ACD自動呼叫分配，是呼叫中心的核心功能。無論是電話呼叫中心還是多媒體呼叫中心，工作核心都是由ACD負責將各種批量客戶的實時請求按照指定的轉接方式傳送到人工座席，由人工座席完成業務請求的受理。
隨著呼叫中心技術及市場的發展，服務渠道請求接入渠道從單一電話媒體擴展到文字、音頻、視頻等多媒體，服務處理從純人工座席服務擴展到機器人、人工座席的混合服務，ACD始終在發揮著巨大的作用，而ACD處理機制也在不斷演變升級，本文從ACD技術角度將ACD分為四代。
第一代ACD：輪詢機制
輪詢機制，專業詞匯Hunt Group（尋找組），即輪流對服務隊列進行掃描詢問是否空閑，如有空閑服務隊列或座席，即將請求分配給空閑隊列或座席。
輪詢機制是最早、最原始的ACD策略，是所有呼叫中心都具備的基礎ACD功能。輪詢時ACD需要對各個服務隊列進行依次逐一詢問，服務隊列統計狀態并回應ACD，ACD再分配，適用于少量座席的簡單業務場景。
第二代ACD：基于技能
輪詢機制比較原始，隨著服務請求、座席的數量增多，輪詢的效率明顯不高，最典型的改進的方法就是第二代ACD：基于技能路由（Skill-Based）的ACD策略，即對服務隊列、服務座席進行技能屬性賦值（Master Skill），服務隊列可以按照業務類型分類（如咨詢、查詢、售后、投訴…）、也可按照業務種類分類（如產品A、產品B、產品C…），座席可按照技能屬性（如咨詢座席、售后投訴綜合座席）來分類，ACD可根據業務的類型、種類等前置條件，將業務請求分解成各個小的技能請求隊列，只對相對應的技能服務隊列進行輪詢，大大減少狀態統計和計算量，基于技能的ACD可快速準確的完成中大型呼叫中心的路由分配。
第二代基于技能的ACD，核心是專業化分工，對運營管理的顆粒度要求很細，適用分工很明確、較少變動的呼叫中心。
第三代ACD：圖形化ACD
當呼叫中心業務復雜到一定程度，應用基于技能的ACD雖仍可使用，但經常調整變更對運營管理是一種考驗。
這時候圖形化ACD面世，以可視化工具，對服務請求、服務處理進行更高顆粒的細化，服務請求的優先級條件更為豐富（支持語種、區域、業務貢獻等）、座席服務處理的技能也進一步細化（支持1-10級分級），形成兩個矩陣。圖形化ACD對雙矩陣進行完全可視化路由分配策略配置。
可以說，有了圖形化ACD工具，傳統ACD路由策略已經近乎完美，可以快速創建各種ACD策略流程并進行靈活調整，可謂運營管理之利器。
第四代ACD：深度學習Deep Learning
圖形化ACD近乎完美，但仍然需要運營管理者去手工配置和管理。
近年來，AI人工智能的浪潮席卷全球，隨著技術的不斷進步，“人工智能”時代來臨，ACD也進入“人工智能”時代——第四代ACD深度學習（Deep Learning）。
“人工智能”的概念早在1956年就被提出，顧名思義用計算機來構造復雜的，擁有與人類智慧同樣本質特性的機器。人工智能、機器學習、深度學習等技術應用取得重大突破，得益于數據量的上漲，運算力的提升和機器學習算法(深度學習)的出現，人工智能開始大爆發。
機器學習最基本的做法是，使用算法來解析數據從中學習，然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。機器學習源于早期的人工智能領域，傳統的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。
深度學習在傳統的“輸入層”和“輸出層”之間加入了幾個邏輯層——也就是所謂的“卷積層”。每一個卷積層只識別一種特定規模的圖形模式，然后后面一層只需要在前面一層的基礎上進行識別；這樣做的好處是每一個神經元只需要處理一個很小區域的數據，且參數可以重復使用，這就大大減少了運算量。
在這個新模型中，那些只有一層卷積的結構被稱為簡單神經網絡（左圖）；而那些有多層卷積的，就叫做“深度學習”神經網絡（右圖）。
將“深度學習”神經網絡應用到ACD技術上，直接定義了第四代ACD：即深度學習ACD，基于多層卷積結構，通過有監督、無監督、半監督學習、集成學習、深度學習和強化學習等學習方式，對客戶請求側、座席受理側的碎片化數據進行綜合分析和管理，數據條件更加豐富，各種數據標簽都可以作為判斷條件，如性別、年齡、愛好、行業、風格、習慣、關注、購買記錄等，同樣在座席受理側，數據標簽包括：性別、年齡、教育背景、從業經驗、技能種類、技能熟練度、處理時長等等，深度學習ACD運用知識圖譜技術，將客戶請求分配到綜合條件關聯度最高的座席。
深度學習ACD具備自學習能力，在充足數據及算法的保證下，完全模擬人腦進行工作，ACD路由分配更加智能精準，可將運營管理完全解放出來，專注于運營數據和指標，而非運營過程，將大大提高生產力效率。
