人机协同做得好不好，用什么指标衡量？

只看一个数会看错

「AI 解决率 85%」听起来很好，但如果这 85% 里塞的是「你好 / 几点上班」，而真正的投诉全被硬拦着不让转人工，这个数字越大越糟。衡量协同质量，要拆成四组看。

第一组：转接及时性

• 五类强制自动转接场景的实际触发率（应尽量接近 100%）；
• 该转而未转的漏网案例数（定向抽检得到）；
• 顾客主动要求转人工后的平均等待时间。

第二组：转接顺畅度

• 转接后顾客重复描述的比例（越低越好）；
• 转接后一次性解决率；
• 转接后再次要求升级的比例。

这三项直接对应标准第 4 章的服务体验要求，也是顾客体感最强的地方。

第三组：AI 拦截的有效性

把 AI 处理的会话按类型分层看，而不是混在一起算：

同一份拦截率，在三种类型里的含义完全不同。分层之后，「AI 解决率」才有意义。

第四组：复检闭环

• 最近一次复检的结论；
• 发现的问题有没有被整改并关闭；
• 整改后同一问题的复发情况。

这一组不来自系统日志，来自台账。没有它，前三组的改善无法证明是持续的还是偶然的。

怎么用这四组做月度例会

每月的客服复盘只问四句话：该转的转了吗？转过去顺不顺？AI 拦下的是不是该拦的？上次发现的问题改了吗？回答完这四句，比看一屏数据有用。

提醒一句

指标不是越多越好。四组各取 1~2 个能拿到原始样本、能追到具体会话的指标就够；凑一屏好看的报表，只会让人失去判断力。