1客户嘴上要的
「信用卡中心要做坐席实时辅助:通话实时转写,大模型实时推荐答案弹给坐席,平均通话时长降 20%。」
这是症状或现成方案,不一定是真问题。下面看两种做法。
2照字面做,会怎么烂
直接搭实时语音转写 + 大模型推荐的链路,demo 很炫。上线后坐席不看:推荐延迟 3 秒,客户已经问下一句了;推荐内容来自知识库,而知识库里有过期的年费和分期政策,坐席照念一次就引发投诉,质检部要求下线。
3好 FDE 的实际走法
共 6 周,分 5 个阶段。带三角标记的是这一步最容易踩的坑。
第 1 周旁听 + 看质检数据
- 戴耳机旁听 2 个班组共 60 通电话,同时看质检部的抽检记录和排班系统的工时数据。发现:80% 的来电坐席不看任何资料也能答;真正费时的是两块——每通电话挂断后的话后小结(选工单分类、写摘要)平均 80 秒;以及约 15% 的复杂问题(分期手续费、年费减免、逾期协商)要翻知识库 1–2 分钟。
- 真问题是「话后处理占掉大量工时 + 复杂问题的知识来源不可靠」。成功标准改成:话后处理 80 秒 → 25 秒;实时提示只覆盖 10 个复杂意图,且提示内容 100% 来自已审核的知识条目。
- 踩坑不要只看平均通话时长。话后处理时间常常不计入通话时长,却是排班和人力成本的大头。
第 2 周定范围 + 查知识库的底
- 砍范围:先做话后小结,再做 10 个复杂意图的实时提示。
- 把这 10 个意图相关的知识条目逐条请知识管理岗核对,发现约 30% 已过期或互相矛盾。好 FDE 的动作是推动运营管理部给每条知识指定负责人和失效日期——知识库不干净,实时推荐就是放大错误。
- 踩坑通话录音含客户身份和卡号,转写文本要先脱敏再进模型,部署在行内。提前跟信息安全部确认存储期限和访问权限。
第 3–4 周原型 + evals
- 话后小结:挂断后自动预填工单分类和三句话摘要,坐席确认或修改后提交。evals:取 500 通历史录音,请质检员按「分类正确、摘要无事实错误」评分,分类准确率 ≥ 90%,摘要事实错误为 0。
- 实时提示:只在识别到 10 个意图时弹出一张知识卡片(规则原文 + 要点),不生成自由回答。
- 踩坑方言和背景噪音会让转写出错。evals 的录音要按真实比例包含方言和嘈杂环境,不能只挑清晰的。
第 5 周Demo + 对照试点
- 选 1 个班组 15 个坐席试点两周,另一个班组做对照组。让坐席本人在真实来电中用,每天收集「哪张卡片没用」的反馈。
- 常见结果:话后小结立刻受欢迎;实时卡片只在新坐席中使用率高——据此把实时提示定位为新人辅助。
第 6 周交接交接
- 交接给客服中心一位运营主管负责指标和推广,知识管理岗负责卡片内容,科技部门负责转写和模型服务。运行手册写清:知识条目过期时卡片自动下线。
4这个案例教给你的可复用判断
先做事后的、低风险的环节(话后处理),再做实时的、高风险的环节。
知识源的质量是推荐系统的上限;先治理知识源,再接模型。
一线工具用对照组验收,不用「大家觉得好用」验收。
在客户会照念的场景,给原文卡片比给生成答案更安全。
你手上也有类似的场景?
说说你所在的行业和想用 AI 做的事,留言会直接送达。觉得这个案例有误、过时,或有更好的做法,也欢迎指出。
银行的其他案例
内容更新:2026-11-11