过去二十年，客户服务系统的核心逻辑很稳定：
企业为“资源”付费——坐席数量（seat）、系统使用量（MAU）、或对话次数（interaction）。
但随着生成式 AI 的引入，这套逻辑正在失效。
Zendesk 在其 AI Agents 与定价模型中，给出了一个更清晰的方向：
客户服务不再按“使用”计费，而是按“结果”计费。
一、AI Agent：从“辅助工具”到“执行单元”
在传统认知中，AI更多是 Copilot——辅助客服坐席提高效率，例如自动生成回复、总结工单等。
但 Zendesk 对 AI Agent 的定义更进一步：
AI Agent 是可以在多个渠道中自主理解问题并完成解决的系统
这带来一个关键变化：
- Copilot：帮助人完成工作
- AI Agent：直接完成工作
当 AI 能独立处理客户请求时，客服系统的核心就不再是“人机协作”，而是“AI优先执行，人类处理例外”。
二、从“回答问题”到“完成任务”
Zendesk 将 AI Agent 分为两个层级：
- Essential：基于知识库生成回答，适用于常见问题自动化
- Advanced：支持 API 调用、流程执行与复杂场景处理
表面看是产品分层，本质是能力边界的变化：
| 层级 | 能力本质 |
|---|---|
| Essential | 回答问题 |
| Advanced | 执行任务 |
这对应 AI 的一个更大趋势：
从“对话系统”走向“行动系统”。
三、最关键的变化：Outcome-Based Pricing（结果定价）
Zendesk 的定价模型建立在一个核心指标上：
Automated Resolution（自动解决）
定义非常严格：
- AI 完整解决用户问题
- 无人工介入
- 72 小时内无再次咨询
- 通过规则与模型双重验证
只有满足这些条件，才会被计费。
这意味着什么？
传统 SaaS 定价逻辑是：
- 为“使用”付费
- 为“过程”付费
而现在变成：
- 为“结果”付费
换句话说：
企业不再为 AI 的“参与”买单，而是为 AI 的“产出”买单
四、客服成本结构的重写
在传统模式下，客服成本是：
成本 = 人数 × 人均成本
在 AI Agent 模式下，逐渐变成：
成本 = 解决问题数量 × 单价
Zendesk 当前公开价格中：
- 约 $1.5 / 每次自动解决（打包）
- 按量使用约 $2 / 次
这不是简单的计费变化，而是一个更深层的转变：
客服从“人力密集型成本中心”，转向“按产出计价的服务系统”
五、为什么这件事重要
Outcome-Based Pricing（OBP）解决了一个长期存在的问题：
1. SaaS 与客户价值脱节
企业付费与实际效果不直接相关
2. AI ROI 难以衡量
“用了 AI，但到底省了多少成本？”
3. 自动化价值无法定价
自动回复 ≠ 真实解决问题
Zendesk 的做法是把“结果”标准化：
- 什么算解决
- 如何验证
- 如何计费
从而让 AI 的价值变得可度量、可对账、可扩展
六、更深一层：AI开始进入“价值判断”
一个容易被忽略的点是：
是否算一次“自动解决”，由系统来判断
Zendesk采用：
- 规则判断（是否升级人工、是否有后续咨询）
- AI 模型评估（是否真正解决问题）
这意味着：
AI 不只是执行流程，还参与了“是否创造价值”的判断。
七、结论：客服行业的范式转移
如果用一句话总结这次变化：
客户服务，正在从“人处理问题”，转向“AI按结果生产服务”
Zendesk 的 AI Agent 与 OBP，并不是单一产品创新，而是一次结构调整：
- 产品层：从工具到执行单元
- 能力层：从回答到行动
- 商业层：从资源计费到结果计费
这三者叠加，指向一个更长期的趋势：
AI 不再是提升效率的手段，而是成为“可计量的生产力单位”
对于企业而言，问题也随之改变：
不再是“要不要上 AI”，
而是：
你是否准备好，用“结果”来衡量服务体系的价值。