传统CX 指标为何无法满足混合型CX 的要求？

No Jitter（一家专注于企业通信、协作和网络技术的媒体出版物/在线资源，主要为从事统一通信 (UC)、客服中心、IP 电话及相关技术的专业人士提供新闻、评论与分析）于2026年6月4日载文（作者：Terri Coles）——过去，衡量人类客服人员完成特定任务的绩效是一大挑战。而现在，挑战在于衡量人机系统协同工作的表现。

在客户体验机构和呼叫中心等现代工作场所中，AI功能和工具扮演着越来越重要的角色。如今，AI可用于撰写电子邮件回复、总结客户与客服人员的互动、建议后续行动、回答简单的客户聊天咨询，以及识别需要升级处理的复杂案例。

然而，尽管人工客服和AI系统之间的工作分工日益加深，但大多数机构仍然依赖于在客户体验工作流程的每个环节都由人工完成时制定的指标。因此，如果客户咨询的回复是由人工审核通过，但回复内容是由AI客服撰写并检索信息的，那么最终的功劳归属就变得难以界定。

随着AI工具越来越多地嵌入到客户体验工作流程中，机构逐渐发现，他们用于衡量工作的系统是基于所有工作都由人工完成的假设而建立的。在如今人机混合的客户体验环境中，这些系统正日益失效。

为什么传统的客户体验(CX) 指标如今已不足以应对挑战

客户体验工作流程及其执行人员的成功与否，通常通过各种常用指标来衡量，例如平均处理时间(AHT)、客户满意度 (CSAT)、首次联系解决率 (FCR) 以及其他客服人员效率指标。但随着AI (AI) 在这些工作流程中的应用不断扩展，这些常用指标也开始显现出一些局限性。

将AI 工具集成到客户体验组织中会引发一系列问题，这些问题使得这些指标变得复杂，并影响其结果的可靠性，从而导致一些难以解答的新问题。例如，如果交互耗时减少，这究竟是客户体验客服人员的功劳，还是 AI 功能的功劳？或者，如果处理时间增加，是因为 AI 解决了更简单、更不复杂的问题，而客服人员则主要负责处理棘手的升级问题吗？将 AI 集成到客户体验工作流程中会带来哪些权衡——例如，处理时间可能缩短，但后续错误率可能会上升。

当AI 真正参与到工作流程中时，现有的客户体验指标可能会产生误导。它们甚至可能无意中惩罚那些处理最复杂案例的人工客服——那些AI无法有效处理的案例。

Liveops 总裁兼首席运营官 Molly Moore 表示，传统的客户体验 (CX) 指标是围绕完全人工的工作流程构建的，因此当AI开始参与客户互动时，这些指标的可靠性就会降低。当AI在人工客服介入处理例外情况、升级问题或需要判断的情况之前就解决了部分客户问题时，处理时间或生产力等指标可能会产生误导性的激励机制。

“最大的错误之一就是为了追求速度而牺牲信任或问题解决率。如果客户不得不重复提供信息、在系统之间来回切换或多次升级才能获得正确的结果，那么速度再快也并非好事。” Moore 说。

Eltropy AI主管兼产品副总裁 Saahil Kamath 表示，在使用AI客户服务工具的信用社和社区银行中，这个问题经常被提及。

“我们每天都会与信用社和社区银行讨论这个问题，这也是目前最重要的问题之一。” Kamath 说。当Eltropy在Cobalt信用社部署名为Coby的AI语音助手并实现83%的会话控制率时，运营主管们首先关注的不是部署是否有效，而是如何衡量其成功。

“传统的指标，例如平均处理时间（AHT）和首次呼叫解决率（FCR），都是基于单个客服人员负责从头到尾处理整个交互过程而构建的。当AI在人工接听前就能解决80%的来电时，这些指标需要的不仅仅是调整，而是需要不同的视角。”他说道。

归因方面的新挑战

AI与智能体之间日益复杂的关系也给客户体验 (CX) 组织中的归因问题带来了新的挑战。简而言之，当工作流程结果为正面时，功劳归谁？当结果为负面时，责任又该由谁承担？

在现代CX 工作场所中，可能出现以下几种情况：

• 人工客服完全解决了客户咨询。

• AI智能体完全解决了客户咨询。

• AI智能体起草了客户咨询的回复，并由人工客服审核通过。

• AI智能体回复了客户咨询，但人工客服纠正了回复中的错误。

• 人工客服和AI智能体共同解决了客户咨询。

每一种情况，以及其他基于人类和AI工具在特定工作场所的交互方式而可能出现的情况，都引发了关于如何归因成功的一系列新问题。成功应该归于人工客服、AI智能体，还是两者的某种组合？是否应该将责任归咎于工作流程或组织本身，从而将衡量标准从个人绩效转向系统绩效？如果是这样，这将如何影响员工的自主性、士气和薪酬？

在需要归咎的不是成功而是失败的情况下，这些问题也同样重要。人类和AI都不是完美的，任何涉及其中之一或两者的工作场所都不可避免地会犯错。随着AI工具的引入，这些错误的归属以及发现和纠正错误的责任也变得更加复杂。

卡马斯表示，在AI和人工客服交接过程中，责任归属尤其难以确定。“如果AI处理了前四分钟，收集了上下文信息，验证了用户身份，然后转接给人工客服，后者在90秒内解决了问题，那么谁应该为这个解决方案负责？”他问道。

因此，一些金融机构开始在交互层面衡量解决方案，而不是关注客服人员层面的责任归属，而是将责任归咎于整体系统设计和团队绩效，而不是工作流程中的单个参与者。

企业可以采取哪些替代指标？

随着这些问题的不断解决，一些企业正在采用新的指标，以便更好地了解其人工客服和AI客服的绩效，以及整体工作流程和系统的运行情况。

取得最佳成效的企业并非只是在现有指标的基础上添加AI相关的指标。相反，他们正在重新思考在人机混合环境中成功的定义，并将关注点从任务完成情况转移到客户体验。

其中一些新指标专门关注AI的采用情况。例如，企业可能会追踪AI利用率、自动化率或建议接受率，以深入了解其客服人员将AI融入工作流程的情况，以及AI工具的准确性和实用性。其他指标则侧重于人机协作。企业可能会关注AI生成的回复中需要编辑或被覆盖的比例、客户与AI客服互动时需要人工干预的频率，以及验证AI输出所花费的时间。

卡马斯表示，对于使用AI客服的企业而言，控制率正逐渐成为一项重要的衡量指标。一些机构并没有将问题控制视为简单的转移指标，而是将其与人工首次接触解决问题的指标分开跟踪，以便更好地了解工作流程中这两个环节的运行情况。

一如既往，客户体验(CX) 组织仍然关注质量和结果。他们跟踪AI生成建议的准确性，评估AI决定的升级质量，并检查与生成内容相关的更正率、错误率或虚假信息率。他们还会关注客户付出和留存率、问题解决质量以及对下游业务的影响等结果。

摩尔表示，一些组织正逐渐将关注点从衡量孤立的任务转移到评估整个客户旅程的结果。他们不再主要关注速度和生产力指标，而是更加重视解决方案的质量、重复联系、升级有效性、问题控制的准确性以及客户在互动后是否感觉问题得到了真正解决。她指出，这反映了一种更广泛的转变，即从衡量活动转向衡量结果，尤其是在AI承担了越来越多的日常工作的情况下。

这些指标的质量至关重要，因为糟糕的指标会滋生不良行为。治理专家指出，对企业而言，最大的风险或许并非AI工具本身的使用，而是围绕这些工具使用的激励机制。为了避免影响基于时间的绩效指标，客服人员可能会在未充分确认其准确性的情况下，接受AI工具的建议。企业可能会专注于高自动化率，即便客户体验评分正在下降。或者，AI系统本身可能为了提高生产力而牺牲客户体验。

卡马斯指出，如果客服人员的绩效评估仍然主要基于呼叫量或处理时间，那么就会出现此类激励问题。越来越多成功整合AI的企业开始根据真正需要人工介入的升级案例的质量和复杂程度来衡量客服人员的绩效。

摩尔表示，成功的混合型客户体验环境围绕的是流程编排而非简单的自动化。在这些模型中，AI负责处理重复性任务、提取信息并加速工作流程。而人工客服则负责处理需要判断力、同理心和更复杂决策的任务。

她指出，这种方法需要围绕所有权、升级路径和问责制建立清晰的治理机制。随着AI越来越多地参与客户体验工作流程，组织需要了解决策是如何做出的，责任在哪里，以及何时需要人工监督。

从衡量个体到衡量系统

无论组织如何调整其指标并平衡关注点，这些衡量的单位都在发生变化。随着组织不断将AI工具集成到客户体验 (CX) 工作流程中，他们将不再评估孤立的人类绩效，因为此类评估提供的信息将变得越来越不实用。

如今，客户体验组织越来越多地评估其运营中多个方面的综合绩效：人员、AI、工作流程和治理结构。如今的挑战不再是衡量客户体验个体在特定工作任务中的完成情况，而是衡量人机协作系统在特定工作流程中完成该任务的效率。

原文链接：https://www.nojitter.com/ai-automation/why-traditional-cx-metrics-fall-short-with-hybrid-cx