心理学把共情分为两种：

• 认知共情（Cognitive Empathy） ：理解对方的情绪和想法——"我知道你现在很焦虑，因为担心预算超标"

• 情感共情（Affective Empathy） ：感受对方的情绪——"我也感到焦虑和不安"

AI也许不需要有情感共情，但必须有认知共情。

2023年，中国科学院和微软的研究团队做了一个有趣的实验：

他们让ChatGPT和人类一起参加"情绪意识水平量表（LEAS）"测试，评估被试在虚构场景中描述情绪的能力。

结果显示，ChatGPT得了98分，远超人类的平均分（男性56分，女性59分） 。

这说明AI在"识别情绪"这件事上，已经可以超越人类。

为什么大多数AI产品，还是让人感到"冷冰冰"？

因为识别情绪 ≠ 理解情绪 ≠ 恰当回应。

第一步：识别情绪

现在的AI大多能做到"情绪识别"——通过文本分析、语音语调，判断用户是开心、愤怒还是焦虑。

但能识别到情绪，跟能理解情绪，还有距离。

第二步：理解情绪

真正难的是理解情绪，因为这需要AI不仅能够识别到情绪是什么，还能归因到背后的原因，分析用户真正的诉求。

比如用户说"真无语"，AI确实可以识别出用户有负面情绪——失望、不耐烦。

但"真无语"背后的原因到底是什么，AI识别起来就有难度了。

可能是：

·对之前的服务体验失望透顶，已经不想继续了；

·觉得沟通成本太高，AI一直没理解她的意思；

·遇到了具体问题在发泄情绪，想找人帮忙解决；

·甚至可能是在试探AI的反应，看它到底是不是"真人"

所以识别出用户的情绪只是第一步。

理解"为什么无语、到底要什么"，才是认知共情的核心。

理解情绪的难度来自两个方面：

一是多模态信号的复杂性。 

一句话同时包含文本内容、语音语调、交互行为（回复间隔、消息长度、是否撤回）。

用户说"还行"——回复间隔很长，可能是"一般般，不想多说"；

消息很短，可能是敷衍；

语速很快，可能是"还行但我有事"。

AI需要从多个维度同时判断，才能接近真实的含义。

二是语境依赖。

同一个词，在不同行业、不同场景下含义完全不同。

"我再想想"——对教育行业用户可能是想回去和团队商量，对电商用户可能是委婉拒绝，对SaaS用户可能是在对比竞品。

共情不是通用的，是场景化的。

第三步：恰当回应

就算AI理解了用户的情绪，怎么回应也同样是一道难题。

这是最决定用户体验的一环。

当用户说“真无语”时，

没有共情的AI：

"我听到了你的不满。我在。您能具体说说对我们的哪个方面不满意吗？我们近期做了升级，体验已经大幅优化，再给我们一次机会。"

有共情的AI：

"一个小问题让您沟通了这么多次，完全理解您的无语，特别抱歉。我马上帮您升级解决"

第一种回应是"识别+询问"，第二种是"理解+解决"。

差别不在技术，在于是否真正理解情境，并做出恰当回应。

很多团队把精力花在"让AI识别更多情绪"上。

但实际上，用户感受到的"冷冰冰"，绝大多数时候不是因为AI没识别到情绪，而是没有给出用户想要的回应。

为什么恰当回应很难？

因为对AI来说，什么是"好的回应"，这个问题没有标准答案。

大多数AI产品的做法是硬编码规则——"如果用户说A，就回应B"。

这种做法有两个致命问题：

1. 场景太多，规则写不完

2. 用户不按套路出牌——同一个场景，不同人的诉求完全不同

还有一种做法是用大模型生成回应，但如果没有好的训练框架，模型很容易滑向两个极端：

1. 过度共情：共情变成"讨好"，用户说一句不好的，AI道歉三次

2. 机械回应：每句话开头都是"我理解您的感受"，变成了另一种冷冰冰的模板

真正的难点是：让AI理解"什么时候该共情，什么时候该给方案，什么时候该追问，什么时候该停顿"。

这不是参数调优的问题，是认知框架的问题。

我们的实践：如何让AI学会恰到好处的共情

我们训练AI共情能力的方法，和大多数团队不同。

我们没有硬编码"如果用户说A，就回应B"，也没有简单地把大量对话数据丢给模型。

我们做的是：

第一步：让AI结合上下文持续判断。

企业告诉AI业务目标、规则和边界，但不需要提前穷举客户可能说出的每一句话。

AI会持续理解前面的聊天内容，记住已经获得的信息，再根据客户当前的状态推理下一步应该做什么。

第二步：提供大量优秀对话案例

从业务中筛选出转化率高、用户满意度高的真实对话。这些案例不是"完美话术"，而是"在复杂场景下做出恰当回应的真实记录"。

第三步：让AI自己总结提炼

不是告诉AI"你应该如何如何共情"，也不是告诉AI“这种情况下你应该如何回应”，而是让AI自己从案例中学习规律：

• 什么样的回应让用户感到被理解？

• 什么情况下应该先倾听，什么情况下应该直接给方案？

• 什么时候应该追问，什么时候应该停顿？

除了让AI自己从案例中学习，还要让AI把总结到的方法说出来，由业务人员来判断它学习到的方法对不对：

第四步：让AI掌握底层逻辑

通过反复学习，AI逐渐理解了认知共情的本质——不是套模板，是理解情境并做出恰当回应。通过这个过程，AI理解了"为什么这样回应更好"，从而能在新场景中灵活应用。

在教育、医疗等行业，我们已经完成了效果验证

这类业务有一个特点：

客户付钱之前，销售就已经需要做大量"深度沟通"。

客户加上好友以后，不会直接说"我要买哪个服务"，而是先讲自己的情况——信息通常是碎的，前后不断补充，有时还夹杂着强烈的情绪和主观判断。

销售要靠一轮轮追问把情况拼完整，再判断客户真正想解决什么、目前最在意什么，还要在沟通过程中让客户感受到"你真的听懂我了"。

聊浅了，客户觉得你没理解他，信任建立不起来；

聊深了，销售要把大量时间投入到一批最终未必成交的线索上。

我们的做法是把这条链路重新分工：

AI接待 → AI探需 → AI分析 → AI共情 → AI处理异议 → AI推进首次成交 → 真人接手高价值服务

前面的事都交给AI，人在成交之后的环节才出现。

在训练方法上，我们使用的正是这套方法：不是让AI背话术，是让AI学会判断。

这里的关键就是，不要直接让AI学销售的聊天记录。

最省事的做法当然是把优秀销售的对话全部扔给AI，让它"照着学"。

但这样做，AI很容易只学到表面的表达方式——客户说A，销售回复了B，下次遇到情况C，也想办法绕回B。

真正值得让AI学习的，不是话术，是判断原则。

客户在什么节点释放了什么信号？

销售为什么在这个时候继续追问？

什么情况下适合往成交推进，什么情况下应该先停下来？

所以我们做的是：先让AI分析成功对话为什么会成功，把藏在聊天记录背后的规律提炼出来，再由业务负责人判断哪些结论成立，最后把真正有效的原则教给AI。

优秀的聊天记录不是答案，是训练素材。

失败的对话也一样有价值。

哪个客户聊了很久却没有成交，把真实对话拿回来，让AI先分析到底卡在哪里——可能是前面的信息没有收够，可能是理解错了客户真正的顾虑，也可能不是话术出了问题，而是成交节奏本身太快了。

业务效果：

在以上几个行业的售前案例中，客户的首单转化率平均可以达到20%——大约每5个进入沟通的客户，就有1个被AI一路推进到首次付费。

这个数字也证明了一件事：认知共情能力，本身就可以转化为商业价值。

客户实践｜让AI直接聊成交？销售只需要发收款码？AI销售实战分享

关于AI共情，我们的一些理解

1. 共情是可以被训练的技能，不是天赋

很多人把共情看作天赋——有些人天生会说话，有些人不会。

但业务实践告诉我们：共情是可以被训练的技能。

通过大量案例学习，AI可以掌握什么情境下该做什么回应。

这不是模拟情感，是理解情境。

2. AI不需要"有感情"，但需要"懂感情"

回到开头的框架：认知

共情 vs 情感共情。

AI不需要情感共情——不需要真的替你难过。

但AI必须有认知共情——理解你的情绪、你的诉求、你的期待，然后做出恰当回应。

共情的本质不是感受对方的痛苦，是让对方感到被看见、被理解。

优秀的客服不需要和客户同悲同喜，但需要精准理解客户要什么。AI也一样。

3. 共情是AI从"工具"变成"同事"的关键

现在大多数AI产品只是工具，做的事情就是执行预设任务——客户说A，触发流程B，回复话术C。

工具的边界是规则，规则没覆盖的地方，工具就卡住了。

但真实的工作从来不是按规则来的。

客户说的话永远比预设的多，情绪的变化永远比流程复杂，情况永远在变。

什么样的AI能接住这些？能理解上下文、能判断情境、能做出恰当回应的AI。

这就是认知共情解决的问题。

它让AI不再只是"按指令执行"，而是"根据情况判断"。

当AI能处理模糊的、情绪化的、非标准化的沟通时，它就从执行工具变成了真正可以信任的员工。

前文中的案例证明了这一点：AI不只是在"回复消息"，而是在处理一整段完整的、充满变化的售前沟通，从破冰到成交。这不是工具在做的事，这是员工在做的事。

这也是我们坚持在共情能力上投入的原因——它决定了AI是工具还是员工，它也是AI员工真正创造业务价值的基础。