我在客户体验领域工作了近30年，在这段时间的大部分里，行业一直基于一个基本假设运转：人做工作，技术帮助他们更快地完成。

我在那个世界里建立了一家企业，几乎购买了各类CX软件。我亲眼见证了技术如何显著提升了我们的能力，但也目睹了复杂性的不断累积。

我们为电话购买一套系统，为工单购买另一套，还有劳动力管理、质量、知识和分析各自独立。最终，一个客服组织依赖近十套系统来解决单个客户问题，这变得完全正常。

在当时，这种架构并无不合理之处。它非常适合其设计的时代。当人执行工作时，专业化软件能提升人的生产力。

现在，我们必须直面AI亲自处理工作时的情形

当前关于CX中AI的讨论集中在：哪家代理最聪明、哪个模型性能最佳、能自动化多少工作量。这些问题很重要，但如果我今天运营一个大型客服组织，我会审视代理之下的基础架构。

因为上一代客服与下一代之间最大的差异可能不是自动化，而是复合效应。

将AI置于现有技术栈之上并不会改进技术栈本身，反而会损害AI——让它面临与之前相同的问题。如果AI能看到工单却看不到订单历史，它就有问题。如果它理解客户不满的原因却无法采取行动修复，它也有问题。如果一个AI处理对话，而质量、知识和劳动力规划由不同系统管理，那只是自动化了运营的碎片，并未让运营本身更智能。

当智能碎片化时，学习也随之碎片化。

我们在SaaS时代将工作按软件类别分离。AI将迫使我们把智能重新整合起来。

这很重要，因为客服一直难以弥合“识别问题”与“修复引发问题的系统”之间的距离。一家公司可能拥有数千次客户对话，但仍依赖人工将质量审查、分析报告、知识更新和运营变更之间的线索串联起来。

AI给了我们缩短这一距离的机会。

想象一下：每次对话都被评估，每个失败都被追溯到原因，每个改进建议在触达客户前都经过测试，每个批准的变更都成为未来运营行为的一部分。

这就是复合效应的起点

客户互动不再只是解决后即忘的事情。它变成运营可用于下次表现得更好的信息。然后下一次互动产生另一个信号，再一个。价值不仅在于AI能更快完成今天的工作，更在于系统因为完成了工作而变得更强大。

这也改变了人类的角色。

称之为“人在环路”是一种低估。随着AI承担更多执行，人类将负责治理运营：制定政策、做出判断、批准变更，并决定系统需要从未能解决的情境中学习什么。

计分板也变了。我们围绕人力劳动经济学构建了许多客服指标：平均处理时长、已关闭工单、来电拦截率。当然，客户从不关心这些。他们只希望问题被解决。

这正是我们在Crescendo构建平台背后的信念。我们没有在现有技术栈上再放一个AI代理，而是将客户对话、质量、知识、劳动力管理、洞察和优化构建在统一的AI原生基础上。当出现失败时，系统能识别原因、提出改进建议，并在人工批准前进行测试。

AI的真正价值不是多回答一个问题，而是让整个运营更不容易再次答错。

以下是我认为大多数人对这一转变所忽视的。

想象两个客服运营在同一季度采用AI。一个运行在原有技术栈之上，另一个运行在统一基础上。

第一个月，你可能无法区分它们。相同的模型，相似的准确率，相似的解决率。

然后每个运营都出了错。

在第一个运营中，一个糟糕的回答在QA抽样中被发现。有人写辅导笔记。另一个人可能最终更新知识文章。另一个团队可能更改工作流。修复停留在某人恰好修改的地方。

在第二个运营中，该失败被评分，被追溯到原因是政策、知识缺口、路由规则还是集成故障，一次性纠正，且纠正能到达其下游所有环节。

一个运营零散改进，另一个实现复合增长

差异在一个月内可能看起来很小。到第12个月，它们已不再是同一类企业。

一个花了一年时间在固定质量水平上逐步提升效率。另一个花了一年时间积累记录：客户困惑的每种方式以及有效的每个修复——这是任何供应商无法出售、任何竞争对手无法复制的资产，因为它建立在独特的客户互动之上。

这就是AI原生客户体验的复合优势，而时间至关重要

效率提升可以日后购买，复合效应却无法购买。就像投资一样，你总能增加投入，但无法买回逝去的岁月。

几十年来，发展客服运营意味着增加人员和软件的某种组合，并更好地协调两者。AI给了我们首次重新思考这一模式的机会。

理解这一点的公司不会在未来十年问自己能部署多少AI代理，而会问更难的问题：如果每次客户互动都能让下一次变得更好，为什么我们仍在使用从未被设计为共同学习的系统来运营客户体验？