人工质检的问题不是不认真，而是只能抽 2%。剩下 98% 里的问题，往往要等客户投诉才被发现。
一、质检要回答的三个问题
- 有没有答错：答案与知识库、政策是否一致
- 有没有答偏：客户问 A，客服答 B，绕了几轮才回到正题
- 有没有越界：承诺了不该承诺的赔付、时效、功能
这三类里，第一类可以靠规则比对，第二、三类需要语义理解，正是 AI 质检相对传统关键词质检的优势所在。
二、AI 能判什么，判不了什么
| 维度 | AI 可判 | 需人工复核 |
|---|---|---|
| 响应时效 | 首响、平均响应、超时次数 | — |
| 规范用语 | 开场、结束、禁语 | 语气是否生硬 |
| 问题解决 | 是否给出明确结论、是否需二次转接 | 结论是否真的正确 |
| 情绪与升级 | 客户负面情绪、要求投诉 | 情绪背后的真实诉求 |
| 承诺风险 | 出现赔付、时限、绝对化表述 | 承诺是否已被授权 |
把 AI 定位成"筛出可疑对话"，而不是"直接定分扣钱"。人工只看被判低分和高风险的对话，效率提升最明显。
三、评分规则要可解释
- 每个扣分项必须能定位到具体一句对话，不能只给一个总分
- 权重公开：例如规范 20%、解决率 50%、承诺风险 30%
- 区分"客服责任"与"系统责任"：知识库没写、系统查不到，不能算客服的错
- 保留申诉通道，客服能看到自己被扣分的原因并反馈
规则不透明，质检就会变成"AI 说我不行"，一线抵触之后，再好的模型也推不动。
四、闭环：从扣分到知识库修订
质检的最大价值不是考核，而是发现知识缺口。做法：
- 把低分对话按问题类型聚类（政策不清、流程不明、系统故障）
- 每周输出一份"高频未解决Top10"，交业务与知识库负责人
- 知识库补齐后，回看同类问题的解决率是否上升
- 对反复出现的同一错误，检查是培训问题还是知识条目写得太绕
先修知识库，再谈考核
知识库本身有错，质检只会惩罚照实回答的人。顺序反了，项目必失败。
五、隐私与合规边界
- 明确告知：录音与质检用于服务改进，在通话开头或工单页说明
- 数据最小化：质检只处理对话文本，不额外收集无关个人信息
- 存储与访问：质检数据单独权限，留存期按制度执行，到期删除
- 外部模型：涉及客户信息的对话不直接送外部接口，优先本地部署或脱敏处理
- 人工复核留痕：评分调整、申诉处理都要有记录
这套做完，质检才算真正从"抽查"变成了"可运营的质量体系"。
#AI质检#客服质检#对话分析#效率与AI
