無論是過去現在抑或是將來，呼叫中心類同于其他行業，都是采取云-管-端的模型。云代表企業數據服務后臺，包括各種應用服務器、存儲、數據庫、CRM、ERP、WebServer等。端代表用戶的使用終端或者應用前端，包括各種通信方式如電話、視頻、APP、Email、微信、網頁聊天窗口等。管并不狹義代表具體的傳輸管道，更主要地是中間件任務、調度、管理、消息等子系統，俗稱CTI。
時代在發展，我們發現：
云端數據量在逐漸地壯大，架構層面由集中式轉向分布式和云化--比如很多企業會后臺使用AWS、阿里云、VMWare等彈性計算/存儲方式。
終端應用表現形式在逐漸地豐富，越來越多的用戶會從傳統的電話呼叫，轉向社交媒體和全渠道，以及新的視頻/VR等渠道。
管道層面CTI技術目前主要是針對后端云架構和前端豐富類型做出適配，比如支持更多種類型的部署方式（虛擬化、混合云、完全上云），支持更多種類型的終端接入，比如iOS/Android Agent、WebRTC、Kiosk、VOIP、Push Notification等。
人工智能在來臨，我們發現：
云-管-端的模型在默默地發生一些化學變化。人工智能在全面擁抱著云端，手拉終端，咱們的管道變成了the one who left behind。
人工智能依托于后端云提供的豐富數據，提供了很多新的服務方式。
智能的語音應答---企業版Siri
智能的文字聊天---機器人
智能的語義分析---全量質檢
智能的人工輔助---知識庫、主動輔助
智能的聲音應用---聲紋認證
智能的主動提醒---Smart Push
這些都是我們的企業呼叫中心能感知到的！這里需要注意的是：
筆者不同意人工智能一定要連接Internet互聯網，互聯網的噪音很多，非相關性信息量太大。人工智能在呼叫中心這種天然的大型局域網Intranet可能會發揮的更好，里面的數據是集中且強相關的，比如一個保險公司的呼叫中心，客戶打電話進來能問的問題是肯定在一個有限區間的，坐席能回復的答案也肯定在一個有限區間的。由于行業眾多，人工智能也不會只有一種，即便在呼叫中心這個細分的行業，也存在營銷型呼叫中心和服務型呼叫中心的場景差別，存在電商呼叫中心和銀行呼叫中心的業務差別。
伴隨著人工智能在云端的賦能，終端也在跟進變形，今日頭條的新聞排版智能推薦，蘋果的Siri，微信的語音對講，釘釘的Ding一下，您在瀏覽網站的時候可能盯著蘋果8手機網頁看2分鐘系統自動彈出一個May I help you?Sir(廣告：這是G廠的Web Engagement方案）。這些都是最終的客戶能感知到的！
咦？我們好像忘了中間件CTI管道了，哦~他們落后了，，快沒有了吧？
難道管道最終就真的輪為管道了嗎？
當然不是！前臺很重要，后臺很重要，中臺也很重要！管端的中間件，在堅定不移地走分布式架構這條路以外（當然G廠一直都是），在堅定不移地保持后臺密切聯系和前臺及時溝通以外，同樣可以用人工智能的技術來改造呼叫中心。
人工智能是基于模式識別的，中間件天然也是！
語音流程（路由、IVR）中經典的銷售請按1、服務請按2來可以用基于人工智能的語音交互配合NLP來代替大部分場景。然而，是否機器人和人工智能可以完全替代？
當你手機丟失需要緊急掛失的時候，你需要人還是機器人？
當你的愛車月底即將過保時，你是否想聽到電話投保的電話？是否想聽到里面的人工智能聲音：您有90%的幾率愿意續保，是請按1？
強模式或者極簡模式下并不需要人工智能。那么人工智能在管道層可以做什么？我認為有兩個方向：商業智能BI和管理智能Smart Routing
商業智能并不是第一天才有的詞匯，Business Intelligence的含義非常豐富，以G廠為例，其經典的數據分析平臺InfoMart就是基于SAP的BI平臺BOE來做展現的，客觀來說，分析的價值在于使用者(一個很懂業務的DBA，或者一個很懂DBA的業務），傳統的分析平臺是單數據源的，比如只有呼叫中心的話務數據和隨路數據。如果以人工智能和大數據的方式進行學習，可以添加業務數據、運營數據、財務數據等結合進行相關性學習和分析，再以更加清晰的方式進行展現，那么我們可以做的更多，比如精確用戶畫像、最佳話術、沉默成本等。
大型呼叫中心的坐席量上到一定規模，WFM軟件的預測和排班效果與Routing的話務流程邏輯之間會存在一定的矛盾和結果的非最優。人工智能的引入可以做出Predictive Matching、Intelligent Scheduling。固定制式的路由算法變成了靈活的智能算法，綜合考慮更多的因素，來完成資源的調配--咱們中間件本來的目的就是如此啊！
很高興地看到G廠新推的全新路由方案，從引領別人再到引領自己！
從萬能的路由URS到統一的路由ORS到智能的路由Predictive Matching。
