AI辅助整理：本文基于下方列出的公开原始来源改写，不代替原文。
核心摘要： 澳大利亚最大的纯线上零售商之一Kogan.com把客服智能体铺进订单查询、退货、商品推荐与电视故障排查等流程，自动处理约一半客户咨询，并让“真实解决率”从上线时的6.2%提升到约20%。在销售规模增长20%的同时，客服成本反而下降约10%。
业务背景
Kogan.com是澳大利亚最大的纯线上零售商之一，以低价和自营品牌著称，业务覆盖消费电子、家居、服饰等多个品类。过去其客服渠道只有网页表单和电子邮件，没有在线聊天，也没有电话支持。
在促销季或新品发布时，咨询量会急剧上升，客户等待回复的时间被拉长，客服团队长期处于被动应对状态。管理层意识到，单纯增加人力无法解决规模化服务的问题，必须寻找新的自动化路径。
问题诊断
团队对历史咨询做了分类统计，发现约六成问题属于‘我的订单在哪里’（WISMO）这类查询型请求，信息本就在系统里，只是客户找不到入口。
另一部分高发场景包括退货流程咨询、商品推荐和电视等产品的故障排查。这些场景规则相对清晰，但过去完全依赖人工逐条回复，既慢又贵。
AI落地方式
Kogan.com选择Salesforce Agentforce作为客服自动化底座，把高频场景逐个做成智能体。订单查询智能体直接对接订单系统，客户用自然语言提问即可获得实时物流状态。
退货智能体内置七步审核流程，用确定性脚本保证步骤顺序不可跳过，确保合规与操作准确。商品推荐与电视故障排查则交给大模型推理，根据对话上下文动态生成回答。
智能体无法解决时会携带完整对话上下文转接人工；若人工队列等待超过15分钟，系统会提示客户创建工单并承诺回电，避免客户被晾在队列里。
实施步骤
团队没有一次性铺开所有场景，而是先用真实咨询频次排序，优先上线占六成的订单查询场景，跑通后再扩展退货与商品推荐。
开发工作由最懂客户的一线客服团队主导，而非工程团队。客服人员直接参与智能体对话设计与迭代，确保语言风格和解决路径贴近真实需求。
在‘流程不容错’的场景使用确定性脚本，在开放对话场景使用大模型推理，避免过度固化导致维护困难，也避免完全自由导致出错。
结果证据与边界
据Salesforce官方博客披露，Agentforce目前自动处理约50%的客户咨询，每月自动化约5000个案例，每周处理约36850次动作，成为澳新地区用量最高的Agentforce客户。
‘真实解决率’从2026年3月上线时的6.2%提升至约20%。过去一年在销量增长20%的情况下，客服成本下降约10%；客户对智能体的偏好度从50%升至78%。
需要说明的是，这些数据来自客户与厂商的自报口径，未提供第三方审计。‘67%自动化’是营销标题的概括说法，正文中更准确的表述是‘约50%咨询由智能体自动处理’。
可复制动作
第一，用数据排优先级：先统计真实咨询分布，从占比最高的场景开始做智能体，而不是凭感觉选场景。
第二，区分确定性流程与开放性对话：退货审核这类不容出错的场景用脚本强制顺序，商品推荐这类开放场景交给大模型推理。
第三，让一线客服主导开发：最懂客户的人设计对话，工程团队提供平台支持，能显著提升智能体的实用性与客户接受度。
第四，设计好人工兜底：智能体解决不了时带上下文转人工，队列过长时主动提示创建工单，避免客户体验断崖式下跌。
证据与边界
- 来源为Salesforce官方博客，属厂商自述口径并配有客户CTO引语。
- ‘67%自动化’是营销标题口径，正文以‘真实解决率约20%’为准，两者不可混用。
- 销量与成本增减、CSAT差值等均来自客户与厂商自报，未提供第三方审计。
- 来源未披露人工客服平均处理时长、退货准确率等更多口径。
企业今天可以做什么
团队提炼三条可复制经验：一是在‘流程不容错’的场景（如退货七步审核）用确定性脚本强制顺序，其余交由大模型推理，避免过度固化导致难以维护；二是用真实咨询频次排序上新场景，先做占六成的订单查询，再扩展退货与商品推荐；三是让最懂客户的一线客服团队而非工程团队主导智能体开发与迭代。智能体无法解决时会带上下文转人工，队列等待超15分钟则提示创建工单并回电。