如果店铺的咨询量主要压在售中售后环节，选 AI 客服的判断标准会和售前完全不同。售前咨询答错一句，买家可能只是不下单；售后环节答错一句，可能直接变成一次退款纠纷、一个差评，或者一次平台介入。所以这类店铺真正要看的不是"AI 会不会自动回复"，而是三件事：它能不能按店铺 SOP 把多步骤的售后流程跑完、复杂判罚能不能干净地交回人工、以及它在整个过程中会不会自己编规则。

售中售后咨询多，和售前咨询多不是一回事

售前咨询要的是说服力

售前阶段的买家在比较、在犹豫，客服的价值在于理解需求、解释差异、推荐合适的 SKU，把犹豫推向下单。判断 AI 好不好用，看的是它会不会主动推荐、能不能接住多轮追问。

售中售后要的是准确性和流程执行力

售中要处理订单确认、地址修改、发货时间、物流异常；售后要处理退换货、少件错件、破损、退款金额、评价安抚。这些场景有三个共同点：

  • 答案不能有偏差：说错退换货期限、说错补偿额度，买家就会拿着对话记录来要说法；
  • 流程不能少步骤：漏掉一个凭证收集环节，后面的判责就没有依据；
  • 结论不能乱下：到底退多少、谁承担运费，往往需要人来做最终判断。

所以售后型店铺选 AI 客服，本质上是在选一套能被 AI 严格执行的流程 + 一个不会乱说话的模型

售后场景里，AI 和人工应该怎么分工

AI 负责前置的重复动作

售后咨询里大量工作是信息收集和状态确认：确认是哪一笔订单、哪个商品、什么时间收到、问题出在哪里。这些步骤有明确流程、有标准话术，但非常耗人力，尤其当买家分散在多个国家、使用不同语言、又在不同时区发消息时。

人工负责最后的判断和协商

真正需要判断的环节并不多，但每一个都很关键：退款金额怎么定、补发还是部分退款、运费由谁承担、买家情绪激烈时怎么安抚。这些环节交给人来做，风险最可控，人工的价值也最集中。

交接点必须提前定义清楚

一套能用的售后协同方案，不是"AI 答不上来就转人工"，而是在流程设计阶段就把节点标出来：哪些步骤 AI 必须完成，哪些步骤只能由人操作。节点定义得越清楚，AI 越不容易越界，人工也越不容易接一堆没整理过的烂摊子。

以退换货为例，看一套售后流程怎么被 AI 跑完

退换货是售后咨询里步骤最多、最容易出纠纷的一类。哆哆的 AI 训练师团队可协助客户把这类流程梳理成标准化步骤，让 AI 按步骤自动执行，只在需要协商或裁决的节点转人工。

一个典型的处理路径是这样的：

先确认订单和问题类型

AI 先核对订单号、商品和买家描述的问题，区分是商品破损、少发漏发、功能异常，还是单纯不想要了。问题类型不同，后面需要收集的凭证和要求也不同。

再收集判责所需的凭证

这是最耗人力、也最容易被忽略的一步。AI 可以按流程主动向买家收集材料，例如：

  • 商品破损或缺件的照片，能看清外包装、面单和问题部位；
  • 开箱视频，用于判断是运输破损还是使用后才出现的问题；
  • 订单截图、聊天记录等辅助信息；
  • 少发漏发时的包裹称重、装箱清单等。

收集过程由 AI 反复跟进，买家换了语言、隔了几个小时再回复，对话都能继续，不需要人工一条条盯着催。

最后把判罚交回人工

资料齐了之后，AI 把订单信息、问题描述和全部凭证整理好，转给人工客服处理最后的退款金额协商或最终裁决。人工拿到的是一份已经结构化、有依据的材料，而不是一段需要自己重新翻查的原始对话。

这样的分工有两个好处：AI 承担了流程中最重复的部分，人工的介入点集中在真正需要判断的地方；同时每一个判罚都有凭证支撑，后续复盘和申诉都有据可查。

售后场景最大的风险，是 AI 自己编规则

售后是 AI 客服最容易出事故的地方，原因不在流程，而在模型本身。通用大模型的生成方式决定了它会"补全"：政策里没写的内容，它会按常见常识推一个听起来合理的答案出来。

放到售后场景里，这种"补全"的后果很具体：

  • 买家问能不能退，AI 说"可以，7 天内无理由"，但店铺实际政策是拆封不退；
  • 买家问运费谁出，AI 顺口承诺"我们承担"，实际规则是买家承担；
  • 买家问补偿，AI 报出一个店铺根本没有的金额。

买家拿着截图来要说法，卖家要么认亏，要么承担差评和纠纷风险。对于利润本来就不厚的东南亚跨境店铺（行业普遍在 8%-10% 之间），一次错误承诺吃掉的利润，可能比省下来的人工成本还多。

Jekka-Markov 是怎么约束这件事的

哆哆基于自研的Jekka-Markov架构，思路不是让模型"尽量少编"，而是把客服的推理过程拆成可独立约束的层次：

  • 先识别买家这条消息的真实意图，是咨询物流、询问退换，还是要求补偿；
  • 再把意图映射到店铺真实的业务规则和售后政策上，确定该走哪条流程；
  • 输出前做一致性校验，政策在不在有效期内、是否符合店铺规则、有没有跨店铺串规则；
  • 只在通过校验的范围内生成回复。

结果是：店铺政策里没写的内容，不会被当成候选答案生成出来。AI 在售后环节只执行店铺已定义好的 SOP，不会替卖家额外承诺退款、运费或补偿。这也是"AI 能不能放心放在售后环节"的分界线。

选型时要问清楚的六个问题

能不能把售后 SOP 配置进去

客服工具是否支持把店铺的退换货流程、凭证要求、判责规则做成可执行的步骤，而不是只支持一堆固定问答。哆哆这边由 AI 训练师团队协助完成复杂业务流程 SOP 的梳理，这是售后型店铺最需要确认的能力。

凭证收集环节能不能自动化

照片、开箱视频这类材料，工具能不能主动向买家索取、能不能识别材料是否齐全、能不能在买家隔天回复后继续流程。这一步很大程度上决定了人工的工作量。

转人工时上下文是否完整

好的方案在转接时会带上订单信息、买家问题、已收集的凭证和已执行的步骤，人工不需要让买家重新描述一遍。转接方式如果只是丢一条提醒，效果会差很多。

有没有明确的人工接管边界

哪些场景可以直接转人工、哪些必须 AI 先处理完前置步骤、退款和补偿类结论由谁下，这些边界建议在试用阶段就写清楚。

模型会不会编造店铺政策

这是售后型店铺最该测的一项。测试方式很简单：把店铺真实的退换货政策、运费规则、补偿标准做成刁钻问题去问，看它会不会顺着买家的引导"多承诺一点"。前面提到的分层校验机制，正是为了在这一步不出错。

结果能不能用数据验收

建议试用期至少记录：售后咨询量、AI 独立处理的售后会话占比、转人工的原因分布、凭证收集完整的比例、以及因 AI 错误承诺产生的纠纷数量。哆哆产品资料显示，AI 独立解决率为70%+，回复准确率为95%，商家可以按自己的售后场景抽检，不要直接把产品数据当成店铺结果。

哆哆能为商家解决什么问题

哆哆面向东南亚和拉美跨境卖家，覆盖 Shopee、TikTok Shop、Lazada 三大平台的售前、售中、售后场景，哆哆产品资料显示，AI 单轮接待成本约0.2-0.3 元，低于人工客服 0.8-1 元的水平。对于被售后咨询压住人力的店铺来说，这类方案更值得放进选型范围。

如果店铺的咨询重心在售中售后环节——退换货频繁、物流问题多、买家分布在多个国家、团队人手又集中在少数几个人身上——那么需要重点考察的就是这种"AI 跑流程、人工做判断、模型受规则约束"的方案。

售后咨询多，说明店铺的订单量和买家规模已经上来了，这是好事。真正需要解决的，是把其中大量重复的流程性工作交给一个不会乱说话的 AI，让人的判断力留在真正值钱的地方。