过去一年，AI 客服的成本几乎被“重算”了一遍。10 月 7 日 Anthropic 发布更便宜的小模型，10 月 12 日微软放出按固定选项打分的决策模型，成本被压到很多中小企业能真正用得起的位置。这篇文章把成本变化讲清楚，也讲清楚“便宜”之后，企业真正该关心什么。
AI客服成本又降了75%：中小企业现在才真正用得起智能导购
Claude Haiku 5.5 把 AI 客服运行成本拉低约 75%，微软 Decision-1 更压到 $0.042/百万 token。成本不再是门槛后，企业真正该关心什么？本文算清 AI 客服与智能导购的三笔账。
一、一年之内，AI 客服的账变了
10 月 7 日，Anthropic 发布 Claude Haiku 5.5，这是其最快、最便宜的小模型：平均运行成本比 Haiku 4.5 低约 75%，支持可调 effort，适合摘要、查询、客服这类子任务。其 model card 显示未越过 CB-2 / Autonomy-2 阈值，灾难性错位风险低。
同一天附近，产业侧的动作也很密集。10 月 9 日，Nextech 宣布联手 Assort Health、EliseAI，为专科医疗把 AI 接待接到排班、挂号、随访流程，覆盖非营业时间，做出 24 小时接诊入口。
一句话概括：一年前还“算不过来账”的 AI 客服，现在的单位成本已经低到可以规模化讨论。
二、75% 是怎么降下来的：小模型分工
成本下降不是靠一个模型通吃，而是靠“分工”。复杂的推理交给大模型，简单的摘要、查询、意图判断交给便宜的小模型，这套“大小搭配”是成本下降的核心。
Haiku 5.5 这类小模型的价值，正是在子任务上。它不必比大模型强，只要在特定任务上够用、够便宜就行。
另一个动向是本地化。10 月 10 日，KernelAI 把 53 个本地模型（来自 15 家实验室，112MB 到 3.11GB）搬上 iPhone 和 Android，文档问答、看图提问、听写全在设备上跑，联网搜索可选——这为隐私敏感场景提供了新选项。
三、更狠的还在后面：$0.042/百万 token 的决策模型
10 月 12 日，微软发布 Decision-1 决策模型：面向固定选项返回校准打分，输入 $0.042 / 百万 token，输出免费。微软称 Xbox Research 用它分类了 1 万多条反馈，速度是 GPT-6 Sol 的 14 倍以上、成本低 200 倍。
同一天，Cloudflare 发布 Clef-omni：开源权重，音频、视频、图片、文本一次调用完成决策打分，基于 Qwen3-Omni-30B-A3B（去掉语音生成组件），官方称 21 秒带声视频约 1.5 秒出分。
这类“决策模型”不是用来对话的，而是用来在有限选项里快速打分、分类、路由。它们让客服场景里的意图识别、工单分类变得更便宜。
四、成本不再是问题之后，“答得对不对”才是问题
当单次调用成本降到可以忽略，企业面临的问题就变了：不再是“用不用得起”，而是“答得对不对”。
低成本模型在简单任务上表现不错，但一旦涉及复杂业务规则、跨系统操作、敏感信息，就容易被“答错”反噬。便宜的错答，比昂贵的正确回答更贵。
所以选型时不能只看单价，还要看：模型在你这块业务上到底准不准、出错时能不能兜住、有没有人工接管通道。
五、智能客服和智能导购，不是一回事
智能客服解决的是“服务”问题：查订单、答疑、处理售后，目标是降本提效。
智能导购解决的是“转化”问题：理解需求、推荐商品、促单、复购，目标是提升成交。
两者的知识库、指标、权限都不同。客服要“稳”，导购要“会聊”；客服怕答错，导购怕没抓住机会。用客服的思路做导购，通常转化上不去；用导购的思路做客服，又容易过度推销。
中小企业更现实的路径，往往是把两者拆开，先做客服降本，再做导购转化，而不是指望一个机器人包打天下。
六、中小企业上 AI 客服的三种姿势与真实成本
姿势一：直接用 SaaS。开箱即用、按月付费，适合想快速试水的商家。缺点是数据在别人那里，深度定制受限。
姿势二：基于现成模型做配置。用大模型 API 加上自己的知识库，按业务规则定制。成本可控，灵活度介于 SaaS 和自研之间。
姿势三：本地化 / 私有部署。数据不出内网，适合对隐私敏感的行业，初始投入较高，但长期单位成本可控。
真实成本不能只看模型单价，还要算上知识库整理的人力、对话调优的迭代、人工接管的兜底成本。很多企业低估了后两项。
七、先算清这笔账，再决定上不上
在上 AI 客服之前，建议先把三笔账算清楚：一是当前人工客服的人力成本与峰值缺口；二是引入 AI 后的单位对话成本与维护成本；三是错答带来的隐性风险成本。
如果第一笔账里的缺口足够大，第二笔账的单位成本足够低，第三笔账的风险可控，那就值得上。
慧米云在服务商家时的一个判断是：AI 客服真正的门槛已经不在成本，而在“业务知识的整理”和“兜底机制的设计”。把这两件事做好，AI 客服才能在中小企业里长期跑下去。
常见问题（FAQ）
Q1：成本降了 75%，是不是所有企业都该马上上 AI 客服？
不是。75% 是运行成本的降幅，不等于你的总成本降 75%。还要算知识库整理、调优、人工接管这些投入。当人工客服存在明显峰值缺口、且业务规则相对标准时，收益才最明显。
Q2：便宜的小模型会不会答不准？
在简单任务上通常够用，但在复杂业务规则和跨系统操作上容易出错。正确做法是分工：简单任务用小模型，复杂任务交给大模型或人工。别让便宜的小模型去承担它承担不了的判断。
Q3：本地部署和用云 API，怎么选？
看数据敏感度和预算。对隐私敏感、数据不能出内网的企业，本地化更合适；对想快速试水、预算有限的企业，先用云 API 或 SaaS 更划算。多数企业可以先云后混，不必一步到位。
Q4：智能客服能直接当智能导购用吗？
不建议。客服要“稳”和“准”，导购要“会聊”和“促单”，两者目标相反。硬用客服机器人做导购，往往既不稳也不促单。更稳妥的做法是把两者拆成两个场景分别设计。
Q5：怎么判断 AI 客服到底值不值？
算三笔账：人工客服缺口、AI 单位对话成本加维护成本、错答的风险成本。缺口大、单位成本低、风险可控，就值得上；缺任何一项，都建议先小范围试跑。
总结
一年之内，AI 客服的运行成本降了约 75%，决策模型更是把成本压到 $0.042/百万 token 量级——中小企业第一次真正“用得起”了。
但成本不再是门槛之后，“答得对不对”“兜不兜得住”才是关键。先算清人工缺口、单位成本和错答风险这三笔账，再决定上不上，比跟风更靠谱。
