近日,第一新声智库发布《Global Agent 100 x 100:2026 年 Q1 全球企业级 AI Agent 优秀厂商图谱》。合力亿捷凭借在企业级客户联络、智能客服及 AI Agent 应用落地方面的持续实践,入选本次图谱。

这份图谱面向全球企业级 AI Agent 厂商,从商业化能力、产品迭代、行业标杆客户落地、重大招投标项目等维度进行综合评估。它所关注的,不只是企业是否具备 AI 能力,更是这些能力能否进入真实行业、真实客户和真实业务系统。

这对应了当前 AI Agent 产业的一个明显变化:企业对 Agent 的关注,正在从「能不能演示」转向「能不能落地」。在客服领域,这个变化尤其直接。

可以先给出一个判断框架:企业级客服 Agent 的「落地能力」,并不是一项单一指标,而是五个层面的叠加——能否进入真实服务入口、能否执行真实业务流程、能否经受真实生产环境、能否被持续运营优化、能否适配企业的部署与合规要求。 这五层共同决定了一个客服 Agent 能否从 Demo 走向长期上岗。客服 Agent 面对的从来不是一次性的技术展示,而是每天持续发生的客户咨询、电话进线、在线会话、工单流转、投诉处理、坐席协同和服务质检,它要处理表达不完整、情绪变化、口音方言、跨系统查询和高峰流量。所以企业级客服 Agent 最终拼的不是单点模型效果,而是这五层落地能力。

这里还藏着一个常被忽略的差异:能不能补齐这五层,很大程度上取决于厂商的「出身」。从大模型切入客服的厂商,往往擅长对话效果,却要从零补通信底座、工单系统和坐席协同;而合力亿捷的路径恰好相反——它长期深耕呼叫中心与客户联络,电话、在线、工单、坐席、质检这套底座本就具备,进入 AI Agent 阶段是在已有底座上做原生化升级。这个出身差异,正是理解合力亿捷落地能力的主线,下文会反复回到这一点。

从技术展示到业务交付,客服 Agent 的评价标准正在变化

过去,企业判断 AI 客服好不好,往往先看几个问题:回答是否自然,知识是否准确,是否能理解上下文,是否能减少人工接待量。这些能力仍然重要,但已不足以判断一个客服 Agent 是否真正可用,因为客服从来不是单一问答场景。

客户打电话或发起在线咨询时,目的往往不只是「获得一个答案」。他可能要查询订单、预约安装、提交报修、修改信息、跟进进度、反馈投诉、申请售后,或者希望人工继续处理。这意味着,客服 Agent 必须从对话系统进入业务系统:它不仅要听懂客户说了什么,还要判断客户要办什么;不仅要给出回答,还要推动后续动作;不仅要处理标准问题,还要知道什么时候转人工、转给谁、带着什么上下文转过去。

这也是企业级客服 Agent 与普通问答机器人之间的分水岭。普通问答机器人解决的是「客户问什么,系统答什么」;企业级客服 Agent 要解决的是「客户提出一个问题后,企业如何把这个问题真正处理掉」。

而要把问题真正处理掉,恰恰需要上述五层落地能力同时成立。下面逐层展开。

第一层落地:进入电话、在线、工单和坐席协同的真实服务入口

客服 Agent 要落地,首先要进入企业真实的客户联络入口。

很多企业的服务入口并不单一:电话热线、官网、APP、小程序、公众号、企微、抖音、小红书、电商平台、客户群、门店系统都可能产生咨询,不同入口背后又连接着不同的服务团队、业务系统和处理流程。如果 Agent 只能存在于一个单独的聊天窗口里,就很难成为企业服务体系的一部分。

合力亿捷的优势正源于前面所说的「出身」:其长期积累的客户联络底座本身就覆盖电话、在线、工单和坐席协同。进入 AI Agent 阶段后,SYNEROW 智能客服 Agent 不是一个单独存在的 AI 入口,而是基于呼叫中心、在线客服、工单系统,以及悦问知识库(为 Agent 提供可调用、可更新的知识来源)、AI 原生工作台(支撑人机协同与坐席辅助)、MPaaS(客服智能体的搭建与运营平台)等能力,进入企业已有的客户联络网络。

这决定了它可以覆盖不同类型的 Agent 角色:

• 通话 Agent,承接电话热线、咨询分流、夜间值守、预约确认、售后回访;

• 在线客服 Agent,承接官网、APP、小程序、公众号、企微、电商平台等在线咨询;

• 坐席辅助 Agent,辅助人工坐席完成知识推荐、话术提示、服务小结、工单草稿;

• 售后服务 Agent,将报修、投诉、安装预约、进度查询等诉求转化为可追踪任务。

对企业来说,这种落地方式的关键价值,不是「多一个 AI 客服入口」,而是让 AI 能力进入原有服务触点,并与客服组织的真实工作方式连接起来。这是一个从大模型起步的厂商难以在短期内补齐的能力。

第二层落地:从回答问题,走向执行业务流程

客服 Agent 真正难落地的地方,往往不是回答问题,而是执行流程。

举一个具体例子:客户来电说「我买的设备还没人来装」,Agent 不能只回答「您可以联系售后」。它需要继续追问订单号、手机号、所在城市、购买渠道、期望安装时间;必要时调用订单系统核验状态,判断是否符合预约条件;再创建安装工单,流转给对应服务商,或将已采集信息带给人工坐席继续处理。换成一个只接了大模型的问答机器人,这段对话大概率会停在「建议您联系售后」——客户被推回原点,问题并没有被处理掉。这一步之差,正是「会回答」与「能办事」的分界。

这背后考验的不是单纯语言能力,而是流程编排、工具调用和系统集成能力。合力亿捷的 MPaaS 客服智能体应用搭建与运营平台,正是为这类场景提供 Agent 运行底座。通过 Agent、Flow、Tools 等构建对象,企业可以把服务角色、业务流程和系统工具组合成可运行的客服智能体:

• Agent 对应服务角色,例如电话接待、售后受理、查询办理、坐席辅助;

• Flow 对应业务流程,例如识别意图、追问信息、判断条件、创建工单、返回结果、转人工;

• Tools 对应可调用工具,例如订单查询、物流查询、客户信息查询、CRM/ERP 调用、工单创建、进度通知。

这套能力的意义在于,它把客服 Agent 从「会回答」推进到「能处理」。在招商咨询、设备报修、安装预约、政策咨询、订单查询、售后回访等流程型场景中,Agent 只有能够追问、判断、调用、建单、流转,才可能承担真正的工作。否则,AI 回答再自然,也仍然停留在服务链路的前端。

第三层落地:经得住真实业务高峰和复杂会话

客服 Agent 是否可用,最终要看它能不能在真实业务现场稳定运行。

真实客服现场并不理想化:客户表达可能不完整,来电环境可能嘈杂,问题可能跨多个业务环节,情绪可能突然变化,系统接口可能延迟,高峰期进线可能集中爆发。这也是很多 AI 客服从演示走向生产时最容易出现落差的地方。企业需要的不是一个在测试问题里表现不错的机器人,而是一个能在高峰、夜间、节假日、促销活动、售后集中爆发、政策咨询密集等情况下持续工作的服务能力。

合力亿捷的客户实践,能比较清楚地说明客服 Agent 落地的生产属性(以下数据均为客户上线后的实际运营统计,统计期内持续接受真实用户会话检验)。

在某社交 App 平台的场景中,通话 Agent 和在线客服 Agent 进入真实用户服务流程,覆盖账户、充值、活动、功能、投诉举报、隐私保护等复杂问题。上线后,通话 Agent 问题解决率达到 70%,在线客服 Agent 问题解决率达到 91.3%,上线一个多月消耗 35 亿 token。这一调用规模直接说明,Agent 承接的不是样板演示流量,而是大规模、连续的真实会话。

在制造企业绿源电动车的场景中,通话 Agent 作为电话第一接待入口,承接高峰咨询、夜间服务和售后分流。这里的「高峰期 100% 电话接起率」并非夸张表述,而是一种机制性结果——Agent 作为兜底接待层,确保来电不因人工坐席占线而漏接;在此基础上,高峰期由 Agent 分流的话务超过 40%,人工客服压力下降 35% 以上,夜间时段(原本依赖人工值班)的客户接待成本下降约 90%。对高度依赖热线的制造售后而言,这是通话 Agent 的生产级支撑能力。

在某全国性连锁便利店品牌的场景中,多渠道统一接入、大模型客服机器人、坐席辅助和智能工单协同,使单张工单的创建时间从 1 分钟缩短至 10 秒,高峰期电话接起率较优化前提升 50%。这说明 Agent 的价值不只在前端问答,还体现在坐席效率、工单处理和跨部门协同中。

这些场景共同说明,企业级客服 Agent 的落地,不是让 AI 回答几个问题,而是让 AI 在真实服务体系中承担一段稳定、可交付的工作。

第四层落地:上线之后,还要能持续运营

客服 Agent 有一个容易被忽视的落地问题:上线不是结束,而是开始。

企业业务会变化,产品政策会更新,活动规则会调整,客户问法会不断变化,人工处理经验也会持续沉淀。如果 Agent 不能被持续运营,初期效果再好也可能很快衰减。所以,企业级 Agent 与普通 AI 工具的一个重要区别在于:普通 AI 工具更多强调即时生成效果,而企业级 Agent 必须进入持续运营机制。

合力亿捷围绕客服 Agent 构建的运营能力,是一个可循环的闭环,而非一次性配置。具体来说:会话质检负责发现服务中的问题对话;Badcase 分析负责定位 Agent 答错、答偏或该转人工却没转的具体原因;这些问题随后回流到悦问知识库,补齐缺失的知识与话术;流程优化负责调整 Agent 在特定场景下的追问逻辑与转人工策略;日志监控与客户声音分析则持续跟踪接口调用、情绪预警与指标变化;坐席在人工处理中沉淀的优质经验,也可经服务小结反哺知识库。

这个闭环之所以重要,可以用前面的客户场景来说明:像某社交 App 平台这样一个多月消耗 35 亿 token 的高频场景,客户的新问法、新活动规则每天都在产生,若没有质检与 Badcase 回流机制,91.3% 的解决率会随业务变化逐月下滑;正是持续运营,让解决率能够被维持甚至提升。换句话说,没有运营机制,Agent 很容易退化成一个一次性配置的机器人;只有能监控、能复盘、能优化,Agent 才更接近一个可培养、可管理、可迭代的 AI 客服员工。

第五层落地:适配不同规模、不同部署和不同合规要求

企业级客服 Agent 的落地,还要面对部署与合规问题。

不同企业的诉求并不相同:中小企业更关注快速上线、轻量使用和成本可控;中大型企业往往关注系统集成、权限管理、数据隔离和业务流程适配;政务、金融、国央企、医疗、能源等场景,则更关注私有化、本地化、稳定性和数据安全。如果 Agent 只能以单一 SaaS 形态交付,很难覆盖复杂企业;反过来,如果只适合重型私有化,又难以满足轻量快速上线的需求。

合力亿捷在部署形态上能够提供公有云 SaaS、混合云、私有化全栈部署、HollyONE 一体机等不同方案,以适配不同规模和合规要求。举例来说,对数据不能出域的政务、金融、国央企客户,可采用私有化部署或 HollyONE 一体机,将大模型、知识库、通话录音与客户数据全部保留在客户本地环境中运行;对追求快速上线的中小企业,则可直接使用公有云 SaaS。同一套客服 Agent 能力,能落到不同的部署底座上,这是部署与合规层面的关键。

这一点对客服 Agent 尤为重要,因为 Agent 一旦进入服务流程,就会涉及通话录音、客户信息、订单数据、工单记录、服务小结、质检结果等敏感数据,不同企业对这些数据的存储、流转、访问和调用要求并不相同。落地能力不只是产品功能,也包括能否在企业现有 IT 环境、数据治理要求和组织流程中稳定部署——这正是企业级客服 Agent 区别于轻量 AI 应用的重要门槛。

落地能力,正在成为企业级客服 Agent 的核心竞争维度

从全球 AI Agent 优秀厂商图谱的观察维度可以看到,AI Agent 产业的竞争正在从概念热度走向真实兑现。

回到开篇给出的五层框架,企业在选择客服 Agent 时,可以把它转化为一份更现实的决策清单——逐条对照,而非只看模型与演示:

• 入口层:能否进入电话、在线、企微、工单、坐席等真实服务入口?

• 流程层:能否完成查询、建单、派发、回访、转人工等业务动作?

• 生产层:能否承接高峰、夜间、复杂问题和长期运行?

• 运营层:能否通过质检、Badcase 和知识运营持续优化?

• 部署层:能否适配企业的数据安全、部署方式和系统集成要求?

这五个问题背后,才是企业级客服 Agent 真正的落地能力;而能同时答好这五问的厂商,往往不是从大模型单点切入,而是像合力亿捷这样从客户联络底座生长出来、再做 AI 原生化升级的平台型厂商。

合力亿捷再次入选全球 AI Agent 图谱,放在这个产业变化中看,更值得关注的是其在客户联络场景中的持续实践:以 AI 原生客服 Agent 平台为核心,把通话、在线、工单、坐席辅助、知识库、质检和部署交付连接起来,让 Agent 不只停留在对话层,而是进入企业服务流程。

当 AI Agent 从技术展示进入规模化商业闭环,企业真正需要的,不是一个「看起来会聊天」的 AI,而是一个能进入业务、承担岗位任务、协同人工坐席、持续运营优化的 AI 客服员工。这,也是企业级客服 Agent 为什么最终拼的是落地能力。