几个月前，作者走进一家上市垂直软件公司的办公室。这家公司服务数万家小型企业客户。与传统印象中坐满接线人员、逐一处理工单的客服中心不同，现场更接近一个“控制室”。

现场工作人员主要围绕人工智能系统展开工作：有人监控仪表盘、调整AI行为、排查API故障，不断迭代知识工作流程；一名原本通过聊天和邮件处理密码重置、功能解释、偶发问题排查和缺陷升级的客服人员，如今在编写Python脚本实现路由自动化；另一名成员则负责为公司的AI代理构建质量评分模型。

这一场景与外界关于“AI将大量取代客户支持岗位”的说法形成对比。在作者接触的客户中，更常见的情况是，支持工作的定义正在发生变化。

为此，作者对21个客户支持岗位的招聘信息进行了梳理，这些岗位来自AI原生公司、高速成长初创企业以及企业级SaaS厂商，涵盖从复杂软件产品的技术支持到处理账单等常见问题的交易型支持。分析结果显示，客户支持正围绕AI原生的工作流程和系统级思维重构。回应单个工单依然重要，但岗位重点正在转向设计和运营能够大规模解决客户问题的技术系统。一种兼具运营、技术和策略属性的新型支持角色正在形成。

AI技能成为基础能力

在过去近二十年里，客户支持岗位的招聘通常强调沟通能力和对产品的熟悉程度。当前，这一基线正在被重塑。

在上述21个岗位中，近四分之三在招聘要求中明确提到，需要具备AI工具、自动化平台或对话式AI系统的相关经验。这些岗位的主要职责包括配置、监控并持续改进AI系统，审查对话日志，审核AI行为，识别故障模式等。

换言之，对AI系统的理解正在成为现代客户支持工作的基础。如果不了解AI系统的运行方式，就难以为依赖这些系统的客户提供有效支持。

超过一半的岗位要求候选人具备调试API、分析日志、编写SQL查询，或使用Python、Bash脚本进行自动化的能力。许多岗位还希望候选人熟悉云基础设施、可观测性工具以及Git等版本控制系统。类似的技术要求在五年前的客户支持职位描述中并不常见。

这一变化与AI系统的特性相关。一旦AI系统出现问题，影响往往是成规模的。诊断此类故障需要较强的技术能力，例如理解模型如何与外部系统交互，以及判断问题源于配置错误还是产品逻辑本身。支持工作的重心正在从逐一解决工单，转向预防未来成千上万个潜在工单的产生。

人类聚焦更复杂的支持场景

当AI被纳入支持工作流程后，整体工作内容随之变得更具技术性。一位支持负责人在交流中表示，其所在公司超过80%的工单由AI处理。随着简单问题被自动化解决，留给人工处理的多为复杂情形，前线客服开始集中应对最棘手的客户和边缘案例，对技能水平的要求随之提高。

在实际业务中，客户往往在执行关键流程时寻求支持，例如在结算前同步系统数据。AI代理通常基于由主题专家整合自公司多个职能部门的文档开展工作，先确认配置是否正确。然而，AI代理可能未能接入某个几小时前已静默失败的底层系统。客户按照指引操作后，发现数据并未按预期流转。此时问题被升级，主题专家需要重建跨系统的实际发生过程，推理出AI代理遗漏的环节，并协助客户恢复对系统的信任。

这类端到端的排查和修复，目前仍难以完全由AI独立完成。它既要求支持人员具备在不同系统间追踪故障的技术能力，也需要人类判断，以决定哪些问题可以立即解决，哪些需要进一步引入产品或工程团队介入。支持工作由此从“按手册回答问题”，转变为“编写手册并处理手册之外的问题”。

人机协同成为主流模式

尽管外界普遍担心AI会完全取代客户支持岗位，但在上述招聘信息中，没有任何一个岗位暗示未来支持工作将实现100%自动化。

相反，几乎所有岗位都围绕人机混合模式展开设计：由AI处理高频、标准化的日常交互，人类负责质量把关和系统的持续优化。根据Gartner去年的一项调查，95%的客户支持负责人表示，会保留人工客服以帮助界定AI在支持体系中的角色，这与招聘信息中呈现的趋势相吻合。

诸如“AI支持专家”“AI质量分析师”“支持运营专家”等职位，职责几乎都集中在协调人机协作、设计升级路径以及明确人工介入的时机。这与前文提到的“控制室”场景相呼应：人类的工作重心正从直接回答问题，转向塑造和运营整个支持系统。

综合上述观察，当前的变化指向同一方向：客户支持正在走向专业化。重复性、标准化的工作在减少，依赖判断和技术能力的工作在增加。这一趋势已经在企业的招聘实践中有所体现。接下来，组织及其员工能否以足够速度适应这一转变，将成为行业面临的现实课题。