本期话题圈，我们直面这场技术革命引发的行业震荡，特邀五位跨界思想者展开巅峰对话——才博数据治理研究中心主任赖沛宏、人工智能领域知名专家苏钰、中国移动在线营销服务中心王小龙、中国联通重庆市分公司商业呼叫运营中心杨劼、才博数智服务机构咨询顾问方宝珍，他们将分别从服务模式转型、技术前沿探索、行业应用实践、客服行业生态变革、人文价值等多个维度，为我们深度剖析DeepSeek系统的诞生背景、技术特点、市场影响以及潜在挑战。

︾

本文共 5293 字

预计阅读时间 14 分钟

引言：为什么我不建议朋友小孩学习DeepSeek

深夜的手机屏幕突然亮起，朋友发来消息：“苏老师，该让孩子学DeepSeek吗？”我望着书房中正在运转的DeepSeek嗡嗡作响的服务器，沉默片刻，敲下回复：“建议暂时不学。”“那您觉得这次DeepSeek的应用浪潮，我们客户中心要不要跟进试点呢？”“要，建议要”“哈哈哈，苏老师您真双标！”

我知道我的这个答案让朋友十分错愕，我之所以这么说，核心在于 DeepSeek的强大之处，主要体现在其卓越的推理过程上，这种能力展现出一种独特的辅助人类思考的方式。

然而，正如那句俗语“善泳者溺，善骑者堕”所言，它强大的推理能力虽能让分析与思考更为精准，对企业、成年个人来说是一大助力，但是对于思维体系尚未建立完整的小朋友，一旦当他们使用DeepSeek尝到了任何问题都能解决，或者辅助他们思考的甜头，产生依赖心理，逐渐陷入舒适区，形成思维定式。遇到问题时，第一反应是询问DeepSeek而非用自己的大脑先思考，长此以往，其他解决问题的手段与思维视角便会逐渐被荒废。最终，可能会陷入人生的困境，甚至绝境。

这就好比在客服中心行业，技术的发展日新月异，我们不能仅仅依赖某一项技术，而忽略了整个服务体系的构建和人员能力的培养。

在接下来的文章中，我将深入探讨智能客服在客服中心行业的发展现状、面临的困境，以及大模型技术如DeepSeek在客服中心的落地实践和启示。

01.

智能客服困局：客服中心人工技术落地的 “冰火两重天”

（一）智能客服应用的军备竞赛

在当今数字化时代，智能客服应用的发展可谓是一场激烈的军备竞赛。从最初简单的文本机器人，只能处理一些预设好的常见问题，到语音门户机器人的出现，实现了语音交互，让客户可以通过语音与客服系统进行沟通，大大提高了交互的便捷性。再到智能质检的应用，通过对客服对话的分析，实现对服务质量的监控和评估。这一系列的发展，使得智能客服应用不断升级，功能日益强大。

众多企业纷纷投入大量资源，希望在这场竞赛中占据一席之地。各大科技公司也不断推出新的智能客服产品和解决方案，仿佛一场万国展览，展示着各种先进的技术和理念。企业们竞相采用最新的技术，希望能够提升客户服务水平，降低成本，增强自身的竞争力。

（二）智能客服应用的价值迷思

然而，在这场看似热闹的军备竞赛背后，智能客服应用的价值却存在着一些迷思。一方面，从理论上来说，智能客服能够提高服务效率，降低人力成本。它可以24小时不间断地工作，快速响应客户的问题，处理大量的重复性任务。在电商行业，智能客服可以快速回答客户关于商品信息、订单状态等常见问题，大大减轻了人工客服的工作压力；在金融行业，智能客服可以通过智能外呼的方式提醒客户按时还信用卡，而不逾期；在运营商行业，通过智能质检，客服中心可以及时发现服务中存在的问题，进行针对性的改进，从而提升服务质量。

但另一方面，实际情况却并非总是如此乐观。一些企业在引入智能客服后，并没有达到预期的效果。客户满意度并没有显著提升，甚至在某些情况下出现了下降。这是因为智能客服虽然能够处理大量的标准化问题，但对于一些复杂的、个性化的问题，往往显得力不从心。例如，当客户遇到产品使用中的特殊问题时，智能客服可能无法给出准确的解决方案，导致客户需要反复沟通，甚至最终还是需要人工客服来解决问题。这不仅没有提高效率，反而增加了客户的不满。

（三）智能客服的服务迷宫

在一些情况下，智能客服甚至会让客户进入到服务的迷宫之中。客户在与智能客服交互时，可能会因为智能客服对问题的理解不准确，或者引导流程不合理，而陷入一种无法快速解决问题的困境。比如，客户在咨询某个业务时，智能客服给出的回答可能与客户的问题不相关，或者提供的引导路径过于复杂，让客户在不断的点击和选择中迷失方向，无法找到真正需要的答案。这种情况不仅影响了客户体验，也降低了企业的服务效率和形象。

市场（应用）远远滞后于技术发展，因此2012年开始在国内大爆发的人工智能技术在客服中心的应用似乎在2022年来到了一个瓶颈，这个瓶颈是多因素（客户体验、服务成本、费用投入、人才体系、服务定位）之间交叉博弈而形成，瓶颈的背后代表了上一代人工智能技术完全且深入落地客户中心相关业务场景之后，在技术与业务之间达成了一定的平衡。

02.

困惑中的转型：从“工具崇拜”到“人机共生”

瓶颈与平衡的出现代表了技术无法在场景中出现跨时代或者让人眼前一亮的应用创新（如：文本机器人后出现多模态交互的数字人），同时现有产品若想进一步提升关键数据指标，所需投入的成本已远超预期收益。但业务发展不会停滞不前，因此大家开始思考转型升级的突破路径。

（一）升级技术，更要培养能够驾驭AI的“数字骑手”——国家职业人工智能训练师的诞生

在客服中心智能化转型浪潮中，企业往往陷入“重系统采购、轻人才培育”的误区——斥资数百万部署智能客服系统，却让这些“数字战舰”因无人掌舵而搁浅在服务浅滩。2020年，“人工智能训练师”正式进入国家职业分类大典，标志着驾驭AI系统的“数字骑手”成为数字化转型的核心生产力。在DeepSeek等大模型重塑行业格局的今天，这类人才的战略价值愈发凸显。

传统AI客服系统依赖“预设规则+有限学习”模式，工程师只需完成基础参数配置即可运行。但以DeepSeek为代表的大模型技术彻底改变了游戏规则：其涌现出的推理能力、多轮对话深度、场景自适应特性，使其更像需要持续驯化的“数字生命体”。

在既往的观察中，专门设立人工智能训练师团队的客服中心无论是在落地应用场景的宽度扩宽，还是在单一智能服务产品应用价值深度挖掘上，相较以传统IT工程师运营智能客服模式的客服中心，在指标及客户体验方面都要领先。

而在DS模型领域上，人工智能训练师一般需要具备三重核心能力：“AI驯兽师”的技术理解力，能通过prompt工程激发DeepSeek的深层推理能力；“服务架构师”的业务洞察力，能将大模型能力拆解为服务触点、知识节点、体验卡点三位一体的解决方案；“人性补完者”的情感共情力，在AI生成的标准化服务中植入个性化温度，提升智能应用的服务体验。

无论是传统人工智能还是DeepSeek等先进技术要想真正意义在客户中心落地生根，必须要建立“技术-人才-场景”的协同。国家推动人工智能训练师职业认证的价值正在于此——当企业开始将AI系统与人才体系同步规划，当训练师成为人机协作的“神经中枢”，智能客服才能真正跨越从“功能可用”到“价值创造”的鸿沟。从而做到关注“技术的‬强”同时也关注“应用的‬人”。

（二）以人工智能技术为核心的服务体系搭建：技术是舟，业务是桨

除了关注使用者的能力建设，企业还开始关注智能服务体系的搭建。通过将智能服务应用融入至已有或将有的智能服务体系之中，让技术与业务深度融合，技术是舟，业务场景是桨，划向落地实施的深水区。

一个完善的智能服务体系应该包括多个方面，如智能客服系统、知识库管理系统、客户关系管理系统等。这些系统之间需要相互协作，形成一个有机的整体。例如，智能客服系统在回答客户问题时，可以从知识库管理系统中获取相关的知识和信息，确保回答的准确性和完整性。同时，智能客服系统与客户的交互数据可以反馈到客户关系管理系统中，帮助企业更好地了解客户需求和行为，为企业的决策提供支持。

在搭建智能服务体系时，企业需要充分考虑业务场景的需求，根据不同的业务场景制定相应的智能服务策略。比如，在电商行业，针对客户咨询商品信息、下单、售后等不同的业务场景，智能客服系统可以采用不同的对话流程和策略，提高服务的针对性和有效性。

03.

大模型在国内客服中心的落地困局

困局一：成本困局

大模型的训练和部署需要大量的计算资源和数据，这导致了高昂的成本。首先，训练大模型需要强大的计算设备，如高性能的 GPU 集群，这些设备的采购和维护成本都非常高。其次，为了训练出高质量的大模型，需要大量的数据，而数据的收集、整理和标注也需要投入大量的人力和物力。此外，大模型的部署和运行也需要消耗大量的能源，进一步增加了成本。

对于很多企业来说，尤其是中小企业，难以承担如此高昂的成本。即使一些大型企业有能力投入资金进行大模型的应用，但在成本效益的考量下，也需要谨慎评估。例如，一些企业在引入大模型后，发现虽然在某些方面提升了服务质量，但成本的增加却超过了预期，导致整体效益并没有得到明显改善，这又反过来影响企业进一步扩宽大模型的应用范围。

困局二：准确困局

尽管大模型在自然语言处理等方面具有强大的能力，但在客服中心的实际应用中，准确性仍然是一个重要的问题。大模型的训练数据虽然丰富，但在面对复杂多变的客服场景时，仍然可能出现回答不准确、不相关的情况。

例如，客户的问题可能存在模糊性、歧义性，大模型可能无法准确理解客户的意图，从而给出错误的回答。而且，客服中心的业务知识往往具有专业性和特殊性，大模型可能需要经过大量的微调才能更好地适应这些业务场景。但在实际操作中，微调的过程也存在一定的难度和挑战，需要专业的技术人员和大量的时间精力投入。如果不能有效解决准确性问题，大模型在客服中心的应用效果将大打折扣。

04.

技术解构：为什么是DeepSeek？

（一）DeepSeek的核心CTO思路解析

DeepSeek的核心CTO在技术研发上有着独特的思路。首先，注重模型的深度和广度。通过构建深层次的神经网络结构，使得模型能够学习到更复杂的语义信息，同时通过大规模的数据训练，让模型具备更广泛的知识储备。

其次，强调模型的灵活性和可扩展性。DeepSeek的架构设计使得它能够方便地进行调整和优化，以适应不同的应用场景和需求。例如，在客服中心领域，可以根据企业的业务特点和客户需求，对模型进行针对性的微调，提高模型在特定场景下的性能。此外，CTO 还关注模型的效率和性能平衡。在保证模型强大功能的同时，通过优化算法和硬件资源的合理利用，降低模型的计算成本和运行时间，提高模型的运行效率，使得 DeepSeek 能够在实际应用中更好地发挥作用。

（二）DeepSeek爆火原因

能力突破：DeepSeek 在自然语言处理能力上实现了重大突破。它能够理解更加复杂和模糊的问题，提供更准确、更详细的回答。例如，在处理客户关于产品技术问题的咨询时，DeepSeek 可以深入分析问题的关键，结合产品知识和技术原理，给出专业且易于理解的解决方案，这是以往很多智能客服模型所无法做到的。

开源：DeepSeek 采用了开源的策略，这使得更多的开发者和企业能够参与到模型的改进和应用中来。开源不仅促进了技术的交流和创新，也降低了企业使用大模型的门槛。企业可以根据自身的需求，在开源的基础上对 DeepSeek 进行二次开发和定制，将其更好地融入到自己的业务流程中。

低成本：通过技术优化和创新，DeepSeek在一定程度上降低了使用成本。与其他一些大模型相比，它在计算资源需求和数据处理成本上相对较低，这使得更多的中小企业也有机会尝试使用大模型技术，推动了大模型在客服中心行业的普及。

国产化：作为一款国产化的大模型，DeepSeek 在数据安全和合规性方面具有优势。对于一些对数据安全有严格要求的企业，尤其是涉及到国家关键领域和重要信息的企业，国产化的DeepSeek能够更好地满足其数据安全和隐私保护的需求，避免了使用国外模型可能带来的风险。

（三）结论

DeepSeek的爆发绝非偶然，其本质是一场 “AI平权运动”，这场门槛革命，使得AI从少数企业的“战略武器”变为普惠化的“数字基建”，从王谢堂前飞入寻常百姓家，这将使得客户中心在试点大模型应用场景的成本急剧降低，将会让非常多的客户服务中心可以尝试或者开始应用大模型，这不仅为客户服务中心带来了新的机遇，同时也推动了整个行业的智能化升级。