KPN 是荷兰最大的电信运营商，每年要接大约 500 万通客服电话。对这样体量的公司，哪怕把一小部分标准化咨询自动化，都是一笔巨大的运营账。9 月，KPN 与 McKinsey 的 AI 部门 QuantumBlack 把智能体接进了核心客服系统，做了一件比「让机器人接电话」更往前一步的事：让智能体不只是回答问题，而是直接办成事——查身份、问订单、约技师、排网络故障，并在需要时把复杂对话交回人工。
从「问答」到「办成事」：客服智能体的分水岭
过去几年，客服系统的智能几乎都停在「问答」层：机器人回答「我的账单怎么了」「我的工单到哪了」，但真要改点什么，往往还是得转人工。KPN 这次的尝试把落点放在「完成一项任务」上。它先分析了大量匿名通话与聊天记录，找出反复出现的客户诉求，再据此把用例收敛到身份核验、订单状态查询、技师预约管理和网络故障排查这几类。这一步是关键：不是上来就堆一个万能对话模型，而是先弄清楚哪些流程真的能端到端交给智能体。
增量认知：客服智能体的价值分水岭不在「能不能聊」，而在「能不能办」。能回答问题是 Chatbot，能调用后端系统把事办完才是 Agent。KPN 的做法是先选流程、再接系统，而不是先上模型、再想场景。
技术上，KPN 搭了一个把智能体与公司核心电信系统连起来的平台，让智能体不止提供信息，还能真正读写业务数据。语音对话被设计成响应时延控制在每轮两秒以内，并且允许客户在智能体说话途中插话，系统保留上下文——这是语音场景里很具体、也很容易被忽略的工程要求。把延迟压到两秒、允许打断，决定了用户是否把这套系统当成「能对话的人」而不是「又一层菜单」。
上线不是终点：每天百通电话的复盘闭环
KPN 没有把系统上线当作终点，而是设计了一套持续运营的闭环。团队每天抽查最多 100 通客户通话，用这些真实样本评估交互的质量与安全，据此优化提示词，并在当天发布更新。这种「白天跑服务、晚上改提示词、次日见效」的节奏，把智能体从一次性项目变成了持续迭代的生产系统。配套的还有护栏把智能体限制在既定边界内，以及用来监控表现的配套工具。
人的角色也被重新设计。KPN 成立了一个专门的工作组，随着智能体接手常规活动来更新流程与培训；一线员工参与开发与测试，而客服专家则把精力更多放在需要人类判断与共情的复杂交互上。公司称员工采纳方式的成功率超过 86%，早期指标显示客户满意度与人工处理的电话相当。这个数字之所以重要，是因为它说明一线没有把智能体当成威胁，而是当成减轻重复劳动的同事。
为什么要做、能做到什么程度
KPN 设定了一个明确目标：到 2027 年，让智能体自主处理 10% 至 20% 的客服呼入。这个数字值得玩味——它既承认智能体能力在快速成长，也清醒地把它限定在「常规、可结构化」的那部分通话上，把复杂、敏感、需要共情的对话留在人手里。对一家每秒都在处理真实客户问题的运营商来说，这是一种务实的分工，而不是炫技式的全面替代。
边界提醒：智能体客服的成效高度依赖底层系统的可访问性与数据质量。若后端接口散乱、权限模型不清，智能体要么办不成事，要么在「办成事」的过程中越权。KPN 的经验里，最值得抄的不是模型，而是「先梳理流程、再接系统、持续复盘」这条工程路径。
从行业视角看，KPN 的案例说明：把智能体放进高量级客服运营，运营流程的重设计分量不亚于技术部署本身。它给电信运营商提供了一个可参照的样本——不是如何用 AI 替代人，而是如何在保留人的前提下，把重复劳动系统地交给智能体。对更多流程密集、系统林立的传统企业，这套「先选流程、再接系统、天天复盘」的方法，比追逐最新模型更有迁移价值。