国民银行AI处理率41%，客服人员诉苦工作负担增加

即使AI处理的咨询增多，留下的咨询也可能更难处理

国民银行2025年AI客服处理率为41.3%。这是《京乡新闻》通过Lee Jeong-heon（音译）议员办公室获得的资料为基础，于今年4月报道的数字。报道称，客服人力从1,133人减少到869人。

报道中出现的客服Choi Na-yeong（音译）表示，过去她认为每天70通电话是合适的水平，但现在要接100~120通。她解释说，简单咨询由AI处理，留给人工的都是较难的咨询。这个数字是该客服人员的个人证言，并非对银行全体客服人员平均值的测量。

我在Choi Na-yeong（音译）的证言中感到疑惑的地方是这个。处理率上升了，但她接到的通话数量反而增加了。就算十件咨询中有四件由AI处理，也不能因此认为人工所花的时间减少了40%。因为AI处理了哪些咨询、剩下的咨询各需要多长时间、又由多少人分担，这些都会一起发生变化。

例如，简短的引导咨询即便自动处理，复杂的异议申诉或赔偿协商仍可能由人工负责。在这个过程中，如果人力还随之减少，工作就可能集中到留下的客服人员身上。如果在导入计划中只看处理件数来计算人员配置，这一点很容易被忽略。

<<<OZ_BODY>>>

各家银行的结果并未朝同一方向变化

同一篇报道中提到的其他银行的数据也值得一看。

银行	报道结果
新韩银行	2024年引入AICC后，咨询人力从693人增加到2025年的697人
农协银行	AI处理率2023年为25.6%、2024年为20.7%、2025年为21.7%
Toss银行	AI处理了十件咨询中的七件，但2026年2月聊天机器人满意度为36%，传统呼叫中心满意度为72%
韩亚银行	2024年的自查问卷中，全程使用呼叫机器人的顾客中有53%表示不满意

这份表格并不是在相同条件下测试同一技术得出的结果。引入时间、系统、客户与咨询构成各不相同。满意度调查中各渠道的使用者和受访者也不能视为同一群体。仅凭这张表格，很难判断哪种模式或哪家银行的运营方式更优。

不过，它确实说明了引入AI并不必然带来人力减少或满意度上升。处理率下降时，也需要进一步追究原因。可能是回答质量变差了，但也可能是处理对象、咨询构成或统计标准发生了变化。

因此我认为，在比较引入结果时，首先应该确认AI被用于处理哪些类型的咨询。因为在“引入客服AI”这个名义之下，捆绑着许多做着不同事情的系统。

<<<OZ_END>>>

帮助客服人员的AI与直接应对客户的AI，角色并不相同

布林约夫松（Brynjolfsson）、李（Li）与雷蒙德（Raymond）2025年发表的学术论文分析了某企业5,172名客户支持客服人员的数据。逐步引入向客服人员提议答案的工具后，每小时解决的案件数平均增加了15%。该工具只向客服人员展示建议，客服人员可以修改或不采纳。Generative AI at Work

效果并不均衡。经验和熟练度较低的客服人员获益更大，而在最熟练的群体中，速度提升幅度较小，甚至出现质量略有下降的结果。相较于非常常见或非常罕见的问题，中等程度罕见的问题带来的收益更大。咨询问题“常见”与“简单”并不是同一个意思。

这项研究并未测量由AI单独应对客户这种方式的效果，而是人类判断与AI建议共同作用的结果。如果把这15%直接套用到“引入聊天机器人后可以减少的客服人员比例”上，前提条件就变了。

两种部署方式可以这样区分：

AI所处的位置	主要期待的帮助	需要确认“留给人类的工作”的问题
向客服人员建议答案	辅助信息检索与答案撰写	审阅建议需要多长时间，哪些咨询能从中受益
客户先与AI对话	直接处理部分咨询	哪些咨询会转交给人类，已经进行过的对话是否会一并传达

实际服务中可以同时采用这两种方式。没有必要一概而论地认为AI会接手所有简单咨询，或者辅助型工具完全不会改变咨询的构成。直接比较引入前后咨询种类与处理时间的变化，才是更准确的做法。

尤其是当客户与AI对话后被转交给人类时，客服人员可能需要纠正此前已经失败的指引。如果客户不得不重复同样的说明，不满情绪可能会进一步加剧。仅仅按“转接人工1件”来计数，无法体现这种额外的负担。

<<<OZ_BODY>>>

也要看看省下的时间用在了哪里

得到韩国银行支持的徐、吴研究团队在2025年5~6月对韩国国内5,512名在职人员进行了问卷调查。在最近一周内使用过生成式AI的群体，时间节省平均为3.8%；若换算到包含非使用者在内的全体在职人员，则为1.4%。工作时间与产出变化均为受访者自报数值。Generative AI and the Reallocation of Time

时间节省与产出变化之间的相关系数仅为0.008，非常低。这意味着回答“时间大幅减少”与回答“产出大幅增加”之间并不存在线性关联。研究团队提出了固定配额、工作中的余量、任务重新分配等解释。

也并非所有任务的时间都有所减少。在所分析的156项任务中，140项时间有所减少，但在客户投诉应对、物理协调等部分任务中，报告显示时间反而增加了。仅凭这一点无法证明某家银行客服人员工作量增加的原因。不过，整体平均值与个别任务的变化可能存在差异，这一点值得一并关注。

我并不把这个结果解读为“韩国即便使用AI也没能创造出成果”。以更小的负担处理相同的工作量，本身也是一种收益。如果那部分时间回归到了休息中，从劳动者的角度看也是有价值的。如果目标是提高产出，那还需要确认其他业务上的制约条件与激励机制。

在呼叫中心，也需要先确定想要获得的是什么。是想用相同的人员减少等待时间，还是想让员工能更长时间地应对高难度咨询，抑或是想降低劳动强度，这些不同目标会导致所需的人员配置与评估标准各不相同。在把节省下来的时间全部换算成裁员之前，应该先做出这样的选择。

<<<OZ_BODY>>>

除了撰写答复之外，还有一些工作要承担

我认为把运营咨询AI的工作拆分成四类会有帮助。这不意味着必须新设四个职位，而是为了区分谁将投入多少时间去执行，避免遗漏。

业务	具体要做的事	应留下的结果
答复与咨询处理	撰写答复、直接应对例外咨询	客户的请求与实际处理结果
知识管理	更新最新政策、价格、例外规定	明确适用时点与负责人的知识资料
质量评估	复盘失败案例、管理评估标准	需反复核对的案例与判定依据
例外恢复	移交人工的条件、管理补偿与再处理流程	有负责人、权限、处理期限的恢复流程

例如退款政策变更时，仅仅上传新文案可能还不够。需要确定对既有购买者适用哪种政策，也要确认AI是否正确区分了例外情况。此外，还需要有人负责重新联系被误导的客户，并明确以何种权限处理。

即便能自动为整段对话打分，评估工作也不会因此消失。需要确认打分标准是否与当前政策相符，以及是否能妥善判定模糊案例。如果在被机器标记为“已解决”的对话中，存在客户实际上是放弃了的案例，就仍需找出这些案例并修正标准。

这项工作可以交给现有的咨询员和管理者去做。但如果在维持原有处理目标不变的基础上再叠加这些工作，总工作量就会增加。需要一并分配培训时间、复核时间和运营权限。在人力规划中，不仅要计算自动化处理的件数，也要把这项工作所需的时间纳入计算。

每款产品对“解决”的定义都不同

要比较处理率，就得先弄清楚供应商把什么算作解决。由于供应商的统计标准往往也是计费标准，这是签约前需要确认的事项。

Fin 区分了客户标记为已解决的情况，和收到答复后没有再要求进一步帮助的情况。后者属于推定解决。并不是说只要打了招呼、或者只提出了确认性问题而没有得到答复，就会被自动算作解决。同一对话中如果客户后来又表示需要更多帮助，已计费的解决记录也会被扣除，这也是规则之一。

此外，Fin 完成既定流程后转交给人工客服的情况，也可能被计入计费结果。这需要与因无法解决而单纯转交的情况区分开来。如果简单地总结为“转交给人工就免费”或者“客户默默离开就一律收费”，就会遗漏具体条件。Fin 结果计费说明

Zendesk 在 2026 年 5 月引入的等级体系，区分了转交给人工的情况、对话结束但未经过验证的情况、以及经过验证的解决这三种情况。前两种情况不计入解决额度的扣减，最后一种情况则通过语言模型评估对话内容以确认是否解决。已有账户可能仍停留在旧方式下，因此也需要确认适用的版本。Zendesk 解决等级

供应商的验证也无法完全替代运营组织自身的确认。客户是否就同一问题再次联系、是否转到了其他渠道、是否需要补偿或重新处理，这些可能都需要另外收集统计。

处理率会同时受到模型能力、连接的知识与工具、转交人工的规则、以及咨询构成的影响。改变规则，数值可能随之变化，但这并不意味着模型的性能就不重要了。需要确认的是，究竟是什么发生了变化，才使数值发生了移动。

运营指标最好能结合以下项目一并查看：

• AI 直接处理的件数及其统计标准
• 因同一问题再次进入的咨询数，以及转到其他渠道的件数
• 转交给人工的咨询种类及处理时间
• 客户满意度及回答者构成
• 客服人员的后处理、审核、恢复时间及工作负担

满意度调查可能会遗漏未作回应的客户，而重复咨询率如果不能跨渠道追踪客户，也可能显得偏低。不要止步于再多加一项指标，而应定期阅读真实的投诉与失败案例。

Oswarld视角

我认为，在看自动化率的时候，应该同时看这个数字背后的业务分配。如果数字上升了，就要确认哪些咨询实现了自动化，剩下的咨询又转给了谁。也要确认那个人能否在原有工作之外，再承担这部分任务。

生产率提高之后，收益归谁所有也很重要。前面提到的客服论文并没有直接掌握薪酬资料。接受采访的管理者们虽然提到绩效奖金可能有所增加，但也警告说，一旦此后目标值被上调，这种收益可能不会持续太久。这并不是一篇得出“实际工资没有增加”这一结论的研究。

国内报道中也出现过这样的分析：AI 引入强度较高的呼叫中心，其估算平均工资低于未引入 AI 的中心。仅凭这一差异，还不能确定 AI 具有降低工资的效应，但在这种把呼叫数量与绩效奖金挂钩的结构中，完全有理由去审视自动化收益究竟是如何分配的。

熟练员工的角色也需要重新审视。前面那篇论文指出，优秀客服人员的对话本身作为学习资料也具有价值。它也留下了一个后续课题：如果熟练员工只是一味遵从 AI 的建议，可能会导致新解法减少。我认为，如果要让这样的人在处理咨询之外，还负责知识整理和质量评估，那么用于这项工作的时间和相应的报酬也应当得到认可。

在外包结构中，需要防止业务知识在合同变更时出现断层。如果了解政策例外情况和客户应对语境的人离开了，仅凭文档可能是不够的。必须明确由谁来管理资料、修正错误，并向下一任负责人交接。

归根结底，我在制定人力规划之前想要确认的是负责人是谁。应该先确定谁来更新知识资料、谁来复盘失败案例、谁来向客户重新说明并进行补救。我认为，不能一边把这些工作追加给剩下的员工，一边却按照“咨询量减少了，工作量也就减少了”来计算。

自动化并不能保证维持净就业。达到相同产出所需的人员数量是可能减少的。正因如此，才更需要分别测量处理率、劳动时间和服务质量。只有把减少的咨询量和新产生的运营工作一并计算，才能知道人力削减是否会转化为剩余人员的过度负荷。

我认为，衡量引入 AI 的成效时，既要包括解决客户问题的结果，也要包括创造这一结果的人所承担的工作负担。

💬 AI 未能处理的咨询会转交给谁？那位负责人是否被单独分配了用于复核与补救的时间？

参考资料

• 京乡新闻，引入AI的呼叫中心，工资也被削减了，2026年4月15日：银行资料与现场采访
• Brynjolfsson·Li·Raymond, Generative AI at Work，QJE 2025年刊载版：咨询辅助工具的效果与局限
• Suh·Oh, Generative AI and the Reallocation of Time，2026年2月：韩国国内就业者问卷调查中呈现的时间、产出、工作构成变化
• Fin，按结果计费说明
• Zendesk，自动解决等级说明·以往方式与适用账户说明

一起阅读：AI客户咨询，1件解决的标准·验证工作与负责人设计

作者 安光涉（Oswarld） 现任世宗大学兼任教授，INLEVEL9 战略顾问。职业经历、研究、著作与近期活动会持续更新在作者简介。 最新动态 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。