Olauto 用四个人、承包商和 AI 运行公司，却把最接近成交的产品咨询留给真人。客服自动化要守住顾客继续购买的意愿。
Mike Maleszyk 曾遇到一个很奇怪的聊天窗口。
对方坚持自己是真人。Mike 问它午饭吃了什么，它回答不了。
这次体验后来成了他创办人工客服服务 HumanTouchCX 的起点。机器人给错一个物流节点，顾客可能再问一次。机器人在信任问题上装成人，顾客很可能直接关掉页面。
2026 年 8 月 26 日，DTC Podcast 做了一期关于 Olauto 的访谈。这个品牌卖 33 美元的汽车香氛，2025 年 9 月上线，节目里称已经盈利。创始人 Tyler Handley 此前创办了 Inkbox，并以 6500 万美元将它出售给 BIC。
Olauto 更吸引人的地方，是节目给出的组织方式。
公司没有传统雇员编制，核心协作大约四个人，再配合承包商和 AI 工具。品牌、供应链、广告和后台尽量做轻，客服却坚持由真人负责。现阶段只在下班时段，把一部分标准问题交给自动回复。
一个如此积极使用 AI 的团队，为什么偏偏在人力最重的客服环节踩下刹车？
产品问题出现时，购物车可能已经打开
顾客问一款香氛适不适合自己的车，味道会不会太重，两个版本该选哪一个。客服系统把它记成一张工单，顾客却可能已经走到付款前一步。
节目里提到，产品问题最不适合交给机器人独自处理。顾客很可能已经打开购物车，只差最后一点确认。答案含糊、前后矛盾，或者答非所问，一笔快要完成的订单也可能跟着消失。
很多团队部署 AI 客服时，先看分流率。也就是多少问题没有进入人工队列，被机器人直接关掉。
这个数字提高，报表会显得很轻松。顾客拿到的答案是否有用，问题解决后有没有购买，退款和重复咨询有没有增加，分流率都回答不了。
Olauto 的选择给了跨境卖家一个更实用的顺序。先判断答错的代价，再决定要不要自动化。
先按交易风险给工单分级
判断一张工单该交给谁，先看答案是否唯一且稳定，再估算答错后对购买、退款和品牌信任的影响。遇到带着情绪、争议或特殊情况的顾客，直接提高风险等级。按这三个问题，可以把工单分成三档。
| 工单级别 | 常见问题 | 建议处理方式 | 上线条件 |
|---|---|---|---|
| 低风险 | 订单已发货后的标准物流状态、营业时间、公开政策入口 | 自动回复，随时可转人工 | 数据来源稳定，答案只有一个 |
| 中风险 | 地址修改申请、普通退换流程、保修材料补充 | AI 起草，真人确认后发送 | 能读取正确订单，动作尚未执行 |
| 高风险 | 产品选择、适配性、取消订单、退款争议、安全投诉 | 真人直接处理，AI 只整理上下文 | 有明确负责人和升级时限 |
Olauto 在节目里提到的第一批自动化候选，是下班时段的标准物流状态问题。大约六成五的此类问题可以由自动化回答，关系风险一旦出现，真人就要接手。
跨境店尤其适合从这个范围开始。中国团队下班时，欧美顾客正处在白天。自动回复可以先提供承运商、物流节点和查询入口，地址异常、清关、丢件和长时间不更新仍需进入人工队列。
机器人最容易在灰色地带犯错
Tyler 在 Inkbox 时见过更难的客服场景。
用户可以上传定制纹身图片，团队需要判断内容能否生产。高峰期，这项审核需要 13 到 20 名客服人员。图片里的灰色地带很多，一条简单规则很难覆盖上下文，AI 也可能把真正需要人工判断的内容处理得过于武断。
独立站里类似的灰色地带并不少。服装顾客常在两个尺码之间犹豫，汽车配件还会遇到年款不在标准列表的情况。到了家居和保健品类，安装环境、个人反应与使用限制又会带来新的判断题。
这些问题可以让 AI 先提取车型、尺寸、订单号和顾客诉求，最终建议仍由真人确认。AI 在这里更适合做整理员，别让它兼任没有授权的产品专家。
工具越多，客服未必越聪明
Olauto 自建了一套 ERP，只连接 Shopify，不再叠很多中间工具。
这套极简连接也减少了信息冲突。客服自动化经常出错，原因未必是模型能力不足。订单状态经过多个应用同步，商品资料分散在表格、帮助中心和旧工单里，机器人读到的源头可能已经互相打架。
上线前先做一次资料清点。
| 资料 | 唯一来源 | 更新负责人 | 机器人权限 |
|---|---|---|---|
| 订单和物流 | Shopify 与承运商状态 | 履约负责人 | 只读，不改订单 |
| 商品规格 | 已审核商品资料 | 产品负责人 | 可引用，不自行补充 |
| 退换政策 | 当前官网政策页 | 客服负责人 | 可解释，不自动退款 |
| 例外案例 | 人工工单记录 | 客服负责人 | 只用于摘要和建议 |
同一个问题如果存在两个版本的答案，先修资料，再接 AI。让模型在冲突信息中自行选择，只会把内部混乱更快地发给顾客。
四周完成一次小范围试运行
第一周给历史工单打标签
抽取最近四周工单，按物流、产品、适配、地址、取消、退款和投诉分类。记录每类数量、平均响应时间、是否影响下单、是否发生重复咨询。
这一周的输出是一张工单地图。优先找答案稳定、数量大、答错代价低的类别。
过去工单还有另一个用途。节目提到，Olauto 用历史工单帮助训练第一名客服。中国团队也可以从高质量人工回复里整理品牌语气、常见追问和升级条件，避免新客服从空白文档开始。
第二周建立审核过的答案库
每个自动回复只引用一份当前资料。写清可以回答的范围、必须追问的字段、转人工条件和禁止执行的动作。
例如物流查询可以读取订单状态并给出链接，不能承诺具体到货日期。地址修改可以收集新地址，不能直接改动已经进入仓库的订单。
第三周只开放下班时段
先选一个低风险类别，在人工下班时运行。自动回复需要明确说明由自动助手提供，并留下转真人的入口。开始阶段每天回看全部自动回复，检查引用资料、语气和升级是否正确。
出现订单误改、政策答错、顾客无法转人工或同类问题明显增加时，立即暂停该类别。
第四周用经营结果决定是否扩大
除了首次响应时间和分流率，还要一起看下面几项。
| 指标 | 它回答的问题 |
|---|---|
| 重复咨询率 | 顾客是否真的拿到答案 |
| 转人工率 | 自动化边界是否划得合理 |
| 售前咨询后转化率 | 回复有没有帮助成交 |
| 退款与取消率 | 错误答案是否制造后续损失 |
| 顾客满意度 | 速度提升有没有伤害体验 |
| 人工复核错误率 | 系统是否具备扩大条件 |
只有响应更快，重复咨询、投诉或取消却上升，这类自动化暂时不值得扩大。低风险类别稳定运行后，再测试下一类。
让顾客知道谁在回答
Mike 遇到的机器人明明答不上来，还坚持冒充真人，这才让人反感。
对于跨境卖家，透明表达也能减少误解。自动助手可以先处理标准问题，并清楚告诉顾客何时能接入真人。销售到欧盟的品牌，还应单独确认当前适用的 AI 透明和记录要求，保留必要的回复日志与升级记录。
真人客服也不等于每封邮件都从头手写。AI 可以做摘要、翻译、查找政策和起草回复。最终发送、退款、改地址和产品建议保留人工确认，团队仍能省下大量整理时间。
小团队更需要守住高价值对话
Olauto 的零员工说法很醒目，背后并没有一个无人经营的生意。四个人、承包商和工具仍在完成品牌、供应链、广告与客服工作。
Olauto 最值得借鉴的是它给自动化画出的边界。
标准、重复、可回滚的问题交给系统。接近成交、带着情绪、答错代价高的问题留给人。客服团队的目标也从关掉更多工单，回到帮助顾客放心购买。
如果你正准备接入 AI 客服，先别从全量工单开始。挑出下班时段最常见的一类物流问题，按四周方案跑一遍。一个月后，你会更清楚哪些工作该交给机器，哪些对话值得真人出现。
本文材料
DTC Podcast 关于 Olauto 的访谈
拓展阅读：
