OpenAI 支援模型：將使用者支援轉變為 AI 營運模型

OpenAI 已將其使用者支援從傳統的票務系統轉換為為高速成長而設計的 AI 營運模型。此方法將焦點從處理交易量轉移到建立持續學習迴路，使每一次使用者互動都能提升系統的整體效能。

支援的 AI 營運模型

OpenAI 將支援視為工程與營運設計的挑戰，而非僅是量能問題。組織已超越僅使用聊天機器人進行簡單分流，轉而建立一個系統，讓所有渠道的互動——聊天、電子郵件、電話以及嵌入產品內的說明——持續提供資訊並精進支援體驗。

此模型建立在三個核心構件之上：

• Surfaces（介面）: 互動點，包括聊天、電子郵件、電話以及直接嵌入產品內的說明功能。
• Knowledge（知識）: 由真實對話、政策與情境衍生的動態指導系統，而非靜態文件。
• Evals and Classifiers（評估與分類器）: 由人類與軟體共同制定的品質定義，用於衡量、改進與突顯回饋。

由於這些基礎元件驅動所有介面，對單一渠道的改進（例如在企業對話中識別出的模式）會自動擴展至所有其他支援渠道。

支援代表角色的演變

在此新模型中，支援代表從回應者轉變為「系統思考者」與建構者。他們不再僅專注於解決個別票務，而是被授權參與支援系統的架構建設：

• Contributing to Evals（參與評估）: 代表標記可作為測試案例的互動，以編碼「優秀」支援的樣貌。
• Shipping Classifiers（發布分類器）: 代表在識別新使用者模式時提出並實作分類器。
• Prototyping Automation（原型自動化）: 代表構建輕量化自動化以填補工作流程的缺口。

正如工程經理 Shimul Sachdeva 所說：「代理人不僅僅是回應票務，他們還在為我們的知識庫與政策提供資訊。」

透過 OpenAI 堆疊的技術實作

OpenAI 的內部支援系統使用自家的開發者工具套件構建，允許快速迭代與新功能的整合：

• Agents SDK: 提供步驟層級的追蹤與可觀測性，使團隊能重播執行、檢查工具呼叫並除錯根本原因。
• Responses API: 為用於監測語氣、正確性與政策遵循的分類器提供動力。
• Realtime API: 使語音支援的實作成為可能。
• Evals Dashboard: 允許隨時間測量與視覺化品質。

從簡單的問答系統開始，團隊利用 Agents SDK 擴展至動態操作，如處理退款、管理發票以及執行事件查詢。

複利學習與回饋迴路

系統的設計使學習隨時間累積。評估將日常對話轉化為生產測試，確保回應禮貌、清晰且一致。此過程讓系統能辨識何時模型不應回答問題，從而降低錯誤。

此回饋迴路不僅限於 AI，也延伸至整個組織。專家辨識模型的不足之處並貢獻資料集以進行微調，而可觀測性儀表板則提供可量化的方式追蹤效能提升。此整合確保使用者互動的模式直接回饋至知識庫、自動化與產品設計。