企业AI客服进入Agent时代：从L1到L5，企业AI选型怎么选？差距不只在回答

过去企业选AI客服，关注的问题其实很简单。

能不能导入知识库？回答准不准？响应速度快不快？能不能7×24小时在线？价格贵不贵？

这些指标当然仍然重要。但进入Agent时代后，只靠这些指标，已经很难判断两款AI客服之间真正的能力差距。

原因在于，过去的AI客服主要解决一个问题：谁来回答客户。

现在，9月AI客服新国标落地之后，企业的AI客服要开始解决另一个问题：谁来把客户交代的事情办完。

客户说“我想退款”，真正要的不是一段退款政策；客户问“这个服务适不适合我”，也不只是想拿到一份产品介绍。客户抛出来的是一句话，背后真正需要企业交付的，往往是一连串判断、查询、执行和后续处理。

现在，企业AI客服的选型标准也该跟着变了。

一、企业选AI客服，正在换一把尺子

大模型出现以后，AI客服首先发生的变化是“更会说话”。

过去的客服机器人高度依赖关键词、FAQ和流程树，客户稍微换一种表达，就很容易识别失败。大模型让AI开始能够理解自然语言、记住上下文、生成更流畅的回答。

于是企业很自然地开始比较回答效果。

谁更像真人，谁回答得更完整，谁幻觉少，谁的知识库召回更准确。

但如果只比到这里，企业选到的仍然可能只是一个更聪明的聊天窗口。

Agent带来的变化在于，AI开始拥有调用工具、连接系统、拆解任务和持续执行的能力。也就是说，同样一句客户需求，不同AI客服能处理到的深度，已经出现了明显差距。

如果把今天的AI客服按“能把事情做到哪一步”划分，大致可以分成五层。

二、从L1到L5，AI客服的差距在于能把事情做到哪一步

L1，纯对话。

AI能够理解和回答客户的问题，但没有接入企业业务系统。客户问退款政策，它可以把政策解释得很好；但客户真要退款，后面的事情仍然要交给人。

这是“会聊天”的AI，是企业话术的搬运工。

L2，单系统对接。

AI开始能够查询或修改一个业务系统。比如客户问订单状态，它可以自己查订单；客户要修改预约时间，它也可以完成简单修改。

但这类AI更多还是“你告诉它做什么，它执行什么”，缺乏对复杂任务的自主规划。

L3，多系统协作。

到了这一层，AI开始具备明显的Agent特征。

一个客户问题可能同时涉及CRM、订单、库存、工单、知识库等多个系统。AI能够理解任务，判断应该先做什么、后做什么，再分别调用不同能力完成连续动作。

它不再只回答一个问题，而是开始执行一项工作。

L4，自主闭环。

这里是真正重要的分水岭。

AI不仅能规划和执行，还要能在过程中持续检查：信息够不够？结果对不对？当前路径还能不能继续？什么时候应该重新判断？什么时候应该停下来找人工？

它的目标不再是“完成一次回复”，而是尽可能把客户的问题处理到结果。

L5，持续进化。

更进一步，AI能够把过去真实业务里的经验沉淀下来。

人工修改过的回复、AI曾经无法确认的问题、异常Case最终是怎么处理的，都不再只服务于眼前这一轮对话，而能够成为未来处理同类问题的新知识。

从L1到L5，表面上看是五档能力，实际上背后是一条非常清晰的变化路径：AI和企业真实业务之间的距离，越来越短。

三、真正的分水岭，是从“回答”走向“完成任务”

今天市面上很多AI客服，虽然已经接入大模型，但业务形态仍然停留在L1、L2。

它们能理解复杂表达，也能把答案说得很自然；有些还能接一个订单系统，帮客户完成简单查询。

这些产品已经比过去的规则机器人好用很多，但并不意味着AI真的开始“做客服的工作”。

比如客户问：

“我之前买的这个服务现在还能退吗？如果可以的话帮我处理一下。”

纯对话型AI会查询知识库，告诉客户退款条件。

再进一步，AI可以查询订单，告诉客户是否满足退款条件。

而Agent式AI客服面对的，其实是一个完整任务。

它需要先确认客户身份和对应订单，查询订单状态，结合企业规则判断是否满足条件；如果缺少必要信息，就继续向客户询问；确认无误后执行后续动作；如果遇到特殊订单、规则冲突或者自己无法确认的情况，再及时申请人工介入，并把此前获取的信息和处理过程完整交接出去。

这时评价它的标准就变了，关键的考核标准，变成了：客户的问题最后有没有被处理掉。

这也是ChatDoing这类新一代AI客服正在尝试解决的问题。产品能力不再停留在生成回复，而是把理解需求、持续判断、执行任务、异常处理和人工兜底放进同一条业务链里。

企业购买AI客服，开始从购买一个“回答能力”，转向购买一种“任务承接能力”。

四、从真实业务看，AI客服已经开始承担“结果”

这种变化已经开始出现在真实业务里。

一家1v1教育咨询公司过去需要销售从第一句话一直陪客户聊到首次成交：破冰、探需、分析、情绪承接、处理异议、推进付费，每一步都需要人工参与。接入ChatDoing之后，这条链路被重新分工，AI先承接前面的客户沟通和首次成交推进，真人主要在后续高价值专业服务阶段接手。经过20多天、200多轮真实对话训练后，这套AI客服开始独立承接客户，首单转化率约20%。

更关键的是，它并不是靠一棵固定的话术树完成这件事。面对客户一句“我再考虑考虑”，AI需要结合前面几十轮对话判断：客户究竟是嫌价格高、仍然不信任服务、情绪没有被接住，还是其实已经接近成交。真正决定下一步动作的，是完整上下文，而不是眼前一句话。 这意味着AI承担的已经不只是“接待”，而开始接近一段需要持续判断的销售工作。

另一家瑜伽工作室展示的则是另一种Agent化路径。经营者没有技术背景，但在7天内用ChatDoing跑通了学员咨询、同行合作和内部管理3条业务线，累计接待超过1000人。 学员来咨询时，AI会先了解具体情况，再进行需求分析和课程推荐；同行来寻求解决方案时，AI不仅回复消息，还能根据学员特征直接生成定制PDF方案。 同一个AI还可以继续承接内部的周报整理、学员数据统计和反馈汇总等事务。

这两个案例值得关注的地方，都不是“AI回复得更快”。

一个案例里，AI开始承担从沟通、判断到首次转化的长链路任务；另一个案例里，AI开始跨越客户咨询、方案生成和内部管理等不同工作。

这恰恰是从L1、L2向L3、L4变化时最明显的特征：企业开始不再统计AI回答了多少问题，而开始观察AI究竟完成了多少工作。

五、企业下一次选AI客服，该看什么？

AI客服进入Agent时代以后，很多过去很重要的采购指标不会消失。

回复速度依然重要，知识准确性依然重要，模型能力、成本、安全性也依然重要。

但企业需要再多加一层判断：这个AI究竟能承担多少工作？

客户提出一个需求，它只是告诉客户“怎么办”，还是自己真的能去办？

一件事涉及多个步骤，它能不能连续完成，而不是每一步都等人下指令？

业务出现意外情况，它能不能重新判断，而不是沿着预设流程一路撞下去？

遇到自己无法确认的问题，它知不知道停下来找人工，而不是生成一个听起来很合理的错误答案？

今天人工纠正过的问题，明天AI还能不能记住？

这些问题，实际上正对应了AI客服从L1走向L5的整个过程。

过去几年，企业选择AI客服，更多是在选择一个更好的聊天机器人。

Agent时代到来以后，产品之间真正拉开差距的地方，开始变成理解、执行、闭环和成长。

AI客服过去解决的是“谁来回答客户”。

下一阶段，真正值得企业采购的，可能是那些能够回答另一个问题的产品：

客户交代的这件事，AI到底能不能把它办完。