上周有个老板跟我说，他差点签了一个 AI 客服的单子。
演示的时候，对方的机器人对答如流。他把公司最难缠的几个问题抛过去，全答得漂漂亮亮。
他当场就动心了。
我跟他说，你先别急。你刚才看的不是产品，是样板间。
一、样板间很好看，入住率只有 17%
买房的人都懂样板间是什么。
灯光打得好，家具摆得巧，每一寸空间都是设计师算过的。你站在里面，觉得这就是你想要的生活。
但真正的信息不在样板间里。在交房之后。
AI 行业现在也在经历这个阶段。
Gartner 在 2026 年做过一项调研，结果非常刺眼：60% 的组织打算在 2 年内部署 AI Agent（也就是能自己动手干活的 AI），真正落地的只有 17%。
也就是说，每 100 家说要上的公司，最后跑通的不到 18 家。
差了 5 倍。
这不是一家之言。
德勤的说法是：85% 的企业计划定制 Agent，只有 25% 的试点真的上了生产。
MIT 的报告更狠：花了三四百亿美元，95% 的企业 AI 项目没有回报。
Forrester 研究 AI 客服时也给出类似结论：约三分之一的企业部署 AI 自助服务会失败。
四家独立机构，口径不同，方向一致。
这不是巧合。
而且请注意 Forrester 那句话的后半段——失败的主因并不是技术。
那是什么？
二、AI 这个词，其实指的是两个东西
我得先帮你把一件事拆开。
大家嘴里的「AI」，在工作中其实是两件完全不同的事：
一是演示态的 AI。 在会议室里，在投屏上，在你随手编的几个问题里，它表现得近乎完美。
二是生产态的 AI。 在你真实的客流量里，在你客户那种毫无语法可言的提问方式里，在需要它的每一秒里，它到底行不行。
在 Gartner 的技术成熟度曲线里，Agent 现在正处于「期望膨胀期」的最高点——热度最高的时候，恰恰是它离真实落地最远的时候，而很多企业就是在这个阶段拍板掏钱的。
这两个 AI 之间的差距，就是 60% 和 17% 之间的差距。
为什么这个差距会这么大？
因为演示是免费的，而生产是要还债的。
好看的演示几乎不要成本——挑 5 个机器人答得好的问题，5 分钟就能演完。
但生产要面对的是：你客户嘴里那些乱七八糟、缺主语、带方言、一句话问 3 件事的问法。
这些问法，你在做演示的时候，一个都不会遇到。
一个都没有。
三、我今天不讲理论，讲一次真实的翻车
接下来这部分，是合尘猫自己踩的坑。
我做过一套 AI 客服的转人工判断——就是决定「这个问题该让机器人答，还是该转给人工」。
为了测它，攒了一个回归集：61 条真实的口语问句，带期望结果。其中知识库能答的 31 条、该引导的 24 条、应该转人工的 6 条。
然后拿同一个模型，测了两条路。
第一条路，云端 DeepSeek：转人工二分类准确率 100%（61/61），误转人工 0 条，平均延迟 1.14 秒。
第二条路，换成我本机跑的小模型。同一个提示词，同一批题目：96.7%（59/61），误转 2 条，平均延迟 0.46 秒。
差一档，可以理解。但我真正想说的是，那误转的 2 条里，其中一条，顾客说的是「我说不清楚，你直接给我处理了吧」。
这句话恰恰是最不该转人工的。
因为客户已经明确说了「我说不清楚」，他要的是你自己想办法，而不是你把他推给别人。
GB/T 47746—2026 里有 1 条要求，就叫不准滥用转人工。这条是硬线，所以最后没有换掉云端那套，宁可慢一点、贵一点。
这是第一个坑：便宜的那条路，往往是在你不注意的地方让步。
记着这句话。
四、真正让我睡不着的，是第二个坑
刚才那个还算正常的工程取舍。真正让我改观的，是下面这件事。
最开始给本地那个小模型做评测的时候，用的是一种很朴素的调用方式——把问题直接扔给模型，让它自己判断。
结果你猜怎么着？
转人工的召回率是 0%。
一条都没识别出来。6 条该转的，一条没转。
全漏了。
我第一反应是：这模型不行。
但后来换了一种做法——套上标准的对话模板，再给 3 个示例。
同一个模型，同一批题目，召回率从 0% 直接回升到 100%。
模型一个字都没换。
我坐在那儿想了很久。变的只是「你怎么用它」，结果就从全错变成全对。
这件事让我对整个行业的说法都警惕起来了。
后来把这条写成了一句方法论：给本地指令模型做评测，必须套对话模板并给示例。裸调用会得出「模型不行」的错误结论。
现在你回头看那个 17%。
那 83% 没落地的公司里，有多少是真的选错了模型？
我猜不多。
就这么简单。
大多数不是模型不行，是没有人认真做过「怎么用它」这件事。
五、那到底该做什么？3 件事
我不推荐一上来就比模型。模型是最好换的东西，也是最不该先换的东西。
按顺序，你应该做这 3 件事。
顺序别反。
第一件，先划边界：哪些问题，绝对不能让 AI 答。
这句话听起来反直觉，但它最重要。
你要先明确列出：纠纷、投诉、退款争议、情绪激烈的对话、涉及金额和承诺的问题——这些一律不许 AI 自己答，必须转人。
边界划在哪里，决定了你的 AI 上线之后是提效工具，还是新的投诉来源。
很多人以为 AI 客服的能力上限取决于模型。实际上，最先出问题的往往是「该拦的没拦住」。
第二件，去收集你客户真实的口语问法。
知识库最常见的病，不是内容少，是只有标准问法。
「怎么还没发货」和「物流多久到」，在客户嘴里是 2 句完全不同的话，但在业务上是同一个动作。你的知识库里如果只存了前一句，后一句进来就是识别不到。
这件事没别的办法，只能一条条攒。但你攒过一次就值——它是一次性成本，能长期复用。
第三件，才是评测和选模型。
而且评测时要记得上面那个坑：换一个调用方式，同一只模型的成绩能从 0% 变 100%。
如果你测出来的结论是「这个模型不行」，先别信。先怀疑你的测法。
六、4 个你一定想问的
问：签单之前，我怎么判断一个 AI 客服到底行不行？
答：别让它演示。你直接把你最常被投诉的 10 个问题，用客户平时说话的原话发给它。然后重点看它怎么处理它答不上来的那些——是老实说不知道并转人工，还是硬编一个答案给你。后者的风险比答不出来大得多。
问：这套东西自己做，要花多久？
答：只看「划边界 + 攒问法」这 2 件事，认真做大概 2 到 3 周能出第一版。花钱的地方主要在人工整理，不在算力（也就是跑模型要花的那笔机器钱）。
问：那我要不要干脆等大模型（也就是 ChatGPT 那一类）再强一点？
答：不建议等。上面那个 0% 到 100% 的例子已经说明——同一只模型，成绩差别可以来自用法，而不是模型本身。等新模型，解决不了「你没划边界」这个问题。
问：我知识库里有 500 条问答了，为什么还是答不准？
答：常见的情况是「假性覆盖」——500 条里大多是标准问法，用户换个说法就识别不了。这时候要加的不是数量，是同一件事的不同问法。
七、样板间不会告诉你的事
回到开头那个老板。
我后来跟他说：你想验一个 AI 客服到底行不行，别让它演示。
你直接做 1 件事——把你最常被投诉的 10 个问题，用客户平时说话的原话，发给它。
然后看它怎么处理它答不上来的那些。
因为样板间永远在展示「它答得好的时候」。
而真实的生意，全都发生在「它答不上来的时候」。
最后说一句
AI 有一个反常识的地方。
它把「看起来很好」这件事的成本，几乎干到了零。
所以今天，一个东西看起来很完美，已经不再是优点——它反而会让你想：这是不是又是样板间？
真正值钱的，不是它演示的时候有多像样，而是它在没人看的时候，能不能扛住。
我们是谁
合尘猫（SavantCat）是面向小微企业（200 人以下）的企业知识库与 AI 客服服务团队，做 3 件事：把你散落的资料整理成能被 AI 准确调用的知识库；按 GB/T 47746—2026 的 61 项自查清单做达标排查；提供可复跑的交付核验凭证。
不做全自动的承诺，也不承诺排名。只承诺 2 条：过程可核验，交付可复跑。
如果这套东西不适合你的情况，直接说别花钱。
