内容摘要：先解决"答得准"，再考虑"分得对"。
物业客服是 AI 落地最自然的场景之一：问题重复度高、有明确的处理规则、服务时段长。但真正上线后能稳定运行的案例，往往走过了一条分阶段的路径，而不是直接用模型替换客服。
一、第一阶段：知识问答，先把"答得准"做实
客服每天面对大量重复问题：缴费方式、报修进度、装修规定、车位办理。这一阶段的目标不是让模型自由发挥，而是让它基于企业自有资料给出准确回答。
- 资料范围：收费制度、管理规约、办事指南、常见问答
- 关键要求：答案必须能追溯到原文条款
- 评价指标：准确率与"不确定时主动转人工"的比例
一个容易被忽略的前提
如果制度文档本身版本混乱、存在多份口径不一的旧文件，模型给出的答案也会同样混乱。上线前先做一次资料清理，比调优模型更有效。
二、第二阶段：话术辅助，帮人而不是替人
在沟通场景中，模型可以实时给出参考话术、提示需要补充的信息、建议下一步动作。此时决策权仍在客服手里，风险最低，接受度也最高。
让一线人员感觉"多了个帮手"，比让业主感觉"换了个机器人"更容易推进。
三、第三阶段：工单自动分派
当问答与话术阶段积累了足够数据，就可以尝试自动分派。核心是把业主的自然语言描述，映射到标准的工单类型与责任岗位。
落地要点
- 先固定工单分类体系，再训练映射关系
- 设置置信度阈值，低置信度转人工确认
- 记录每一次人工修正，形成持续优化样本
常见的失败方式是跳过分类标准化直接上模型。分类本身不统一，模型学到的只是噪声。
四、效果边界：三类问题不要交给模型
- 涉及资金争议与责任认定的事项
- 情绪激烈、需要现场沟通的投诉
- 需要调用历史未公开信息的特殊个案
五、衡量成效的四个指标
- 首次响应时间
- 一次解决率
- 转人工比例及其原因分布
- 人工修正率的变化趋势
AI 在物业客服的价值，不是减少人数，而是把人从重复解答中释放出来，去做需要判断和沟通的工作。路径对了，效果会自己显现。