冰兰智能：AI客服拐点已至，人与Agent如何重塑客户服务交付

企业简介：冰兰智能是一家专注于企业级Voice Agent与智能服务的AI科技公司，围绕自然语音交互、复杂任务完成、人机协同、业务系统执行和持续学习，构建下一代客户服务Agent能力。公司重点服务汽车、运营商及专业客户服务机构等高复杂度、高业务价值场景。按公司业务统计，冰兰目前在汽车行业已覆盖超过50%的主流品牌，并在新车线索清洗、邀约、客户运营等复杂业务中形成规模化落地能力。冰兰希望通过人和Agent协同，让企业服务能力从依赖人力规模增长，逐步升级为可复制、可扩展、可持续学习的智能服务产能。

专访背景：

2026年9月1日，国家标准GB/T 47746-2026《顾客联络服务 人工与智能客户服务协同要求》正式实施。标准围绕任务分配、人工与智能客服切换、信息同步、服务闭环和安全保障提出了具体要求，填补了人工与智能客服协同标准的空白。行业关注的重点，也由“AI客服能不能用”转向“人和AI怎样共同把服务做好”。

这项变化影响的不只是客户中心的软件选型，也会改变客户服务企业和专业服务机构的生产方式。过去，业务规模与人力规模高度相关。增加业务意味着招聘、培训、排班和管理更多坐席，而人的供给很难随业务波峰快速伸缩。Agent的出现，让服务规模与人力规模逐步解耦成为可能。

冰兰智能正在这一方向上持续实践。公司围绕自然语音交互、任务规划、系统执行、人工协同和持续学习构建企业级Voice Agent能力。按公司业务统计，冰兰目前已覆盖超过50%的主流汽车品牌，并进入新车线索清洗、邀约等高价值业务环节；在运营商、专业服务和出海场景中，Agent也从辅助人工逐步走向独立完成完整流程。

一家真正进入企业生产系统的Voice Agent，与一个会聊天的机器人有什么区别？人和Agent如何形成新的服务产能？当服务规模不再只能依赖增加人头，客户服务行业会出现怎样的新机会？带着这些问题，《客户世界》对话冰兰智能CEO。

第一部分 AI客服的拐点 从能对话走向能完成任务

判断AI客服是否进入生产阶段，关键不在演示效果，而在任务能力、业务价值和规模化管理。

《客户世界》 ： 过去两年，几乎所有客户服务厂商都在谈大模型和AI Agent，但不少项目仍停留在演示或局部试点。站在2026年这个时间点，您为什么认为AI客服正在进入产业拐点？

冰兰智能CEO：我自己的判断是，AI客服真正的拐点，不是机器人终于可以把话说得像人，而是AI开始具备把事情做完的能力。

前几年，我们评价一个机器人，更多看它回答准不准、声音像不像真人、有没有答非所问。这些能力很重要，但它本质上仍是一个交互工具。今天我们更关心客户说完一句话之后，AI是否知道下一步该做什么，能否根据业务目标调整策略，能否查询CRM、修改订单、记录信息、发起流程；当它处理不了时，能否把上下文完整交给人工，而不是让客户重新说一遍。

当交互、任务规划、系统执行、人机协同和持续学习连起来以后，AI才从聊天机器人变成真正的Agent。

下一代AI客服，是能够进入真实业务系统、承担任务并对结果负责的数字化生产单元。

从我们近期的项目演进也能看到这个变化：先是简单任务可以独立完成，随后是在复杂营销场景中与人工实时协作，再到从客户名单、沟通、验证一直走到业务办理的完整流程。今天要回答的已经不是“AI能不能接电话”，而是它能承担多复杂的任务、创造多大业务价值，以及企业能否规模化管理它。

《客户世界》：  9月1日实施的《顾客联络服务 人工与智能客户服务协同要求》，第一次在国家标准层面对人工与智能客服协同提出了系统要求。您怎么看这个变化？

冰兰智能CEO：这是一个非常重要的信号。过去行业经常讨论“机器人会不会替代人”，但真正进入生产体系后，更重要的问题是哪些任务应该交给AI，哪些任务应该交给人，以及两者如何顺畅交接。

“人机协调客服国标”对行业长期存在的痛点给出了明确方向：标准化问题可由智能客服优先处理，复杂或涉及安全的问题应由人工优先处理；发生切换时，要同步客户信息，避免重复询问；同时还要兼顾服务闭环、客户评价、信息安全和持续改进。

这意味着企业不应再把人工客服和AI客服当成两个割裂的系统，而要设计一套完整的人机协同服务体系。对长期从事客户服务运营与交付的企业来说，这并不是能力被削弱。它们原本就擅长把人员、流程、系统、培训和管理组织到一起，未来只是把Agent也纳入同一套交付体系。

客户服务企业未来管理的对象，不再全部是人，但对业务、流程和交付质量的理解仍然是核心能力。

第二部分 客户服务企业的机会 从人力扩张走向混合产能

AI带来的首要变化不是简单压缩座席，而是让过去受成本和供给限制的服务需求重新成立。

《客户世界》 ： AI进入客户中心以后，一些服务企业最直接的担忧是未来是不是不需要这么多人了。您怎么看AI与专业服务机构之间的关系？

冰兰智能CEO：这种担忧可以理解。但如果只把AI看成一个更便宜的员工，就把这轮技术变化看小了。

传统服务模式有一个长期存在的约束：人的供给没有足够弹性。今天突然增加十倍业务，企业不可能明天就拥有十倍训练有素的座席；即使招到人，也要经历培训、质检、排班和管理，业务高峰过去以后还要面对产能闲置。

因此，市场上一直存在大量有价值却没有被服务的需求。一个客户的潜在价值是20元，但完成一次服务要花30元，这群客户就不会被服务；一个业务只有两个月的峰值，也很难为它长期招聘几百个人。Agent让这部分需求重新具备经济可行性。

一个项目中的纯执行座席可能减少，但一家服务企业一年能够覆盖的客户数量、服务频次、业务种类和创造的总价值，完全可能大幅增加。

下一代客户服务企业，不是用AI把人做少，而是用人和Agent把业务做大。

《客户世界》：  如果这个判断成立，客户服务企业的人员结构、运营模式和商业模式会怎样变化？

冰兰智能CEO：变化已经开始发生。过去一个大型服务项目的核心，是如何招聘、培训、排班并稳定管理大量人员。未来会增加一个同样重要的维度：如何管理Agent。

哪些任务由Agent独立完成，哪些任务交给人工；什么时候转接；什么情况下需要专家介入；一个Agent的转化为什么下降，是知识、策略、数据还是模型出了问题。这些仍然是运营问题，只是运营对象发生了变化。

人的价值也会向上移动。高频、重复、标准化的查询、确认、提醒、信息采集和系统操作可以逐步交给Agent；人工则把更多时间用于复杂决策、强情绪沟通、异常处理、关系维护和高价值转化。一个优秀员工未来不只处理自己面前的客户，也可能管理、训练和协同几十个Agent。

商业模式也会随之改变。过去，客户采购的往往是一定数量的坐席；未来更可能采购一套由人和Agent共同构成的服务产能，并逐步按任务完成量、转化或业务结果结算。对服务企业而言，这比单纯降本更具战略价值。

第三部分 冰兰的技术路线 让快脑和慢脑各司其职

电话服务中的自然交互，需要把即时反应、长期策略和系统执行分层处理。

《客户世界》：  基础模型能力越来越强。冰兰为什么不简单依赖更大的模型，而是强调借鉴人的认知机制来设计Agent？

冰兰智能CEO：我们当然非常看重基础模型。基础模型每进步一步，整个Agent行业都会受益。但我们不认为模型不断变大，电话服务中的所有问题就会自然消失。

电话是一个非常特殊的交互环境。对方突然插话、背景里有人说话、客户“嗯”了一声、突然咳嗽、双方同时开口，这些事情不能每次都交给一个大模型慢慢推理，否则对话节奏一定会出问题。

因此，冰兰采用分层处理思路。最底层是类反射能力，由快速小模型处理打断、噪音、语音活动检测和话轮判断。它不需要理解整通电话的商业目标，只需要在几十毫秒到几百毫秒内判断现在该不该停、这个声音是不是客户在讲话、这次是有效打断还是一个语气词。

在这之上，我们用快脑和慢脑协同。快脑负责正在发生的交流，及时听懂并承接客户的表达；慢脑持续判断客户状态、任务进度、拒绝原因和下一步策略，决定继续推进、换一种说法还是转给人工。

快脑负责把这一句话聊好，慢脑负责把这件事情做成。

这里强调的是借鉴人的认知分工，而不是声称机器复制了人脑。目标很具体：既保持自然的对话节奏，又不丢失长期任务目标。

《客户世界》：  MOSE、Vortex、AutoGen-SSML这些冰兰的技术能力，分别在解决什么问题？如果不用技术语言，应该怎样理解？

冰兰智能CEO：第一个问题是对话衔接。机器如果在客户说完后停两秒，即使答案完全正确，客户也会立刻感到不自然。MOSE实时交互引擎让系统能够边听、边理解、边准备回答，而不是等客户全部讲完再开始工作。在部分已落地场景中，端到端交互延迟可以控制在800毫秒以内。

第二个问题是打断。客户说“不是，我的意思是……”时，AI应该立即停下来听；但旁边有人咳嗽，或者客户只是轻声“嗯”了一下，又不能每次都停止。Vortex通过声学、语义、上下文和任务状态共同判断这次声音是否构成真正的打断。

第三个问题是表达。很多AI音色很好听，但听久了仍像播报，因为真人说话并不均匀。什么时候停顿、哪个词要重读、语速如何变化、在什么位置保留自然的犹豫，都会影响“活人感”。AutoGen-SSML把对话策略转成更自然的节奏、停顿、重音和情绪表达。

第四个问题是执行。真正的Agent必须能够连接CRM、工单、订单、门店DMS和业务办理系统。客户同意到店后，系统不能只说一句“已经为您记录”，而应完成信息确认、写回系统、生成任务，并在需要时通知销售或转给人工。

因此，我们评估一个企业级Agent时，会同时看交互体验、任务策略、系统执行、人机协同和持续学习。任何一层缺失，都会影响它进入真实生产环境。

第四部分 高价值业务验证 从简单外呼进入新车线索

越接近交易、越不允许出错的业务，越能检验Voice Agent是否真正具备生产能力。

《客户世界》：  冰兰在汽车行业的业务规模较大，目前覆盖超过50%的主流汽车品牌。为什么你们一直特别强调新车线索清洗和邀约？它与常见的智能外呼有什么不同？

冰兰智能CEO：外界都叫“AI外呼”，但不同业务的难度差别很大。满意度回访、活动通知、战败激活都有价值，不过这类任务对实时策略和业务结果的要求通常相对有限。新车线索完全不同。

一个消费者可能刚在平台留下线索，同时也在比较几个品牌。AI首先要判断他的真实需求，包括车型、预算、购车时间和置换意向。客户说“我就随便看看”，系统还要判断这是真实低意向，还是对陌生电话的自然防御。之后可能涉及车型解释、权益、竞品、门店距离和试驾安排；客户拒绝时不能机械重复，客户突然换话题时又不能丢掉原来的任务。

这个场景既要求自然的交互体验，也要求持续的任务策略和真实系统连接。更重要的是，新车线索本身很昂贵。AI处理不好，损失的不只是一通电话，而可能是一次高成本获客机会。

因此，我们把新车线索清洗和邀约视为Voice Agent的重要试金石。按冰兰智能的业务统计，目前我们已覆盖超过50%的主流汽车品牌，并在高价值新车线索的规模化清洗和邀约上形成了较强的复制能力。这个结果不是靠演示证明的，而是通过离交易更近、容错率更低的业务持续验证出来的。

《客户世界》：  这种复杂业务是否意味着AI最终仍然离不开人？

冰兰智能CEO：当然。我们从来没有把“完全不需要人”当成目标。成熟系统的重要能力之一，就是知道什么时候应该把事情交给人。

例如，一个新车客户已经表现出很强的购车意向，这时由真人销售介入，建立关系并确认试驾，价值往往比AI继续聊十分钟更高。我们在部分项目中采用接近三方通话的人机协作设计：AI先把客户聊起来，当系统判断进入适合人工介入的节点，销售可以无缝加入；客户此前关注的车型、顾虑和对话进度会同步过去。

在一个新车营销项目中，人工转接成功率达到99.9%，整体人机协作效率提升到3.60倍。这个案例说明，人机协同不是把人工挡在门外，而是让AI和人工分别出现在最有价值的位置。

好的AI体验，是需要AI时不增加麻烦，需要人工时，对方已经知道刚才发生了什么。

第五部分 规模化生产 从一个Agent到企业级管理

企业级Agent的门槛，在于持续运营、异常定位、结果回流和跨场景复制。

《客户世界》：  行业里做出一个看起来不错的AI演示并不难，但从一个演示走向几百、几千个业务场景，难度会突然增加。冰兰怎么看这个问题？

冰兰智能CEO：一个Agent做得好，不代表一家企业已经具备把Agent用好的能力。演示解决的是“这件事能不能做到”，生产系统还要回答一整套运营问题。

明天话术变了怎么办？新产品上线怎么办？不同城市政策不同怎么办？这周转化突然下降怎么定位？AI说错了一句话，能否追溯到知识、策略、数据还是模型？业务部门能否自己调整，还是每次都要等待算法工程师？这些问题决定了Agent能否真正规模化。

所以冰兰很重视全生命周期管理。从数据和知识导入，到Agent配置、拨测、上线、质检、策略调整、A/B测试，再到真实业务结果回流，必须形成一套连续的运营闭环。

学习机制同样关键。真实客户每天都在提供新信号：哪些表达更容易被接受，哪种拒绝后仍有机会，哪些客户虽然口头说“不考虑”但后来到店，什么时候转人工效果最好。如果到店、成交和业务办理结果能够持续回流，Agent就能从“学会把话说对”走向“学会选择真正有效的策略”。

最后是复制能力。第一个门店做好后，第100个门店不能再从零做一遍。快速部署、能力复用、简单维护和持续学习，才是Agent平台与演示型产品的分界线。

《客户世界》：  这是否也解释了为什么冰兰特别强调与企业真实业务系统的连接？

冰兰智能CEO：是的。如果Agent没有“手”，它再聪明也只是一个顾问。它可以告诉客户应该怎么办，但事情最终还需要另一个人去完成。

进入生产环境后，Agent必须能够查询数据、写入CRM、生成工单、完成预约、验证身份、推荐方案、提交申请、发送短信并通知人工。走到这一步，AI创造的才不只是对话效率，而是流程效率。

全球企业软件也在向同一方向发展。ServiceNow强调AI Agent对跨系统工作流的执行，NiCE把人和AI Agent、客户旅程与后台系统放在统一平台中编排，UiPath则把人工介入设计为企业自动化的重要控制环节。各家的产品路径不同，但共同指向了一个事实：企业级Agent必须具备系统执行能力和可管理的人机协同。

过去技术的边界是告诉客户答案，未来的边界是帮助客户把事情办完。

第六部分 服务企业的转型路径 管理人和Agent的混合产能

转型应从业务价值和任务边界出发，再调整组织与商业模式。

《客户世界》：  如果一家拥有数千名员工的客户服务企业问您，AI时代到底应该怎么转，您会给它什么建议？

冰兰智能CEO：我不会建议它先从“减少多少座席”开始算。那样很容易把一个战略问题变成短期成本问题。更好的起点是把业务拆开。

高度重复、规则稳定、需求量大的工作，可以优先交给Agent；流程较复杂但AI可以先完成大部分工作的环节，适合设计人机协同；对信任、情感和谈判能力要求很高的任务，仍以人为主，同时让AI提供信息和策略支持。

任务拆清以后，再看组织。未来可能会减少纯执行岗位，但会增加Agent运营、策略运营、知识管理、质量管理和复杂业务专家。企业需要建立新的能力，持续观察Agent的表现，诊断问题，更新知识和策略，并管理人工介入边界。

最后再看商业模式。过去承接更多业务，首先意味着增加更多人；未来业务增长未必需要人力等比例增长。峰值业务、长尾客户、小额客户、更高频的回访和更精细的客户经营，都可能重新进入服务范围。

未来客户服务企业的核心竞争力，将从管理多少座席，转向管理多大规模的人和Agent混合产能，以及最终创造多少业务结果。

《客户世界》 ： 如果要在未来90天启动转型，第一步最应该做什么？

冰兰智能CEO：第一步不是铺开很多场景，而是选择一个价值明确、边界清楚、结果可衡量的任务。企业应先定义业务指标和风险边界，例如转化、完成率、客户投诉、转人工条件和禁止触发的行为。

第二步是打通至少一个真正影响结果的系统环节。只做对话演示，很难检验Agent是否能够完成任务。哪怕先连接一个CRM写回、一个预约动作或一个业务办理节点，也比堆叠很多表面功能更有价值。

第三步是建立每周迭代机制，让业务、运营、质检和技术团队共同看真实对话与后链路结果。先证明一个闭环，再复制到第二个场景。这样既能控制风险，也能尽早形成可复用的方法。

第七部分 未来三年 从人机分工走向共同交付

短期主线是把Human + Agent做好，长期才会逐步进入Agent与Agent协同。

《客户世界》：  如果把时间拉长到未来三年，您认为客户服务行业会演化成什么样？

冰兰智能CEO：我大致把这个过程分成三个阶段。第一个阶段是以人为主、AI作为工具。AI负责质检、推荐答案和总结工单，核心任务仍由人工完成。

第二个阶段就是今天正在快速发生的Human + Agent。消费者的习惯不会一夜之间改变，我们仍会打电话、发消息或进入客服渠道，但查询、判断、信息采集、推荐、跟进和系统操作会更多由Agent完成，人工处理复杂情况和高价值环节。未来几年，大多数大型客户中心都会处在这个阶段。

再往后，才会出现更多Agent与Agent直接协同的A2A场景。消费者自己的Agent与企业Agent沟通，一些标准化服务可能不再需要双方的人直接介入，但这不会在短时间内全面发生。

因此，冰兰当前最重要的工作，是把Human + Agent这一阶段真正做好：让机器交流足够自然，让Agent具备任务能力并能够进入真实系统，让人工与Agent顺畅协作，同时让企业可以管理成百上千个Agent，并让它们持续学习、快速复制。

当这些能力成熟，客户服务行业的生产方式就会发生实质变化。过去大家习惯问一家企业有多少座席，未来会更关心它一年能服务多少客户、完成多少任务、创造多少业务结果。

《客户世界》 ： 冰兰希望在这次变化中扮演什么角色？

冰兰智能CEO：冰兰希望成为这套新型服务产能的基础能力提供者和长期参与者。我们不会把行业里最懂客户、最懂流程、最懂交付的人排除在外，而是希望把Agent能力嵌入他们已经建立的服务体系。

对品牌企业，我们提供可以进入高价值业务、连接真实系统并持续运营的Voice Agent；对专业服务机构，我们提供可管理、可复制、可与人工协同的数字产能。客户关系、行业经验和复杂业务判断仍由最擅长的人掌握，技术负责扩大这些能力的覆盖范围和交付效率。

AI不会让优秀的服务变得不重要，它会让优秀的服务第一次能够被更大规模地复制。

访谈结语：

客户服务正在形成新的生产方式！

技术的价值最终不会停留在模型参数和演示效果上。对客户服务行业而言，AI更值得期待的作用，是重新定义服务能力的边界。

当高频任务可以由Agent规模化完成，复杂问题能够自然转入人工；当一次对话可以直接连接后台业务系统；当客户反馈与最终业务结果又能持续训练Agent，服务交付就不再只依赖人力规模增长，而会形成由人和智能共同构成的新型产能。

这场变化真正值得争取的，不是“还能保留多少人”，而是当服务规模不再只能依靠增加人头以后，一家优秀的客户服务企业能够把业务做到多大，又能为客户创造多少可衡量的结果。

《客户世界》创办于2003年1月，是中国客户服务与数字运营行业的旗帜媒体。本此访谈的时间为2026年9月；访谈内容刊载于2026年秋悟辑（总第243期）。