一个值得关注的信号：AI 开始直接修复业务流失
2026 年 7 月 16 日，OpenAI 公布了二手车交易平台 Cars24 的应用案例。这个案例值得关注，不是因为它又上线了语音和聊天 Agent，而是因为 AI 被放进了从购车咨询到试驾、融资、成交和售后的完整链路。
在二手车交易中，客户很少一次访问就完成购买。需求确认、车型比较、试驾预约、车辆检查、融资材料和后续沟通可能持续数天甚至数周。大量商机并不是被竞争对手正面夺走，而是消失在一次未接电话、一次错过预约或一段无人继续跟进的间隔中。
Cars24 披露，其 AI Agent 每月承接超过 100 万分钟对话，客户支持问题解决率提升 50%，关键服务流程周转时间缩短 80%；更有业务意义的是，系统通过重新触达和识别意向，找回了 12% 原本已经流失的卖车线索。
这些数字来自企业与技术供应商发布的客户案例，不能直接外推为所有行业的普遍收益。但它揭示了一种清晰的价值逻辑：
> AI 的收入价值，往往不来自创造一条全新的客户旅程，而来自修复原有旅程中长期存在、人工又难以规模化覆盖的断点。
Cars24 的 Agent 并非停留在回答“这辆车多少钱”。它会了解预算、家庭规模和通勤需求，推荐车辆、预约试驾、协助探索融资；试驾前确认到访，偏好变化时提供替代方案；试驾后继续确认购买意向。面向卖车客户，它还会收集车辆信息、安排检测、提醒或改期，并对长时间沉默的线索重新判断需求。
单个动作并不神奇，真正的变化来自这些动作被串成了一条有状态的旅程。
客户体验正在从“预设流程”转向“动态编排”
传统数字化客户旅程通常由企业预先绘制：客户先看页面，再填表单，随后进入 CRM，由销售联系；如果购买，再转入交付和客服系统。
问题在于，真实客户并不会严格按照企业画好的流程图行动。他们会暂停、改主意、换渠道、带着新条件回来，也会因为一次延误直接离开。
麦肯锡在 2026 年 7 月 14 日发布的客户体验研究中，将下一阶段概括为从固定旅程走向跨渠道的动态编排。其核心不是让 Agent 替代所有人工，而是让系统根据实时上下文，在推荐、操作、人工协助和下一步服务之间做连续衔接。
对企业而言，这个变化至少包含三层升级：
1. 从回答问题到识别进度。 系统不仅要理解客户说了什么，还要知道他已经完成什么、缺少什么、下一步为何尚未发生。 2. 从单点自动化到跨环节接续。 一次预约、一次材料补充或一次回访，都应与前后业务状态连接，而不是产生新的信息孤岛。 3. 从平均效率到旅程结果。 衡量重点应从响应时间、对话量，转向预约完成率、材料一次通过率、重新激活率、转人工后的解决率和最终转化。
这也是为什么“上线一个 AI 客服”常常很快，而“让 AI 改善客户体验”却很难：前者主要是模型和知识库项目，后者实际上是业务流程、数据状态、系统接口与服务责任的共同重构。
最值得优先寻找的，不是高频问题，而是高价值断点
企业筛选客户侧 AI 场景时，常把“咨询量最大”当作第一标准。这适合做降本，却不一定能找到最有经营价值的机会。
更有效的做法，是先沿客户旅程寻找三类断点。
1. 客户有意愿，但下一步没有发生
例如预约未到、报价后沉默、试用结束未转化、申请材料未补齐、合同等待确认。这些节点已经包含较强意向，AI 的任务不是继续营销，而是识别阻碍、降低行动成本，并在合适时机恢复旅程。
2. 企业掌握信息，但没有及时用于服务
客户的历史沟通、产品使用、订单状态和服务记录分散在不同系统里。一线人员每次都要重新查找，客户则不断重复描述。AI 可以承担信息汇总和下一步建议，但前提是企业先明确数据权限、状态口径与可信来源。
3. 自动化能覆盖大部分情况，但少数情况风险很高
融资、医疗、保险、售后争议等场景不能只追求自动完成率。AI 应该知道何时停止、解释当前状态，并把完整上下文交给有权限的人。好的旅程不是“永不转人工”，而是自动化与人工之间没有断裂。
先别急着做全旅程：从一个可验证的闭环开始
把全链路一次性纳入 Agent，通常会让项目被复杂的系统集成、例外规则和责任争议拖住。更稳妥的起点，是选择一个业务价值明确、状态可读取、结果可验证的旅程片段。
例如“预约未到后的重新激活”可以被定义为一个最小闭环：
这里最容易被忽略的是最后一项：不能只看 Agent 是否成功完成“重新预约”，还要看客户是否真的到访、后续是否成交。否则系统可能只是把一个没有价值的动作做得更快。
- 触发条件：客户错过预约且未主动改期；
- 必要上下文：客户意向、历史沟通、可用时段和相关业务规则；
- 允许动作：询问原因、提供改期、补充信息或转交人工；
- 停止条件：客户明确拒绝、高风险投诉、身份无法确认或连续触达无回应；
- 结果指标：重新预约率、实际到访率、投诉率、人工接管率和最终转化率。
人机协作不能用一套规则覆盖所有员工和客户
2026 年一项与阿里巴巴客户服务业务合作的大规模现场实验，也为企业提供了必要的谨慎视角。研究发现，生成式 AI 助手总体上缩短了问题识别和对话时间，并改善了部分主观服务质量；能力较弱的员工获益更明显。但顶尖员工在多任务倾向增加后，部分质量指标反而下降。同时，客户重试率等客观质量指标并未显著改善。
这说明，AI 并不会自动把所有服务都拉到同一个更高水平。企业至少需要区分：
如果不做这些区分，客户侧 AI 很容易从“连续服务”滑向“规模化打扰”，或者让优秀员工被更多并发任务稀释。
- 哪些标准动作适合由 AI 直接完成；
- 哪些判断只适合给一线人员提供建议；
- 哪些高价值客户或复杂情形应尽早进入专家服务；
- AI 节省的时间是否被新的并发压力重新占满；
- 客户“感觉更快”是否真的转化为问题解决和业务结果。
企业真正需要建立的是“旅程状态能力”
模型能力会继续进步，语音也会越来越自然，但长期决定客户体验上限的，往往是企业自身能否回答以下问题：
这可以称为企业的“旅程状态能力”。它不是一个新的大屏，也不是把所有客户数据复制到模型里，而是让客户身份、业务状态、授权边界、可执行动作和责任归属在系统之间保持一致。
当这些基础能力存在时，AI 才能把一次问答变成一次可靠推进；当它们不存在时，再自然的对话也只是一个更友好的入口。
- 当前客户是谁，他授权我们使用哪些信息？
- 他处于哪一个业务阶段，已经完成了哪些事项？
- 这次对话与此前的渠道和记录如何衔接？
- 系统可以执行什么，什么必须由人确认？
- 下一步的完成状态由哪个业务系统确认？
- 旅程中断后，谁负责恢复，如何避免过度触达？
结语：不要只计算 AI 替代了多少沟通
客户侧 AI 最容易被计算的是少接了多少电话、减少了多少人工时。但更值得管理层关注的问题是：过去有哪些客户，因为等待、重复说明、无人跟进或跨系统断裂而离开？AI 是否让这些原本没有走完的旅程重新向前？
下一阶段的企业 AI，不只是更高效地响应客户，而是以可控、连续、可度量的方式陪客户完成一件事。
当企业把投资对象从“一个会回答的机器人”转向“一个能够延续的客户旅程”，AI 才更有可能同时改善体验、效率与收入，而不是只为原有流程增加一个看起来聪明的新界面。
