YundaDesk很多客服事故，不是从一句粗鲁回复开始的，而是从一句看起来很像正确答案的话开始的。
客户问：「这个订单已经清关 9 天了，还能不能改收货地址？」AI 没在知识库里找到明确规则，又不想让客户等，于是拼出一个听起来合理的答复：「可以修改，请提供新地址。」客户照做，坐席第二天才发现包裹已经进入本地派送，根本改不了。问题被拖大，客户更生气，坐席还要解释为什么「刚才 AI 说可以」。
真正可靠的 AI 客服，不是永远有答案，而是知道什么时候自己没有把握。拿不准就转人工，不硬编；低风险问题 AI 先接，高风险动作人来审批。这才是「AI 先接、人工兜底」能长期跑住的关键。
不确定不是失败，硬编才是事故
很多团队上线 AI 客服时，会盯着一个指标：AI 回答了多少。这个指标本身没错，但如果只追求「多答」，就容易把系统推向一个危险方向：明明知识库没有依据，也要给客户一个像样的答案。
客服现场里，最贵的往往不是「我不确定，帮你转人工确认一下」，而是 AI 自信地说错。前者只是多花一点人工时间；后者会制造承诺、改变客户预期，甚至让坐席后续处理变得被动。
所以边界要先讲清楚：AI 客服的目标不是把转人工率压到零，而是把能确定的重复问题接住，把拿不准、风险高、需要判断的部分稳稳交给人。这个逻辑和我们在《该 AI 答还是人来判断》里讲的边界机制是一回事，只是这里更聚焦「低置信度」这条线。
置信度要看依据，不只看语气
客户看不出 AI 有没有把握，因为 AI 生成的语气天然很顺。真正要看的不是它说得像不像，而是它有没有足够依据。
一个实用判断可以拆成三层：
| 信号 | 可以继续由 AI 答 | 应该转人工 |
|---|---|---|
| 知识库依据 | 找到明确政策、FAQ 或商品说明 | 找不到对应内容，或只找到相似但不完全匹配的内容 |
| 问题意图 | 物流查询、发货时效、尺码材质等低风险问题 | 退款、赔付、改价、投诉、法律威胁等高风险问题 |
| 客户状态 | 语气平稳，接受解释 | 连续追问、明显不满、要求真人 |
这里的重点是第一行：AI 不是凭感觉回答，而是从知识库找依据。如果知识库没有覆盖，正确动作不是「发挥一下」，而是承认不确定并升级。越是跨境电商，规则越容易受国家、物流、平台和促销政策影响，靠猜很容易猜错。
先按风险分层处理不确定会话（示例）
哪些不确定必须立即转人工
不是所有「不确定」都同样紧急。客户问一个冷门商品材质，AI 拿不准，可以先说明需要确认；但有些场景一旦含糊，就应该立即转人工。
- 涉及金额：退款、赔付、改价、额外折扣。AI 可以整理订单与政策依据，但不能自动执行。
- 涉及承诺：保证送达日期、保证补发、保证一定通过平台申诉。
- 涉及投诉升级：差评威胁、社媒曝光、律师、平台纠纷。
- 涉及身份或多账号合并：同一客户在 WhatsApp、邮件、网站挂件里出现多段历史，需要人工判断是否是同一人。
- 客户明确要人工：只要客户说「转人工」「找真人」「不要机器人」，就直接转。
这些规则最好写成系统配置，而不是写在培训文档里等坐席记住。尤其是退款、赔付、改价这类高风险动作，永远需要人工审批与审计。AI 可以把材料备齐，但最后那一下不能自己点。
转人工时，AI 要带着上下文过去
很多人讨厌转人工，不是讨厌人，而是讨厌重说一遍。AI 聊了五轮，客户已经发过订单号、收货国家、物流截图，结果坐席接手第一句还是「请问您遇到了什么问题」，前面的自动化价值就被抵消了。
好的不确定升级，应该包含三件事：
- 问题摘要：客户在问什么，卡在哪一步，情绪是否升级。
- 已知事实：订单号、渠道、国家、语言、客户历史、AI 已查到的知识库依据。
- 不确定点：到底是哪一条规则没覆盖、哪一处需要人判断。
这也是全渠道工作台的价值。网站挂件、邮件、WhatsApp、Telegram、Messenger、Instagram、TikTok、LINE、微信、VKontakte、Zalo、YouTube 等渠道汇入同一工作台，同一份客户档案里能看到连续上下文。坐席不用在多个后台里翻，AI 也不用只凭单条消息猜。
高风险审批：让 AI 准备，让人拍板
不确定升级和高风险审批要连在一起看。低置信度问题转人工，是为了避免编造；高风险动作走审批，是为了避免 AI 在不该拍板的地方拍板。
比如客户要求退款，AI 可以做很多有价值的事：识别退款意图，调出订单，检查发货时间和物流状态，整理客户诉求，甚至给出处理建议。但「是否退款」「退多少」「是否赔付」必须由有权限的人确认。
审批不是拖慢效率。相反，当 AI 把上下文准备好，老板或主管只需要看关键事实和建议，就能更快拍板。速度来自信息整理，不来自省掉判断。
每次转人工，都是学习建议的来源
如果 AI 因不确定转人工，坐席处理完之后，这条会话不应该就此结束。真正有价值的是把「为什么 AI 没接住」沉淀下来。
在 YundaDesk 里，AI 没答上、坐席补答、坐席纠正 AI，都可以生成待确认学习建议。老板在评审台确认后，才会沉淀为技能、知识或客户记忆；每条建议都可追溯、可测试、可一键回滚。学习绝不自动生效。
这点很重要。很多团队一听「AI 学习」，就担心它把一次错误处理也学进去。受控学习闭环的意义就在这里：AI 可以发现素材，但是否采纳由人决定。想看这套闭环怎么让 AI 越用越聪明，可以读《教 AI 越用越聪明》。
上线前怎么测试不确定升级
上线前不要只测 AI 会不会答，还要专门测它会不会「不答」。可以准备一组真实问题，按风险和置信度混在一起喂给 AI：
- 知识库明确覆盖的问题，检查 AI 是否直接回答且引用依据正确。
- 知识库没有覆盖的问题，检查 AI 是否说明需要确认并转人工。
- 退款、赔付、改价类问题，检查是否触发人工审批。
- 客户要求真人，检查是否立即转人工。
- 多语言问题，检查 AI 是否跟随客户语言，同时保持同一套边界。
- 情绪升级问题，检查是否在客户爆发前提前交给人。
这轮测试的目标不是追求 AI 答得多漂亮，而是确认它在该退场的时候真的会退场。能承认不确定的 AI，才适合放到真实客服现场里。
AI 客服最值得信任的时刻，不一定是它秒回答案的时候，而是它知道「这件事我不能乱答」的时候。把低置信度、高风险动作、客户要求人工都写进系统规则：AI 接住重复，人接住判断。这样既不浪费自动化，也不把客户关系交给一次猜测。