既然员工不懂人情世故，我就让 AI 去识别客户的“愤怒指数”。这念头是昨天半夜盯着客服后台数据冒出来的，一个客户在十分钟内发了十七条消息，从“你们这个功能怎么回事”一路升级到“我要投诉到工信部”，而我的客服专员还在慢条斯理地复制粘贴标准话术，最后回了一句“亲，请提供一下您的账号ID呢”。我隔着屏幕都能感觉到客户那头血压飙升，恨不得把手机砸了。
2019年扩张那会儿招人，面试时个个都说自己沟通能力强、有耐心，结果一上岗全露馅。他们不是坏，是纯粹的“社会情商”缺失，根本识别不出文字里的情绪拐点。客户说“算了，就这样吧”，那是失望透顶准备流失的信号，他们真就回个“好的，祝您生活愉快”。客户带个感叹号，他们还能用句号结尾。我手把手教过，搞过情绪识别培训，没用。人的反应有延迟，有情绪，会累，会带着上班受的气去对待下一位客户。管理成本高到离谱，你罚钱他说你PUA，你讲道理他跟你谈劳动法。最后发现，最稳定、最可控的“情绪”，反而来自没有情绪的机器。
技术栈其实不复杂，关键是思路得拧过来。以前做情感分析，总想着搞个正面、负面、中性的三分类完事，那太粗糙了。愤怒是负面里的核弹，需要单独提出来做极细颗粒度的分级。我用的是经过微调的BERT，但喂给它的不是通用语料，是我从过去三年客服日志里手动标注出来的“愤怒样本库”。标注维度很细：用词攻击性（从“垃圾”到“他妈的这个破东西”）、标点密度（？？？和！！！的权重不同）、语义威胁程度（“我要投诉”和“我律师函已经准备好了”是两码事）、以及上下文加速（比如同一会话内问题重复出现的频率）。模型最终输出一个0到100的“愤怒指数”，并且会标注出触发点——是“等了三天”还是“又坏了”。
光识别出来没用，得联动回复策略。我在n8n里搭了个工作流，客服系统一接入新消息，先走情绪分析节点。指数低于30，走标准流程库；30到70，自动在回复模板前插入安抚语句（比如“非常理解您焦急的心情”），并提示客服优先处理；超过70，直接触发红色警报，工作流会做几件事：一、自动从知识库提取该用户最近三次工单和问题，附在内部提示里，避免客服再问“您之前遇到过吗”这种蠢问题；二、回复模板自动升级为“道歉+紧急处理方案”格式，语气词全部强制替换为更谦卑的“十分抱歉”、“立刻为您核查”；三、自动在我的钉钉上发一条加急通知。整个链条，从消息进来到生成辅助回复建议，大概1.2秒。
测试时拿历史记录里真正激怒客户的对话跑了一遍，AI建议的回复策略，比当时我那些员工的实际回复，在模拟投票里好评率高出了四十多个百分点。最讽刺的一点是，AI判断为“高愤怒”的对话里，有超过一半，当时的客服在周报里写的处理结论是“已安抚，客户满意”。不是他们故意撒谎，是他们真的感知不到对方的愤怒，以为说句“抱歉哦”就万事大吉了。
这项目让我有点恍惚。2019年我焦头烂额地教95后员工看人脸色，2024年我在教AI识别情绪。员工培养半年可能因为失恋就状态全无，而这个AI模型，一旦训练好，它7×24小时稳定运行，没有情绪波动，不会要求涨薪，也不会在朋友圈吐槽老板。我以前恐惧技术让人变冷漠，现在发现，技术反而能补上一些人天生缺失的“人情世故”模块。至少，它让沟通回到了事实层面：问题是什么，如何解决。而不是在“你什么态度”和“我就这态度”的泥潭里打滚。
下一步是把“愤怒指数”和客户生命周期价值联动起来。高价值客户发火，可能直接触发我本人的电话回访。至于那些被AI判断为“易怒体质”的客户，或许在服务策略上，也该有所区分。这听起来有点冷酷，但商业本来就不是做慈善。让AI去处理那些最消耗情绪的脏活累活，把人解放出来，去做点更需要创造力和真正共情的事情——虽然我怀疑，我的团队里还有没有这样的人。
