AIGC正在重塑客服体系，从“辅助”走向“协同”。本文结合真实落地案例，系统解析AIGC在客服场景中的应用逻辑与挑战，帮助产品人理解智能辅助的边界、价值与演进路径。
过去2年多时间，AIGC大行其道，有人烟之处皆AI，如果哪个企业那个从业者不说AI不开发AI应用，就好像是在逆天而行。
因此也就有很多企业变成了为AI而AI，同时我们也看到过去几年通用AI能力发展很快，但在实际应用落地上看到的相对比较少。
可是在落地比较少的基础上，客服赛道又是其中最具代表性的落地场景。
我所在的企业虽然不是一个高新技术产业，但是因为行业规模比较大又是行业领头羊的类型，所以比较早的深入到了AIGC的落地应用中，虽然其中也不乏有为了AI而AI，为了领导而AI的情况，但也确实有一些起到了很好的作用，今天跟大家分享的则是智能客服这个成熟领域里，针对于真人人工客服的“智能辅助”应用的情况。
或者再进一步地讲，未来的客服还需要人工的服务么？毕竟AI越来越强大，真正属于人的领地不断地在被缩小，而且现在对话聊天式的通用大模型大家体验之后都说好。自然也不乏个别企业老板在指示，我们为什么还要在客服上进行投入，直接使用AI就可以了。
但是从个人角度来看，人工客服在未来还是需要的，只是方式会发生变化。为什么这么说？从基本的人类发展角度来看，我们的物质基础水平越来越高，在物质基础上越来越满足的情况下，对精神世界的要求也越来越高，当我们遇到问题的时候，最重要的是什么？是安抚情绪，其实现在客服领域90%+的投诉或者反馈，都是为了一个情绪安抚，且这个情绪安抚要能准确的把握到这个点。
同时很多人被“智障AI”所影响，识别到AI就立即向转人工，希望由真人来服务。
众所周知的是，现在的AI截止当前还是一个概率的游戏（未来如果发展出真正的硅基生命是另外一个概念了），因此当AI提供的只是可能性最大的一个可能性，所以这里还是需要真人的一些共情和处理，从中找到最适配最能理解当前投诉消费者的回复。
所以说真人的人工客服在未来一段时间还是需要的。
既然真人客服还是需要的，那么如何尽可能帮助我们的真人客服进行问题的解答和处理，就变成了一个很多企业面临的问题。
首先我们来看下，真人客服的工作场景。
当前真人客服的场景在绝大多数情况是：在进入真人客服之前会经过咱们AI智能客服的服务（相信没有经过AI服务的客服产品不是好产品:)。所以当到达真人客服的时候，此时真人客服可以看到的是足够多的信息。
其次我们来看下当前真人客服面临的问题是什么，他们的问题不是信息不够，而是信息太多， 信息太多的后果就是对真人客服来说是很难能够全部识别并进行有效回答的，所以他们希望可以获取到的是：
第三，是企业的变化带来的知识变化。为了满足消费者，企业需要不断的推陈出新、追赶热点，而客服几乎作为企业最末端的节点，接收到信息时基本上已经临近发布，甚至已经发布。如何能够学习并知道并将此内容解读给到消费者就变成了非常大的难题。
最后，也是企业通常都是对股东负责，对董事会负责，所以会不断的要求我们的客服又快又好又便宜。所以企业你需要不断的提升效率，以在线的问答为例，从1客服对3顾客 到1客服对4顾客，再到1对6乃至更多，在多个消费者之间进行切换时的信息延续也是一个非常大的难题。
固然，在AIGC的时代到来之前，我们通常都是以固定SOP+知识库的方式，通过对真人客服的训练并辅以知识搜索体系来帮助我们的真人客服进行处理。
那么在AIGC时代来临之后，我们又可以如何去做？
在回答如何去做之前，我们首先得确认下智能辅助是什么。
智能辅助在最开始出现的时候，叫做copilot，来源于大家看到很多汽车赛车比赛中坐在副驾驶位上的哪个“领航员”，这位伙伴不负责开车，但是他负责指路、负责给驾驶员情绪安抚、负责给驾驶员提供指引。引申到客服的行业领域，就是说，智能辅助不直接解决顾客的问题，但是它负责给到我们的“司机”也就是真人客服提供各种各样的帮助，让她能够顺顺利利的“开车”即完成对消费者的反馈。
了解了“智能辅助”是什么，那么再看看智能辅助应该是什么样子的呢？
第一，应该具有足够的信息。你只有事先有足够多的信息给到AI，AI才能有一个处理事情的基础。比如这个消费者的基本信息：身份信息、区域、是否会员等行业所需的信息；比如过去N天的消费信息，甚至最好是当前最近或者正在进行的消费信息；
第二，应该具有足够的知识。它需要具备当前整个行业，当前企业，当前业务的所有知识。无论是行业基础知识还是这个企业所特有的知识，当然核心的重中之重就是过去企业累积的面对各种问题的处理SOP。只有有足够多的知识，AI才能综合找到最合适的答案。
第三，当前时刻顾客的问题与诉求，以及诉求的答案。
第四，在当前时刻我应该如何进行安抚和处理的话术和策略。
最后，要能够随着对话的进行不断的实时的进行总结和更新
当我们了解了智能辅助是什么，那么接下来就要看如何进行落地了
在当前很多企业的问题是什么？AI来了，AI这么厉害，拿过来就用？直接新瓶装旧酒？但最后总是感觉没有达到之前设想效果。
这是为什么？究其根本，就是没有基于新场景，与新技术进行匹配。我们不一定每次都是要最好的、最贵的，但是我们希望可以是最匹配的。
基于智能辅助的落地以及上线之后的回顾与迭代，如果能够从以下几步来依次进行可能效果更好：
在开始你的工作之前，你的团队中一定得有人先对AI做一定了解，比较忌讳的就是：
这些情况都是表面，也是最怕的一种情况一瓶不满半瓶晃荡。每一个新技术刚刚出现的时候，都有其边界，所以你首先得了解当前的大模型的大致原理是什么，在当前应用的边界是什么，业界的展望或者下一步的方向是什么。
当你对新技术有了一定了解，知道其边界所在，知道其能力所强之处。这个时候你再继续下一步，即结合我们自己的业务来看，我们现在痛点或者机会点，在新的技术下有机会么？如果有再开始推进。
好，那么在人工辅助的情况下，针对我们的痛点，AI在其特点上会有什么？
但是同时又可能有什么边界呢？
当你了解了优劣，即使比较基础，但在此基础上你再找一些专家进行咨询确认，你就可以得到基本的结论，AIGC的大模型是可以解决这些痛点，而这里的限制边界我是可以忍受的。那么你就可以开始推动后续的动作
是不是我现在的知识可以直接给到AIGC大模型使用？答案是并不全是，为什么？因为之前我们的整理的问题都是基于人的，而且绝大部分情况下都是基于企业视角的，都是基于小模型时代的标准问题（相似问）的逻辑在整理的。通常都是高度浓缩的，直接拿过来用，大模型的解读有的时候反而会更容易出现幻觉。
所以，你首先要梳理下当前在客服下顾客经常来问的问题。
这里不得不说，绝大部分企业的客服平台，都已经积累的了大量的数据。虽然很遗憾的是，我看到和接触的企业在智能辅助或者Bot能力在上线的时候，都没有将这些历史数据有效地进行使用。
其实在这个阶段，我们是可以利用大模型的能力，帮我们总结历史过去一段时间或者一段数量的历史会话，可以让我们得到：
从而我们就得到了一份，相对比较适合我们顾客角度的问题列表或清单。不要以为我们沉淀了那么就我们什么都知道，其实总有一些东西是你不知道的，尤其是当你作为决策者的时候。
拿到了问题，基于问题我们正确的回答是什么？此时我们就基本上不能寄希望于大模型可以给我们做回答了，为什么？因为如前面对大模型的基础学习，大模型的知识都是通用知识，而在任何一个企业的客服中，都有该企业的专业知识，而这些信息通畅通用大模型是不具备的。
所以你要结合你之前的知识体系（注意，没有必要从头开始，重新再来）和识别到的问题，对你的知识进行梳理。在梳理时，你：
要注意，你的知识是要给到大模型使用的，而不是给人的
要注意，IT技术伙伴设计的知识结构是怎样的，大家要相互匹配，不要业务好了，IT又要从头再来
要注意，要对知识进行分类，不同的分类可能解决的方法不同。比如举几个小例子
总而言之就是需要将知识重新进行梳理和结构调整
接下来就是我们的IT技术人员贡献了，他们需要基于我们的业务场景、问题与知识进行定制化的开发，为什么要定制化开发，大模型不是已经可以通用聊天了么？
因为每一个企业的客服基本上都是有一套完善的产品，再好的技术再好的产品，如果不能和业务场景结合，那么最终的结果基本上都不会100%达成你的期望。
简单分享下我们的基本步骤：
关于技术的实现，目前网上知识比较多，就不在此进行详细展开了。
但这里特别反复的想要提醒一点：不要为了AIGC而AIGC。
为什么这么说？因为在任何一家企业的客服都有一个明显的特征，就是客服的问题“二八法则”非常明显，在一个客服应对的问题中80%的可能就是那么几个或者不到10个问题，所以在这个时候我们未必要强求一定要AIGC大模型来进行100%的识别，可以先用小模型甚至关键词的匹配进行更准更快速的响应和处理。针对剩余的20%通过大模型进行赋能，或者在整个过程中的个别节点进行赋能。
最后，就是一个迭代的问题，因为我们的业务在不断地变化，AIGC的能力也在不断的推陈出新，所以我们要搭建一套运营的体系和流程进行不断的迭代优化。我们需要
很多伙伴尤其是IT人员会将AIGC大模型目前的推动称之为技术赋能，应该是由技术来推动来进展的，这固然不错，但是所有的技术都是要与业务结合，通过业务来体现技术的价值，因此业务和技术的双驱动可能才是更良好的一种方式。
智能辅助的上线，给我们带来的直接成果就是效益，包括：
除了直接的收益，同时也存在着一些隐形的收益，包括
当然同时因为这个是AIGC大模型在企业落地可以说立竿见影的收获，整个项目组也得到了Boss们的认同和激励，也树立起来了AIGC落地专家的影响力。
整个项目虽然最终顺利上线了，但是一些经验还是希望可以和大家分享下，也希望大家无论是在智能客服落地领域还是在其他AIGC大模型落地的场景中都可以吸取一些经验教训。
首先来说说我们过程中做的不好的地方
虽然最终我们进行了知识的重新梳理和架构，但是在初期我们确实是直接将我们原来的知识喂给大模型，希望大模型直接给我们出答案。结果就是匹配率比较低，答案生成内容比较差。
所以后面我们重新梳理了知识架构，才得以顺利进行下去
现象与问题
在辅助对会话内容进行意图总结，然后基于意图进行知识的匹配。此时意图的内容是完全大模型发挥进行生成的，所以比较离散
导致每次生成意图都是分散的，所以增加了知识答案的匹配难度
改进方案
将意图进行聚类，在意图生成的时候与现有知识体系中的知识意图进行匹配，如果匹配到则使用标准的知识意图。只有无法匹配到时，才完全由大模型发挥
对链路每个节点进行优化，但提效甚微
现象与问题
改进方案
客服实际上有非常大的头部效应，大概95%的用户来访的意图只有50左右，所以可以将这些意图与知识进行缓存，如果能够直接命中则显示，仅在无法命中时走大模型的完全生成链路
有坑就有彩，这里也有一些做的好的地方，也希望大家可以有所收获
首先，就是要选择合适的厂商
新技术新产品，尤其是在技术发展还没有完全成熟的开始阶段，找有能力有资源的大厂会更容易推进。因为大厂有很强的专家，出现问题的时候，有足够的“脑力”进行多方向探索快速出结果。
当然前提是，业务部门的企业所需产品，与这个大厂的产品发展方向一致，才能比较好的推动。
其次，就是业务和技术结合推动
AIGC虽然是一个技术推动改变世界的能力，但是最终落地还是要依赖场景，而场景都是有其环境的，与环境和用户结合在一起，了解其痛点和机会点。
尤其是开始和上线阶段。开始阶段你需要从业务场景出发由业务人员为主进行知识与业务梳理，而在上线落地则通过业务人员的实际使用反馈不断迭代优化
第三，就是AI一定要运营
在AIGC大模型时代的运营，我们可以：
这里特别提醒的是：运营人员最好是选择对AI有一定基础了解，至少是日常中有使用大模型习惯的伙伴，会更容易入手
我所参与的智能辅助上线已经接近一年，随着模型能力本身的提升，其能力也在提升，但是明显可以感受到其瓶颈所在。所以我们也在思考，现在还是通过机器辅助人的方式，那么随着机器越来越强，是不是可以反过来，让人来辅助机器？
我们看到现在自动驾驶已经上街运行，自动驾驶在过程中一定会遇到各种各样的问题，此时中央监视系统就会识别并触发到经验老司机开始远程接手，然后将遇到问题的自动驾驶车辆通过人工干预的方式解决，之后再继续进行自动驾驶的行驶。
所以我们的智能辅助是否也可以实现此场景？
通过我们智能辅助的落地，我们践行了AIGC应用的落地，帮助我们企业解决了实际的痛点和问题，提升了效率。也通过AIGC在客服的智能辅助的落地，我们了解、学习了AIGC的技术，并且将经验推动到了企业的其他应用的落地。
从我的内心还是希望，不要为了AI而AI，为了领导而AI的情况。即使有些时候迫不得已，但是我们在落地时还是能够从业务场景出发，解决实际的问题，从而能够真的帮助到我们的工作和生活。
路漫漫其修远兮，我们将上下而求索~
本文由 @影子 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。