电商团队谈 AI Agent，最容易从客服开始。理由很直接：工单多、话术重复、上线效果看起来也快。
但 ROI 的坑也常从这里开始。
据亿欧《报告解读｜中国AI Agent营销市场发展潜力研究》披露，2024 年中国 AI Agent 营销及销售市场规模约 442 亿元，预计未来五年将达到万亿级市场空间。这个数字说明市场热度，也说明预算正在流向营销、销售和客服这些离收入最近的环节。
问题是，预算花出去以后，很多企业只拿到了一个好看的“拦截率”。客服响应变快了，导购话术更完整了，营销素材也能批量生成了，但这些指标不等于利润。电商场景里，退货、投诉、人工复核、Token 消耗和合规审核，都会把表面收益吃掉。
真正该问的是：AI Agent 介入之后，订单净利润有没有增加？售后成本有没有下降？人工是不是被释放出来，而不是被迫处理更难的残局？
客服Agent，不能只看拦截率
客服是电商 Agent 最典型的入口。一个常见算法是：
AI 处理工单数 × 单个工单人工成本 = 节省成本
这个公式太粗。
客服场景至少要多看三项：
- 有效解决率：用户关闭窗口，不一定代表问题解决；
- 人工接管后的处理时长：AI 前面说得越多，人工接手时读上下文、纠错的成本可能越高；
- AI 误答带来的售后增量：尤其是退换货、补偿、保修、发票、平台规则这些问题。
电商客服里，最危险的不是 AI 答得慢，而是它答得很像真的。比如用户问“这个商品拆封后还能不能退”，Agent 如果没有召回最新退换货政策，却按通用经验回答，就可能给出错误承诺。后面人工客服再纠正，用户通常不会觉得“AI 说错了”，只会认为品牌反悔。
这类问题常常不在模型本身，而在知识库和权限边界。东方财富证券相关行业报告引用过 Lilian Weng 对 Agent 的拆解：Agent 通常由大语言模型加上规划、记忆、工具和行动组成。放到客服里看，模型只是“大脑”，真正决定可靠性的，还有知识来源、检索逻辑、工具调用和最终动作权限。
所以客服 ROI 不应写成“节省了多少人工”，而应写成：
客服净收益 = 被 AI 有效解决的工单节省成本 - 人工接管增量成本 - AI 误答引发的售后成本 - 系统与调用成本
这里的“有效解决”要重新定义。只有用户问题被解决、后续没有因同一问题再次进线、没有触发额外退款或投诉，才应该计入收益。
导购Agent，Token账单会吞掉毛利
导购 Agent 的目标通常更积极：提高转化率、提高客单价、减少用户流失。
但导购比客服更容易把成本藏起来。因为一次导购对话可能包含意图识别、商品推荐、库存查询、优惠计算、相似商品比较、促单话术生成。为了让流程看起来“智能”，很多团队会拆成多个 Agent 协作：一个判断用户意图，一个查商品，一个做推荐，一个负责促单。
架构看起来完整，账单也会变厚。
尤其在长对话里，系统往往反复携带历史上下文、商品信息、用户偏好和工具返回结果。用户只是多问几句“有没有更便宜的”“这两款有什么区别”“能不能明天到”，后台就可能触发多轮模型调用和工具调用。
导购 ROI 不能只看转化率提升，还要看这笔提升值不值。
更合理的口径是：
导购净收益 = Agent 介入带来的净增利润 - 模型调用成本 - 工具与数据服务成本 - 因误导推荐带来的退货与客服成本
这里要注意“净增利润”，不是 GMV。低毛利品类尤其要谨慎。如果 Agent 为了促成订单，把不适合的商品推荐给用户，短期转化率可能变好，后面退货、差评和客服成本会补回来。
导购 Agent 的任务边界也要收窄。不是所有商品都适合长对话推荐。标准品、低客单价、高决策速度的商品，很多时候关键词触发、规则推荐、搜索排序已经足够。Agent 更适合用在参数复杂、组合搭配多、用户犹豫明显的品类里。
营销Agent，产量不是ROI
营销团队最容易感受到 Agent 的效率提升。商品标题、详情页卖点、短视频脚本、投放文案、直播话术，都可以批量生成。
但“生成更多内容”不等于“赚更多钱”。营销 Agent 的 ROI 至少要扣掉两类成本。
第一类是筛选和修改成本。
AI 生成 100 条文案很容易，但可直接投放的内容未必多。品牌语气、平台规则、禁用词、功效表述、价格口径、售后承诺，都需要人工检查。生成端省下来的时间，可能转移到了审核端。
第二类是合规和误导风险。
电商营销文案不能随便夸大功效，也不能把不确定的信息写成确定承诺。尤其是美妆、保健、母婴、食品、金融相关商品，AI 写得越流畅，越需要人工卡点。因为平台处罚、素材下架、消费者投诉，都会变成真实成本。
营销 Agent 的 ROI 可以这样算：
营销净收益 = AI 素材带来的增量转化利润 - 人工筛选与修改成本 - 合规审核成本 - 下架、投诉、返工等风险成本 - 模型与工具成本
这里最该警惕的是“素材产能”指标。它适合衡量生产速度，不适合单独衡量经营结果。对电商公司来说，最终要看的仍然是投放后的点击、转化、退款、投诉和复购。
一张更接近真实业务的ROI表
电商 Agent 的 ROI，可以先用一个简单框架压住：
净 ROI =（增量收益 - 隐性增量成本 - 基础设施及调用成本）/ 基础设施及调用成本
这个公式不复杂，难的是把“隐性增量成本”列全。
建议至少拆成五项：
- 人工接管成本：AI 处理失败后，人工是否花了更多时间补救；
- 退货与售后成本：AI 误答、误导推荐、过度承诺带来的退货、补偿和物流损耗；
- Token 与工具调用成本：模型调用、向量数据库、搜索接口、订单接口、商品接口等；
- 知识库维护成本：商品政策、价格、库存、活动规则、售后条款更新的人工成本；
- 合规审核成本：营销素材、客服承诺、导购话术进入用户侧之前的复核成本。
亿欧提到的 442 亿元市场规模，说明 AI Agent 正在进入营销和销售预算。但对单个电商公司来说，市场规模不能替代自己的账本。行业空间再大，单次对话亏钱、退货率上升、审核人力翻倍，都是自己的利润表承担。
上线前先定三条硬规则
第一，涉及钱和规则的动作，不要让 Agent 单独拍板。
退款、补偿、改价、保修、赠品、售后政策解释，都应有明确权限。Agent 可以建议，可以整理信息，可以生成回复草稿，但最终执行动作要有规则限制，必要时转人工。
第二，把退货和投诉放进 Agent KPI。
只考核响应速度、拦截率、对话满意度，很容易把系统推向“快答、多答、敢答”。客服和导购场景都应追踪 AI 介入后的退货、重复进线、投诉和人工补救情况。
第三，按品类和客单价决定 Agent 深度。
不是所有商品都值得做复杂多轮对话。低毛利、低客单价、规则简单的商品，过重的 Agent 架构可能得不偿失。复杂决策、高咨询需求、售后解释成本高的品类，更适合优先试点。
AI Agent 在电商里不是不能用，恰恰相反，它很适合处理高频、重复、规则清晰的任务。只是 ROI 不能只看前台那几个漂亮指标。
客服要看有没有增加售后负担，导购要看 Token 成本有没有吃掉毛利，营销要看审核和合规成本有没有被低估。把这些账放到同一张表里，电商 Agent 才可能从“看起来很智能”，变成真正划算的系统。