DevRev 用 GPT-6.1 Sol 做自主客服：企业服务的成本与推理平衡术

企业客服的自动化正从“会回答”走向“会动手”，DevRev 与 OpenAI 的这次合作是这一转向的最新注脚。

发生了什么

据 OpenAI 公布的案例信息，DevRev 使用 GPT-6.1 Sol 驱动其 Computer 与 Operator 两个能力，用于构建自主式自助服务（autonomous self-service）。官方给出的定位是：在企业服务场景中平衡推理能力、响应速度与成本。也就是说，模型不是被当作单纯的问答接口，而是被放进一条能自主执行任务的服务链路里。

为什么重要

企业服务长期存在一个结构性矛盾：用户想要的是问题被解决，而多数 AI 客服只能给出“可能有用”的答案。要真正闭环，系统必须能读取工单、查询内部数据、调用业务系统、执行操作，并在失败时自行回退。这类任务对模型的要求不是单点能力，而是推理深度、延迟和单位调用成本的综合权衡——推理太浅会做错事，模型太重则单次交互成本压不住，速度太慢又会让自助体验崩塌。

DevRev 选择 GPT-6.1 Sol 并明确以“平衡”作为卖点，说明企业侧采购逻辑已经变化：不再只看榜单分数，而是看能否在真实工单流量下稳定跑通。Computer 与 Operator 的分工也值得注意——前者偏向理解与决策，后者偏向执行与操作，这种拆分本身就是把“思考”和“动手”解耦的工程思路。

影响与看点

对行业而言，自助服务正在成为 agent 落地最现实的场景之一：任务边界相对清晰、有明确的成功判据、且人力成本可量化，ROI 容易算清。对开发者来说，值得关注的是这类方案如何处理权限、审计与失败兜底——自主执行意味着模型会真正改动业务状态，出错代价远高于答错一句话。对最终用户，短期体验改善可能体现在少转人工、少重复描述问题。

一个独立判断：企业 agent 的竞争焦点正在从模型能力转向“可托付性”。谁能把执行权限、回滚机制和成本曲线讲清楚，谁才更可能拿到规模化订单；模型版本号只是入场券。