在启用 AI 直接回复的聊天或工单里,转人工发生时,接手的人看到的不是一张空白工单,而是一段 AI 自动生成的对话摘要。My AskAI 把这段摘要设成不能关闭:AI 答不上来时,客户不用把刚才说过的话再说一遍。[1]
这是一家做 AI 客服的公司。产品接在 Zendesk、Intercom、Freshdesk、Gorgias、HubSpot 里,企业不用搬走现有 helpdesk。[2]
图:来源 My AskAI 实际图片来源[3],2026-11-10取得,保留原界面。
那个不能关的摘要,是产品里最值得停一下的设计。它不解释 AI 多聪明,只把交接时要用的上下文固定下来。支持文档列出的转人工触发包括 AI 答不了、用户要求转人、用户沮丧和预设规则;摘要做的是把前面这段对话交代清楚,让这一棒交得完整。[1]
先做通用问答,被收入数字拽去客服
联合创始人 Mike Heap 在 Pinecone 的 RAG Brag 访谈里回忆,公司最早做的不是客服。那是个通用的“输入资料、问问题”的产品,学生和律所都用过。问题出在两处:功能优先级排不明白,营销也难做。后来他们发现,客服占了当时收入的 70%,才转过来,并且把产品重建了一遍。[4]
这个转向听起来顺理成章,但 70% 是个结果,不是计划。一个通用工具被不同用户用着,最后是收入结构替他们做了选择。我比较信这种被数字推着走的故事,它比“我们洞察到客服痛点”更接近创业真实的样子。
技术上也能解释得通。Alex Rainey 在同一次访谈里说,他们从网站和文档里检索相关片段,喂给模型。这解释了为什么客服是合适场景:答案本来就在帮助中心里,检索得准,回答就有出处。RAG Brag 访谈[4] 他们用 Pinecone 做向量存储和检索,PortKey 当 LLM 网关,负责 fallback 和响应缓存。这份技术栈是访谈时点的,访谈没标发布日期。
“fallback”和“缓存”这两个词值得看一眼:访谈里,Alex 把 PortKey 的 fallback 解释成主模型服务故障时的备用,把响应缓存当作省时间、省成本的手段。他还把调 LLM 比作对付一头野兽——有力但不可预测,提示词改一点,输出就可能变。这个说法能解释他们为什么把测试做得很细。Mike 也提了一句更实在的:OpenAI 模型更新会显著影响回答质量。产品的一部分质量不在自己手里。
获客这块 Mike 说得挺坦白:早期靠 AI newsletter 和 influencer 带来客户,但渠道寿命短;找可重复的分销渠道很难;AI 领域噪音也大。RAG Brag 访谈[4] 官网 About 页还写着,两位创始人仍在亲自做演示、onboarding 和人工支持,在含人工支持的方案上,客户直接跟做产品的人合作。[2]
答错的题,得有人补
客服 AI 的麻烦不只在回答那一下。知识库里没那条,AI 答不上来,工单转给人工之后,知识库怎么补?
Self-Learning 做的是:比较转人工工单上 AI 的回复和人工的回复,自动起草知识文章,补上缺口。About Us[2] 这些草稿是否经过人工审核,About 页没提;它把“维护知识库”从等人写,变成系统先自动起草。
Tools 走得更远:连客户的 API 查订单、处理退款、取消订阅、更新账户。但它有前提——相应系统得连上,而且必须遵守企业设定的规则。About Us[2] 定价页的 FAQ 补了一句:技术团队可能需要创建或更新 API endpoint,Tasks 和 Tools 也需要相应的系统连接和访问规则。定价页[5] 换句话说,AI 能做什么,边界是客户连了什么、允许了什么。
转人工的触发条件列得很细:用户要求转人、AI 答不了、用户沮丧、预设的 guidance 规则、标签主题。Intercom、Zendesk Messaging+Tickets、HubSpot、Freshdesk、Gorgias 支持原生 handover;Freshchat 也能转人工,但邮件转交不支持。支持文档[1] 细到某个渠道不支持,这种写法不像宣传材料,读起来像踩过坑之后记下来的。
迁移才是那件脏活
只把 My AskAI 理解成“一个装进现有 helpdesk 的 AI 客服”,会漏掉它真正要卖的东西。迁移页写着:从 Zendesk AI 迁过来,拿到所需访问权限和设置细节后,24 小时内可以准备好测试;保留 Zendesk 的 tickets、macros、views 和 help center;先用历史工单回测,再在 Zendesk Tickets 里用内部备注并行测试;Zendesk Messaging 不支持备注模式,得单独测试和上线。[6]
这段流程里没有一句在讲模型多聪明。它讲的是怎么在不打断现有客服运转的前提下,让一个新东西进来。对一支正在跑的客服团队来说,这比任何解决率数字都更有说服力——回测、并行、上线,每一步都留了客户自己决定的余地。
三档的分界线
价格分三档:Pro 月付 约 CN¥1,327.39($199),含每月 1,000 张等效聊天工单;Scale 月付 约 CN¥3,328.49($499),含 2,000 张,不限团队席位;Enterprise 从 约 CN¥6,663.65($999)/月起,面向每月 20,000+ 张工单。计价按“等效聊天工单”走:1 个 conversation credit 等于 2 次 AI 回复,只回一次的工单算 0.5 个 credit。[5]
附加项里,API、Slack 和 Teams 访问在 Pro 是 约 CN¥326.85($49)/月的加购,到 Scale 才包含;Tasks、Tools 和图片回复按 约 CN¥0.13($0.02)/次回复;AI tagging 按 约 CN¥0.33($0.05)/标签,且在 Zendesk Messaging 和 HubSpot 不可用。定价页[5] 这些条件会改变实际账单:需要自动分类的团队按标签数付费;要用 My AskAI 的 API、Slack 或 Teams 访问,则 Pro 得加 约 CN¥326.85($49)/月。
数字与边界
公司自述是 bootstrapped、已盈利、在增长,不需要外部融资。官网 About 页还说服务 200+ 家企业、每月处理 20 万张工单、正常运行时间超过 99.99%,有 SOC 2 Type II,Enterprise 支持 HIPAA;定价页则写 250+ 家企业、累计解决 190 万+ 张工单。[2] · 定价页[5] 这些都是公司自己说的,没给统计期间和审计细节。利润仍然不清楚——模型调用、向量存储、抓取、人力的成本都没披露,利润怎么算也没说明;“已盈利”仍是公司自述。
客户案例里,TravelJoy 的路径比较典型:先用 Zendesk Advanced AI 试了几个月,没达到预期,转过来。保留 Zendesk Ticketing 和 Messaging,知识来自网站同步和内部 Notion;Messaging 从第一天就开直接回复,邮件工单用 Copilot 草稿,且只回第一条消息。上线时 AI 解决率约 76%,现在约 80%,AI CSAT 86%,覆盖每月 2,500–2,700 张工单,累计解决超过 24,500 张。[7]
同一页面还有两个省时口径:开头和概览说每月省 193 小时,后文按每工单 5 分钟处理时间算,则是 205 小时。两个数都来自厂商案例,方法、样本和统计期间没完整披露。
这份案例由 My AskAI 自己发布,数字得带着这个范围看。但至少在这个案例里,客户不是从零开始用 AI,而是从另一个 AI 那里搬过来。
这门生意最难的地方,是让客户敢把第一线交出去。My AskAI 把迁移拆成客户能先回测、再决定是否放开直接回复的步骤,但换系统的风险仍由客户自己承担。
[1] Human escalation - My AskAI
[2] About Us — AI Customer Service, Built to Last | My AskAI
[3] My AskAI 实际图片来源
[4] RAG Brag with My AskAI founders, Mike Heap and Alex Rainey | Pinecone
[5] AI Customer Service Pricing — Plans from $0.10/Ticket
[6] Zendesk AI Migration in 24 Hours | My AskAI
[7] How TravelJoy hit 80% AI resolution, saving 193 hrs/month