上个月帮一个做电商的朋友搭建了一套AI售后处理系统。他团队5个人，每天光处理退货退款、物流查询、差评回复就要花掉3个人力。现在这套系统跑了一个月，结果很直接：售后组从3人减到1人，每月省下2万块工资支出。
今天就把这套东西拆开讲讲，对想做AI落地项目的人应该有点启发。
先说这个朋友的情况。他做的是抖音电商，日均订单量800-1000单。售后场景很典型：催发货、查物流、申请退款、投诉物流慢、商品质量问题需要退货。这些对话80%以上是重复的，顾客问的问题翻来覆去就那几样。以前3个人干这个活，每天累死累活回复着几乎一样的内容。
改造方案不复杂，底层逻辑就三步：接住、分类、处理。
接住就是把所有售后入口统一到一个窗口。他们用企业微信做客服工具，我把所有售后消息通过企业微信API接到一个中间层。这一步的关键是要做到消息实时推送，不能有延迟。用的是Webhook监听，基本上用户发消息到客服号的瞬间，系统就收到了。
分类这一步是核心。我把常见的售后请求归了6大类：物流查询、退货申请、退款催办、商品咨询、差评处理、其他。然后用GPT-4o做意图识别。这里有个小技巧：不要一上来就用大模型判断所有情况。我设计了一套规则漏斗，先走关键词匹配（比如消息里含"退货"两字就先归到退货类），匹配不上的再交给LLM做语义理解。这样既能保证命中率，又能控制API成本。实测下来，90%的消息能在规则层命中，只有10%需要调大模型，API费用一个月不到200块。
分类之后就是处理。不同类别的消息走不同的处理流程：
物流查询类的，直接调快递100的API查最新物流状态，自动回复给用户。90%的物流查询能在5秒内解决，用户根本感觉不到是机器在回。
退货申请类的，先调订单系统确认订单状态，然后自动生成退货单号，发送退货地址给用户。如果订单金额超过500或者用户历史退货率超过30%，自动转人工审核。
退款催办类的，先查退款到哪一步了，如果在48小时内就回复标准进度话术并承诺跟进，如果超48小时就标记为紧急并通知人工处理。
差评处理类的最有意思。系统会自动抓取差评内容，用AI生成一条回复话术，然后由人工确认后发布。以前写一条差评回复要5分钟，现在15秒搞定，文案水平还不比人写的差。
整个系统跑了一个月，数据是这样的：自动处理率83%，人工介入率17%。自动处理的售后工单中，用户满意度91%。原来3个人干的活，现在1个人+系统就搞定了。
这里说几个从这件事里悟出来的点，想做AI创业的人可以参考。
第一，别追风口，要找具体的场景。2025年了，通用大模型的能力大家都差不多，真正值钱的是你把这个模型塞进哪个业务流程里。售后客服、销售跟进、内勤审批、简历筛选，任何一个具体场景做透了都够吃几年。
第二，规则+AI比纯AI更靠谱。所有AI落地的坑我都踩过，最大的教训就是不要迷信大模型。纯靠AI的场景，幻觉、延迟、成本都是问题。最好的方案是先用规则兜底，再用AI做补充。规则处理得又快又准又不花钱，AI只是用来处理规则搞不定的边缘情况。
第三，交付的时候要给客户控制感。很多做AI项目的创业者喜欢把一切自动化，不让客户碰。但真正用系统的人会慌，觉得自己失去了对业务的控制权。我在这套系统里加了一个"退人工"按钮和一个审核队列，让那个留下的售后人员可以看到所有AI处理过的工单，随时可以介入修改。安全感给到位了，系统才能真正用起来。
第四，按结果定价比按时定价好收钱。我这个项目的报价方式是基础服务费+节省人力费的30%分成。朋友算了一笔账，省了2万人工，他付我6000，大家双赢。这种定价方式客户接受度很高，因为你和他站在同一边，你帮他省钱你才能赚钱。
说实话，这套东西的技术含量并不高。不需要自己训练模型，不需要复杂的架构设计，就是一个API串联的自动化流水线。但就是这种看上去"不够高级"的项目，反而最好赚钱。因为客户要的是解决问题，不是看你的技术有多牛。
AI创业这条路，跑得快不如扎得深。找到一个小痛点，用AI把它打透，这个思路比做平台、做SaaS更容易在短期内见到收益。 |
