在啟用 AI 直接回覆的聊天或工單裡,轉人工發生時,接手的人看到的不是一張空白工單,而是一段 AI 自動產生的對話摘要。My AskAI 把這段摘要設成不能關閉:AI 答不上來時,客戶不用把剛才說過的話再說一遍。[1]
這是一家做 AI 客服的公司。產品接在 Zendesk、Intercom、Freshdesk、Gorgias、HubSpot 裡,企業不用搬走現有 helpdesk。[2]
圖:來源 My AskAI 實際圖片來源[3],2026-11-10取得,保留原介面。
那個不能關的摘要,是產品裡最值得停一下的設計。它不解釋 AI 多聰明,只把交接時要用的上下文固定下來。支援文件列出的轉人工觸發包括 AI 答不了、使用者要求轉人、使用者沮喪和預設規則;摘要做的是把前面這段對話交代清楚,讓這一棒交得完整。[1]
先做通用問答,被收入數字拽去客服
共同創辦人 Mike Heap 在 Pinecone 的 RAG Brag 訪談裡回憶,公司最早做的不是客服。那是個通用的「輸入資料、問問題」的產品,學生和律師事務所都用過。問題出在兩處:功能優先順序排不明白,行銷也難做。後來他們發現,客服佔了當時收入的 70%,才轉過來,並且把產品重建了一遍。[4]
這個轉向聽起來順理成章,但 70% 是個結果,不是計畫。一個通用工具被不同使用者用著,最後是收入結構替他們做了選擇。我比較信這種被數字推著走的故事,它比「我們洞察到客服痛點」更接近創業真實的樣子。
技術上也能解釋得通。Alex Rainey 在同一次訪談裡說,他們從網站和文件裡檢索相關片段,餵給模型。這解釋了為什麼客服是合適場景:答案本來就在幫助中心裡,檢索得準,回答就有出處。RAG Brag 訪談[4] 他們用 Pinecone 做向量儲存和檢索,PortKey 當 LLM 閘道,負責 fallback 和回應快取。這份技術堆疊是訪談時點的,訪談沒標發布日期。
「fallback」和「快取」這兩個詞值得看一眼:訪談裡,Alex 把 PortKey 的 fallback 解釋成主模型服務故障時的備用,把回應快取當作省時間、省成本的手段。他還把調 LLM 比作對付一頭野獸——有力但不可預測,提示詞改一點,輸出就可能變。這個說法能解釋他們為什麼把測試做得很細。Mike 也提了一句更實在的:OpenAI 模型更新會顯著影響回答品質。產品的一部分品質不在自己手裡。
獲客這塊 Mike 說得挺坦白:早期靠 AI newsletter 和 influencer 帶來客戶,但渠道壽命短;找可重複的分銷渠道很難;AI 領域噪音也大。RAG Brag 訪談[4] 官網 About 頁還寫著,兩位創辦人仍在親自做演示、onboarding 和人工支援,在含人工支援的方案上,客戶直接跟做產品的人合作。[2]
答錯的題,得有人補
客服 AI 的麻煩不只在回答那一下。知識庫裡沒那條,AI 答不上來,工單轉給人工之後,知識庫怎麼補?
Self-Learning 做的是:比較轉人工工單上 AI 的回覆和人工的回覆,自動起草知識文章,補上缺口。About Us[2] 這些草稿是否經過人工審核,About 頁沒提;它把「維護知識庫」從等人寫,變成系統先自動起草。
Tools 走得更遠:連客戶的 API 查訂單、處理退款、取消訂閱、更新帳戶。但它有前提——相應系統得連上,而且必須遵守企業設定的規則。About Us[2] 定價頁的 FAQ 補了一句:技術團隊可能需要建立或更新 API endpoint,Tasks 和 Tools 也需要相應的系統連接和存取規則。定價頁[5] 換句話說,AI 能做什麼,邊界是客戶連了什麼、允許了什麼。
轉人工的觸發條件列得很細:使用者要求轉人、AI 答不了、使用者沮喪、預設的 guidance 規則、標籤主題。Intercom、Zendesk Messaging+Tickets、HubSpot、Freshdesk、Gorgias 支援原生 handover;Freshchat 也能轉人工,但郵件轉交不支援。支援文件[1] 細到某個渠道不支援,這種寫法不像宣傳材料,讀起來像踩過坑之後記下來的。
遷移才是那件髒活
只把 My AskAI 理解成「一個裝進現有 helpdesk 的 AI 客服」,會漏掉它真正要賣的東西。遷移頁寫著:從 Zendesk AI 遷過來,拿到所需存取權限和設定細節後,24 小時內可以準備好測試;保留 Zendesk 的 tickets、macros、views 和 help center;先用歷史工單回測,再在 Zendesk Tickets 裡用內部備註並行測試;Zendesk Messaging 不支援備註模式,得單獨測試和上線。[6]
這段流程裡沒有一句在講模型多聰明。它講的是怎麼在不打斷現有客服運轉的前提下,讓一個新東西進來。對一支正在跑的客服團隊來說,這比任何解決率數字都更有說服力——回測、並行、上線,每一步都留了客戶自己決定的餘地。
三檔的分界線
價格分三檔:Pro 月付 $199,含每月 1,000 張等效聊天工單;Scale 月付 $499,含 2,000 張,不限團隊席位;Enterprise 從 $999/月起,面向每月 20,000+ 張工單。計價按「等效聊天工單」走:1 個 conversation credit 等於 2 次 AI 回覆,只回一次的工單算 0.5 個 credit。[5]
附加項裡,API、Slack 和 Teams 存取在 Pro 是 $49/月的加購,到 Scale 才包含;Tasks、Tools 和圖片回覆按 $0.02/次回覆;AI tagging 按 $0.05/標籤,且在 Zendesk Messaging 和 HubSpot 不可用。定價頁[5] 這些條件會改變實際帳單:需要自動分類的團隊按標籤數付費;要用 My AskAI 的 API、Slack 或 Teams 存取,則 Pro 得加 $49/月。
數字與邊界
公司自述是 bootstrapped、已盈利、在增長,不需要外部融資。官網 About 頁還說服務 200+ 家企業、每月處理 20 萬張工單、正常運行時間超過 99.99%,有 SOC 2 Type II,Enterprise 支援 HIPAA;定價頁則寫 250+ 家企業、累計解決 190 萬+ 張工單。[2] · 定價頁[5] 這些都是公司自己說的,沒給統計期間和審計細節。利潤仍然不清楚——模型呼叫、向量儲存、抓取、人力的成本都沒披露,利潤怎麼算也沒說明;「已盈利」仍是公司自述。
客戶案例裡,TravelJoy 的路徑比較典型:先用 Zendesk Advanced AI 試了幾個月,沒達到預期,轉過來。保留 Zendesk Ticketing 和 Messaging,知識來自網站同步和內部 Notion;Messaging 從第一天就開直接回覆,郵件工單用 Copilot 草稿,且只回第一條訊息。上線時 AI 解決率約 76%,現在約 80%,AI CSAT 86%,覆蓋每月 2,500–2,700 張工單,累計解決超過 24,500 張。[7]
同一頁面還有兩個省時口徑:開頭和概覽說每月省 193 小時,後文按每工單 5 分鐘處理時間算,則是 205 小時。兩個數都來自廠商案例,方法、樣本和統計期間沒完整披露。
這份案例由 My AskAI 自己發布,數字得帶著這個範圍看。但至少在這個案例裡,客戶不是從零開始用 AI,而是從另一個 AI 那裡搬過來。
這門生意最難的地方,是讓客戶敢把第一線交出去。My AskAI 把遷移拆成客戶能先回測、再決定是否放開直接回覆的步驟,但換系統的風險仍由客戶自己承擔。
[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