我的立场是：消费级机器人真正拉开差距的，不只是产品能完成多少自动化任务，还包括品牌能不能把售后排障做得足够稳定。

我们在交付一线看到的是，产品越自动，售后往往越手工。世界机器人大会（WRC 2026）正在北京亦庄举行，时间是 8 月 19 日至 23 日，现场有 300 余家企业、3000 余件展品，主题是「人机共生，产需共融」，并首次设立「采购日」。多家行业媒体的首日观察指向同一个信号：机器人开始找工作了。

但从跨境电商客服的视角看，还有一个容易被忽略的问题：机器人已经在一些家庭场景里「就业」好几年了，售后却仍然高度依赖人工。

被忽略的错位

大会上讨论最多的，是机器人能替代哪些工作。

宇树的 G1 在台上打乒乓球，优必选的工业人形在演示纸箱拆码垛，云深处、傅利叶、银河通用各显神通。台下的问题往往只有一个：这些能力什么时候能变成一份真正的工作。

但割草机器人已经在北美的院子里工作，泳池机器人也已经在欧洲的后院里工作。这个赛道由中国品牌主导，客单价从几百到几千美元。

值得注意的是，这里存在一个结构性错位：

这些公司卖的是全场自动化程度最高的产品，而它们的售后，恰恰是最依赖人工的环节。

一个典型场景是，用户在深夜发来一封邮件：

E03 报错怎么办。

处理这封邮件，通常需要完成几步：

• 识别错误码对应的型号和固件版本；
• 多轮引导用户排查；
• 判断是操作问题还是硬件问题；
• 再决定补发还是退换。

今天在大多数公司，这个流程依赖一名培训了三个月的客服，以及一份几百页的说明书。

我们的交付数据显示，机器人与智能硬件品类的客户进线中，占比最高的不是物流，也不是退换货，而是产品排障和使用指导。

它同时也是错误成本最高的类目。答错一次，代价可能是一个差评加一单退货。

为什么排障会成为分水岭

客单价一两千美元的品类，用户对售后响应的容忍度远低于低值商品。

物流和退换货各家差距有限，真正拉开口碑差距的变量，是用户遇到问题时，能不能在较短时间内获得专业、准确的回答。

这项能力不足，最终会体现在星级评分和退货率上，并持续侵蚀利润。

所以我的第一个判断是：

排障能力将成为消费级机器人品牌的分水岭。

这不是因为排障听起来更复杂，而是因为它同时具备几个特点：进线频率高、处理链路长、需要结合产品知识判断，而且答错后的成本较高。

AI 接管是方向，但不是按下开关就结束

第二个判断是：

AI 接管排障是确定方向，但「上线」与「能用」之间存在数月的运营周期。

排障场景高频、有 SOP、可复用，是 AI 客服适配度最高的场景之一。我们交付的项目中，某家电品牌将复杂故障排查场景做到了接近全量接管。

但更值得从业者关注的是过程数据。

几乎所有项目在初期都经历过「AI 每回一条、人工复核一条」的阶段。回复准确率未达标准，就不放量；复杂赔付与政策例外，则设计为必转人工。

这里的必转人工不是能力缺陷，而是边界设计。

一个参考样本是：某品牌站外邮件的 AI 回复率，用了六个月从 18% 提升到 34%。

这条曲线并不陡峭，但它是真实的。

值得注意的是，很多团队容易把「上线」理解成技术部署完成，实际上，排障 AI 是否能稳定运行，还取决于知识整理、人工复核、边界设定和指标监控。

客服团队的价值会被重新定价

第三个判断是：

客服团队的价值将被重新定价。

AI 接走高频重复部分后，实际发生的并不是简单的人员替代，而是分工重构。

资深客服会从一线应答中逐步退出，转向做几类工作：

• 定义业务边界；
• 沉淀 SOP；
• 处理例外情况；
• 把个人经验转化为带日期、可更新的组织知识。

这也是客服岗位变化中容易被低估的一点：过去依赖个人记忆和经验的内容，开始变成可以维护、复用和持续校正的知识资产。

一个可验证的行业事实是，目前的 AI 训练师，绝大多数来自原客服团队。

如果要做，先从知识和边界开始

第一，把售后知识当资产管理，而不是当文档存档。

错误码对照表、排障决策树、固件版本差异、赔付规则，这些内容通常散落在资深客服的个人经验里，却是 AI 能否接住排障场景的前提条件。

这项工作不依赖任何 AI 项目启动，可以立即开始。

第二，如果要上 AI，先划边界，再放量。

可以从最高频、规则最清晰、风险最低的场景切入，同时建立四个指标的联动监控：

• 回复率；
• 准确率；
• 解决率；
• 转人工率。

单看回复率，容易冒进；单看准确率，又可能永远停留在试点。四个指标需要放在一起看，才能判断 AI 是否真的接住了业务，而不只是产生了更多回复。

写在最后

这届大会的主题是「人机共生」。

在客服这个具体岗位上，它已经不是一个抽象愿景，而是可以按日拆解的运营指标：AI 承接重复，人负责判断。

机器人的第一份工作是什么，大会仍在讨论。

我们在交付一线看到的版本是：它先接住了自己制造者的售后。

这套方法论的核心并不在于尽快让 AI 回答更多问题，而在于先把知识、边界和指标建立起来，再逐步扩大接管范围。