专注于客服智能体培训与辅导软件的初创公司Solidroad今日宣布完成2500万美元早期融资。
本轮A轮融资由英国投资机构Hedosophia Services Ltd.领投。当前,众多企业正积极寻求提升客户体验的解决方案,同时应对持续攀升的客服工单量以及智能体在服务场景中的广泛普及。
Solidroad的平台能够自动评估人工客服与AI智能体的全部客户交互记录,识别潜在风险与技能短板,并实时提供个性化辅导建议。联合创始人兼首席执行官马克·休斯表示,该平台的核心理念是对所有客户交互应用统一的评估标准。
"传统的人工质检团队本质上存在主观性,不同的审核人员对标准的理解往往各有差异,"休斯说,"我们的系统采用AI,严格遵循自定义评估规则,这意味着所有内容都依照同一标准和同一指导方针进行评估。"
该平台并非向所有客户推行统一模型,而是允许每家企业自行定义质量评估标准,涵盖语气风格、政策合规性及交互规范等维度。
"我们不会对每家公司套用通用评估规则,"休斯表示,"每位客户自行确定其质量标准,包括优质交互的定义、需遵守的政策规范,以及与品牌调性相符的沟通风格。"他表示,这一方式即便在高并发场景下,也能实现大规模的一致性管理。
休斯援引了一位客户案例——该客户每月通过Solidroad处理逾80万次对话,每次对话均依据企业自定义标准进行评分。"这种统一程度靠人工审核根本无法实现,"他说。
实时培训,闭环提升
Solidroad认为,其平台的核心差异化能力在于能够将评估数据直接转化为培训干预措施。
"大多数工具止步于评分卡,"休斯说,"了解智能体在哪里、以何种方式出现失误是有价值的信息,但这会将'如何改进'的压力转嫁给企业自身。"
Solidroad将评估与培训整合为单一工作流,以"自动闭环"的方式解决这一问题。休斯介绍道:"当Solidroad识别出能力缺口——无论是某位人工坐席在特定场景中表现不佳,还是AI智能体出现偏离策略的情况——我们都会针对该具体问题生成真实的模拟练习场景。"
这些针对性练习旨在复现真实客服场景,帮助坐席在正式接触客户之前通过实践提升能力。
"因此,不再是简单标注'该坐席需要强化账单纠纷处理能力'就完事,而是让坐席接受一个专项练习,精准还原其曾经应对困难的那类对话场景,"休斯说。
早期客户在客户满意度评分提升和问题解决时长缩短方面均取得了显著成效。休斯表示,线索管理服务商Podium Corp."在经历我们的培训模拟后,客户问题解决速度提升了33%,新员工达到绩效基准所需的时间也缩短了一半。"此外,部分客户还实现了人工审核时长减少高达90%、覆盖率提升20倍的效果。
他也坦承,推行自动化质检需要相应的运营变革。
"你需要明确定义企业视角下的'优质标准':你的质量评估准则、政策规范以及品牌标准,"他表示,"部分团队还需重新思考质检管理人员的工作职责,因为工作重心将从逐条审核对话,转向趋势分析与更高层次的辅导指导。"
休斯指出,许多企业目前尚缺乏统一的管理体系。
"他们用一套流程监管人工坐席,又用另一套流程管理AI智能体,这在整个系统中造成了可见性盲区,"休斯说。Solidroad平台"为人工与AI交互构建了统一、一致的质量视图,帮助团队及早发现问题,在问题触达客户之前完成修复。"
Solidroad总部位于爱尔兰都柏林,并在旧金山设有办公室。公司计划将本轮融资用于扩展产品功能、扩充团队规模,以满足市场对客服质量随自动化同步提升的工具的持续增长需求。
Q&A
Q1:Solidroad平台是如何评估客服交互质量的?
A:Solidroad平台通过AI自动评估人工坐席和AI智能体的全部客户交互记录,依据企业自定义的评估标准进行打分,涵盖语气风格、政策合规性及交互规范等维度。与传统人工质检不同,该系统采用统一的评估规则,避免不同审核人员因主观判断产生的标准偏差,即便每月处理数十万次对话,也能保持高度一致性。
Q2:Solidroad的培训功能与普通质检工具有什么区别?
A:普通质检工具通常止步于生成评分卡,识别问题后由企业自行决定如何改进。Solidroad则将评估与培训整合为单一工作流,一旦发现能力缺口,平台会自动生成针对该具体问题的真实模拟练习,让坐席在正式服务客户前进行定向练习,实现从"发现问题"到"解决问题"的自动闭环。
Q3:企业使用Solidroad后能获得哪些可量化的效果?
A:根据Solidroad披露的数据,客户Podium Corp.在使用培训模拟功能后,客户问题解决速度提升了33%,新员工达到绩效基准的时间缩短了一半。此外,部分客户实现了人工审核工时减少高达90%,质检覆盖率提升约20倍,客户满意度评分也有所提升。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。