分层解析：生成式 AI 和以知识为中心的服务如何简化客户支持

作者：来自 Elastic Julie Rudd

客户支持的核心在于打造无缝的客户体验。如今，客户期望问题能迅速得到解决。而传统的分层支持模型，是为了服务内部团队而非最终用户，常常反而成为阻碍。这种模型会带来响应延迟、让客户重复描述问题，最终导致挫败感。

生成式 AI（GenAI）和以知识为中心的服务（knowledge-centered service - KCS）彻底颠覆了这一模式。KCS 的完整产品文档和文章为生成式 AI 提供了数据基础，使其能够基于你的知识库向最终用户提供准确、相关的答案。你的客户因此能够自助获得实时、个性化的相关解答。

除了客户自助服务外，支持团队也可以通过对话式搜索轻松发现答案，从而更快地解决客户问题。生成式 AI 可从案例历史、技术文档等相关数据源中提取信息，打破过时的支持层级结构，帮助支持团队提前应对问题，而不是事后补救。

传统分层支持模型的陷阱

在这个一切都追求高速的时代，客户的期望比以往任何时候都更高。而传统的支持模型，无法提供即时答案、流畅的数字体验或立即的问题解决。

但我看到很多组织仍然依赖过时的分层支持模型，这些模型反应迟缓、流程割裂、用户体验糟糕，最终阻碍了客户所期望的服务体验。

传统支持层级的设计初衷是为了管理内部工作负载，而非优化客户体验。客户提交一个问题后，工单会在人类客服之间逐级传递，从一级到二级再到三级，直到问题解决。在这个过程中，客户通常不得不重复描述自己的问题。而每一次升级都会带来延迟，因为案件需要重新分配。再加上支持团队之间信息割裂，知识分布不均，工作流程僵化，重流程分发而非解决质量。

结果就是：客户感到被忽视，问题迟迟得不到解决，品牌忠诚度随之下降。

生成式 AI 和以知识为中心的服务如何消除低层级支持

自动化、速度和可扩展性是生成式 AI 扁平化传统支持结构、消除低层级支持的核心能力。生成式 AI 能通过自然语言提示即时提供准确答案，无需再将工单在多个层级间反复转交 ------ 无论是客户还是支持工程师都能直接获益。

通过实施 KCS 并将知识文档和文章整合到一个集中式知识库中，客户能够更高效地自助解决问题，从而减少大量基础的一线支持工单。同时，支持工程师也能更快获取有上下文的答案，降低内部升级的需求。这种转变减少了对低层级支持的运营依赖，让高价值的技术专家可以专注于更复杂、战略性更强的工作。

客户支持可以全天候运行，能够同时处理成千上万次交互而不牺牲质量。最终，生成式 AI 和 KCS 带来的客户支持不仅更快，更具相关性和个性化，而且持续提供更好的结果。

无名的支持英雄：非结构化数据

如果不强调一下这种改进客户支持体验背后的英雄 ------ 非结构化数据，那就太不完整了。支持 KCS 所需的数据往往并不是有组织的，而是以各种格式分散在不同来源中，比如技术文档、白皮书、知识库、历史案例解决记录等等。这类定性、非结构化数据常常包含结构化数据中无法提供的丰富洞察。有效管理这些数据，为支持工程师提升客户体验创造了更多机会。

通过将这些数据与语义搜索、向量搜索、机器学习和自然语言处理（natural language processing - NLP ）相结合，支持团队能够基于 "含义 " 而非关键词来查找结果。再结合大语言模型（large language model - LLM ），生成式 AI（generative AI）就能通过实时答案生成、智能案例分发，甚至是主动问题识别与解决，带来实际价值。

阅读案例分析

赋能客户实现自助服务

在有选择的情况下，客户更倾向于使用自助式支持渠道。他们很忙 ------ 希望可以快速搜索、找到问题、解决问题，然后继续前进。借助生成式 AI 打破传统分层支持模型，带来了一项强大能力：让客户有机会自行解决问题。

当客户可以自助服务时，就能避免在查找知识文章时感到疲惫，也无需在问题升级时向不同的支持代表重复描述。这使得支持工程师能够腾出精力，去帮助真正需要人工协助的客户，或者专注于其他更高价值的工作。这意味着能花更多时间来解决复杂问题，确保客户充分发挥产品价值。

生成式 AI 可以帮助打造更直观的自助体验，不仅仅是搜索答案，还能起草初始回复或增强案例摘要。想象一下：不再是静态的常见问题解答或繁琐的知识库，而是客户可以与理解上下文、意图和细微差异的生成式 AI 助手进行互动。

对话式 AI 能理解多轮对话，并根据用户行为进行调整。预测性建议可以在客户输入完成前就推荐相关解决方案。智能内容推荐则能根据问题类型、客户历史和产品使用情况动态推送正确的文章、步骤或文档。

自助服务为组织带来了战略优势。做好了，它不仅能加快问题解决速度、提升客户满意度，还能比传统工单队列更高效地扩展服务能力。

从被动响应到主动支持的转变

传统的客户支持一直是被动的，只有在出现故障或提交工单时才做出响应。但如果支持能像预防医学一样 ------ 在问题升级之前就识别风险并主动介入，会怎样？这不仅能提升客户满意度，还能降低组织成本。

通过与遥测数据和行为分析集成，AI 可以识别早期预警信号，并发现异常模式，在问题发生前预测潜在风险。

下一步？团队可以主动与客户互动，在问题变严重前就解决他们的顾虑，甚至完全避免传统支持请求的发生。就这样，生成式 AI 使支持团队能够从 "救火" 转向"自主稳定管理"。

重新定义支持角色

那么这一切对客户支持的角色意味着什么？和许多职业一样，客户支持角色也在生成式 AI 的影响下不断演变。代表和工程师不再只是 "故障排查员"，而是逐步成为战略顾问、复杂问题的解决者以及客户的倡导者。生成式 AI 并不会取代他们的专业能力，而是增强它。

用 GenAI 现代化支持，自然会引发关于 "工作是否安全" 和 "职责是否会改变" 的疑问。但现实是，自动化让工程师从重复、手动的工作中解放出来 ------ 比如翻阅文档或撰写案例摘要 ------ 让他们有更多时间专注于真正复杂、需要人类智慧的问题。这种转变不仅能减少职业倦怠，还为更有成就感、更有价值的工作腾出了空间。

其中一个最有意义的变化是：知识型工作的比例正在上升。工程师不再只是知识的使用者，而是通过提供真实案例中的丰富洞察（尤其是边缘案例或产品特有的细节）来训练和优化 GenAI 系统。他们的工作直接影响着 AI 响应的质量和准确性。

与此同时，掌握 GenAI 的能力也正在迅速成为核心技能。那些有效应用它的团队和个人，已经在关键支持指标上看到了实质性改进 ------ 包括更快的问题解决时间、更高的工单拦截率，以及更高的客户满意度。这意味着未来属于那些能够善用 GenAI 的支持工程师。

我们也正在看到团队结构的变化。一些岗位正在转向更专注于 AI 的角色 ------ 如数据科学家、AI 工程师和 GenAI 专家 ------ 这些人负责构建并不断优化自动化、自助服务和上下文支持系统。这些新角色补充了工程团队的能力，使其能够在更大规模上创造价值。

最后，随着 GenAI 处理了大部分高频、重复性的请求，工程师可以与客户建立更直接的互动 ------ 提供最佳实践、健康检查、主动建议和咨询式支持。这种个性化的服务不仅改善了客户结果，也提升了支持团队在企业中的价值地位。

为了帮助团队在这个新环境中成功，支持领导者应明确传达 AI 的角色，逐步推进采用节奏，并投资培训，确保每位成员都能在 AI 增强的工作流中充分发挥作用。

Elastic 对生成式 AI 驱动客户支持的愿景

在 Elastic，我们为客户和支持工程师打造了一个生成式 AI 工具 ------ Elastic Support Assistant。这是一款基于 Search AI Platform 构建的生成式 AI 应用，帮助支持工程师高效应对客户支持问题，同时通过聊天机器人体验让客户自助服务。它帮助客户快速解答问题，也释放了工程师的时间。

了解我们如何创建 Support Assistant 以及迄今为止取得的成果。阅读（并观看）案例研究。

探索更多生成式 AI 客户支持资源

本帖中描述的任何功能或特性的发布及时间均由 Elastic 全权决定。当前不可用的功能或特性可能不会按时或根本不会发布。

在本博客文章中，我们可能使用或提及了第三方生成式 AI 工具，这些工具由其各自所有者拥有和运营。Elastic 对第三方工具没有任何控制权，也不对其内容、操作或使用负责，也不对你使用此类工具可能导致的任何损失或损害承担责任。使用含有个人、敏感或机密信息的 AI 工具时请谨慎。你提交的任何数据可能被用于 AI 训练或其他目的。无法保证你提供的信息会被安全或保密。使用任何生成式 AI 工具前，你应熟悉其隐私政策和使用条款。

Elastic、Elasticsearch 及相关标识是 Elasticsearch N.V. 在美国及其他国家的商标、标识或注册商标。所有其他公司和产品名称均为其各自所有者的商标、标识或注册商标。

原文：Generative AI and knowledge-centered service: How they're breaking down tiers | Elastic Blog