Module 01
Agentic AI 工单解决
AI agent 不是回答“请联系我们的客服团队”，而是直接代用户查账单、退还积分、暂停订阅、修改地址——一次对话内闭环。
AI 代理接管 70% 工单，客服团队从“数百人”到 65 人
这家客户是一家做信用卡积分 + 房租支付平台的本土金融科技公司，团队 ~250 人，月工单量 60,000+。Stage 02 阶段他们已经在客服分诊上跑通了 AI；Stage 03 是把整套客服中心 ——人 + 流程 + 系统——按 AI 原生重新设计。
- AI 解决率
- 70%
- 客服团队
- → 65 人
- 年度节省
- $1.75M
- 处理范围
- 端到端
月 60K 工单
从数百人精简
客服支出下降
AI 直接调用 API
Stage 03 · 系统 AI 重构
在 4 阶段路线图上的位置
入口工具AI 原生组织
01 · The customer
客户画像
一家北京本地的金融科技公司，主营信用卡积分 + 房租支付平台，团队 ~250 人，月工单量 6 万+。客户问题涵盖账单异议、积分查询、信用卡支持、租户问题等多种场景。
02 · The challenge
客服中心吃掉了利润，但用户体验还在下滑
传统多层级人工客服中心+外包模式：一层 BPO 接电话过滤 → 二层内部支持升级 → 三层产品专家解决。问题是用户简单问题排队 30 分钟，复杂问题在三层之间转手 3 次还解决不了。客服总成本占运营开支的 8-12%。
公司管理层做过测算：哪怕只是把账单异议这类高频问题 AI 化，每年也能省下数百万。但传统“在客服平台里接个 AI 插件”的方式做不出来——必须重建。
- 月工单量 60,000+，70% 是重复性问题（账单 / 积分 / 退款）；
- BPO 外包合同年开支 7 位数美元；
- 内部客服 + 升级专家 数百人；
- 用户对客服满意度长期低于行业平均，复杂问题平均解决周期 3-5 天。
03 · What we built
AI agent 端到端接管，不是 deflect 是解决
重点：不是“让 AI 拦截工单让用户绕道”（deflect），而是“让 AI 直接打开后台 API 解决问题”（resolve）。AI agent 直接调用账户系统、订单系统、积分系统、退款系统的 API，端到端处理工单——和用户对话的体验就像和一个“最熟悉所有系统的资深客服”聊天。
Module 02
API 编排层
重新设计后端 API 让 AI agent 能安全调用（含权限校验、审计、回滚）——这是 Stage 02 的“接 AI”做不到的事，必须重建。
Module 03
升级路径
AI 处理不了的复杂问题（约 30%）自动升级到 65 人“产品专家”团队——这些专家不再处理重复工单，专心解决疑难案例。
Module 04
持续学习
AI 处理每个工单都被复核 / 标注，反向输入模型——3 个月后 AI 解决率自然爬升 10+ 个百分点。
Module 05
BPO 合同终止
外包合同到期不续约——AI 接管简单工单，65 人内部团队接管复杂工单。
04 · The result
70% 工单 AI 端到端解决，年省 175 万美元
新平台上线后，AI agent 处理月度 60,000 工单中的 70%——端到端解决而非仅 deflect。客服团队从“数百人 + BPO”精简为 65 人产品专家。客服年度支出减少约 175 万美元。但更重要的是：用户满意度反而上升——因为简单问题 3 秒解决，复杂问题专家给的方案更深入。
- AI 解决率
- 70%
- 团队规模
- → 65 人
- 年节省
- $1.75M
- 首响时长
- → 秒级
Indirect benefits · 间接收益
- BPO 合同到期不续，节省 7 位数美元年开支。
- 保留的 65 名“产品专家”角色被重新定义——从“接电话”变成“解决疑难案例”，专业含金量上升。
- 用户简单问题解决周期从“数小时排队”变成“秒级响应”。
- AI agent 处理记录成为产品改进的最大数据源——很多产品缺陷被反向发现。
05· What we’d commit to
如果你想跑这条路 · 我们会怎么开始Lighthouse cases describe a destination. This is how temax would actually engage.
这是 Stage 03 阶段一个企业能跑到的位置。下面是我们承接同类项目时的具体路径——什么时候开始、对什么签字、会拒哪些诉求。
We begin · 我们怎么开始
如果你的客服中心吃掉了利润、70% 工单是账单 / 退款 / 状态查询这类重复问题——我们会先 4 周做 API 编排层与权限模型设计，再决定 AI agent 能直接调哪些 API。“让 AI 替你答复”和“让 AI 替你解决”是两件事。
We measure · 我们对什么负责
签的是“AI 端到端解决率”“年化人力 + BPO 节省”“用户 CSAT”——不是“deflect 了多少工单”。Deflect 是早期 KPI，不是终态。
Risk we’d flag · 风险与边界
最危险的失败模式是把 AI 当 deflect 工具——拦截了用户但没解决问题，CSAT 反而下降。所以我们坚持“能 resolve 才接，不能 resolve 不上”——一开始只接 3–5 类工单也比 deflect 全量好。
典型 scope：年度合伙 · 组织 + 流程
聊一下你的场景06 · Next step
这位客户的下一步Where this customer goes next.
每个 Stage 01 客户都不止于此。下面是这家公司在路线图上的下一站， 也是 AI 原生组织进化的下一格。
Stage 04 · AI 原生组织
把 AI agent 从客服扩展到运营、市场、风控
客服系统跑稳定后，下一步是把“AI agent 端到端解决问题”的模式扩展到运营（活动配置）、市场（投放优化）、风控（异常识别）等更多场景。整个公司开始按“每个职能岗位标配一个 AI agent”的方式设计组织结构。
预估年度合伙 · 组织 + 流程
看完整 RoadmapAnother case
多品牌连锁餐饮