从MAS层到SaaS层、PaaS层、IaaS层（转写为「IS层」，按云计算分层常识校正——笔者注）全链排查，以前要A产品专家层层转到D产品专家、每个人把客户重新问一遍；横向方向，一个账单问题可能同时涉及技术、财务、税务甚至法务——现在有「数字专家团」，这些专家的知识在Agent、Skill或RAG里，在钉钉直接问，不扰真人，半夜也在线，「AI是二十四小时不知疲倦的」（沈乘黄）。多人模式：新产品发布过去要写文档、培训、考试再上岗，现在小二和研发同学坐在一起，产品天级发布的信息实时传递，Agent翻译成小二能用的内容、智能陪练实时培训，「产品发布时小二几乎零天上岗」。服务的度量单位也在迁移：从事件维度（一单一结）到客户维度（把客户手头上相关的问题都解决掉），最终到生命周期维度——通过数据打通，让Agent告诉小二客户还存在哪些问题、历史上提过哪些问题、还可能存在哪些问题。他举的例子每个打过客服电话的人都懂：挂完电话发现还有两个问题没问，再打觉得麻烦，过阵子又忘了。
第三条机制链：确定性判据 → 人机分工与「认怂式」交接 → 岗位从执行者变为流程设计者、监督者、Agent指挥者 → 系统被倒逼面向Agent重构。二阶影响：培训周期坍缩（6-12个月→零天）、专家资源的即时可调用化（数字专家团）、以及一个系统性机会——存量企业的UI、错误码、数据结构都值得为Agent重做一遍。启发：给AI设计「知道自己不知道」的出口，和给它能力一样重要；这是AI能上岗复杂业务的前提，也是刘志强「知边界」的另一个说法。
从成本中心到价值中心：金牌店小二与27万亿美元的注脚
三个飞轮讲的是阿里云内部，韩盼盼（淘天集团客户运营部高级技术专家）把故事推到了生意端。开场观点直接：「服务不是成本中心，而是价值中心」——尤其在电商域流量越来越贵的今天，商家要的不是一问一答的机器人，而是能帮他卖货的金牌店小二（韩盼盼）。
方法论从人身上来。团队调研了大量线上线下金牌客服，发现背后有一套共同的成交思维模型：先观察（进店顾客的穿着打扮、言行举止，判断消费力与偏好）、再询问（挖掘真实需求——同样买鞋，是爬山还是跑马拉松，导购路径完全不同）、消除顾虑（尺码、价格、售后）、推进成交（用店铺优惠和售后保障完成临门一脚）、持续经营（咨询不是终点，回购复购是更大的生意）。AI店小蜜做的事就是把这套思维模型完整搬进AI。她给的两个线上真实案例对比很直观：28岁女性老客户，习惯买偏大半码、发货时间敏感、喜欢活泼话术——AI用熟络方式打招呼、先讲发货时效、基于历史购买直接给精准尺码推荐、发搭配图种草，「行云流水」完成下单；年长新客户，重舒适、价格敏感——AI先探需建立信任、强化这双鞋适合逛公园、再讲活动优惠和售后保障打消顾虑后下单。千人千面不是营销话术，是两套推理路径（韩盼盼）。
支撑它的是一套围绕成交设计的系统：决策大脑Planner（规划与工具调用）；反思纠错模块——客服容错率低，答错价格或权益可能直接资损或舆情，所以在回复前针对高频错误做检测，「像考试写完回头检查」，有问题重新思考纠错，再有问题直接进人工，极大降低幻觉率；Memory按行业设计长中短期三层画像（服饰行业拿身高体重和尺码偏好、美妆拿肤质肤色、家电拿家庭装修情况）；技能模块（带图找货、尺码推荐）；工具模块（改地址、催发货，打通商家ERP闭环办事）；知识模块（商详页、旺旺语聊（转写「人人语聊」，按电商语境校正——笔者注）、问大家评价、商品属性，经LLM Wiki方式编译）；策略层内置FAB销售法、SPIN需求挖掘法（转写「Spring」，按销售方法论常识校正）；模型层基于千问（转写「千万」）基座做后训练（韩盼盼）。
第二个进化是边界：从一次咨询到持续经营。用户问完尺码离开后，AI会结合短期行为轨迹、聊天记录、商品卖点与优惠做综合决策——知道用户去领了优惠券、看了别家价格，就用优惠券拉回。A/B实验显示主动跟单把整店询单转化率提升三到五个百分点；还有下单到支付之间的催付、母婴行业的周期购（预测奶粉尿不湿的耗尽时间提前推送备货提醒）（韩盼盼，A/B口径自报）。第三个进化是模式：自进化。数百万商家，一套导购Skill不可能适配所有店铺，过去靠运营和算法同学人肉分析case、改策略、验证上线，一个店铺要一周以上；现在AI全量分析成交与未成交case、生成假设（例：服饰行业店铺讲完尺码后接着讲售后保障，成交转化更高）、改写导购Skill、离线评测（bad case评测加询单转化评测）、推人工确认、上线A/B——效率从一周降到小时级，转化率提升1.2个百分点；知识侧同样自进化，全量分析知识bad case、归因、从旺旺语料挖掘可复用知识推给商家确认，「让知识去找人」（韩盼盼，自报数字）。总账：使用新版AI店小蜜的商家询单转化率平均提升百分之十，满意度大幅提升（自报，未独立核验——笔者注）。她的愿景陈述与论坛主题严丝合缝：让每个商家拥有自己的金牌店小二，帮客服部门完成从成本中心到价值中心的转型。
黄欣卓的外部视角在这里合流。他提出的三个关键转变，每个都有客户案例背书：从专家解题到Agent规模化解题——泰康的实践不是把专家知识答案放进知识库让AI学，而是把解题过程、逻辑、业务对象关系、判断依据提取成AI能理解的东西，让专家能力成为组织资产，「不是替代资深专家，而是让更多人做同样的事」；从解决问题到问题不发生——酒店案例：你对枕头配置不满意，未来是给枕头还是给加湿器，取决于企业是否真的懂你；雅迪电动车把产品数据、行为数据、消费数据打通，对产品迭代和用户感知都是能力提升；从单点响应到围绕客户协同——阿里云把组织流程、Agent、人打通（黄欣卓，客户案例为举例性质）。价值衡量也要跟着变：NPS、满意度、响应时间、工单量仍然有效，但更要看「帮客户带来什么更好的结果」且是持续性的价值提升。他服务的一家亚洲银行，23个市场、三千多员工的客服系统、千万级响应量，最后转型命题不是客服中心提效，而是「contact center变成customer growth」——让长期客户价值变长变大（黄欣卓，案例数字自述）。
论坛在此安排了一个仪式性节点：沈乘黄与黄欣卓联合发布「AI Native服务新范式」。沈乘黄的呼应把话题接回了当天早上的主论坛——无论是吴泳铭（转写「吴永明」，按公开信息校正）还是阿里云CTO李飞飞（他口中的「飞涛老师」，即李飞飞天猫超市花名体系中的「飞刀」——笔者经外部核验：财新2026年4月报道李飞飞出任阿里云CTO）的分享，核心都是两点：AI怎么把不确定变成确定，让人更好用；系统和应用的需求会越来越多——人的时间精力有限，AI的精力无限，「更多的挑战，也是更多的机会」。
第四条机制链：人类方法论显性化（金牌客服五步、FAB/SPIN）→ 工程化复制（Planner+反思+分层记忆+工具闭环）→ 衡量标准从满意度迁移到生意指标 → 服务从成本中心变成增长引擎。启发：先把你最好的员工的思维方式写下来，再谈AI放大——放大器不挑内容好坏，但没有显性化的方法论，放大器只能放大平庸。
圆桌实录：踩过的坑，和新发明的指标
最后的圆桌把镜头从阿里云拉向市场，四位嘉宾两种视角：甲方的聂小辉（客如云客户满意中心负责人，餐饮SaaS）、邓植丹（武汉机汤科技AI技术总监，消费租赁，转写「鸡汤科技」按工商信息校正），乙方的张雯（阿里云公共云事业部资深技术服务专家，服务头部企业客户）、黄欣卓（咨询视角）。第一个问题是踩坑。
邓植丹的坑最有普遍性：把AI客服理解成「智能对话助手」——以为优化好知识库和链路、精准自然地回答就够了。实际上商家问「为什么我的店铺流量异常」，背后是完整的专家诊断思路：流量计划、流量数据、经营情况、后台各项指标，综合分析得出结论再用标准话术回复。「AI智能客服不是智能问答，是专家业务经验加后台数据工具加Agent执行能力的智能体。」而且他补了一刀：就算技术做到了，也只是能力闭环——有没有融进业务链路、有没有人用、客户问题有没有解决，「后面两项才是最重要的」（邓植丹）。黄欣卓的观察同频：选模型、做Demo都顺利，「真正实现业务价值的时候碰到很大问题」——企业内部的数据、知识、话术散落在不同系统的不同部门，充满「黑话」，黑话背后是知识和结构；缺了语义层（业务对象关系、本体描述、流程治理），AI字面都能懂、业务判断路径却会偏差。他的升华值得整段保留：把企业多年运营经验系统化描述清楚，「这本身就是企业的核心竞争力，不是数据和模型能替代的」（黄欣卓）。聂小辉的三个坑全是血泪：模型看似每题都解，实则很多问题被静默丢弃，要加评判诊断模型识别；高频简单问题解决得好，高风险止损、复杂业务、用户情绪场景不行，要加情绪识别和快速转人工；工具各自为政——AI上挂了一堆客户辅助、知识查询，「完整链路跑起来发现达不到最终效果」，最后靠数据基准加统一协议统一规则串联（聂小辉）。张雯（转写「张文」按议程校正）的三挑战最技术：企业客户工单复杂、以长程排障为主，早期写大量prompt加预设诊断编排脚本，「服务场景没办法穷举」，客户问题一变模型就不知道往哪走——今年改用动态自主推理架构，manager agent从对话上下文自主选sub agent执行，sub agent专注垂类诊断；模型缺的不是通用能力是专家经验，专家直觉散在个人脑中和工单聊天记录里，去年从海量技术工单沉淀专家经验变成Skills，「模型的准确性是诊断Agent的下限，专家经验决定上限」；企业客户要的不是AI聪明，是安全可控——光靠模型不够，要一套Harness工程兜底：沙箱隔离（一次工单的操作记录独立沙箱、彼此隔离）、安全护栏（所有输入输出过护栏，识别风险自动拦截，「风险消除在模型动手之前」）、全链路可观测（从manager agent规划到sub agent执行、每个工具调用，同一trace ID串联，「哪里慢了、报错了，都有迹可循」）。她的收束句：「推理能力、专家经验和安全可控，是大模型走进企业服务绕不开的一道门槛」（张雯）。
第二个问题「什么是好的服务」贡献了两个框架。张雯的四层：有求必应、一次到底、主动防御、问题消失——后两层靠Team Brain，那不是一个知识库，而是沉淀了客户与阿里云的历史关系上下文、所有工单处置路径、未解决问题的系统，配三套记忆：短时记忆保会话连续性、长期记忆存客户画像与历史上下文、Ground Truth（转写「Grand Truth」校正）存已验证可复用的专家经验Skills和Playbook。客户体感是「换人不换上下文」——不用反复解释背景；工程师接手的是带预诊断的工单。她对人机协同的立场是全场最审慎的：「Agent在可授权、安全可控的范围内执行，人保留最终判断权……我们追求的不是完全自动化，是可被审计、安全可控、可回滚的自动化」（张雯）。邓植丹的三层则从C端出发：答准确是基础，理解意图加工具解决好是现在，最期待的是从被动响应到主动解决——他的案例：线上租赁供应商临时缺货，过去等用户找上门；现在系统发现缺货状态就发起AI外呼，用户提前知道、提前选择等待、换颜色还是取消，「转化率反而有提升，因为过去用户主动来联系时基本已经放弃这一单了」（邓植丹，未给具体数字）。黄欣卓的答案浓缩成三个字：更懂我——工单处理速度和「更懂我」对个人体验「不是一个层次」，而它对企业的数据、模型、行业知识积累要求极高。
第三个问题「用什么指标牵引价值」凑出了一组新指标集，可能是本场论坛对服务管理者最实用的产出：邓植丹提「前置解决率」——过去高成本个性化服务覆盖不起，Agent让它成为可能；聂小辉看两个过程指标「问题根治」（一次性解决，从服务班组重复来电的视角放大到用户层、客户层）和「场景穿透」（这个场景关联的场景有没有一并解决），最看重「服务外溢率」或自闭环率——智能服务有没有再溢出到人工、语音、销售、运营、第三方，「衡量客户愿不愿意接受你的服务、愿不愿意留下」；张雯的四个指标是效率、质量、安全加「问题消除」，并点出度量单位已经从「人（工程师）」变成「人加Agent」——通算时代的问题（产品功能使用、配置报错）能落到具体技术栈解决，智算时代的问题横跨模型应用、训推框架、底层硬件、操作系统，判断依据散落各处，跨栈判断不靠多个专家协同，靠一个专家加一组垂类Agent分头搜集证据、结构化证据链，「组织记忆把一次排查任务的终点，变成下一次服务的起点」（张雯）。主持人陈晟的收束把这个指标集与三个飞轮对齐：接得住、学得会、做得好、管得住、懂我——价值跃迁是这些做完之后的自然结果。
第五条机制链属于安全：沙箱隔离＋输入输出护栏＋全链路trace → 风险在模型动手前消除 → 企业客户敢于把Agent放进生产 → 「可审计、可回滚的自动化」成为采买标准。二阶影响：企业AI的竞争点从模型能力转向Harness工程——刘志强提到的行业背景是，2026年3月底Claude Code源码经npm泄露（笔者经外部核验：2026年3月31日，Anthropic的Claude Code因source map文件泄露约51万行TypeScript源码，属实的行业事件），业界Harness水平整体被抬高了一档，「这一层大家差异性都不大，最大的差异在Context」。启发：给AI自由度之前先给它围栏，围栏的颗粒度决定你能放多少业务进去。
结尾：三个飞轮转完之后
把七个分享和一场圆桌放回最初的那组矛盾——服务量指数增长、服务能力线性增长——这场论坛给出的不是「用AI减人」的答案，而是一次价值的搬家：解题力把经验变成可并行执行的资产，感知力把客户声音变成协议化的产品改进流，组织力把人从执行者搬到设计者、监督者和指挥者的位置上。三层叠加，服务部门从「成本表格里的一行」变成产品的进化引擎和生意的增长变量——韩盼盼的询单转化率、邓植丹的转化率回升、黄欣卓的「contact center变customer growth」，说的是同一件事。张雯那句「换人不换上下文」和沈乘黄的「零天上岗」，则是普通用户和一线员工各自能感知到的版本。
需要保留的不确定性也很清楚：本场大部分效果数字（人效提升近50%、询单转化率平均提升10%、30分钟定位根因）为演讲者自报，未经独立核验；睿服宝热线演示虽为真实线上环境，但样本是一通电话；四部曲、三阶段、三个飞轮这类框架的普适性，还要靠阿里云之外的组织重复验证。笔者推断成分最大的一处判断是：论坛反复出现的安全工程语言（红黄绿、护栏、沙箱、trace、可回滚）与自进化语言（Skill小时级迭代、RSI、知识找人）并存，说明这套范式的真正赌注在于——进化的速度能不能长期跑赢风险累积的速度。观察指标现成：Skill迭代周期、前置解决率、服务外溢率，以及下一次大促来临时不掉链子的端到端解决率。对场外读者，最直接的行动项只有一个，而且不贵：把你团队里最好的那个人做事的过程写下来——不是写成文档，是写成Agent能执行的东西。罗龙九们已经证明，这条路的第一步不需要奇迹，需要的是把「最懂业务的人变成Agent的第一作者」。