研报速递编者按：这是「券商客服 AI 创新」系列的第四篇。第一篇讲「智能外呼」——电话怎么打出去；第二篇讲「智能质检」——打完之后怎么管住；第三篇讲「坐席助手」——接电话的坐席怎么被托住。这一篇补上最后一环：客户主动打进来的那一端，也就是 IVR 与智能客服。这可能是客户感知最强、也最容易被吐槽的一环——因为几乎每个人都按过那种"按 1 查账户、按 2 转人工、按 0 返回上级"的迷宫。全文约 3000 字，读完约 6 分钟。
01 传统按键 IVR，为什么"人见人烦"？
很多读者会问："IVR 不就是电话里那个'请按 1'吗？换个语音识别不就行了？"
问题不在"按 1"，在"只能按 1"。 传统 IVR 是"规则 + 按键菜单"的产物，四个硬伤：
层级像迷宫：查账户按 1、查交易按 2、转人工按 0、返回上级再按 9……客户平均处理时长被拉长到 200 秒以上，很多人还没找到入口就挂了。
解决力弱：首次解决率通常只有 50%—60%，大量简单咨询最终仍要转人工，"智能"变成了"智能排队"。
不会听人话：客户说"我昨天买的基金怎么还没到账"，系统只认"按键 3"，不认"这句话"。
改一条流程要等排期：话术、菜单、节点都写死在系统里，业务想调一句提示，得提需求、等开发、走测试，响应周期以周计。
一句话结论：传统 IVR 的痛，不是"没有自助"，而是"自助路径是给人设计的、不是给嘴设计的"——客户得先学会机器的语言，才能被服务。
02 大模型 IVR 强在哪？六个维度对照
大模型 IVR 不是"给按键菜单加个语音识别"，而是把入口从"选菜单"换成"说需求"。六个维度对照最直观：
维度 | 传统按键/规则 IVR | 大模型 IVR |
|---|---|---|
入口方式 | 逐层按键选择 | 一句话说需求，自然语言直达 |
理解能力 | 关键词/固定句式匹配 | 语义理解，能接长句、口语、方言口音 |
多轮交互 | 基本无多轮，错了重来 | 可追问、可打断、可修正 |
知识来源 | 预设菜单 + 少量 FAQ | 多源知识库（FAQ/文档/表格/图谱）+ RAG |
转人工 | 按 0 排队，上下文丢失 | 秒级转接，完整保留前期沟通记录 |
运维迭代 | 改流程要开发排期 | 可视化配置，业务可自调，最快数天上线 |
最关键的是第一行和最后一行：前者决定了客户"要不要用"，后者决定了业务"改不改得动"。一个 IVR 好不好，不只看它能不能听懂，还要看运营能不能持续把它改对。
一句话结论：按键 IVR 是"让客户适应系统"，大模型 IVR 是"让系统听懂客户"——这一换，换的是整个服务入口的逻辑。
03 大模型 IVR 的"打法"：五层链路
很多机构以为"接个大模型就能自然语言"，其实真正的差距在链路怎么搭。成熟的打法通常是五层：
第一层：自然语音入口ASR 语音识别 + 大模型语义理解 + TTS 合成，客户直接说需求。语音转写准确率是地基（有券商披露可稳定在 95% 以上），识别不准，后面全错。
第二层：意图识别 + Agent 路由先判断"客户到底要办什么"，再决定"谁来办"：标准化业务路由给对应的业务智能体（账户、交易、业务办理、公告查询），复杂或高风险业务直接转人工，不让 AI 硬接。
第三层：多源知识召回答案不能只从一个 FAQ 库里找。成熟方案会融合结构化问答、表格数据、知识图谱、非结构化文档四类知识源，用 RAG 检索增强，做到"答得有出处"，并用合规护栏压住幻觉。
第四层：多轮对话与任务办理不只是"答问题"，还要"办成事"：身份核验、要素收集、流程引导、工单流转，让简单业务在自助环节闭环，而不是"告诉你去柜台"。
第五层：无缝转人工 + 数据回流转人工要"秒级"且带着上下文过去——客户不用把说过的话再说一遍，这是体验的分水岭。同时，所有会话回流到知识库和质检，形成"越用越准"的循环。
一句话小结：大模型 IVR 的精髓，是把"按键选路径"换成"理解—路由—召回—办理—交接"的完整链路；转人工不是失败，而是设计好的一环。
04 券商都在怎么用？真实案例与效果
案例一：中信建投——人机共融智能客服增强引擎（2026 年 5 月案例）针对传统 IVR 平均处理时长 210 秒以上、首解率仅 50%—60% 的痛点，用"大模型 + 多智能体协同"重构呼入全流程：日均服务 4000+ 通来电，意图识别准确率约 90%，语音转写准确率稳定在 95% 以上，整体解决率提升至 80% 以上，人工拦截率提升至 60% 以上，年节省人力成本超 2400 万元；核心知识覆盖率 98%+、长尾知识 92%+。（案例口径）
案例二：恒生「灵语」——大模型 IVR + 问答助手灵语把大模型 IVR、问答助手、外呼助手、服务助手等近十个智能体模块打通"前端—中台—后台"，以大模型知识库为统一底座，用 RAG + 合规护栏抑制幻觉。厂商披露意图识别准确率超 90%、近一半问题可直接解决。
案例三：某头部商行——智能 IVR 替代按键菜单（2026 年 8 月厂商案例）常规查询由 AI 完全自助承接、复杂问题自动转人工，提供可视化流程配置：业务自助解决率提升至 88%，人工坐席日均接待压力降低约 65%，客户平均等待时长缩短约 50%，新系统上线周期缩短至 3 天。（厂商案例口径）
案例四：行业整体口径有券商公开表示，客户服务领域大模型问答准确率达到 95%，转人工率从 40% 降至 9%——这个数字最能说明问题：不是"AI 抢了人工的活"，而是"把不该转人工的那部分留在了自助"。
一句话结论：券商大模型 IVR 已经从"能听懂"走到"能解决"，头部机构把解决率、转人工率这些硬指标跑了出来。
05 一张表看懂：大模型 IVR 值不值
对比项 | 传统按键/规则 IVR | 大模型 IVR |
|---|---|---|
客户体验 | 按键迷宫、易挂机 | 一句话直达、可打断 |
首次解决率 | 约 50%—60% | 约 80%+ |
转人工率 | 高，且多为简单问题 | 明显下降（有券商 40%→9%） |
平均处理时长 | 200 秒以上 | 明显缩短、等待减少 |
知识维护 | 逐条配菜单，慢 | 多源知识 + RAG，业务可自调 |
上线周期 | 以月计 | 可到数天 |
最佳定位 | 标准化、确定性引导 | 自然语言入口 + 复杂意图路由 |
注：表中指标为公开案例的综合归纳，具体效果因机构、业务结构、知识库基础而异。
一句话结论：值不值，别看"能不能听懂"，看三个数——首次解决率、转人工率、重呼率。前两个决定效率，第三个决定客户有没有被"踢皮球"。
06 边界与观察点：大模型 IVR 最容易踩的四个坑
不是所有业务都该交给 AI。 高风险业务（销户、适当性变更、投诉处理、涉资金操作）该转人工就转人工。AI 的价值是"接住简单的"，不是"硬接复杂的"。
转人工必须"无感"。 秒级接通 + 带着完整上下文过去，客户不用复述。转人工体验差，前面做得再好也会被打回差评。
幻觉是合规风险，不是技术瑕疵。 金融场景一句错话就是事故，必须用 RAG + 合规护栏 + 兜底话术，让回答"有出处、有边界"。
考核指标别只看"拦截率"。 只看拦截率，团队就会把该转人工的也硬拦下来，短期数字好看、长期投诉上升。要同时看解决率、满意度、重呼率、投诉率。
仍需观察三件事：一是老年客户与方言口音的真实识别效果；二是知识库维护跟不上导致"越用越不准"；三是监管口径对 AI 自助办理业务的边界如何界定。
对券商客服管理者，更稳妥的路径是：先挑一个高频、标准化、低风险的业务（如账户查询、交易密码重置、业务办理指引）做试点，把"自然语言入口 + 秒级转人工带上下文"跑顺，用"解决率、转人工率、重呼率"三组数据验证，再逐步扩展到复杂业务。
