过去两年，AI客服经历了一轮速度极快的普及。

2025年，全球约95%的客户服务部门已经采用某种形式的AI。

到了2026年，这个数字却掉到了54%。

如果只看这组数字，很容易得出一个简单结论：AI客服的热潮正在退去。

但事情恰恰没有这么简单。

罗兰贝格与Potloc在2026年的第二轮全球调研中，对10个国家、5个行业的550多位客户服务决策者进行了调查，覆盖企业员工超过21万人。报告显示，AI客服的使用率确实从2025年的95%下降至2026年的54%，但已经真正部署AI的企业，却在响应速度、客户满意度、流程效率和运营成本等指标上获得了明显改善。

这意味着，一个更值得关注的问题出现了：

        为什么越来越多企业开始重新审视AI客服，而真正使用AI的企业，却正在获得越来越明确的业务价值？

答案可能藏在一个看似简单的变化里：

        AI客服正在从“回答问题”，进入“完成事情”。

而一旦AI开始完成事情，决定它价值上限的，就不再只是模型有多聪明。

更重要的是，它能不能进入企业的业务系统。过去两年，AI客服经历了一轮速度极快的普及。

一、AI客服的第一轮普及，正在进入“验证期”

过去的AI客服，很大程度上建立在一个简单逻辑上：

        客户提问 → AI检索知识 → AI生成答案 → 对话结束。

这个模式并没有错。

事实上，它解决了大量过去依赖人工处理的高频问题。

产品参数、营业时间、物流政策、会员规则、售后流程、优惠活动……这些问题高度标准化，非常适合AI处理。

所以，第一代AI客服的核心价值，是把企业已经拥有的信息变得更容易被客户获取。

问题也恰恰出现在这里。

客户的问题越来越复杂，而企业的业务越来越分散。

客户说：

        “我上周买的这件衣服能不能换个尺码？”

这已经不只是一个知识问答问题。

AI需要知道：

    · 客户买了什么；

    · 哪一笔订单；

    · 当前订单状态；

    · 商品还有没有库存；

    · 是否满足换货规则；

    · 新尺码是否有货；

    · 当前订单是否已经发货；

    · 换货之后物流如何处理；

    · 是否需要生成售后工单。

再比如：

    “这个套餐能不能换成另外一个产品？”

背后可能涉及产品组合、库存、价格、优惠规则、会员权益、订单状态。

客户只说了一句话。

企业却需要调用多个系统、多个数据源和多个业务规则。

这就是今天AI客服正在进入的第二阶段。

图1｜从“问答型客服”走向“任务型客服”

这两种模式看起来只差了几个步骤。

但在企业内部，它们实际上对应着完全不同的技术架构。

前者更接近一个“智能问答入口”。

后者已经开始接近一个“业务执行节点”。

二、客户已经开始要求AI“做事”

这件事情并不是企业自己想象出来的。

2026年7月，Gartner对3566名B2B和B2C客户进行调查发现，在使用生成式AI的客户中，58%已经使用AI帮助自己完成具体的实际任务；在B2B场景中，这一比例进一步达到74%。

这意味着客户使用AI的方式正在发生变化。

过去，人们问AI：

    “退款规则是什么？”

现在，人们更可能问：

“帮我看看这笔订单能不能退款。”

过去：

    “这个产品有什么区别？”

现在：

    “根据我的需求，帮我选一个。”

过去：

    “怎么修改会员信息？”

现在：

    “帮我把地址改成这个。”

这背后其实是一种非常重要的交互范式变化：
    客户越来越习惯把AI当成行动入口。

他们并不关心企业内部有多少个CRM、ERP、订单系统、库存系统、工单系统。

他们只希望：

        我说清楚我要什么，系统帮我把事情办完。

Gartner在2026年7月的研究中还发现，客户在解决服务问题时使用第三方生成式AI工具的概率，约为使用企业自有Chatbot的3倍。

这件事情对企业意味着一个非常现实的变化：

    客户服务的入口正在外移。

客户可能先去ChatGPT、Gemini、Copilot等工具询问问题。

但当问题涉及：
    · 我的订单；
    · 我的会员；
    · 我的账户；
    · 我的售后；
    · 我的合同；
    · 我的权益；
    · 我的产品；
    · 我的交易；

最终仍然需要回到企业自己的业务系统。

所以，企业真正需要建设的，并不只是一个“更会聊天的机器人”。

而是一套能够承接客户意图、理解企业业务、调用企业数据并执行任务的智能服务系统。

三、AI客服真正的分水岭：从“会回答”到“能完成”

如果把AI客服的发展拆成几个阶段，会发现它实际上正在经历一次能力结构上的升级。

L1：知识问答

解决的是：

    “我知道什么？”

典型任务包括：
    · FAQ；
    · 产品介绍；
    · 政策查询；
    · 服务规则；
    · 常见问题。

这是最容易落地的一层。


L2：任务执行

解决的是：

    “我能帮你做什么？”

例如：
    · 查询订单；
    · 查询物流；
    · 修改信息；
    · 创建工单；
    · 预约服务；
    · 发起退款；
    · 查询库存；

判断基础售后条件。

这里，AI开始真正进入业务系统。


L3：业务决策

解决的是：

    “我应该怎么处理？”

例如一个客户投诉：

AI需要判断：
    · 客户是谁；
    · 历史购买情况如何；
    · 当前投诉属于什么类型；
    · 是否存在高价值客户属性；
    · 问题来自产品、物流还是服务；
    · 是否存在重复投诉；
    · 应该自动处理还是升级；
    · 应该采用什么解决方案。

到了这一层，AI客服已经不再只是客服工具。

它开始具备一定程度的业务判断能力。


L4：主动服务

再往前一步，AI甚至可以开始主动发现问题。

例如：

客户订单延迟。

系统不需要等客户来问。

AI发现异常后，可以主动判断：

    “这个客户是高价值客户，订单已经超过预计时间6小时，目前物流节点异常。”

然后自动触发：
    · 客户提醒；
    · 售后解释；
    · 补偿方案；
    · 工单创建；
    · 人工升级。

这时候，客服开始从“响应客户”走向“主动服务客户”。


L5：多智能体协同

最终，一个复杂客户问题可能同时涉及：
客服Agent + 销售Agent + 商品Agent + 数据Agent + 售后Agent + 营销Agent

例如：
    · 客户咨询某款产品。
    · 客服Agent理解需求；
    · 商品Agent判断产品适配；
    · 库存Agent查询库存；
    · 销售Agent判断购买机会；
    · CRM Agent读取客户历史；
    · 营销Agent判断当前活动；
    · 售后Agent判断服务风险。

多个Agent协同完成一次客户服务。

这才是企业级Agent与传统Chatbot之间真正的结构性差异。

腾讯云、腾讯研究院与Gartner的《企业级智能体产业落地研究报告》也将企业Agent定义为具备自主规划、工具调用和任务闭环能力的系统，并进一步按照能力从辅助型任务向更复杂的自主执行和多智能体协同演进。

图2｜AI客服能力阶梯

AI客服的能力天花板，开始从语言理解能力转移到业务执行能力。

四、真正卡住AI客服的，越来越像企业系统

如果说大模型解决了“理解语言”的问题，那么企业真正复杂的部分，往往发生在语言之外。

一家零售企业可能同时拥有：

    · CRM；

    · CDP；

    · ERP；

    · OMS；

    · WMS；

    · 商品系统；

    · 会员系统；

    · 工单系统；

    · 营销自动化系统；

    · 企业微信；

    · 小程序；

    · 电商平台。

一个客户问题，可能横跨其中五六个系统。

过去的自动化方式，是给每个系统建立接口。

AI时代的问题则变成：

    谁来理解客户语言，并把一句自然语言转化成跨系统业务动作？

这也是为什么2026年罗兰贝格×Potloc调研中，“遗留系统和系统集成复杂度”成为AI客服规模化应用最大的障碍之一，有46%的AI使用企业将其列为主要挑战。

所以，AI客服的下一轮竞争，很可能不会发生在“谁的模型回答更自然”。

而会发生在：

谁能把AI真正接进企业业务。

图3｜AI客服真正需要连接的企业“业务世界”

这张图真正重要的地方，是中间那一层。

Agent不是孤立存在的。

它必须站在知识、数据、业务规则和企业系统之上。

五、知识库也正在发生变化

过去企业做AI客服，最先做的事情通常是：

    “把我们的资料全部放进知识库。”

这一步当然重要。

但当AI开始承担复杂任务后，简单的“资料库”就不够用了。

因为企业知识并不是一堆互相独立的文档。

它实际上是一个业务世界。

比如：

    “会员A购买了商品B。”

    “商品B属于品类C。”

    “品类C目前参加活动D。”

    “活动D只针对会员等级E开放。”

    “会员A属于等级E。”

    “商品B目前库存为0。”

这几句话单独看都是知识。

但真正的业务判断，是把这些知识连接起来。

所以企业需要的知识能力，正在从：

    文档检索

向：

    知识关联 → 业务理解 → 关系推理

演进。

这也是企业知识中台越来越重要的原因。

例如，Marketingforce目前将KnowForce定位为企业AI知识中台，强调知识接入、关联、理解和推理能力，并与AI-Agentforce智能体中台、数据治理等能力共同构成企业AI应用底座。

这里的关键并不是再建一个更大的知识库。

而是让AI理解：

    这个企业到底是怎么运转的。

六、客服正在成为新的客户经营入口

当AI客服开始连接客户数据、商品数据、订单数据和营销数据之后，一个变化自然发生了。

客服和营销之间的边界开始变薄。

过去：

    客户咨询 → 客服解决 → 对话结束。

现在：

    客户咨询 → AI理解需求 → 判断客户状态 → 解决问题 → 识别兴趣 → 触发后续经营。

例如：

一个客户咨询某款产品。

传统客服可能回答：

    “这款产品目前售价999元。”

但一个连接客户数据的AI客服可能进一步理解：

    · 客户之前购买过什么；

    · 当前浏览过什么；

    · 属于什么会员等级；

    · 对什么产品感兴趣；

    · 当前是否存在购买意向；

    · 是否适合推荐组合产品；

    · 是否应该进入后续营销旅程。

于是，一次客服对话就可能产生三类价值：

第一类：服务价值

问题被解决。

第二类：数据价值

客户需求、意图、兴趣和风险被识别。

第三类：增长价值

客户进入下一步经营流程。

这意味着客服系统正在从一个成本型服务工具，逐步变成客户经营链路中的一个智能节点。

七、这也是为什么AI客服的ROI开始出现分化

今天企业讨论AI客服，已经不能只问：

    “回答准确率是多少？”

还需要继续问：

    · 解决率是多少？

    · 任务完成率是多少？

    · 客户满意度如何？

    · 一次解决率如何？

    · 人工转接率如何？

    · 平均处理时间如何？

    · 客户投诉是否下降？

    · 服务是否带来新的销售机会？

    · 客户数据有没有沉淀？

    · AI是否真正进入业务流程？

罗兰贝格与Potloc 2026年的研究已经显示，实际部署AI的企业在多个关键指标上出现双位数改善，包括响应时间、NPS、流程效率和运营成本等。

而Gartner在2026年7月的调查中发现，虽然客服和支持部门在AI上的投入处于较高水平，但只有24%的相关负责人能够证明其AI用例已经产生积极的财务回报。

这两个结果放在一起，非常值得企业警惕。

AI客服正在产生价值，但“用了AI”与“产生ROI”之间，依然隔着一条业务链。

这条业务链，就是：

    客户需求 → AI理解 → 知识判断 → 数据调用 → 任务执行 → 结果反馈 → 客户经营

如果AI只停留在第一步到第三步，价值往往比较有限。

如果AI能够一路走到任务完成，商业价值才开始真正释放。

八、一个真实业务场景里，Agent究竟做了什么？

以服装零售为例。

一个客户发来一张图片：

    “有没有类似这样的衣服？我平时穿M码。”

传统客服需要人工识别图片、查商品、问尺码、查库存。

而一个Agent化的服务流程，可以拆成：

这里真正发生变化的，是客服流程的“颗粒度”。

过去，AI负责一句话。

现在，AI负责一条流程。

九、爱帛服饰的案例，已经出现了这种变化

在服装零售场景中，这种变化尤其明显。

以爱帛服饰的实践为例，其客户服务场景并没有停留在简单的FAQ，而是将AI导购、AI客服、AI售后、客户洞察和私域运营放在同一套服务体系中。

客户咨询商品时，AI可以进行商品识别和需求理解；

涉及尺码时，可以结合商品信息和客户历史进行推荐；

进入售后环节后，需要连接订单、物流和售后规则；

在客户洞察环节，则进一步沉淀客户意图、兴趣和风险标签；

之后，这些信息又可以进入会员运营、客户触达等后续流程。

图4｜从一个客服Agent，到一套客户服务智能体网络

这里的核心变化，是把原本割裂的客服动作连接起来。

一次对话不再只是一次服务记录，而可以成为客户经营链路中的一个数据和行动节点。

这也是AI客服真正进入企业经营系统之后，最值得关注的变化。

十、企业下一阶段真正要建设的，是“AI服务系统”

如果把今天的AI客服重新拆开，会发现它至少需要五层能力。

第一层：模型

负责理解语言、图片、语音和复杂表达。

这是AI客服的“大脑”。

第二层：知识

负责理解企业产品、政策、流程、规则和业务关系。

这是AI客服的“知识系统”。

第三层：数据

负责理解客户、订单、商品、会员、库存和历史行为。

这是AI客服的“记忆”。

第四层：Agent

负责规划任务、调用工具、执行流程。

这是AI客服的“行动能力”。

第五层：业务系统

负责真正完成订单、退款、工单、会员、库存、营销等业务动作。

这是AI客服的“手脚”。

图5｜企业AI客服的五层架构

因此，企业做AI客服的技术路线，也正在从“部署一个机器人”，变成“建设一套智能业务链”。

十一、未来的客服入口，可能越来越不像一个客服窗口

今天我们仍然习惯把AI客服理解成：

    一个聊天框。

但未来的客户服务入口可能越来越分散。

客户可能：

    · 发一张图片；

    · 发一段语音；

    · 发一句自然语言；

    · 在企业微信里直接说需求；

    · 在App里点击一个Agent；

    · 在第三方AI里提出问题；

    · 甚至由AI主动发现问题并触发服务。

这意味着：

客服正在从一个“渠道”，变成一种“能力”。

客户不一定需要找到客服。

只要企业能够理解客户意图，并在正确的业务节点提供服务即可。

Gartner在2026年的研究也观察到，客户已经明显增加了对第三方GenAI工具的使用，而企业自有Chatbot的使用增长并不明显。

这实际上给企业提出了一个更大的问题：

    未来客户在哪里发起服务并不重要，重要的是企业能不能在客户需要的时候理解他，并完成事情。

十二、这也解释了为什么“Chatbot体验”正在重新被定义

传统Chatbot最容易犯的错误，是把“对话完成”当成“服务完成”。

客户问：

    “我的订单什么时候到？”

AI回答：

    “您的订单预计明天送达。”

从系统角度看，对话结束了。

但客户可能真正想知道的是：

    “为什么还没到？”

甚至：

    “能不能今天送到？”

再进一步：

    “如果今天到不了，能不能换一个配送方式？”

所以，AI客服需要从“回答问题”理解到“解决意图”。

Gartner在2026年8月的调查中发现，87%的客户认为企业使用GenAI提供客服时，应保留联系人工客服的渠道。

这说明客户对AI的期待并不是简单的“全部自动化”。

他们更在意：

AI能不能真正解决问题，以及遇到复杂情况时能不能顺畅地继续处理。

因此，未来的AI客服并不意味着人与AI之间的简单替换。

更重要的，是重新设计：

    什么问题由AI处理，什么问题需要人判断，AI和人如何共享上下文，复杂问题如何在不同角色之间流转。

十三、企业真正需要改变的，是客服的“工作流”

过去企业上线AI客服，常见做法是：

    买一个系统 → 接入知识库 → 上线机器人 → 看解决率。

未来可能需要变成：

第一步：找到高频、高价值、可标准化任务

例如：

    · 订单查询；

    · 物流查询；

    · 商品咨询；

    · 预约；

    · 售后申请；

    · 会员问题。

先让AI真正完成事情。

第二步：连接业务系统

让AI从“知道答案”进入“能够行动”。

第三步：建立企业知识和业务语义

让AI理解产品、客户、规则和业务关系。

第四步：引入多Agent协同

让复杂任务可以跨客服、销售、营销、数据和售后流程协作。

第五步：把服务数据重新进入客户经营

让一次服务沉淀为：

    · 客户画像；

    · 兴趣；

    · 意图；

    · 风险；

    · 商机；

    · 会员行为；

    · 后续营销机会。

这五步走完，企业得到的就不再只是一个AI客服。

而是一条新的AI客户服务链。

十四、下一场竞争，最终会回到“业务系统”

2026年，AI客服已经进入一个很有意思的阶段。

模型能力还在持续进步。

Agent能力也在快速成熟。

但企业真正面对的问题正在发生变化。

第一阶段的问题是：

    AI能不能回答？

第二阶段的问题是：

    AI能不能理解？

第三阶段的问题是：

    AI能不能执行？

第四阶段的问题则是：

    AI能不能持续产生业务结果？

这几个问题之间，差着一整套企业基础设施。

因此，未来AI客服的竞争维度，很可能从单纯的模型能力，逐步扩展到：

模型 × 知识 × 数据 × Agent × 工作流 × 业务系统 × 客户经营。

这也是企业AI真正进入深水区的地方。

十五、从AI客服到AI客户经营，企业正在重新定义服务

今天看AI客服，很容易把它理解成一个独立的产品。

但如果把时间尺度拉长，它可能只是企业AI进入客户经营体系的一个入口。

因为客户服务天然拥有一个其他业务部门很难获得的能力：

它直接面对客户真实发生的问题。

    · 客户为什么退货？

    · 客户为什么投诉？

    · 客户为什么犹豫？

    · 客户为什么购买？

    · 客户真正关心什么？

    · 客户对产品哪里不满意？

    · 客户什么时候可能流失？

这些信息，本来散落在客服对话、工单、电话、企业微信、订单和售后记录中。

Agent出现之后，这些碎片开始具备被理解、被连接、被执行的可能。

于是，客服产生的数据可以反哺：

产品 → 销售 → 营销 → 会员 → 服务 → 经营决策。

服务也因此开始成为企业客户经营的一条数据入口。

十六、迈富时 Marketingforce正在把这条链路连接起来

从企业落地角度看，真正困难的部分往往并不是再部署一个AI聊天机器人。

更重要的是把：

客户 → 知识 → 数据 → Agent → 业务系统 → 工作流

真正连接起来。

迈富时 Marketingforce目前的企业AI体系，正是沿着这条路径构建，包括AI-Agentforce企业级智能体中台、KnowForce AI知识中台，以及AI服务、AI营销、AI销售、Data Agent等能力。其官方平台也将Agent编排、工具调用、知识管理、多智能体协同和企业数据连接作为企业级AI应用的重要基础能力。

对于AI客服而言，这意味着：

    · 客服Agent负责理解客户；

    · KnowForce负责理解企业知识；

    · 客户数据系统负责理解客户；

    · 业务系统负责提供可执行动作；

    · 多Agent负责处理复杂任务；

    · 最终，服务结果再回到客户经营体系。

图6｜AI客服正在成为企业客户经营的智能入口

真正值得关注的，是最后这一层。

服务不再是客户旅程的终点，而开始成为下一次客户经营的起点。

十七、AI客服的下一阶段，拼的是企业能不能把AI“接进去”

回到最开始那个看似矛盾的数据：

2025年，AI客服采用率约95%。

2026年，这个数字下降到54%。

如果把AI客服理解成一个Chatbot，这可能是一轮热潮降温。

但如果把AI客服放回企业数字化和智能化的长期演进中，会看到另一幅图景：

企业正在淘汰一部分浅层的AI应用，同时把注意力转向更深的业务流程。

因为真正有价值的问题已经变了。

企业不再满足于：

        · “AI能不能回答客户？”

而开始追问：

        · “AI能不能理解客户？”

        · “能不能查到企业数据？”

        · “能不能调用业务系统？”

        · “能不能完成任务？”

        · “能不能处理复杂问题？”

        · “能不能把服务数据反哺客户经营？”

最终甚至会变成：

    “AI能不能成为企业客户服务体系的一部分？”

这才是AI客服进入下一阶段之后，真正值得关注的事情。

结语：AI客服正在进入“业务深水区”

AI客服的第一阶段，是让机器学会说话。

第二阶段，是让机器学会理解。

第三阶段，是让机器学会行动。

而现在，企业开始面对第四个问题：

行动之后，能不能形成业务结果。

这也是为什么AI客服的下一场竞争，最终会离开那个小小的聊天窗口。

它会进入CRM。

进入订单。

进入库存。

进入工单。

进入会员。

进入营销。

进入销售。

进入企业知识。

进入整个客户经营流程。

未来真正有竞争力的AI客服，可能越来越不像传统意义上的“客服机器人”。

它更像一个连接客户与企业业务系统的智能入口：

理解客户、调用知识、读取数据、做出判断、执行任务、协同Agent，并把一次服务继续延伸成一次客户经营。

当AI开始真正进入业务系统，AI客服才开始进入它真正的时代。