语音 AI 如何从新奇事物发展成为核心基础设施

在每项技术的部署过程中，总会有一刻，人们不再纠结于“它能否运作？”，而是开始思考“我们能否以此运营业务？”

我在酒店科技领域深耕十年，亲眼见证了这一转变：先是物业管理系统，接着是收益管理软件，再后来是运营平台。其发展轨迹始终如一。一项新功能在试点中证明自身价值，早期采用者将其引入关键工作流程，随后它便进入运营层。在这个层面上，系统一旦出错，损失立竿见影，而非事后才发现；而那些在演示中表现亮眼的供应商，有一半会悄然消失。

语音 AI 如今正处于这一转折点。

当风险真正提高时，要求也会随之改变

语音机器人赢得信誉的方式与所有企业技术一样：首先在风险较低的情况下证明其价值。例如日程安排、基础常见问题解答、呼叫转接等。这些都是错误代价较小、对“足够好”的要求较低的狭窄任务。这一阶段如今已基本过去，讨论的焦点也已转向。

如今，企业正将 AI 客服作为所有客户来电的首个接触点，而这一角色在不久前还由真人前台或呼叫中心客服承担。当 AI 占据这一位置时，它便成为了企业运营的基础设施的一部分。

当 AI 处于客户获取的关键路径上时，评估标准便会彻底改变。准确性基准和演示表现已不再重要。真正关键的问题变成了：在生产级规模下，系统的运行时间有多长？当来电者口音浓重、存在背景噪音，或在说话中途更改请求时，系统会如何应对？在节假日的凌晨2点，当您的团队无法联系，且系统遇到前所未见的情况时，又会发生什么？

这些并非边缘案例。在生产级 AI 部署中，它们就是日常。

实时人工智能的实际需求

在实时环境中运行 AI 代理，没有延迟的余地，没有重试的能力，也没有人参与其中，这会带来基准测试中不会出现的限制。

响应延迟是信任与放弃之间的分界线。发表在《美国国家科学院院刊》上的一项研究发现，人类自然会在大约200毫秒内完成对话的交接，即使是微小的偏差也会被视为异常信号。在语音 AI 领域，这种敏感性会产生实际影响。通话者并非有意在响应时间过长时选择挂断电话，而是自然而然地这样做。这种停顿让他们感觉出了问题，并会做出相应的反应。

一致性是第二个制约因素，也是更难实现的。如果 AI 代理在客户第一次通话时提供准确信息，而在第二次通话时提供不同的信息，这不仅会造成混乱，还会摧毁客户对系统的信任，进而影响企业的声誉。要大规模实现响应的一致性，需要与记录系统进行实时集成，例如预订平台、库存、服务可用性以及特定地点的规则。无法连接到实时数据的 AI 将始终基于昨天的信息运行，而在客户沟通中，昨天的信息远远不够。

第三个制约因素区分了规模化运营的供应商和尚未实现规模化运营的供应商：故障恢复能力。这并非指完全避免故障（因为这不可能做到），而是指能够发现故障原因、修复故障并在下一班次开始前部署修复方案的系统、流程和经验。这种能力需要数年而非数月才能建立，而且在产品演示中是看不到的。

内置式与附加式：为何这会改变一切

作为工作流附加的 AI，与作为工作流本身的 AI 之间，在运营层面存在着显著差异。

作为附加的 AI 即使表现欠佳，也不会造成灾难性后果。如果摘要工具遗漏了上下文，或者日程安排助手需要修正，代价不过是些许摩擦。但在诊所、家政服务公司或多门店零售企业中，负责处理来电的 AI 代理绝非补充角色。它是客户决定去留前接触到的第一个，往往也是唯一的接触点。对不一致性的容忍度几乎为零。

当 AI 融入业务核心时，所有权也必须随之转移。处理客户来电的语音客服不再是IT资产，而是属于负责营收的部门，这彻底改变了供应商关系的性质。你购买的不再是软件，而是运营合作伙伴。

集成要求也从理想状态变成了强制性要求。在我大规模构建运营技术时，那些最终获得永久采用的系统，都表现得好像已经掌握了业务所需的一切信息。语音 AI 也必须达到同样的标准。如果它不能与你的客户关系管理系统（CRM）实时同步，不能在下一个来电之前了解你更新后的定价，也不能在需要时转接人工客服，那么它就还不适合部署到运营层。

 性能指标也从“基本准确”提升到了“稳定可靠”。当然，这听起来很相似，但它们并不相同。

这种转变并非语音技术独有。麦肯锡的客户服务研究表明，面向客户的 AI 领域也呈现出同样的趋势：技术正从增强型应用转向基础设施，企业预期也必须随之改变。Gartner预测，到2028年，33%的企业软件应用将包含智能代理 AI，而2024年这一比例还不到1%。这充分说明了运营的未来发展方向。

如何评估 AI 系统在生产环境中的应用

大多数组织犯的错误是，用评估软件的方式来评估 AI 系统，即以功能完整性和基准性能为标准。这种方法在系统作为辅助工具时有效，但在系统承担主要功能时则失效。

麻省理工学院2025年的一项研究调查了300个企业 AI 部署案例，发现 95% 的 AI 试点项目未能对企业盈利产生可衡量的影响，而主要原因并非模型质量问题，而是与现有工作流程的整合不佳。这一发现应该重新审视所有领导者进行评估的方式。

对于将在核心工作流程中运行的智能体 AI，我们需要采用不同的视角。首先要了解其生产历史，而不是演示。询问供应商最大的生产部署案例是什么样的，规模有多大，并要求与这些客户直接交流。任何对其生产性能充满信心的供应商都会毫不犹豫地答应。

仔细评估运营支持模式。企业级 AI 部署并非购买许可证，而是一种持续的运营关系。关键不仅在于 AI 在第一天是否运行正常，更在于当大规模出现意外情况时，谁来监督它运行到第90天。

衡量企业真正关心的指标，而不是像“AI 采用率”或“处理的互动次数”这样的虚荣指标。衡量 AI 处理电话与人工处理电话的潜在客户转化率、客户满意度评分以及 AI 恢复的互动直接带来的收入。这些数据将告诉你，该系统是否真正发挥了作用，还是仅仅在制造活动。

最后，要做好组织变革的规划。Gartner 对智能体 AI 项目失败的研究发现，到 2027 年底，超过 40% 的智能体 AI 项目将被取消，主要原因是成本不断攀升和商业价值不明朗。我认为，那些能够从语音 AI 中获益最多的组织，是那些从一开始就明确责任归属、以商业术语定义成功，并对系统采用与团队其他成员相同的标准来要求的组织。

 将语音 AI 投入生产很容易。但如何让它持续运行、确保其有效性并使其在业务中赢得一席之地，这才是大多数企业仍需努力的方向。