大咖对话｜售后宝李明谈AI时代企业如何重塑竞争优势

11月30日，新一代智能客户服务解决方案提供商售后宝创始人兼CEO李明和天润云创始人兼CEO吴强展开了一场关于AI技术话题的直播对话，两位CEO分别从技术、场景、价值等角度阐释了AI对产业发展的思考。以下为部分精彩对话摘录，分享给大家。

在客户服务领域

AI如何再造业务流程，改变协作方式？

李明：AI技术大火，改变了很多行业，在客户服务领域有哪些变化？

吴强：从技术角度来说，我看到了3个变化在发生：一、跟用户的连接触点更加丰富。早前我们跟客户连接的方式只有电话，后来有了短信，发展到现在有了音视频，还有小程序、公众号、网页、商城等平台，客户的连接触点变得非常多。我们做好客户服务的关键是，让客户知道他可以在需要的时候联系到我，或者我们可以更便捷地连接到客户。二、让流程协作更加完善。制造业的售后服务流程相对比较复杂，从响应到维修、退换货、补货发货的售后流程会牵动公司的各个环节，比如采购、设计、生产、验收、物流等，新技术发展可以改善这个协作。三、赋能知识协作。无论是前端的客服人员还是后端各环节上的服务人员，都需要知识赋能。客服对产品信息了解越多可以帮助客户快速解决问题，而后面维修环节的工程师对知识结构要求更深。用AI技术赋能，把企业里面客户服务的知识平台做起来，我觉得是一个非常大的突破。

李明：刚才吴总分别从客户连接、服务履约、知识沉淀三个场景来讲了AI技术将在客户服务领域带来的变化。在这三个场景中，我们更进一步的实践该怎么做呢？

吴强：站在企业角度，用AI机器人辅助人工客服，最直接的感受就是可以节约人工。这其中更深层的逻辑是企业知识库的建设，无论是AI还是人工，解决客户问题的基础还是得把知识梳理清楚。如果售前咨询没有及时告知客户产品参数，可能会导致客户流失，如果遇到客诉没有在最短时间内把问题分析清楚，帮客户处理好，就有可能造成投诉升级，而解决这些问题的背后都是知识积累。在新技术发展以前，企业基本通过人工培训或者师傅带徒弟的方式来传递知识，徒弟看师傅操作怎么处理问题，怎么解答客户的问题，师傅也会跟徒弟教学类似的问题怎么解决，慢慢的徒弟能够独立承担工作。所以我认为还是得回归本质，把知识工程做好。但为什么过去没有把知识底座建好呢？我觉得有两个原因：一是知识积累本身就是一件不容易的事，各人有各人想法，很难按照一个系统体系梳理。二是没有好的工具，比如企业使用售后宝产生的数以万计的工单，使用天润产品产生的大量的沟通记录，如果用人工去整理成知识库，从每一条工单里去看故障原因和维修记录，从每一个对话里去理解客户意图，这是一件几乎不可能的事。现在通过AI大模型，我们有了有效的解决办法，几乎是做到了质的飞跃。把工单和沟通记录直接扔到大模型里，让大模型去跑，把知识点洗出来，经过反复训练，生成FQA，可以跟客户进行多轮问答。所以我认为，大模型的应用应该从底层构建入手，把知识底座搭好之后，应用就变得工程化了。

AI Agent如何融入企业业务与组织协作？

李明：在企业里，能完全创造流程和知识的人还是极少数的，所以大部分企业在管理中可能都会想让每个人把自己遇到的一些问题和解决办法沉淀下来，集中去梳理归档，用集体的力量去改善流程，去积累知识，再赋能给整个公司，形成知识沉淀-赋能的闭环。但每个人对知识的理解不同，观点不同，权限也不同，实行的时候就异常困难。在客户服务领域，这样的场景还挺多的，比如VoC收集，信息量很大，非常的碎片化。我想大部分企业都在想如何用技术把这些碎片化的知识梳理成统一的企业语言，可以对内外传递。吴总对这个问题是怎么看待的呢？

吴强：李总说的这个这个问题是行业里大家都遇到的挑战。一是我们如何生成这些知识，来自知识来源的挑战；二是如何统一知识标准的挑战；三是如何保持知识动态更新的挑战。

李明：是的，现在我们可以获取到更大信息量，可以用chat这样的交互方式。但同时也产生了一些疑惑。以往大家可能会认可一个专业领域的IP，由他来制定规范，但现在我们有更多获取信息的方式之后，发现了新方法，这种新技术对传统理念的冲击，您怎么看待？

吴强：这就是为什么我们没有第一时间把大模型用在机器人上，反而回归到知识管理的原因。目前业内也在探讨人和agent的关系，用三四五级的方式来定级，主要根据人和agent的关系、应用的场景来评估。模型的成熟度越高，代表agent可以独立完成的工作内容越多。第二个是agent和agent之间互相定义和解决问题，成熟度越高，需要人工参与的程度越低。目前我们处于人和agent协作的阶段，agent给人提供基础的信息和参考，人来control。我们就拿客服工作中的一个场景来举例，大部分客服人员都不喜欢写工作小结，帮一个客户解决完问题立马去接下一个，没时间去写，如果配个AI助手，一个对话结束之后自动生成，客服只要加以修正，这样就能解决不愿意写小结的问题，企业的知识也有了来源。这是我认为人和agent协作的一个比较初级的方法。

李明：吴总的例子给我们一个很好的启示，就是人对AI的倚重程度，人和AI的协作中要扮演什么样的角色，这是一个我们要去思考的问题。我也举个例子，比如家里买个天猫精灵或者小度，咱们对它的期望就是问天气、定闹钟这样的基本功能，更高级的问题它回答不了我们也不会去投诉。但如果放到客服领域，我们问银行客服储蓄卡怎么注销，AI给不了一个准确的信息，我们就会产生糟糕的情绪，甚至愤怒。所以说不同的场景下，对AI的期望是不一样的。人跟Agent的协作应该是要根据场景来确认的，像客户服务领域，AI帮客服小结，这是一个很有价值的场景，再往后一个流程，AI帮服务工程师去做一些工单内容的填写，我也觉得是一件很棒的事情。服务工程师的工作环境，基本都依仗手机，在维修过程中操作手机相对是不便的，如果有一个AI助手，帮他把这件事做了，对他来说是工作环境的改善，对企业来说又能沉淀他的维修经验。

AI技术在客户服务领域可以做哪些实践？

吴强：我们今年在人工智能上的研发重点在知识工程上，让企业的知识工程有效落地。第一，选择一个专门的模型，对历史问题有记忆，可持续；第二，对这个模型调优，让它可以根据不同场景给出相应的推理方向；第三，工程化，把大模型做到输入、输出、纠正的闭环。根据这三个方向建设，我们可以应用在一些场景中：第一、帮助客服人员做总结，用体系化的逻辑去规范，不带入个人的情绪色彩，给企业客观的数据来支持决策；第二，问答内容，制造业售后，都有一个问题，大量的操作手册放在平台上，查询搜索都很费劲，我们希望通过AI，把这些文档快速结构化，生成问答。把这个做好，企业里师傅带徒弟的工作量和流程就会大量简化。第三、建立搜问一体的体系，这个其实就是我们前面聊到的人和agent的协作程度平衡结果。人希望问问题就出现答案，但实际上给予的答案不可能100%准确，当AI还做不到100%准确回答的时候，可以通过给予更多相关问题提示的方式来辅助人决策。

随着大模型技术发展行业将走向何方？

底层技术厂商vs应用厂商

李明：无论是吴总说的知识结构的工程化，还是业务场景，我们发现通过AI，有了一些创新的机会。另一个是，企业得有专属的配置，吴总所说的问答或者更多前端的应用里，都会有场景化特点。在这个发展过程中，我们发现国内外的互联网大厂非常迅速地跟上了，百度发布会表示要用AI改造每一个产品，阿里钉钉也应用上了AI技术，微软就更不用说了。这跟我们以往认为的大厂慢慢研究的认识不太一样了，不知道吴总怎么看待这个问题。

吴强：我觉得大模型的应用需要从两个角色来看，一是像天润和售后宝这样做应用的企业，我们利用大模型底层技术，去做应用层改造，用在实际场景中；二是像李总提到的那些大厂，他们专注底层技术，双方配合才能把AI技术真正的价值发挥出来。

李明：了解，我来总结一下，大厂底层技术厂商关注点在模型的能力上和数据库的丰富度上，而咱们更需要关注场景化实践，给客户带来更好用的产品，大厂和行业应用的解决方案厂商，都专注在不同的场景里面去解决客户的问题。在这个技术变革的窗口期，整个行业都对AI充满了热情，我也关注到我们规模大一些的客户企业也在积极跟我们互动，客户说全员都在关注AI，不仅仅是咱们做互联网产品的厂商。

应用厂商vs客户

吴强：对，大模型的风靡其实是通过把一个To B的生意To C化引发的，To B的内容相对来说理解的人少，不容易唤起公众的兴趣，但如果从To C场景开始，那么无论是否是行业内的人都会看到，想去体验一下。这个时候无论是我们客户的决策人员还是技术人员都会去思考这项新技术怎么和我的工作结合。咱们客户公司里的IT人员，对于业务的掌握达不到业务领导、决策人的深刻程度。如果我们的工具能够赋能给他对业务的认识，那么他的想象力就可以被充分释放。所以在目前的实践中，AI技术是推动高IT应用的重要推动力，这是我们实践中的观察。

李明：是的，其实很多时候新技术应用的推动，是我们和客户共同热情的结果。企业实践中还会存在一些变量，就是有些一线的用户，可能会先尝试免费的服务，解决比较简单的问题，给他们内部数字化转型带来一些新的变化，但是这个闭环可能并非完全正面。还是举个服务领域的场景，有些服务主管会把自己的规范放到大模型里，用公共服务生成一个URL给内部员工去用。但像我们这种百科型知识结构的一些沉淀或者是问题，对这方面的内容又会遇到一些挑战，用着用着会遇到信息不准确又无法修正的情况。所以从我们角度来讲，我觉得不管是天润也好，或者售后宝也好，如何能够给我们的客户提供符合一线使用，又同时能支撑未来发展的能力，我觉得这是我们怎么去跟客户的热情合拍，让团队不断保持进步和迭代的一个点。

吴强：这是我们共同面临的问题。我简单地把客户分成两类，一类是专业客户，另一类是非专业客户。非专业客户，他们的任务并不比复杂，对完成的标准要求也不会很高，用开源的工具就能解决问题，这种情况下公共服务是他们的首选。但对专业客户来说，公共模型只能支持他提供平均水平的服务，而他们的目标肯定要超越平均水平。要求越高，对工具的专业度、个性化需求也越高，所以我觉得，随着接下来AI的全民热度，落地到专业要求高的场景里。

企业如何拥抱AI技术带来的新变化

李明：我最近跟一些企业高管交流的时候说到一个问题，他们对行业里一些专属的模型期待值更高。举一个家居家电行业的例子，公司规模很大，业务流程相对复杂，互联网技术团队并不强。对他们来说，组建一支大模型开发团队去研究自己行业里的大模型并不划算。这时候像天润或者售后宝这样，直接给他一个家居家电行业里的大模型，训练之后即有内部的数据，也有行业Konw-How，这就相当于给企业训练了一个数字人。这时候，企业又有一些担忧，像咱们这样订阅式的模式，他们会担心后面发生变量，AI引入之后，系统和数据之间的界限会变得越来越模糊，系统具备了使用数据的能力，中间会涉及知识产权等以往不曾遇到的问题，所以您怎么看待我们跟企业客户之间商务关系的变化？

吴强：我觉得这是一个对新事物的接受过程，企业以前买软件，都是一次性交付，现在大家对SaaS的接受程度越来越高。咱们不妨换个角度去考虑，一套系统卖出去，交付完之后怎么去给客户服务，产品怎么迭代，让客户现在可以用，未来也能用，这是关键。回到大模型这个问题上，我们跟客户的关系将走向什么方向呢？我觉得是共赢，我们产品给客户提供的价值高于客户付的费用，形成一种共赢的关系，就能持续长久。现在我们每个人都在谈大模型，这种人人都谈AI的时候，一定是AI处于探索的阶段，并没有真正深刻地融入到业务流程，融入到我们的产品体系里。当有一天没有人在谈这件事的时候，那个时候AI就已经完全融进去了，变成了不可或缺的一部分。如果没有AI，就会变成一个不完整的产品。我觉得这个时候就到了大模型变成核心价值的阶段。