YundaDesk很多团队上线 AI 客服的方式是「开关一开,全量上线」——第一天就让 AI 接所有渠道的所有会话。结果往往是:知识库还没喂饱,AI 在陌生问题上瞎猜；坐席还没摸清转人工的边界,客户被晾在原地。真正稳的做法反过来:先小流量跑通,再一周一周放量,每一步都留复盘和回滚的空间。
下面这份 30 天推进表,把「从灰度到全量」拆成四周,每周给出具体的灰度比例、要做的动作和放量前必须回答的问题。这不是一份「照抄就行」的模板,而是一套节奏——具体比例可以按你的团队规模调整,但节奏本身值得照搬。
30 天灰度放量节奏（示例）
上线前 48 小时:三件事没做完,别急着开灰度
在放第一个客户进来之前,先确认三件事:
- 知识库覆盖了高频问题:把过去三个月的会话记录按主题聚类,前 20~30 个高频问题(物流、退换货政策、尺码、支付方式)要有明确答案。知识库怎么搭,详见 /zh/blog/knowledge-base-that-feeds-ai/。
- AI 与人工的边界写进规则,而不是口头约定:哪些问题 AI 直接答、哪些先答后转、哪些必须立刻转人工(退款、投诉、威胁差评),这条边界要配置到系统里。
- 共享工作台已经打通:AI 接不住时能一键转人工,坐席能看到 AI 之前说过什么,不用客户从头再讲一遍。
这三件事没做完就开灰度,等于让 AI 在没有安全网的情况下裸奔。
第 1 周:小流量试点,只观察不自动发
第一周的目标不是「让 AI 干活」,而是「看清 AI 会怎么干活」。
| 天数 | 动作 |
|---|---|
| Day 1–2 | 选 1 个渠道(通常是网站挂件)、5%~10% 的流量进灰度,模式设为「仅观察」——AI 生成回复草稿,但不自动发送,由坐席逐条审核 |
| Day 3–4 | 每天抽查 20~30 条 AI 草稿,记录哪些答对了、哪些答偏了、哪些该转人工却没转 |
| Day 5 | 第一次复盘:把答偏的问题分类,是知识库缺内容,还是边界规则设错了 |
| Day 6–7 | 根据复盘结果补知识库、调边界规则,为下周切到「每条需确认」模式做准备 |
这一周唯一的 KPI 是「AI 的错误是否可预测、可归因」——如果错误集中在几类可修复的问题上,说明可以往下一步走；如果错误零散且找不到规律,说明知识库或边界还没搭稳,应该继续留在观察模式。
第 2 周:切到「每条确认」,开始受控学习闭环
第一周的复盘干净之后,第二周做两件事:切换模式、启动学习闭环。
- 模式切到「每条需我确认」:AI 生成回复,坐席一键批准或修改后发出,而不是逐字重打。这一步能明显看出坐席的工作量下降多少。
- 打开受控学习:AI 没答上、坐席补答,或坐席直接「纠正」AI 的某条回复,系统会生成一条【待确认学习建议】。这些建议不会自动生效,需要进老板或客服主管的评审台,逐条采纳后才沉淀为知识库或技能。采纳的记录可追溯、可单独测试、可一键回滚。这套机制的完整运作方式,展开写在 /zh/blog/teaching-ai-that-gets-smarter/。
这一周把流量比例提到 20%30%,渠道可以再加一个(比如邮件或 WhatsApp)。每天花 1015 分钟过一遍待评审的学习建议,是这周最值得投入的时间。
第 2 周要盯住的人机协作信号
第 3 周:放量到多数流量,打开更多渠道
如果第 2 周的学习建议采纳率高、AI 独立处理的比例在稳步上升,第 3 周可以把灰度比例推到 50%~70%,并把此前观望的渠道(社媒私信、Instagram、TikTok 评论区等)也接入同一个工作台。
放量前问自己三个问题:
- 高风险关键词(退款、投诉、律师、差评威胁)触发转人工的准确率是否稳定在可接受水平?
- 上周待评审的学习建议是否已经清空,还是堆积成了积压?
- 坐席对当前的转接节奏是否适应,还是频繁被打断?
三个问题任何一个答案是「不确定」,就把放量幅度砍半,先把这周的动作做扎实再推进——30 天推进表不是死线,节奏可以按实际情况拉长。
第 4 周:全量上线,转入常态化复盘
第 4 周把剩余流量和渠道全部接入,模式可以在表现稳定的渠道上尝试切到「自动发送」——但高风险动作(退款、赔付、改价)永远保留人工审批,这条线不会因为「AI 表现好了」而松动。
全量上线不等于工作结束,而是从「上线项目」转为「常态化运营」。建议固定一个每周复盘节奏:
- AI 独立解决率、转人工率的周度变化
- 本周新增的学习建议里,哪些是重复出现的问题类型(说明知识库还有缺口)
- 客户在哪些渠道的等待时长明显变长
30 天里该盯的几个指标
与其凭感觉判断「AI 好不好用」,不如从第一周开始就追踪几个数字,放量的每一步决策都靠它们支撑:
| 指标 | 追踪目的 |
|---|---|
| AI 草稿采纳率 | 坐席不改动直接发出的比例,反映 AI 回答质量 |
| 高风险转人工准确率 | 该转的是否都转了,是安全底线 |
| 学习建议积压量 | 评审台是否跟得上,决定能不能继续放量 |
| 首响时间 | AI 接管渠道应做到秒级,人工队列按渠道定目标 |
| 客户满意度(按渠道) | 放量是否影响了体验,而不只是效率 |
30 天推进表的核心不是四个固定的百分比节点,而是一个可以反复验证的节奏:先小流量看清能力边界,再用受控学习把坐席的经验一条条喂给 AI,每一步放量前都有明确的复盘和回滚出口。走完这一轮,你得到的不只是一个「全量上线」的 AI 客服,还有一套团队自己摸出来的、可以复用在下一个渠道或下一个市场的上线方法。