撰文| 吳坤諺  

(資料圖片僅供參考)

編輯| 王   潘

大模型在吟詩作畫，我們在苦哈哈干活。

一條流傳甚廣的段子道出大模型如今面臨的落地困境：作為目前技術(shù)的最前沿，AI大模型迫切需要真實的可落地場景釋放價值，才對得起軍備競賽中大小組織投入的人力與真金白銀。

但段子終歸只是段子，落地其實距離我們并不遙遠。在現(xiàn)代人生活中必然接觸的電商場景中，大模型已經(jīng)走在落地之路上，重構(gòu)相關(guān)業(yè)態(tài)。其中風頭最盛的當屬生成式內(nèi)容（AIGC），包括但不限于文生圖、文生視頻、人機交互等。

只需簡單列舉，我們便不難得出一個重塑電商領(lǐng)域人貨場的故事：B端應用智能客服、數(shù)字人直播提高人效，消費者獲得24小時響應客服的體驗；AIGC低成本生成全渠道內(nèi)容，智能化搜索與選品為分發(fā)增效的同時縮短交易鏈路，提升ROI……

只是如今深度學習中流傳的一句話道出了當下AIGC的困境：我們已經(jīng)可以讓機器像人一樣說話，卻很難讓機器像人一樣智能。面對電商場景強交互、重決策、弱鏈接的的特點，單純的“擬人”難以形成完善的產(chǎn)品邏輯。

因此對于AIGC在電商領(lǐng)域的落腳點，玩家們通常尋求“在開放中求封閉”，走出一條自下而上的道路。

封閉場景做人效

據(jù)知名公司沙利文最新發(fā)布的《2023年中國智能客服市場報告》顯示，2022年中國智能客服市場規(guī)模已達到66.8億元，預計到2027年市場規(guī)模有望增長至181.3億元，預計五年內(nèi)復合增長率可達到20%以上。

我們見證這條細分賽道朝百億規(guī)模邁進，而電商普遍性應用智能客服正是賽道能保持高增長的主要原因。

首當其沖的是電商場景難以繞開的流量高峰以及流量帶來的高并發(fā)售前咨詢，雙十一、618之類的購物節(jié)不提，電商商家每一天都有可能遇到多起并發(fā)咨詢。在此情況下，無論是客服響應過慢導致的用戶流失還是人工客服背后的高成本，都是已經(jīng)步入紅海的電商市場難以承受之重。

說白了，電商平臺普遍應用智能客服是趨勢所向，而且從時間看來，智能客服的普遍應用還早于大模型之前。如果說大模型是智能客服的二次躍升，那么智能客服的首次躍升是AI1.0時代的NLP（自然語言處理）技術(shù)。

“大模型驅(qū)動的AIGC出來之前，行業(yè)內(nèi)就已經(jīng)有比較成熟的基于NLP的智能客服，而且應用很廣”，智齒科技產(chǎn)品VP陳喆告訴光子星球，“而客服場景接受的咨詢與問題大多是封閉性的，相比開放性場景更容易做出人效來”。

在尚未具備NLP自然語言處理技術(shù)之前，在線客服的產(chǎn)品形態(tài)是簡單的QA，根據(jù)預先錄入的關(guān)鍵詞、句、段做出機械回答。做一個不算恰當?shù)谋扔鳎琋LP技術(shù)前后的智能客服一個是傳統(tǒng)RPG中機械反饋玩家的NPC，另一個是當下3A大作中根據(jù)玩家實時情況做出不同反饋的智能NPC。

換句話說，NLP是在線客服智能化的開始，其市場化也同步進入成熟期。那么大模型便是在線客服智能化的躍升，主要體現(xiàn)在高效化、個性化與更加智能化上。

陳喆用一則數(shù)據(jù)做了個不算準確的類比，假設(shè)NLP技術(shù)讓智能客服可以準確回答100個客戶問題中的50個，那么將大模型加入智能客服工作流后，目前可以做到準確回答75個，而且可以通過數(shù)據(jù)庫的切換從而切換不同場景。

“提效的絕對值在20%~30%左右，相對值50%這樣”，陳喆稱。

大模型對智能客服的人效提升不僅存在于需求端，更存在于供給端。大模型現(xiàn)有的二開與外掛數(shù)據(jù)庫范式讓智能客服產(chǎn)品從頭搭建的時間相對此前大大縮短了，投入的人力和時間成本呈現(xiàn)數(shù)量級的下降。而數(shù)據(jù)庫、知識庫的切換也確保了產(chǎn)品的獨特性。

當大模型還在尋找落地場景時，50%的增效已經(jīng)為行業(yè)帶來了足夠的確定性，無論是大模型結(jié)合現(xiàn)有智能客服產(chǎn)品或是大模型以客服形式直接在SaaS領(lǐng)域落地。

更值得行業(yè)深究的問題是，打造一個智能客服產(chǎn)品需要構(gòu)建什么樣的技術(shù)棧，以及接下來的商業(yè)化。

demo與落地間的距離

智能客服是AIGC在電商領(lǐng)域落地的急先鋒，只是接入成本高昂的大模型能力卻是一件急不來的事情。

于大廠而言，客服不過是電商平臺中積重難返的成本損耗之一，一般不會在該領(lǐng)域投入太多資源；而中小廠商自然也沒有能力從零構(gòu)建模型底座。陳喆便直言智齒科技未構(gòu)建自研大模型，而是調(diào)用領(lǐng)先模型以及互聯(lián)網(wǎng)數(shù)據(jù)，從而在應用層打造產(chǎn)品。

換句話說，智能客服領(lǐng)域普遍存在投入資源的限制。底座缺失的情況下，智能客服目前大多遵循的是“選型調(diào)用——數(shù)據(jù)采集清洗——訓練微調(diào)——部署應用”的范式，但問題也隨之而來，且主要集中在數(shù)據(jù)層面。

一般來說，智能客服本身是應對客戶降本需求的產(chǎn)品，自身的成本問題便更為突出。業(yè)內(nèi)常見的調(diào)用成熟的數(shù)據(jù)庫的做法的確可以極大縮短產(chǎn)品雛形的上線時間，卻會影響到成品的使用體驗。一個是準確率有可能因為數(shù)據(jù)偏差而下降，另一個是數(shù)據(jù)同步存在滯后性。

數(shù)據(jù)本身會經(jīng)由廠商做結(jié)構(gòu)化的采集清洗，能否完美貼合客戶所在行業(yè)或領(lǐng)域卻是另外一回事，因為其存在數(shù)據(jù)偏差導致的幻覺問題難以避免。陳喆告訴光子星球：“可回答率的提升也伴隨著輕微的準確率下降，這在不少客戶看來是不能接受的。比如法律、教育、金融等領(lǐng)域的客戶。”

而數(shù)據(jù)同步更偏向于對智能客服供給與需求雙端。一方面，客戶需要及時上傳有待用于訓練微調(diào)的數(shù)據(jù)，另一方面，廠商也需要高頻率的微調(diào)并更新產(chǎn)品。

陳喆稱，智齒科技目前的更新頻率是周更，在開放數(shù)據(jù)接口的情況下，客戶需要及時傳送最新數(shù)據(jù)，經(jīng)歷一段時間的語料學習后才能讓“最新數(shù)據(jù)”的價值得以體現(xiàn)。

“你的需求是秒級、分鐘級還是小時級都可以，數(shù)據(jù)前一秒push到我這，下一秒就會成為我們產(chǎn)品的訓練語料。”

這不失為一個同步的好辦法，但也較為依賴調(diào)用模型的學習能力，而且難以第一時間“消化”數(shù)據(jù)價值。

至于最初的成本問題，相對而言反而沒那么重要了。智能客服場景的封閉性本就限制了數(shù)據(jù)量，從某家非頭部廠商的視角看，智能客服目前既不需要“囤卡”或接入向量數(shù)據(jù)庫來保障檢索效率，也不需要在調(diào)用模型時過于考量tokens成本，只需要結(jié)合對應成本進行定價即可——無論如何，使用智能客服節(jié)約的人效都比目前的定價要高得多。

可以肯定的是，智能客服想做出一個demo來確實容易，但其距離落地之間的距離并不止投入一個調(diào)用或自研的模型。難以量化的成本或?qū)⒊蔀槲磥碇悄芸头惖乐校婕覀兊淖o城河。

微妙的生存空間

在討論AIGC結(jié)合智能客服的可能性的同時，我們還需要考慮到智能客服并非由AI開拓的新賽道，而是一條有著十余年歷史、業(yè)態(tài)為大模型所重構(gòu)的老賽道。

于智能客服賽道而言，業(yè)態(tài)的重構(gòu)包括從NLP升維至大模型的底層變動、從語義理解演變?yōu)槎嗄B(tài)的功能躍升等，但非技術(shù)視角下的商業(yè)模式卻未曾改變。

說白了，智能客服是一項以降本為核心目的的SaaS業(yè)務(wù)，這一點從《2023年中國智能客服市場報告》數(shù)據(jù)顯示軟件占據(jù)2022年中國智能客服市場79.94%中可見一二。也就是說，智能客服廠商的生存空間在于客戶與達成智能客服能力之間的距離，這一點在技術(shù)變遷的重要節(jié)點也未曾改變。

“如果大廠能在智能客服把我們打死的話，那么早在NLP時期我們就已經(jīng)死了”，陳喆說。

更進一步，智能客服既然是SaaS業(yè)務(wù)中的一種，那么其增長范式也同樣有因循邏輯。例如推出客服領(lǐng)域大模型的移動、聯(lián)通等運營商與容聯(lián)云，采用的便是產(chǎn)品驅(qū)動型增長（Product-led Growth）為主的增長模式，而對于未具備相應能力的非頭部廠商而言，大多呈現(xiàn)更偏向于體驗驅(qū)動型增長（eXperience-Led Growth）的模式。

并非腰部廠商以及他們的客戶不在意產(chǎn)品表現(xiàn)，而是腰部廠商面對大廠在技術(shù)與資源上的傾軋，需要構(gòu)建第二增長曲線來為自己拓寬生存空間。比較典型的是針對客戶在應用產(chǎn)品時可能發(fā)生的問題做“預處理”，以及盡可能拓展主要業(yè)務(wù)之外的業(yè)務(wù)路線等。

以某腰部廠商為例，他們?yōu)樽约耶a(chǎn)品專門建立了運營部門，“無所不用其極”來做客戶支持，貼近客戶。而運營部門的工作包括代客戶寫prompt、幫助客戶做私域運營、甚至作為客戶與廠商之間的“中轉(zhuǎn)站”，以成員的形式撮合數(shù)字化整體解決方案等。

誠然，小廠能做的基本上大廠也能做，只不過需要投入一定時間與人力。只是兩者對智能客服的認知以及展開業(yè)務(wù)的路線分野，也為腰部廠商擠出了不小的生存空間。

“大廠資源多投入高，自然想大口吃肉，盯著大客戶開單。而且也免不了一些務(wù)虛的東西，比如讓客戶試跑模型來‘偷師’語料。我們是更接地氣，盡可能讓客戶降本的需求在售前就能有清晰的感知”，某腰部廠商產(chǎn)品經(jīng)理稱。

況且，作為企業(yè)數(shù)字化轉(zhuǎn)型眾多項目中的一個，智能客服的盤口并不算大。一般大客戶會選擇打包的方式多方采購，防止一體化的風險，這其中也蘊含著非頭部廠商的機會。

目前看來，如今的智能客服賽道還算得上“萬類霜天競自由”，只是隨著智能客服與AIGC結(jié)合程度的加深，競爭白熱化后的業(yè)態(tài)很可能再次改變。

最基本的幻覺問題導致生成內(nèi)容質(zhì)量不穩(wěn)定擺在全行業(yè)面前，目前尚未有明確解法；而智能客服結(jié)合AIGC的業(yè)務(wù)進入成熟期后，從降本增效到更進一步的價值創(chuàng)造的趨勢又在倒逼智能客服廠商加碼技術(shù)迭代。比較典型的是電商領(lǐng)域的智能客服完全可以從客服延伸到導購。

此外，光子星球還自某頭部大廠處了解到，AIGC在電商客服場景的應用存在時延，單純語義檢索難以保障用戶滿意度，引入向量數(shù)據(jù)庫似乎是未來的必然。

智能客服以其自身的降本價值以及與大模型的耦合程度，已然成為大模型落地的確定性場景之一。而其大模型時期的發(fā)展才剛起了個頭，勉強從“智障”變“智能”的客服面對復購、交叉銷售等需求，還需要更多范式迭代。

原文標題 : AI攻入客服

關(guān)鍵詞：