AI 热点

专访 Seel 联合创始人兼 CEO Zack Peng:AI 电商售后从答疑走向结果负责

Unite.AI更新于 11月19日 03:42

Zack Peng, Co-Founder and CEO of Seel – Interview Series

AI 导读

Seel 联合创始人兼 CEO Zack Peng 主张让 AI 智能体跨商家、物流和支付系统处理电商售后,并通过明确权限、人工升级和结果问责控制风险。AI 可加速 80% 的工单处理,Seel Agencies 的解决率超过 90%,整体支持案例解决率达 99%-plus。

正文 · AI 翻译

Zack Peng 是 Seel 的联合创始人兼首席执行官,专注于解决消费者和商家在结账后面临的问题。他最初致力于预测退货和退款,后来将工作拓展至能够在各类电商工作流程中解决客户诉求的 AI 系统。他主张将能够采取行动的智能体与明确的操作边界、人工介入升级机制以及对客户最终获得的结果负责结合起来。

Seel 为电商提供售后服务和 AI 代理服务,包括购买与配送保障、客户支持和转售。其平台连接商家系统、订单信息和服务工作流程,帮助解决消费者的问题;其 LLM Gateway 则支持接入多种模型以及基于任务的路由。在本次采访中,Peng 探讨了 AI 从回答问题转向对结果负责的变化、智能体跨系统执行操作所需的控制机制,以及商家应如何判断 AI 服务是否可靠。

是什么促使你共同创立 Seel?解决消费者结账后面临的问题,又是如何引导你开始为电商打造 AI 劳动力的?

一切始于一个交易平台。我们遇到了一位经营交易平台的创始人,并看到整个行业投入了大量精力预测拒付,而拒付成本约占 GMV 的 0.5%。退货和退款的比例却高达 10% 至 20%,但没有人在预测它们。于是,我们构建了一个能够进行这类预测的模型,并利用它让消费者支付一小笔费用,就能使原本不可退款的最终销售商品支持退款。我原以为会有 3% 至 5% 的人选择加入,实际比例却达到了 10% 至 20%。这让我们意识到,消费者愿意为结账后的确定性付费,这与人们购买 AppleCare 或租车免责保障的原因相同。

AI 劳动力的构想源自我们自己的客服收件箱。超过 70% 的客服工单与退货毫无关系。消费者想知道订单到了哪里,或者能否换货。我们没有把他们推回给商家,而是开始亲自解决这些工单。我们由此认识到,AI 在电商领域的真正价值并不是省钱,而是即使在业务高峰期,也能大规模即时处理事务。这包括由 AI 系统评估符合条件的退款申请,并在收到退回货物之前予以批准,也包括由全天候运行的 AI 智能体采取行动,解决客户诉求。

你描述了这样一个演进过程:从回答问题的聊天机器人,到采取行动的智能体,再到对完整结果负责的 AI 代理服务。这些阶段在技术和运营层面分别发生了哪些变化?你能否结合一个真实的客户问题加以说明?

区别在于由谁对结果负责。聊天机器人会回答“我的订单在哪里?”智能体会完成一项具体任务,例如提交索赔。而代理服务则对最终结果负责:确保客户获得其付费购买的东西。

在技术层面,代理服务会跨多个系统工作,包括商家的店铺、承运商和支付系统,而不是局限于单一系统。它会连续数日跟进一个案例,而非只处理一次对话,并且必须知道问题何时才算真正解决。在运营层面,你不再根据工单数量配置人员,而是根据异常情况配置人员。

以一个显示已送达但实际未收到的包裹为例。聊天机器人会让消费者等待,智能体会发起索赔,而 Seel Agencies 则会核查承运商的扫描记录和订单历史,判断是否符合条件,支付赔款或补发商品,更新商家的记录,并通知消费者问题已经解决。作为替商家承接端到端售后工单的合作伙伴,我们首先用自己的工单测试了这套 AI 基础设施。这种以解决问题为导向的方法帮助我们将解决率提升至 90% 以上,同时能够立即标记符合条件的申请并予以退款。

假设一个购物智能体代替某人购买了错误的尺码。该智能体、商家和 Seel 之间需要进行哪些操作才能纠正这一错误?又应该由谁对结果负责?

消费者不应该被迫充当裁判。无论是谁犯了错,补救方式都一样:迅速换货或退款。

要做到这一点,需要满足三个条件。首先,订单必须记录下单者是谁以及依据了什么指令,这样才能追溯智能体的决策。其次,商家的退货政策必须是机器可读的,智能体才能据此采取行动。第三,在厘清责任之前,必须有人为结果提供保障。

这正是 Seel 所处的位置。我们承担责任。如果订单受到保障,就会先让消费者获得足额补偿,之后再划分责任。如果 AI 购物智能体代替某人订购了错误尺码,只要结账时添加了适当的保障,且问题属于保障范围,消费者就应当拥有与亲自下单时相同的解决途径。对于我们承保的结果,我们会提供财务保障。消费者不应该被迫裁定究竟是自己还是智能体弄错了。

你们的团队表示,AI 加速处理了 Seel 80% 的支持工单。实际操作中,“加速”意味着什么?其中有多少无需人工干预即可解决?哪些指标能够表明消费者确实获得了更好的服务?

这意味着 AI 会完成过去拖慢人工客服效率的工作:阅读案例、调取订单和承运商数据、核查商家政策,并且在大多数情况下直接完成问题处理。AI 会对我们 80% 的工单完成这些工作。总体而言,我们解决了超过 99% 的支持案例,而业内通常所说的解决率是 60% 至 70%。

但仅看结案率可能会掩盖糟糕的服务,因为一个把消费者挡回去的机器人在数据看板上也会显得表现出色。因此,我们会跟踪工单重开率、升级至人工客服的比例以及客户满意度等指标。在那些令消费者感到沮丧的时刻,速度至关重要。更改收货地址通常需要在相互独立的订单和履约系统之间来回发送一连串电子邮件,而我们的智能体只需几分钟即可完成。

我最看重的指标是消费者是否会再次购买。在我们的网络中,69% 的复购消费者都曾为自己的首笔订单购买保障。

你曾形容自己“支持智能体,但不支持自动驾驶”。哪些决定是你刻意保留给人来做的?当一个表面上看似常规的案例需要人工判断时,你们的系统如何识别?

自动驾驶意味着无人监督。我们希望由智能体完成大部分工作,而在需要判断的地方由人作出决定。

我们将三类决定交由人来处理:任何涉及制定政策的决定、错误决定会导致高昂纠正成本的案例,以及特殊到规则给出的答案未必公平的案例。AI 会在这些边界内处理常规案例,无权自行扩大权限。如果某项操作尚未获得授权,或者某个案例需要额外审批或特殊处理,系统就会直接将其升级给人工处理。

系统不仅会查看请求的类型,还会考察其相关背景:风险、紧迫性、客户的沮丧程度以及政策敏感性。高风险案例会转交给人工处理,而政策敏感型案例可能需要经过额外核验后才能采取行动。这些阈值会针对具体商家和工作流程进行配置,而不是用一个通用的金额或置信度分数来表示。例如,加急请求或提高赔付金额的请求可能会超出 AI 的自主权限。

你们对消费者的研究表明,许多 Z 世代消费者仍然希望由人参与解决他们的问题。在设计能够赢得信任的 AI 支持服务方面,你们有哪些发现,尤其是在客户希望质疑某项决定或联系人工客服时?

Z 世代是最习惯使用 AI 的一代,同时也是最敏锐地察觉企业是否在利用 AI 回避他们的一代。在我们的《2026 年 Z 世代购物报告》中,49% 的 Z 世代受访者表示,他们更愿意与人一起解决问题。但他们依然希望问题得到快速处理:87% 的消费者期望问题在两到三天内解决。

我们的发现是,信任来自退出机制,而不是机器人本身。当消费者知道自己可以联系到人工客服时,他们很乐意让 AI 处理问题。当 AI 变成一道无法逾越的墙时,即使答案是正确的,信任也会崩塌。

因此,我们围绕三点进行设计:

速度,确保问题在消费者产生沮丧情绪之前得到解决

每当 AI 拒绝请求时,都用通俗易懂的语言给出明确理由

以及只需一步即可升级至人工客服,而且人工客服能立即看到完整历史记录,消费者因而无需重复陈述问题。

当智能体能够退款、更改订单或跨商家系统执行操作时,错误会带来财务后果。你们如何实施权限控制、防止重复或未经授权的操作,并在出现问题时还原事情的经过?

每个智能体只会获得完成其工作所需的访问权限,不会多给。我们将这些访问权限限定在商家已经同意的特定工作流程内。我们使用独立于员工身份的专用账户或 API 令牌,以便商家随时调整、暂停或撤销访问权限。

对于大额退款等风险较高的操作,我们可以根据商家的要求配置人工审核,或设置基于金额和规则的阈值。允许智能体访问某个系统,不应该意味着赋予其不受限制的权限。

系统执行的每项操作都会被记录,包括操作发生的时间、执行的内容以及触发原因。如果出现问题,这些记录可以供我们与商家共同调查、协助回滚,并在事后收紧规则。

借助 1-Click Resale,智能体可以生成商品信息、制定价格并协调多个交易平台上的销售。你们如何验证商品描述和定价?当交易平台的更新出现延迟时,又如何防止同一件商品被售出两次?

我们的 Resale 智能体服务会完成卖家通常不愿处理的工作。它会查看消费者提供的照片以检查商品状况,参照市场行情为商品定价,创建商品信息,并在商品售出后将其下架。

商品描述基于我们已经掌握的数据生成。由于商品来自商家订单,智能体服务会以原始商品记录为依据。定价则从同类商品的实际成交价出发,并根据商品状况进行调整。消费者会在我们继续操作之前确认报价,之后由我们的团队负责创建商品信息并补充任何缺失的细节。

我们的目标是让转售变得更容易,这样即使退货期限已过,消费者也能从不再需要的商品中收回价值。

哪些运营挑战促使你们开放 Seel 的 LLM Gateway?你们又如何根据可靠性、延迟和成本为不同任务选择模型?你们是按每次模型调用,还是按每个成功完成的客户结果来评估经济效益?

我们最初是为自己打造这套系统的。在开发 Seel Agencies 来运行自身工作流程的过程中,我们认识到,要大规模使用 AI,就必须以严谨的方式选择和调用模型。我们需要可扩展性、可靠性、使用最佳模型的能力以及可预测的单位经济效益,因此构建了这套基础设施。商家也感受到了同样的成本攀升——一个模型接一个模型、一次请求接一次请求地累积,因此我们将其开放出来。

我们按任务进行路由。从电子邮件中提取订单号,并不需要使用与处理复杂多步骤问题相同的模型。LLM Router 会评估请求的复杂程度,并在客户允许使用的模型范围内进行路由。客户可以选择侧重性能、节省成本,或在两者之间取得平衡。这样一来,他们就能决定在较简单的任务上以多大力度降低成本。

可靠性和延迟仍然必须经得起实际工作负载的检验。我们建议先测试质量、响应时间和成本,再提高路由策略的激进程度。对于复杂的工作流程或要求严格一致性的任务,客户可以继续指定特定模型,而不使用自动路由。

LLM Router 按模型使用量收费,而不是按完成的客户结果收费。使用智能路由时,费用将按照实际运行的模型费率计算。Seel 会承担评估请求复杂程度并据此作出路由决策的成本。

对于正在创办 AI 企业的创业者而言,Seel 的经历让你们认识到,令人惊艳的演示与客户能够信赖的服务之间有何区别?在把一项完整的业务职能交给 AI 智能体服务之前,商家应要求对方提供哪些证据?

演示展示的是系统成功运行一次。服务展示的则是,在凌晨 2 点处理第一万个案例时,即使承运商的 API 宕机、消费者怒气冲冲,系统仍能正常运行。最棘手的部分从来都不是模型,而是糟糕的数据、相互矛盾的系统,以及判断 AI 何时不应采取行动。

商家应该索要证据,而不是观看演示。智能体服务能够端到端解决多大比例的案例?除了减少转交人工的工单之外,它的解决时长和复购率如何?出错时由谁承担损失、多久能够处理完毕,以及商家能否准确查看它执行了哪些操作?此外,运行这套服务需要多少人?

感谢你接受这次精彩的采访。希望进一步了解 AI 智能体服务、电商售后服务及电商自动化的读者,可以访问 Seel。

来源

Unite.AI