从配置到采纳：联络中心AI部署最佳实践
Key takeaway: 本文是Five9公司产品营销总监Sarika Prasad与高级总监Josh Sosebee在一场网络研讨会上分享的AI部署最佳实践，聚焦于联络中心场景的落地方法论。文章提出四个核心建议：其一，语音转文本（speech-to-text）的准确性是所有语音AI应用的基础，需采用词错误率（WER）衡量，Five9建议通过真实通话音频的内部测试框架为客户定制或训练模型。其二，应采用“引擎无关的AI策略”，避免供应商锁定，文中举例DeepGram在Five9的AI Agents准确率测试中领先，而Amazon在agent assist方面更强，因此需要灵活切换。其三，生成式AI（GenAI）显著压缩了部署周期，例如一家家具配送公司通过预配置LLM模板即快速上线，另一医疗客户借助LLM将600个医学术语双语同义词映射的部署时间从数周缩短至一天。其四，将一次性部署转为分阶段上线，从数小时即可完成的转录与摘要，到后续几周的指导卡片，再到复杂的自助服务，并行推进；同时强调人工座席是赋能对象而非被替代者，AI主要负责处理密码重置等高量重复任务。据Five9对超1000名消费者的调查，36%的客户因一次糟糕的聊天机器人体验便不再使用，因此首次部署质量直接影响客户留存。文章最终结论指出，在启动自动化前构建“AI蓝图”、审查客户真实对话数据以识别高影响机会，是成功的关键。
- 语音转文本的准确性是所有语音AI应用的最关键基础，行业用词错误率（WER）来衡量，即使微小的错误率上升也可能导致呼叫路由错误和客户不满。
- Five9建议采用“引擎无关的AI策略”，不绑定单一供应商，其内部测试显示DeepGram在AI Agents准确率上领先，而Amazon在agent assist方面表现强劲。
- 生成式AI大幅压缩了部署时间线：一个家具配送公司通过预配置LLM模板快速上线，一个医疗客户借助LLM将600个双语医学术语同义词的部署周期从数周缩短至一天。
- 成功的AI部署应采用分阶段上线策略：转录和摘要服务可在几小时内上线，指导卡片和检查表在随后几周跟进，复杂的自助服务应用则并行扩展。
- 部署中需要赋能并引导人工座席，AI旨在处理重复性高、大批量的呼叫（如密码重置），使座席能专注于高价值对话，从而提升其生产力。
- Five9一项针对全球超过1000名消费者的调查显示，36%的客户在一次糟糕的聊天机器人体验后就不会再使用它，因此正确的首次部署直接影响客户留存。
- 在启动AI自动化之前，许多CX领导者会先构建“AI蓝图”，利用对话洞察和运营数据来识别影响力最大的机会，以了解客户真正需求。
在AI浪潮席卷客服中心之际，Five9的这篇文章罕见地聚焦于"部署落地"而非"技术选型"，直击行业痛点。作者Sarika Prasad与Josh Sosebee从实战出发，提出了语音转文本精度是地基、引擎无关策略保持灵活性等务实建议，并用家居配送和医疗行业的真实案例，生动展示了GenAI如何将部署周期从数周压缩至数天。对于正在或即将推动AI上线的CX领导者、前线部署工程师而言，这是一份极具操作价值的避坑指南，不容错过。
语音转文本的准确性是所有语音AI应用的最关键基础，行业用词错误率（WER）来衡量，即使微小的错误率上升也可能导致呼叫路由错误和客户不满。
—— 络石智能编辑部 · Editor's Pick从配置到采纳：联络中心AI部署最佳实践
- 联络中心管理
- 生成式AI
- AI与自动化
Sarika Prasad 总监，产品营销
将AI引入联络中心已不再是“是否”的问题，而是“如何”的问题。但AI的投资回报率并非必然。仓促或规划不当的部署反而会制造更多问题。
在最近的Five9网络研讨会上，我与Five9高级总监（AI与定制服务）Josh Sosebee共同探讨了成功上线所需的具体步骤。
以下是每位客户体验（CX）领导者在启动前需要了解的关键AI部署最佳实践。
技巧#1：正确实现语音转文本
任何AI模型在路由通话、识别潜在客户或推送知识文章之前，都必须准确理解所说的内容。这意味着语音转文本的准确性不仅仅是一个技术细节；它是所有语音AI应用最关键的基础。
“如果语音转文本转录错误，你就无法实现自助服务，”Sosebee表示。
衡量这一点的行业标准是词错误率（WER）——简单来说，就是模型出错的频率。即使微小的上升也可能导致通话被路由到错误的地方，在人工介入之前就让来电者感到沮丧。
挑战在于，语音转文本的性能并非一刀切。适用于播客录音的模型往往难以应对真实的联络中心音频——背景噪音、口音和移动网络连接都会改变结果。
Five9专业服务团队维护着内部测试框架，基于真实电话录音，为每位客户的具体环境选择最佳的语音转文本模型。对于具有独特术语或挑战性音频条件的用例，他们可以从头构建定制模型。
打好这个基础是第一步，虽然不起眼但不可或缺。
技巧#2：拥抱引擎无关的AI策略
大多数组织会选择一家语音转文本或大语言模型（LLM）供应商并坚持使用。问题是市场变化很快：今天在准确性测试中胜出的模型可能在六个月后就不是最佳选择了。
Five9采用引擎无关的AI策略，这意味着客户不会受限于单一供应商。
目前，DeepGram在我们内部的许多Five9 AI智能体准确性测试中领先，而Amazon在智能辅助方面表现出强劲成绩。随着模型改进，这种平衡可能会发生变化。
正如我在网络研讨会上指出的：
“随着我们获得更多更新的模型，我们会根据准确性以及不同的特性和能力，将它们集成到我们的系统中。”
引擎无关的策略还意味着，随着更好的模型出现，你随时可以切换，而无需重建整个架构。
技巧#3：利用生成式AI加速价值实现时间
现代AI部署最佳实践中最大的变化之一是生成式AI如何压缩了实施时间线。过去需要数周意图训练和同义词映射的任务，现在可以在几天甚至几小时内完成。
Josh分享了两个真实案例：
简单部署：一家家具配送公司需要根据客户意图进行语音通话路由。使用预配置的LLM模板，Five9团队填写了一个简单的映射表，并迅速上线。由于LLM已经基于互联网规模的家具配送服务数据进行了训练，该模型只需极少的额外训练，即使在通话者在同一句子中混合意图时也能保持稳定。
复杂部署：一位医疗客户带来了大约600个医学术语同义词——药物名称、症状、专科类别——需要映射到两种语言的正确路由目标。
在旧系统下，这需要大量的训练数据和相当长的时间才能实现高质量上线。而采用基于LLM的方法，团队快速测试确认模型能开箱即用地处理同义词，以结构化格式加载专科列表，客户从第一天起就上线处理多种语言。
“构建时间从数周缩短到了数天，”Sosebee总结道。
技巧#4：分阶段部署并赋能团队
试图一次性部署所有内容注定失败。成功的AI部署最佳实践通常从小处着手，逐步扩展。例如：
转录和摘要可以在数小时内上线
指导卡片和检查清单在接下来几周内跟进
更复杂的自助服务应用随后并行扩展
同样重要的是：需要让客服人员参与进来，而不仅仅是培训。
当客服人员担心AI会取代他们时，采纳就会停滞。实际上，如今的AI智能体处理的是没人愿意做的重复性、高通话量任务：密码重置、基本账户查询等。
当AI移除重复性任务后，客服人员可以专注于更有价值的对话——这是组织利用AI提升客服人员生产力的关键方式之一。
首次部署正确既是客户保留问题，也是运营问题。根据Five9对全球1000多名消费者的调查，36%的客户表示在一次糟糕体验后不会再使用聊天机器人。
以自定义通话摘要为例。客服人员无需在每次交互的最后30秒疯狂记录笔记，而是可以专注于对话。在通话后工作窗口紧凑的联络中心，仅这一项改变就能同时改善客服体验和运营效率。
许多组织在完全了解客户对话内部情况之前就直接跳入AI部署。这就是为什么许多CX领导者首先构建AI蓝图——利用对话洞察和运营数据来识别影响最大的机会，然后再启动新的自动化。当团队了解摩擦点所在以及客户真正需求时，AI部署最佳实践就更容易执行了。
要点
成功运用AI的组织并非只是行动更快或追逐最新模型。
他们关注的是基础：
准确的语音转文本和良好的词错误率表现
保持选项开放的引擎无关AI策略
建立信心的分阶段部署
以及准备好与AI协作的客服人员
这才是将AI投资转化为实际成果的关键。
Sarika Prasad 总监，产品营销
Tags
Related Topics
Expert Comment
This article is curated by the editorial team from public sources for reference only.