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。
(資料圖)
但段子終歸只是段子，落地其實距離我們并不遙遠。在現代人生活中必然接觸的電商場景中，大模型已經走在落地之路上，重構相關業態。其中風頭最盛的當屬生成式內容（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域人貨場的故事:B端應用智能客服、數字人直播提高人效，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容，智能化搜索與選品為分發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”難以形成完善的產品邏輯。
因此對于AIGC在電商領域的落腳點，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
據知名公司沙利文最新發布的《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模已達到66.8億元，預計到2027年市場規模有望增長至181.3億元，預計五年內復合增長率可達到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售前咨詢，雙十一、618之類的購物節不提，電商商家每一天都有可能遇到多起并發咨詢。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。
“大模型驅動的AIGC出來之前，行業內就已經有比較成熟的基于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自然語言處理技術之前，在線客服的產品形態是簡單的QA，根據預先錄入的關鍵詞、句、段做出機械回答。做一個不算恰當的比喻，NLP技術前后的智能客服一個是傳統RPG中機械反饋玩家的NPC，另一個是當下3A大作中根據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，主要體現在高效化、個性化與更加智能化上。
陳喆用一則數據做了個不算準確的類比，假設NLP技術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，而且可以通過數據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。大模型現有的二開與外掛數據庫范式讓智能客服產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數量級的下降。而數據庫、知識庫的切換也確保了產品的獨特性。
當大模型還在尋找落地場景時，50%的增效已經為行業帶來了足夠的確定性，無論是大模型結合現有智能客服產品或是大模型以客服形式直接在SaaS領域落地。
更值得行業深究的問題是，打造一個智能客服產品需要構建什么樣的技術棧，以及接下來的商業化。
demo與落地間的距離
智能客服是AIGC在電商領域落地的急先鋒，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域投入太多資源;而中小廠商自然也沒有能力從零構建模型底座。陳喆便直言智齒科技未構建自研大模型，而是調用領先模型以及互聯網數據，從而在應用層打造產品。
換句話說，智能客服領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“選型調用——數據采集清洗——訓練微調——部署應用”的范式，但問題也隨之而來，且主要集中在數據層面。
一般來說，智能客服本身是應對客戶降本需求的產品，自身的成本問題便更為突出。業內常見的調用成熟的數據庫的做法的確可以極大縮短產品雛形的上線時間，卻會影響到成品的使用體驗。一個是準確率有可能因為數據偏差而下降，另一個是數據同步存在滯后性。
數據本身會經由廠商做結構化的采集清洗，能否完美貼合客戶所在行業或領域卻是另外一回事，因為其存在數據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、金融等領域的客戶。”
而數據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的數據，另一方面，廠商也需要高頻率的微調并更新產品。
陳喆稱，智齒科技目前的更新頻率是周更，在開放數據接口的情況下，客戶需要及時傳送最新數據，經歷一段時間的語料學習后才能讓“最新數據”的價值得以體現。
“你的需求是秒級、分鐘級還是小時級都可以，數據前一秒push到我這，下一秒就會成為我們產品的訓練語料。”
這不失為一個同步的好辦法，但也較為依賴調用模型的學習能力，而且難以第一時間“消化”數據價值。
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據量，從某家非頭部廠商的視角看，智能客服目前既不需要“囤卡”或接入向量數據庫來保障檢索效率，也不需要在調用模型時過于考量tokens成本，只需要結合對應成本進行定價即可——無論如何，使用智能客服節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用或自研的模型。難以量化的成本或將成為未來智能客服賽道中，玩家們的護城河。
微妙的生存空間
在討論AIGC結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、業態為大模型所重構的老賽道。
于智能客服賽道而言，業態的重構包括從NLP升維至大模型的底層變動、從語義理解演變為多模態的功能躍升等，但非技術視角下的商業模式卻未曾改變。
說白了，智能客服是一項以降本為核心目的的SaaS業務，這一點從《2023年中國智能客服市場報告》數據顯示軟件占據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，這一點在技術變遷的重要節點也未曾改變。
“如果大廠能在智能客服把我們打死的話，那么早在NLP時期我們就已經死了”，陳喆說。
更進一步，智能客服既然是SaaS業務中的一種，那么其增長范式也同樣有因循邏輯。例如推出客服領域大模型的移動、聯通等運營商與容聯云，采用的便是產品驅動型增長（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，大多呈現更偏向于體驗驅動型增長(eXperience-Led Growth)的模式。
并非腰部廠商以及他們的客戶不在意產品表現，而是腰部廠商面對大廠在技術與資源上的傾軋，需要構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品時可能發生的問題做“預處理”，以及盡可能拓展主要業務之外的業務路線等。
以某腰部廠商為例，他們為自家產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“中轉站”，以成員的形式撮合數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務的路線分野，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”，某腰部廠商產品經理稱。
況且，作為企業數字化轉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結合程度的加深，競爭白熱化后的業態很可能再次改變。
最基本的幻覺問題導致生成內容質量不穩定擺在全行業面前，目前尚未有明確解法;而智能客服結合AIGC的業務進入成熟期后，從降本增效到更進一步的價值創造的趨勢又在倒逼智能客服廠商加碼技術迭代。比較典型的是電商領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，引入向量數據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。
下一篇：最后一頁
責任編輯：
