谁会为“没有发生的客户问题”付钱？

谁会为“没有发生的客户问题”付钱？

全球知名管理咨询公司贝恩公司（Bain & Company）最近在讨论AI商业模式时，提出了一个很有意思的趋势：随着AI越来越多地进入企业服务，软件和服务的计价方式可能从传统的席位、使用量和token，逐渐走向按结果计价（Outcome-based Pricing）。

贝恩把目前AI的计价方式大致分成三类。第一类按照投入收费，例如token、算力或者AI能体运行时间；第二类按照产出收费，例如生成多少份摘要、更新多少条记录；第三类才是真正的结果收费，例如追回多少损失、增加多少收入，或者在客户服务领域——真正解决了多少客户问题。

贝恩对约200家B2B SaaS企业公开定价的分析显示，目前真正采用结果计价的企业只有约10%，约35%按投入计价，约55%按产出计价。但贝恩特别指出，客户服务是比较适合率先走向结果计价的领域，因为“客户问题是否得到解决”看起来相对容易观察、归因和衡量。

这个方向听起来非常合理。过去企业购买客服软件按照License收费，外包呼叫中心按照座席或者工时收费。无论客户的问题最终有没有解决，只要系统用了、座席工作了，企业就要付钱。如果AI可以改变成“真正解决一个客户问题以后再收费”，供应商和企业的目标似乎终于一致了。

但继续往下想一步，一个更麻烦的问题就出现了：

如果AI真的越来越好，客户的问题应该越来越少。那么，谁会为那些“没有发生的客户问题”付钱？

一、“客户没有再来”，并不等于问题解决了

客户服务行业其实一直没有完全解决“什么叫结果”这个问题。

最典型的指标是首次联系解决率（First Contact Resolution，

FCR）。客户第一次联系以后，如果没有因为同一个问题再次来电，通常就被认为问题解决了。

但“不再联系”可能代表完全不同的状态：客户的问题真的解决了；客户虽然不满意，但接受了；客户发现继续投诉也没有用，于是放弃；甚至客户直接离开了这家公司。

从客服系统的数据来看，这几种情况可能完全一样——客户都没有再次联系。

所以“不再联系”只是行为信号，并不是客户结果本身。同样，工单办结、平均处理时长下降，甚至一次满意度高分，都不能单独证明客户获得了好的结果。

真正的客户结果至少应该回答几个不同的问题：问题有没有解决？客户是否理解和接受？客户关系有没有受到损伤？更进一步，导致问题发生的原因有没有被消除？

例如一位客户因为套餐“升易降难”投诉，客服通过特殊审批终于帮助他完成变更，客户也满意了。从这张工单看，这是一次成功的服务。但如果公司的业务规则没有变化，下个月仍然有一万名客户因为同样的问题投诉，那么企业只是解决了一个客户的问题，却没有解决产生客户问题的问题。

这一区别非常重要。

二、AI越成功，客服的“业务量”反而应该越少

假设一家企业过去每年有一亿次客户咨询和投诉，一家AI客服公司进入以后，可以自动解决其中80%。如果双方按照“成功解决一次问题”收费，第一年当然皆大欢喜。

但真正优秀的AI不应该满足于越来越熟练地回答这一亿次问题。

它运行一段时间以后可能发现：大量来电来自账单看不懂、套餐规则复杂、合约信息不清楚或者App设计不合理。于是企业开始修改账单、优化荐供管理（Offer Management）、简化规则、改善App并增加主动提醒。

第二年，客户只需要联系企业六千万次。

从客户和企业角度看，这显然是巨大的进步：客户少了麻烦，企业降低了成本，大量问题甚至根本没有发生。

可是，如果AI供应商仍然按照“成功解决一次客户问题”收费，它自己的业务量反而下降了40%。

这就出现了一个非常有意思的悖论：

服务越优秀，需要服务的问题越少；需要解决的问题越少，靠解决问题赚钱的企业反而生意越差。

这其实并不是AI创造的新问题。传统呼叫中心外包早就存在类似的激励错配（Incentive Misalignment）。如果一家BPO按照座席数量、工时或者通话量收费，那么客户电话越多，它的收入往往越高。企业真正希望客户问题越来越少，而供应商的商业模式却建立在“持续有问题需要处理”之上。

AI只是把这个长期存在的矛盾放大了。

如果AI时代只是把“按照人工座席收费”改成“按照token收费”“按照AI调用次数收费”，商业逻辑其实一点也没有改变。即使进一步变成“按照成功解决的问题收费”，仍然没有解决这个根本矛盾。

因为真正优秀的AI，最终应该减少需要解决的问题本身。

三、真正值得付钱的，也许是“少发生了多少”

因此，结果计价可能还需要继续向前走一步。

从座席和License的资源计价，到token和调用次数的使用计价，再到“成功解决多少问题”的结果计价，下一步真正值得探索的，也许是客户结果价值计价（Customer Outcome Value-based Pricing）。

企业不再只计算AI解决了多少问题，而要进一步观察：客户需要寻求帮助的次数是不是下降了？重复投诉是不是减少了？因为规则、产品和信息设计产生的问题是不是减少了？客户完成自己的任务是不是更加容易？企业整体服务成本和客户流失是不是同步下降？

这样一来，AI供应商真正创造的价值就可能不是：

“今年帮你处理了8000万次客户咨询。”

而是：

“去年有一亿次客户咨询，今年只剩下六千万次。”

真正有价值的，反而是那四千万次没有发生的服务需求。

这也意味着，未来AI服务的商业模式可能需要从“交易计价”走向更长期的价值分享：基础服务费加客户结果奖金、节约成本分享、客户留存改善分享，甚至按照整体客户运营价值改善进行合同设计。

供应商的利益只有与“问题减少”绑定，它才真正有动力帮助企业消灭问题，而不是更高效地处理源源不断的问题。

四、但“客户不再找你”也可能是一个危险指标

当然，客户联系减少本身并不能直接证明客户结果改善。

企业可以因为账单更清楚而减少客户来电，也可以因为把人工客服入口藏得越来越深而减少来电；可以通过简化规则减少投诉，也可以通过复杂的IVR让客户最终放弃投诉。

两种情况下的数据都可能显示：

客户联系量下降了。

但前一种是避免不必要联系（Contact Prevention），后一种却是压制客户联系（Contact Suppression）。

所以，客户结果管理不能简单创造一个新的KPI。真正需要判断的是：客户为什么不再联系？是问题没有发生，是问题已经解决，还是客户已经放弃甚至离开？

这也是“客户结果管理（Customer Outcome Management）”如果要成为一个真正管理概念，必须跨过去的一道门槛。

五、客户结果管理，管理的不是一个“结果数字”

严格来说，企业无法直接管理结果，就像企业不能直接“管理利润”一样。管理者真正能够管理的是价格、成本、产品、流程和客户关系，利润只是这些经营活动共同作用的结果。

客户结果也是如此。

企业真正能够管理的，是产生客户结果的那条因果链：产品是否合理，规则是否透明，荐供是否适合客户，信息是否容易理解，员工是否拥有解决问题的权限，AI能否理解客户历史，跨部门流程是否连通，以及同类问题能否反向进入产品和规则治理。

因此，如果要给客户结果管理一个定义，我更愿意把它理解为：

围绕客户希望完成的事情，持续管理影响这一结果的产品、规则、流程、信息、服务与组织责任。

这样理解以后，它已经超出了传统客户服务管理的范围，也超出了狭义的客户体验管理，而进入企业整个客户业务运营治理。

这也可能是AI真正改变客户服务的地方。

过去我们追求的是：怎样更快、更便宜地解决客户的问题。

AI正在把问题推进到下一层：怎样让客户的问题真正得到解决。

而再往前一步，则是一个更加根本的问题：

怎样让那些本来就不应该发生的问题，不再发生。

到那个时候，衡量一个真正优秀的AI服务体系，也许不能只问“AI解决了多少客户问题”，还必须问：

AI帮助企业消灭了多少原本会发生的客户问题？

问题恰恰在于，今天的企业已经知道怎样为前者付钱，却还没有真正建立一套成熟的方法，为后者定价。

所以，贝恩提出的结果计价可能只是故事的开始。

真正困难、也真正值得研究的问题仍然是：

谁会为那些没有发生的客户问题付钱？

本文为《数智世界》原创作品，作者袁道唯为本刊总编辑。