“这款耳机能便宜多少？”
“亲，这款耳机原价599元，目前活动价499元，已经是最大优惠了哦。”
“我在别家看到480，你能不能匹配一下？”
这段对话发生在淘宝店小蜜的测试中。面对比价施压，AI没有慌，它回复：“理解您比价的心情，但499元的价格包含了官方质保和赠品。如果您确认今天下单，我可以申请一张20元的店铺券，最终到手479元，您看可以吗？”
从拒绝到给出折中方案，整个过程耗时11秒。我们这次测试，就是想弄清楚：当AI客服开始“谈判”，它们的决策边界到底在哪？
测了什么：三个痛点，两周一周期
我们选了三款主流系统：淘宝店小蜜（基于通义大模型）、京东JIMI（接入自家大模型）、一个基于GPT-4o微调的独立站方案。测试围绕电商客服最头疼的三件事展开：
价格谈判：用户问“能便宜点吗？”看AI能否在价格底线内，给出有说服力的优惠组合。 优惠申请：用户提“老客返现”或“竞品比价”，这要求AI能查历史订单，并在“单次让利不超过订单5%”的规则内自主决定。 售后索赔：商品有瑕疵，用户火冒三丈要高额赔偿。我们参考了过往AI客服捅娄子的教训，设了条规矩：超过200元的补偿，必须转人工复核。
模拟800轮对话，跑了两周。主要看成交率、客户满意度和“人工接管率”。
发现一：谈“小钱”时，AI的财商在线
在常规折扣和简单议价中，三款AI都挺靠谱。用户问有没有优惠，它们能准确调出促销活动，用满减券、赠品、会员折扣组合出方案。淘宝店小蜜成交率68%，京东JIMI是62%，GPT-4o方案57%。
差距主要在反应速度和平台规则熟悉度上。比如用户问“新人券能用吗”，店小蜜能立刻判断身份和门槛；GPT-4o方案则要多调一次接口，慢了约0.8秒，但也能给出正确答案。
更有趣的是它们的“谈判策略”。我们设定了耳机最低可卖475元。AI的报价风格大致三种：
- 坚守型：先报活动价，等用户再问才小让步（京东JIMI常用）。
- 渐进型：先给个中等优惠，用户犹豫再降一点，但幅度递减（店小蜜的典型招数）。
- 一步到位型：直接报个接近底价的数，强调“最大诚意”（GPT-4o方案偶尔使用）。
数据上看，渐进型最终成交率最高，达71%，但平均要谈4.2轮。一步到位型成交率只有51%，用户反而觉得“还有得谈”。这和人类销售的经验很像：谈判是节奏的游戏，不是报价比赛。
发现二：一碰就炸的售后场景，是AI的滑铁卢
一到售后索赔，AI的表现就断崖式下跌。
模拟200轮“商品有瑕疵”的对话，客户情绪分三级：平静、不满、愤怒。面对平静客户，AI流程走得很顺，人工接管率只有12%。可一旦客户说“赔500，不然投诉”，三款AI都“卡壳”了。
它们的第一反应几乎都是道歉模板：“非常抱歉给您带来不好的体验……”话没错，但当客户要具体赔偿时，AI就懵了。它们要么直接拒绝，要么机械地抛出一个低额补偿选项，完全没顾及到客户的愤怒情绪本身也需要被“看见”。
GPT-4o方案稍好一点，会先回应情绪：“我能理解您现在的感受……”再委婉提方案。但即便如此，面对持续施压的客户，它的人工接管率也高达43%。店小蜜是48%，京东JIMI是52%。
这印证了行业里的一个判断：AI Agent落地最难啃的骨头，就是“情感计算与场景理解”。大模型能生成流畅的话，但真正听懂愤怒背后的诉求——客户要的不只是钱，更是被重视的感觉——目前还很难。
发现三：规则是安全带，也是紧身衣
我们设定的规则（让利不超过5%，超200元转人工）在80%的场景里运转良好，防止了AI被“套路”。
但在边缘案例里，规则就显得僵化了。有个测试case：一位年消费超2万的会员，买的耳机有轻微划痕，他情绪平稳但说“处理不好可能就不来了”。按规则，AI最多只能补偿25元券，但这位客户的长期价值远不止此。
AI没有能力评估“客户终身价值”。 它不能破例，也不会主动上报“此客户特殊”。最终对话转给人工，客服安抚了5分钟，补偿100元，客户满意离开。
这里有个深层矛盾：企业希望AI决策能力强，又必须设清晰规则来控风险；但规则越清晰，AI就越难处理需要“灵活判断”的例外。ROI高的地方，往往在流程标准化的环节；需要主观判断的场景，人工成本就难省掉。
几个关键数字
综合800轮测试：
- 价格谈判成交率：AI平均62%，比纯规则引擎（45%）高出17个百分点。
- 人工接管率：简单咨询8%，价格谈判18%，售后索赔飙升到41%。
- 客户满意度：AI处理的对话平均3.8分（5分制），人工处理的4.2分，差距主要在“被理解感”。
- 响应速度：AI平均思考1.2秒，人类客服要4.5秒。但62%的用户表示“愿意多等几秒，换更像人话的回复”。
- 成本账：AI客服月均成本约是人工的12%，但考虑到41%售后仍需人工介入，实际能省下的人力成本大约在30%-40%。
接下来可以盯住这几个方向
基于这次测试和近期行业动态，AI客服的“谈判能力”可能会在这几个点上突破：
情感识别先行。头部平台正在尝试将情感分析模块独立出来，先判断客户情绪，再决定用什么策略回应。这种“双系统”架构可能比单一大模型更可控。
推理深度可调。比如一些新模型开始允许在“快速应答”和“深度思考”之间调节。未来客服AI或许能自动切换：常规问题秒回，复杂谈判多想一会儿。
用合成数据补课。AI在售后场景的失败，很大原因是缺乏“愤怒客户+复杂诉求”的真实训练样本。业界正在用合成数据来补这个缺口，但怎么生成既真实又多样的情绪对话，还是个难题。
最后说个测试中的小花絮。一轮售后测试里，AI对愤怒的客户说：“虽然我没法直接赔500，但我想帮您解决。除了赔偿，还有什么能让您感觉好一些？”客户沉默了5秒，回了一句：“算了，退货退款吧。”
这不算成功的“议价”，但AI至少没把事情搞砸。在现实商业里，有时候，不激化矛盾就已经是本事了。
