一家中国在线健康保险经纪公司做了每份运营汇报都会推荐的那套 AI 线索分流动作:语音坐席接低意向线索,高意向线索留给人。在坐席一天的前三通电话里,电话是高意向线索的概率上升了约 23 个百分点。而同样这几通电话的客户获取率下降了约 5 个百分点(Fu, Luo, Ramasubbu et al., 2026)。
同一批人。更好的输入。更差的产出。下降恰好发生在改善最大的地方,并且两个效应都在一天中逐渐归零——正是这个细节排除了大多数令人安心的解释。
值得停下来琢磨的,就是这组配对结果。它说明代理没有失败。代理恰恰做到了部署它的目的,而其下游的人改变了行为,而这种改变没有任何一份分流业务论证会计价。
这项研究真正测量了什么
论文题为《When Better Opportunities Backfire: Service Worker Responses to Parallel AI Deployment in Customer Acquisition》,由 Xinyu Fu、Shulong Luo、Narayan Ramasubbu 等六位作者于 2026 年 10 月 19 日提交至 arXiv。研究覆盖了围绕一次 AI 语音坐席上线的五十余万条客户外呼记录,采用时间断点回归设计进行识别——比较切换前后紧邻时段的坐席行为,而非对照一个自选的控制组。
有价值的设计选择在于,作者是沿着工作日的推移追踪效应,而不是取平均。正是这一点产生了这项研究的特征曲线:
- 前三通电话的高意向概率:上升约 23 个百分点,当天稍后归零。
- 前三通电话的客户获取:下降约 5 个百分点,全天趋于平缓。
- 坐席把最早的线索退回重分配的频率高出约 8 个百分点,并把这些通话缩短了约 13%。
论文中一项经过校准的分解分析发现,线索排序改善带来的温和收益,被一个大得多的负向行为反应所抵消。注意这里的限定语:原文中每一个数字都写作"约"。不要让任何人在你的内部材料里给它们加上小数位。
为什么 AI 线索分流会动摇转化率:保留价值,而非能力
正是在这里,这个发现不再是趣闻,而成为一条运营原则。
作者用序贯搜寻理论来解释。当坐席手里握着一条线索,是否继续跟进,是与队列中其他机会的比较。队列被丰富化,坐席的保留价值随之抬高——手上这条线索现在必须跨过更高的质量门槛,才值得再花五分钟。手上的线索没有变差,变好的是它的竞争者。
于是坐席更早放弃它。这就是 8 个百分点的退回上升和 13% 的通话缩短。这种行为在个体层面理性,在集体层面昂贵:外呼销售的边际转化来自坚持,而坚持正是丰裕队列最先征税的东西。
这不是技能退化,也不是调查问卷里那种含糊的士气问题。这是对机会分布变化的一种具体、可预测的反应。论文对服务运营真正的贡献,是把机会分布命名为一个状态变量,与每个运营团队早已盯着的两个变量并列:工作量与拥堵。
为什么你的仪表盘不会告诉你这件事
有三项指标会把这次分流改动报告为成功:
- 人工处理每通电话的线索质量:大幅上升。
- 代理处理的话务量:新增产能,无需增编。
- 平均处理时长:下降,因为被放弃的通话很短。
转化率是唯一与你相悖的指标,而在多数中型企业的报表里,它会被归因于线索来源结构、季节性或销售个人。从"我们把简单的活分走了"到"团队不再死磕难打的电话",这条因果链横跨两张分属不同负责人的仪表盘。
日内衰减让情况更糟。一个只出现在第一到第三通电话、到下午早些时候就消失的效应,几乎能逃过任何按日或按周的聚合。按班次平均,你得到的是一个看起来像波动的、细小而嘈杂的转化下滑;按月平均,它就消失在薪酬周期里。信号是真实的,错的是你报表的颗粒度。
这与监督成本的误判是同一种形状
这个模式超出语音坐席的范围,而相邻文献的一致性足以让我们把它当作先验,而不是巧合。
Perplexity 代理型产品的生产数据显示,同类任务的完成时间从 269 分钟降至 36 分钟——时间减少 87%、成本减少 94%——与此同时,人类的后续工作向上转移到了核验、延展,以及跨越职业边界的任务(Perplexity / HBS, 2026)。工作没有消失,它搬到了组织架构中无人配备人手的那一块。
McKinsey QuantumBlack 从成本侧为同一种位移给出了数字:对于在银行执行客服任务的代理,token 成本通常仅占可变运行成本的 20% 到 25%,而人工监督占 70% 到 75%(McKinsey QuantumBlack, 2026)。管理者优化的是账单中可见的那四分之一。
而在工位层面,42% 的知识工作者表示,核验 AI 产出所花的时间超过使用它所节省的时间,52% 的人经常在修正同事用 AI 生成的工作成果(Adaptavist, 2026)。节省与成本落在不同的人身上,所以按工位统计的生产力视图记录下了收益,却完全漏掉了对冲项。
三种不同的研究传统,一个共同结构:部署代理是在转移成本,而不是消除成本,而且这次转移跨越了一条会计边界。 经纪公司这项研究,是成本落入人的动机而非人的工时的那个版本——这让它更难被看见,也更容易被归错因。
同样的形状在哪些非销售工作中出现
接下来这部分是推论,不是研究结论——该研究只覆盖保险外呼,别无其他。但产生该效应的条件表述得足够清晰,可以拿去对照你自己的队列,而且它们并非销售独有。这些条件是:员工一次只握住一个工作单元;员工对何时放弃它有自由裁量权;员工能看到或感知到后面排着什么。
这描述的其实是中型企业运营中相当大的一部分。可以自行调整优先级的工单队列上的客服。清理应付账款例外的财务人员。理赔员。信贷审查员。任何在分诊清单上工作、其中简单条目即将被代理吸收、而排序裁量权仍留在人手上的岗位。
在这些条件不成立的地方,这个发现不必让你担心。固定顺序、没有放弃裁量权的工作,队列对员工不可见的工作,以及真正不可替代的工作(一案一责、办到结案),都会打断这个机制。诊断性问题很简单:在这次分流改动之后,手上拿着难办事项的那个人,能不能看到有更好的在等着?若能,你就具备这个条件;若不能,你就没有。
诚实的反面意见
我不会把它当作定论。有四条限制值得在意:
这是一家公司、一个国家、一种工作。 保险外呼销售高话务量、以佣金为形态,并且对保留价值异常敏感,因为队列本身就是薪酬机制。一支领固定薪资、处理共享服务积压的运营团队,面对的是同一激励的一个弱化版本。
这是预印本。 v1,2026 年 10 月 19 日提交,尚未经过同行评审。
时间断点回归是识别策略,不是对照试验。 时间上的断点易受上线时同时改变的任何其他因素影响——话术改版、新的佣金方案、线索供应商更换。日内衰减的模式是对此最有力的辩护,因为任何混杂因素都必须解释:为什么效应只出现在前三通电话上。
净效应是一次分解,不是一份损益表。 论文关于行为反应超过排序收益的结论,来自一次校准练习。它是对符号和量级的可信估计,不是经审计的利润数字。
能同时经受住这四点的是:分流改变了机会的分布,而为稀缺队列设计的薪酬与指标,会对丰裕队列定价错误。即便那 5 个百分点不是你的 5 个百分点,这个判断在方向上依然稳妥。
下一次分流决策之前该检查什么
可操作的单位不是模型,而是队列和岗位。
衡量坚持度,而不只是质量。 在代理上线之前,建立每条线索的尝试次数、通话时长与退回率的基线——并按在工作日中的位次拆分。如果你只保留日均值,这篇论文里的效应对你而言在结构上就是不可见的,因为它活在前三通电话里,到下午就死了。
对照新队列重读一遍激励机制。 在丰裕队列上按成交计佣,等于付钱让人撇浮。如果代理即将抬高平均线索质量,薪酬层面的问题就是:还有什么在奖励一通难打电话的第 11 分钟?坚持度下限、最低尝试次数,或者把目标从计数加权改为质量加权,是常见的修补方式。
决定岗位的占位模式,而不是任务清单。 多数中型企业的分流项目正是在这里出错:他们界定了代理吸收哪些任务,却从未重新声明人类岗位现在要对什么负责。占位决策迫使你写下人在一条被丰富化的队列前做什么;任务切分决策则允许你把它留白,然后从转化率里知道答案。Scovai 的 AUGMENT 界面明确走的是前一条路——组织架构上的每个岗位都按可增强程度打 0 到 100% 的分,并逐岗位设定模式:人单独、人加一名 Digital Employee,或由 Digital Employee 在一位具名人类主管之下端到端承担该角色,上限由公司设定,而不是默认为完全自主(Scovai AUGMENT)。
先在一个切片上跑代理,并观察人,而不是观察代理。 代理自身的指标会很好看。真正值回成本的,是对那些队列刚刚变了的员工所做的观测。
这个季度的决定
AI 线索分流决策,不是一个带有动机副作用的产能决策。它是一个穿着产能外衣的动机决策。
所以别再问你的代理应该接走哪些工作。该问的是:当你留给员工的工作开始显得充裕时,他们拿薪水究竟是为了做什么——以及,你会在数字里看到答案,还是等它先出现在你的销售漏斗里。