01 触发事件

2026 年 6 月 4 日，在 Bloomberg Tech Conference 上，Verizon CEO Daniel Schulman 公开表示，AI 可能替代公司客户服务团队中的

a large percentage

他同时给了两个更重要的限定：第一，AI 已经适合处理账单金额这类 routine request；第二，很多请求仍需要 AI agent 和 human agent 协同完成，且在使用 AI 时客户满意度会提升。

这不是一句泛泛的“AI 会改变行业”。

这是美国大型电信运营商 CEO 在公开场合，把 customer service 从 headcount 问题，改写成 deployment 问题。

我没在 Verizon 内部看过他们的 routing、escalation tree 或单位会话成本，所以没法判断他们现在是 demo 成熟，还是已经进入大规模 rollout。但仅凭 CEO 愿意把 “a large percentage” 说出口，这件事就已经越过了试点叙事。

02 这事的真正含义

表面上看，这是“AI 替代客服”。

真正的含义是，企业服务流程里最先被重新定价的，不是知识工作者的创造性产出，而是高频、可模板化、可审计的 interaction loop。

电信客服是很特殊的一类场景。

它有足够高的 volume，足够清晰的 intent taxonomy，足够强的 SLA 约束，也有明确的 escalation 终点：账单、套餐变更、故障排查、退款、转人工。换句话说，这类工作天然适合被拆成三个层级：

  • intent classification
  • policy-constrained action execution
  • human escalation

这正是 LLM agent 最容易先打穿的企业栈。

问题不在于 AI 能不能回答问题。

问题在于 AI 能不能在成本、速度、满意度和合规四个维度同时过线。

Schulman 之所以强调客户满意度提升，非常关键。因为过去几年 enterprise AI 最大的障碍，不是模型回答不出来，而是管理层无法接受“更便宜但更差”的自动化。一旦大公司 CEO 愿意公开说 satisfaction improves，市场读到的信号就是：至少在一部分路径上，AI 已经不是 cost center experiment，而是 service-quality acceptable 的生产工具。

这才是值得 AI builder 注意的地方。

对模型 API 消费者来说，客服不是一个“更强模型赢”的市场，而是一个“足够好模型 + workflow integration + deterministic guardrail”赢的市场。真正会被定价的是：

  • 每次 resolved case 的总成本，而不是每百万 token 单价
  • 从 AI self-serve 到 human handoff 的 friction，而不是单轮回复质量
  • 是否能接 CRM、billing、identity、knowledge base，而不是纯聊天能力
  • 是否能稳定处理长尾异常，而不是 benchmark 漂亮

换句话说，企业采购的对象正在从 model intelligence 转向 resolution system。

这对 model layer 很不友好，因为模型开始被压成可替换部件。

我可能误判的一点是，Verizon 也可能是在提前用公开表态给资本市场讲 margin expansion 故事，真实部署比例没到市场想象的程度。但即便如此，叙事重心已经变了：AI 不再只是生成内容，而是直接碰 labor line item。

03 历史类比 / 结构对照

这件事更像 2014 年前后的 AWS 企业渗透，而不是 2022 年 ChatGPT 的消费级引爆。

ChatGPT 时刻的意义是：所有人第一次感受到模型能力。

Verizon 这类时刻的意义是：大型企业开始把某类岗位的 operating model 改写成 software problem。

历史上，真正改变行业利润结构的，不是新技术第一次可用，而是它第一次进入大公司最昂贵、最重复、最可量化的成本中心。

AWS 对企业 IT 做的事，是把 server procurement 变成 API consumption。 今天 AI 对客服做的事，是把一部分 service labor 变成 inference + orchestration consumption。

这个结构变化非常像 aggregation theory 里的上游标准化、下游集中化。

一旦基础模型能力足够接近，企业并不会为“最聪明的模型”持续支付溢价；他们会为更低的 switching cost、更深的系统集成、更可靠的 audit trail 付费。于是价值开始从单点模型能力，迁移到以下几层：

  • distribution：谁能先嵌进现有客服工作流
  • orchestration：谁能做 routing、memory、policy、tool use
  • data loop：谁能拿到真实交互数据持续优化
  • compliance：谁能在 regulated workflow 中被信任

这也是为什么 customer service 会比很多“高端知识工作”更早规模化落地。

因为它的任务定义更窄，反馈回路更密，ROI 更容易算。

如果一定找一个更尖锐的类比，我会说它像 2007 年 iPhone 对移动互联网的意义，但不是在用户侧，而是在企业执行层：界面没那么重要，真正的拐点是 interaction stack 被重写。人类坐席不再是默认入口，而变成 exception handler。

我没跑过 Verizon 级别呼叫中心的 full-stack deployment，所以这类类比可能有夸张成分。很多企业的 legacy system 烂到足以拖慢任何 agent rollout，这一点不能低估。

04 对 AI builder 意味着什么

这周和这个月，真正该调整的不是 worldview，而是产品路线。

第一，别再把“客服 AI”理解成 chat UI 生意。

企业要的不是一个会说话的 bot，而是一个能解决 case、知道什么时候闭嘴、什么时候转人工、怎么把上下文和 action state 一起交接的系统。你如果还在卖 prompt engineering 包装层，窗口期已经很窄了。

第二，优先做 resolution economics，而不是 model maximalism。

在客服场景，Sonnet、GPT、Gemini、Qwen 或 DeepSeek 的差异，往往不足以单独决定采购。更重要的是：

  • 首轮解决率
  • 平均处理时长
  • 人工升级率
  • 升级后重复解释率
  • 每 resolved ticket 成本

这是 builder 该盯的北极星指标。

第三，model routing 会变成硬需求。

Routine billing、账户查询、状态解释，完全没必要全走最贵模型。便宜模型负责分类、检索、摘要；贵模型只在复杂争议、情绪缓和、多约束推理时介入。这不是锦上添花，而是 margin 结构本身。token 网关、缓存、batch、fallback、per-intent routing，这些过去听起来像 infra 细节的东西，会直接决定应用层毛利。

第四，MCP 或同类 tool protocol 的价值会上升。

因为客服 AI 的壁垒不在语言生成，而在它能不能接入真实系统：billing、order management、identity、fraud、knowledge base、ticketing。协议标准化一旦推进，模型层 moat 会被进一步削弱，集成层和 distribution 会更重要。我没法确认 Verizon 的内部栈会不会采用 MCP 这类开放协议，但方向大概率一致：工具调用接口要标准化，否则规模化部署成本太高。

第五，human-in-the-loop 不是过渡方案，而可能是长期产品形态。

很多创业者把“需要人工介入”视为产品不成熟。这个判断在 enterprise service 里经常是错的。企业真正想买的是可控自动化，不是纯自动化。谁能把 handoff 做到上下文无损、责任清晰、合规可追踪，谁就更接近大单。

如果我是做 AI builder 的，这个月会做三件事：

  • 重写 pricing，把 seat 思维改成 per-resolution 或 success-based 结构
  • 重做 observability，把会话质量拆到 intent、tool call、handoff、resolution 四层
  • 把最贵模型的调用比例降下来，建立明确的 routing policy

这不是保守，而是现实。

05 反方观点 / 风险

我刚才的判断，最大的风险是把 CEO 的公开表态过度解读成行业拐点。

首先，Verizon 说的是 could replace a large percentage，不是已经 replace。这里面有很大空间。企业高管在公开市场上谈 AI，天然有资本市场叙事动机：讲效率、讲利润、讲技术前瞻。真实落地可能受限于 union、监管、遗留系统、品牌风险和客户投诉。

第二，customer satisfaction 提升这句话非常依赖样本定义。

如果满意度提升只发生在最简单的 FAQ 和账单查询上，那它说明的是 IVR 2.0 成功了，不一定说明复杂客服已被 AI 打穿。很多企业会在最容易自动化的路径上报喜，但把最贵、最难、最伤 brand 的 case 留给人工。这样做没问题，但它削弱了“岗位大量替代”的力度。

第三，客服自动化的 economics 可能没看上去那么线性。

便宜模型确实更便宜，但一旦要接工具、跑长上下文、做多轮澄清、记录审计日志、维持低错误率，真实系统成本会显著高于裸 token 单价。再加上 fallback 到人工的尾部成本，很多团队会发现：AI 降低了前台接触成本，却抬高了后端集成和质量保障成本。我没在生产环境里看过 Verizon 的 unit economics，这一点我可能低估了。

第四，这个市场未必会被独立 AI 创业公司大规模吃到。

更可能的结果是，Salesforce、ServiceNow、Genesys、Zendesk、微软、Google Cloud、AWS 这种本来就在企业 workflow 里的平台公司，借现有 distribution 把 AI agent 打包卖进去。对创业者来说，真正难的不是模型，而是进入 procurement list。

最后，还有一个更尖锐的反方观点：也许这根本不是 AI 行业大利好，而是模型商品化的坏消息。

因为一旦 customer service 成为标准化部署场景，采购方会迅速压价，要求冗余、多供应商、可替换模型和严格 SLA。也就是说，越是成熟落地，越不利于单一闭源模型维持超额利润。受益最大的未必是最强模型供应商，而可能是能做 routing、governance 和 enterprise integration 的中间层。

如果这个判断成立，那么 Verizon 说的真正不是“AI 要取代客服”。

而是：企业已经开始把语言模型当作新的劳动力输入品类，并且准备像采购带宽、云算力和 CRM 一样采购它。

这才是值得警惕的拐点。