生成式 AI 在客服场景的热度已经不需要论证，但"到底能提升多少产能"这个问题，厂商白皮书和真实研究之间往往差着一个数量级。本文只取数据点，把几家权威研究的基准摆在一起看。
一、最硬的一组数字：NBER 的随机引入实验
NBER 工作论文 31161（Brynjolfsson、Li、Raymond，后发表于《Quarterly Journal of Economics》2025）是目前最严谨的研究之一：它在一家财富 500 强软件公司的 5,179 名客服座席 上，用"分阶段灰度上线"的方式观察生成式 AI 对话辅助工具的真实效果。
| 观测指标 | 实测变化 |
|---|---|
| 每小时解决量（issues resolved per hour） | +14%（期刊版为 +15%） |
| 新手 / 低技能座席 | +34% ~ 35% |
| 资深 / 高技能座席 | 几乎无提升，部分质量微降 |
| 资历 2 个月的座席 | 表现 ≈ 未用 AI 的 6 个月资历座席 |
| 附带效应 | 客户情绪改善、员工留存提升 |
核心机制很清晰：AI 把头部座席的隐性最佳实践"蒸馏"后分发给了所有人，所以增益高度集中在经验曲线中段以下的座席，资深者本就是天花板，提升空间有限。
二、其他权威研究的 corroboration
| 研究来源 | 样本 | 座席辅助相关基准 |
|---|---|---|
| 哈佛商学院（Zhang & Narayandas，Management Science，2025） | 25 万+ 聊天会话 | AI 辅助座席响应速度 +20%，共情与详尽度评分更高（新人更明显）；但回复"过快"会触发客户"像机器人"的怀疑 |
| Metrigy（AI for Business Success） | 697 家公司 | 启用座席辅助后 AHT 降低 29.5%；55.7% 企业因此减少了新人招聘需求；未用 AI 的企业比用 AI 的多招 89% 座席 |
| Salesforce（State of Service 2026） | 全球 3,075 名服务从业者 | 客服 AI 智能体采用率 39%（2025）→ 66%（2026）；70% 在 60 天内见到可量化价值；40% 案例由 AI 全自主处理，平均解决时长 -20% |
三组独立来源指向同一结论：座席辅助的增益是真实且可量化的，但幅度取决于"谁在用"和"用在哪一环"。
三、采用面的背景数据
| 维度 | 数据点 |
|---|---|
| Gartner | 到 2026 年生成式 AI 为联络中心节省约 800 亿美元 成本；85% 的 CX 负责人在 2025 年已测试或部署生成式 AI |
| Zendesk | 90% 的 CX 负责人认为 AI 工具 ROI 为正；但 54% 的客户仍偏好人工处理复杂问题 |
这组数据提醒我们：采用率高不等于全自主，绝大多数落地仍是"辅助人"而非"替代人"。
四、国内云联络中心的落地对照（示意测算）
以一家 100 席、月均 100 万次交互 的云联络中心为例做静态换算（仅作量级参考，非实测）：
- 若 AI 座席辅助带来平均 +14% 解决量/小时，等效于在不增编的情况下释放约 14 个座席当量 的吞吐，或同等人力下整体产能 +14%。
- AHT 下降 9% ~ 29.5%，直接传导到单通成本（CPC），与渠道迁移、FCR 提升并列为三条最易量化的降本杠杆。
- 增益最大的人群是新人，因此优先在新人培训期（30/60/90 天）部署 座席辅助，ROI 最高。
三条落地建议：先接"摘要 + 知识推荐 + 话术建议"这类低风险环节，把人工留在判断与情绪节点；把"每小时解决量、AHT、新人爬坡周期"设为对照指标，而非只看节省了多少人头；警惕"回复过快像机器人"的反效果，给 AI 建议加上语速与语气的人性化约束。
数据来源：NBER 工作论文 31161《Generative AI at Work》（Brynjolfsson, Li, Raymond，发表于 Quarterly Journal of Economics 2025）。本文图表与对照表由本平台依据上述公开数据绘制与换算，解读仅代表本平台观点。