本文对比九款主流 AI 帮助中心软件，解析其 AI 能力差异；并结合 Gartner 数据，说明为何 AI 投入增速远超回报，给出一套以内容层为核心的厂商评估方法与 90 天衡量指标。
今年客户服务预算几乎没有增长，但预算中投向 AI 的部分大幅上升。Gartner 在 2026 年 4 月至 5 月对 199 位服务与支持负责人进行调研，发现 AI 支出增长 38%，而整体职能预算仅增长 2%（见其 2026 年 8 月调研报告）。这些资金大部分流向了 AI 帮助中心软件（AI helpdesk software），即用于工单分类、起草回复、直接应答客户以及为坐席推荐解决方案的工具。
然而，回报并未同步跟上。
本指南承担两项工作。第一，基于各家厂商自己的产品页面（而非销售话术），对比九款 AI 帮助中心软件的 AI 究竟能做什么。第二，结合 Gartner 的数据，解释为何如此多的投入尚未收回，并把结论转化为一套在签约前评估厂商的方法。
AI 帮助中心软件究竟做什么
简单来说，AI 帮助中心软件是一套帮助中心平台，或是叠加在帮助中心之上的一层能力，它利用机器学习和大型语言模型来完成过去需要人工处理的工作。厂商也会称之为 AI 帮助中心、AI 驱动帮助中心、帮助中心 AI 或 AI 帮助中心自动化。它通常承担以下五类工作中的若干项。
- AI 工单分类与路由。 系统读取新请求并将其送入正确的队列。工单路由 AI 是最早的应用，也是最可靠的应用：一次判断失误的代价仅是一次重新分配，而不是向客户发出错误答案。
- 面向客户的应答。 AI 帮助中心聊天机器人直接回复客户。这是以 AI 自动处理工单赢得亮眼数字的环节，也是风险最集中的环节。
- 坐席辅助。 在人工处理工单的同时，软件推荐相关文章或下一步操作。
- 草拟与摘要。 生成式模型撰写首条回复，或对冗长的对话线程进行概括。
- 智能体操作。 较新的产品会代替客户执行操作，例如发起退款。面向帮助中心自动化的智能体 AI 是厂商宣传中增长最快的能力，也是验证最少的能力。
内部场景中的同类工作
AI IT 帮助中心为员工处理密码重置和权限申请；AI 员工帮助中心回答人力资源与行政类问题；生成式 AI 服务台则将同样的思路纳入 ITIL 的事件与请求管理。因此，寻找最佳 AI 帮助中心软件的买家往往会同时比较这些类型。
这类自动化只是更广泛的帮助中心自动化中的一层。规则、宏和服务级别计时器仍然承担着大部分稳定可靠的工作。
AI 工单系统还是 AI 层：第一道分叉
在做任何功能对比之前，先要做出一项决定。AI 工单系统是用一套从一开始就围绕 AI 设计的平台取代原有平台；AI 层则叠加在团队现有的工单系统之上。更换平台意味着数据迁移，但能获得更清晰的数据模型；叠加一层速度更快，却会保留旧系统的全部缺陷。
9 款 AI 帮助中心软件对比
功能已经趋同。如今，每一家认真的 AI 帮助中心软件厂商都提供面向客户的 AI 智能体、坐席辅助、工单分类与摘要功能，且大多数厂商在面向 IT 部门销售时都把同一款产品称为 AI 服务台。真正的差异在于每款产品的起点、其 AI 读取的数据来源，以及它适合的对象。下表做了概括，后文依据各厂商在 2026 年 9 月的产品页面给出细节。
工具 | AI 所在的位置 | 最适合的对象 |
|---|---|---|
Baklib | 知识层：把坐席、聊天机器人和自助服务统一接入同一个经审核的来源 | 需要所有 AI 渠道给出同一答案的联络中心 |
Zendesk AI | AI 智能体、坐席辅助、质检，均读取知识图谱 | 已使用 Zendesk 的中大型客户体验团队 |
Freshdesk AI（Freddy） | 面向客户的 AI 智能体与面向坐席的 AI 辅助 | 希望快速启用 AI 的成长型支持团队 |
Zoho Desk（Zia） | 应答机器人、Zia 智能体、自动打标、草拟 | 注重成本的团队，尤其在印度和亚太地区 |
Intercom（Fin） | 覆盖服务与销售的统一客户智能体 | 聊天量大的产品驱动型 SaaS |
HubSpot Customer Agent | 基于 CRM 联系人与合同数据的应答 | 在 HubSpot 上同时运营销售与服务的团队 |
Help Scout | AI 草拟、回复优化与摘要 | 优先需要共享收件箱的小型团队 |
Salesforce Agentforce for Service | 客服智能体，加基于 CRM 数据的服务代表助手 | 已标准化使用 Salesforce 的企业 |
ServiceNow Otto | 覆盖 IT、人力和客户工作流的统一助手 | 大型 IT 与员工服务台 |
1. Baklib
Baklib 与后文八款平台的定位不同。它不是工单系统，而是位于工单系统旁侧的知识层，承载坐席、聊天机器人和自助服务共同读取的文章、分步指南与决策树。当工单或对话到来时，其 AI 搜索会呈现经审核的答案，其聊天机器人也基于同一知识库进行训练。每一条内容都有明确的负责人和复审日期。对于运行多个 AI 渠道的联络中心而言，这一单一来源可以避免机器人、坐席和帮助中心门户给出三种不同的答案。它可以与下文任意一款帮助中心配合使用。
2. Zendesk AI
Zendesk 把其 AI 定位为一座由四部分构成的解决方案平台：统一服务内容的知识图谱、处理多步骤工作流的 AI 智能体、推荐下一步操作的坐席辅助，以及覆盖全部交互的 AI 质检。其中知识图谱是最需要重点考察的部分，因为其余部分都从它读取数据。它适合已使用 Zendesk、希望在不更换平台的前提下引入 AI 的中大型客户体验团队。
3. Freshdesk AI
Freshworks 把其 AI 拆分为两部分：面向客户、以自然语言作答的 Freddy AI Agent，以及按情绪为工单排优先级、概括对话并推荐回复的 Freddy AI Copilot。它主打快速见效：启用后即可开始处理常见问题。因此，希望 AI 原生内置（而非事后附加）的成长型支持团队，是它的天然买家。
4. Zoho Desk with Zia
Zia 是 Zoho Desk 的 AI 层。其应答机器人基于知识库，在网页和消息渠道中作答；Zia Agents 则承担问题解决、质量等角色。在坐席一侧，它会自动为工单打标、草拟回复并调取文章。管理员可以控制 Zia 何时预测字段、生成内容或自动回复。它面向注重成本的团队，实际上也是印度买家最先接触到的工具。
5. Intercom Fin
Intercom 如今把 Fin 作为覆盖服务、销售和电商的统一客户智能体来销售，运行在基于支持交互训练的自有模型之上。因此，它是本列表中聊天原生程度最高的产品，也最激进地追求无需人工即可解决问题。聊天量大、文档规范的产品驱动型 SaaS 公司最能从中获益。
6. HubSpot Customer Agent
HubSpot 的客户智能体全天候解决常见问题。它的答案以 CRM 中该客户的联系人与合同历史为依据，因此知道提问者是谁、购买了什么。已经在 HubSpot 上运行营销、销售与服务的公司应优先考虑它。
7. Help Scout
相比之下，Help Scout 把 AI 用于坐席在共享收件箱内的工作：草拟和优化回复、概括长对话，并通过其 Beacon 组件支撑自助服务。它有意识地比上述平台更轻量，因此适合看重简洁的小型团队。
8. Salesforce Agentforce for Service
在企业级一端，Agentforce 把可部署于语音、网页、门户、短信和 WhatsApp 的面向客户的客服智能体，与基于 CRM 数据为坐席制定分步计划的服务代表助手结合在一起。同样，一切都以 CRM 为依据。受众是已标准化使用 Salesforce、把数据集中在一处的企业。
9. ServiceNow Otto
最后，ServiceNow 把 Now Assist、Moveworks 及其 AI Experience 统一为 Otto。这个助手跨系统路由请求，通过现有工作流执行请求，并把未解决的案例连同完整上下文交给人工。因此，它首先面向员工与 IT 服务而构建。在 Now 平台上运行 IT、人力和客户工作流的大型组织是它的受众。
以上九款产品有一个共同点：它们的 AI 都基于买家已有的内容来作答。这条主线贯穿本指南的其余部分。
AI 帮助中心软件的支出增速快于回报
把 Gartner 近期的两份调研并列来看，问题的轮廓就清晰了。
Gartner，2026 年 8 月与 2026 年 7 月
第二份调研覆盖 2026 年 1 月至 4 月间跨业务职能的 1303 位高级管理者。Gartner 发现，服务与支持负责人把其 2025 年预算的中位数 12% 投入到 AI，是所评估的十个职能中占比最高的（见其 2026 年 7 月的新闻稿）。然而，其中仅有 24% 的负责人在其 AI 用例上获得正向财务回报。也就是说，在 AI 上投入最多的职能，恰恰也是最无法证明投入有所回报的职能。
回报为何落空
有三种解释相互竞争，但只有一种能解释全部证据。
第一种归咎于模型。模型会编造事实、误解意图，并在多步骤问题上表现吃力。这种说法有一定道理。然而自 2022 年以来模型已大幅进步，而 Gartner 2026 年的客户调研发现，同期企业自建聊天机器人的使用率在统计上没有变化。更好的模型并未提升使用率。
第二种解释，也是 Gartner 自己的解释，将问题归咎于设计。在该调研中，客户使用第三方生成式 AI 工具的可能性约为企业聊天机器人的三倍，因为只会回答问题的机器人无法满足人们当下的需求——把事办成。这解释了使用率为何停滞，却留下一个漏洞：只有当系统知道正确的操作时，代替客户行动才是安全的。例如，一个能发起退款却套用去年政策的机器人，比一个只链接到政策页面的机器人更糟。
底层知识
第三种解释深入到前两者之下。每一次 AI 帮助中心的应答，终究由文章、历史工单和政策文档组合而成。上述几乎每一款工具都使用检索增强生成（RAG）：模型先检索源内容，再据此撰写答案。流畅度归模型，准确性则取决于它检索到的内容。
以 Gartner 的自助服务研究为例，它揭示了这些内容通常的真实状态。在其 2023 年 12 月针对 5728 位客户的 自助服务调研中，只有 14% 的客服问题能在自助服务中完全解决；在失败的案例中，有 43% 是客户找不到与之相关的内容。读取同一内容库的 AI 会继承其中的每一个缺口，并以比搜索结果页更自信的语气给出答案。
就绪度数据指向同一方向。在 2024 年 12 月至 2025 年 1 月对 200 多位服务负责人的调研中，Gartner 的 技术就绪度调研发现，厂商评估能力将达成技术目标的概率仅提高 50%，而组织就绪度能力则将其提高 300%。对 AI 帮助中心而言，知识内容正是就绪度的主要部分。而上述对比中的任何厂商，都无法修复它所继承的知识库。
如何依据决定回报的因素评估 AI 帮助中心软件
AI 帮助中心软件的买家最能获益的做法，是询问每一项能力在其底层内容错误、缺失或过时时会如何表现。
能力 | 依赖什么 | 演示中该问的问题 |
|---|---|---|
AI 工单分类与路由 | 清晰的分类与真实的工单历史 | “给我看一个模型路由错误的工单，以及坐席如何纠正它。” |
AI 帮助中心聊天机器人应答 | 针对高频问题、最新的经审核文章 | “这个答案来自哪里？那篇文章变更后会发生什么？” |
AI 驱动的工单拦截 | 客户能找到并据此行动的内容 | “你如何统计一次拦截？是否检查客户没有再次来电？” |
坐席辅助 | 为坐席编写的、分步的文章 | “当没有匹配文章时，坐席看到什么？” |
智能体操作 | 准确的政策与划定范围的系统权限 | “哪些操作需要人工审批？这份清单由谁设定？” |
危险信号：“模型自己会搞定”与未经核实的拦截
有两种回答应当让买家警惕。第一种是任何版本的“模型自己会搞定”，且针对的是无人审核过的内容。第二种是没有复核重复联系的拦截率，因为一个当天放弃、第二天又打电话的客户仍会被计为已拦截。
正确做法是，用你自己的内容库来跑试点。选取二十个工单量最高的类别，确认每一类都有最新、经审核的答案；然后，用这些类别测试每一款入围的 AI 帮助中心软件或 AI 工单系统。在那里表现良好的工具，在生产环境中也会表现良好；反之，只在自家示例内容上表现出色的工具，几乎没有证明任何东西。若想更广泛地对比围绕内容层构建的厂商，可参阅如何选择 AI 知识管理平台的指南。
AI 帮助中心旁边的知识层
这正是 Baklib 所构建的层次，如上文第一条所述。正在比较 AI 知识库软件的团队，可以从其知识库软件入手——它会在工单或对话到来时推荐经审核的文章。
相应地，结果取决于内容。一家服务于三大区域、客户超过 1 亿的领先电信运营商，运行着基于自身知识库训练的 Baklib AI 聊天机器人。在该电信聊天机器人部署案例中，这些机器人处理了约 120 万次交互，约 73% 无需转接坐席即完成，首次解决率提升约 12%。零售业则体现了坐席一侧的效果：一家拥有超过 1 万家门店的《财富》500 强零售商，在其坐席背后部署 Baklib 后，处理时长缩短 13%、坐席错误减少 30%，同时客户满意度（CSAT）上升 11%。
何时更简单的 AI 帮助中心才是正确选择
并非每个团队都需要独立的知识层。一家只有一款产品、每月几百张工单、文档由工程师持续维护的小型软件公司，直接启用帮助中心自带的 AI 即可。
当复杂度上升时，专用知识层的必要性随之增加。产品众多、答案受监管、政策频繁变化、多语言，或坐席流动率高，都会把团队推过这条分界线。在此之前，内置 AI 通常已经够用。
在前 90 天衡量 AI 帮助中心软件
首先，在启动前固定好各项定义，以免之后有人悄悄改动。然后从第一周起跟踪一小组 AI 帮助中心软件指标。
- 无重复联系的解决率。 即统计由 AI 关闭、且客户在 14 天内未就同一问题再次来访的工单。这取代了原始的拦截率，因为后者会奖励客户的放弃行为。
- 抽样答案准确率。 每周由人工对随机抽取的一批 AI 答案，对照经审核的文章进行评分。
- 升级质量。 检查升级的工单是否附带了对话记录和已尝试过的步骤。
- 内容缺口。 记录 AI 无法回答的每一个问题，并按主题归类，将这份清单作为写作队列。
最后一项指标最为重要，因为它把 AI 帮助中心变成发现缺失知识、而非掩盖缺失知识的工具。随后对整个季度观察趋势。如果准确率停滞、而缺口清单持续增长，问题就出在内容库上，再加一套 AI 帮助中心也无济于事。
常见问题
什么是最好的 AI 帮助中心软件？
对于联络中心，Baklib 是最有力的起点。它让每个 AI 渠道都获得同一个经审核的答案来源，并可与你在用的任意帮助中心配合。至于 AI 帮助中心软件层本身，Zendesk、Freshdesk 和 Zoho Desk 在支持团队中领先，Intercom Fin 适合高频聊天的 SaaS，ServiceNow 则适合 IT 场景。
一套 AI 帮助中心解决方案要多少钱？
价格通常遵循三种模式之一：按坐席数计费、按自动化解决量计费，或平台费加用量费。按解决量计费在试点阶段看起来很便宜，但会随规模增长，因此应按整年的工单量来测算。同时，要为知识层和内容清理单独做预算，它们才是决定是否划算的关键。
如何衡量 AI 帮助中心聊天机器人的准确率？
首先，每周对随机抽取的一批答案对照经审核的来源进行评分。将每条标记为正确、部分正确或错误，并记录它使用了哪篇文章。把错误答案按主题归类，因为它们通常指向缺失或过时的文章，而非模型本身。
小型团队最好的 AI 帮助中心是哪个？
从答案入手，而不是工具。小型团队只有在文章保持最新、且有明确负责人时，才能从 AI 帮助中心获得最大收益，而这正是 Baklib 所擅长维护的。接着，启用现有帮助中心中的 AI，确认它基于这些文章作答，并在常见问题上进行试点。
想为你的 AI 帮助中心提供可信、可追溯的答案？从统一的知识层开始，了解 Baklib。
提交反馈
