GPT-6 Luna 与平均处理时长. 平均处理时长,是客服人员处理一张工单所花的分钟数,从打开到发送。先出草稿再审核,就是在回复框里放好一份 AI 草稿,正确答案已经调取进来,客服只需修改,不必从零写起。这是一位客服负责人对价格变化的解读,不是工程师对模型的解读。
2026 年 9 月 22 日，OpenAI 推出了成本更低的 GPT-6 档位 Sol 和 Luna（据 letsdatascience）。这是二手报道，所以在以此做预算之前，请到 OpenAI 自己的定价页面再核对细节。重点是方向：中档价格还在持续下降。
想知道降了多少，可以看 Luna 所压低的旗舰档位。据 vorplabs，GPT-6 Astra 于 2026 年 9 月 3 日发布，上下文约 1m token。Luna 的输出价格只有 Astra 的一小部分。同一个厂商，只隔了三周。
模型变便宜,为什么会改变你在工单背后运行的东西?
AI 如何降低客服的平均处理时长?
AI 会在客服打开工单之前就起草好回复,并把相关的知识库答案调取出来、直接插入。客服只需阅读、修改、发送,不用面对空白的输入框从头写。这样就缩短了撰写回复的那几分钟,而在大多数团队里,这正是处理时长中最能压缩的部分。
到目前为止,多数团队只把 AI 起草留给那 20% 的难题工单:复杂的退款、升级投诉、来回十几条消息的长对话。简单工单只用一条预设话术,因为给每张工单都跑一次新草稿,花的钱比省下的还多。
Luna 消除的正是这个成本顾虑。带检索上下文的客服草稿，大约是几千个输入 token 加几百个输出 token。按 Luna 的价格，每张工单只需一分钱的极小一部分，所以在高量队列里给每张工单都配上草稿，几乎不花钱。按 Astra 的价格，同样的量会累积成一笔实实在在的开支。
先出草稿再审核,究竟会如何影响平均处理时长?
把一张工单拆开看:客服阅读、查找答案、撰写回复、发送。撰写通常占最大一块。如果一张六分钟的工单有三分钟花在写上,一份好草稿能把这部分压到约一分钟。这张工单大约四分钟就能结案,降幅 33%,每位客服每班处理的工单数也会同步提升。
主导权仍在客服手里,任何内容都不会自动发出。每张工单背后的环节很少,而且都看得见:
- 检索把匹配的知识库文章和政策调入上下文
- 模型用你的语气起草回复,并标明所引用的来源
- 客服修改草稿后点击发送,如果草稿有误就重写
- 修正结果会回流,让该主题的下一份草稿更好
这和面向客服团队的坐席侧检索实例是同一类工作，那是一个带假设数字的示意性设置，不是客户的实际结果。那里的思路不是用更聪明的模型，而是在坐席去找答案之前，就把答案放到他们手上。Luna 的价格让你可以对整个队列这样做，而不只是其中一部分。这类上线方案我们通过 AI 咨询来设计，并通过 AI 落地实施来搭建检索层。
We are
Stennir 在你的客服回复框里放一份草稿,让真人修改并更快发送。
We aren't
Stennir 不是面向客户的拦截机器人,不会替你的团队去回答用户。
#现在该让 AI 站在每一张工单背后吗?
大多数情况下应该，但要做两项检查。第一，到 OpenAI 的定价页面重新核实 Luna 的价格，因为我们引用的价格是 9 月的二手报道。第二，用质量而不是成本来把关。一份便宜但有一半时间出错的草稿会拉长处理时间，因为坐席要重写它。请对比测量前后的修改率。如果难的工单上的草稿需要，就把它们留在更强的档位上。
过去的问题是:哪些工单我们负担得起起草?Luna 把问题变成了:哪些工单仍然应该由真人亲手来写?这个清单要短得多。
如果你带领一支客服团队,并且跟踪处理时长和每位客服每班的工单数,本季度该做的是:按你真实的工单量和修改率,而不是按厂商的演示,给一个先出草稿再审核的试点算一笔账。我们是新团队,报给你的条款就是我们实际交付的条款。预约 30 分钟的探索通话,在你做任何承诺之前,我们会用你自己的数字来测算。
