其他
GPT后时代的智能客服出海新进化｜出海同学会No.93期干货
智能客服是AI早期较为成熟的赛道，而GPT后时代，智能客服的技术与应用场景也获得了近一步的优化。我们在今年看到许多中国智能客服上下游企业进一步探索全球市场。
当然，在这个过程中也不断遇到许多挑战和问题。许多中国和美国的经验无法在新兴市场复制，出海企业在全球市场有较大的获客挑战，这些都成为了大家仍待解决的问题。许多服务方也开始尝试将一些新的技术例如AI虚拟人并入智能客服的服务中。
在93期我们一起再聊智能客服赛道，新市场的获客与增长、与新技术和工具的结合。以下是此次分享的可公开部分。
- 本期课代表同学 -
STUDENT ON DUTY
AI Rudder 联合创始人 任腾
BrandLink联合创始人 王耿东
魔音无限 创始人CEO 杨凯
QuickCEP 创始人CEO 陈光
Seasalt.ai 创始人CEO 姚旭晨
Shelux 创始人CEO 郭辰璐
声in 创始人CEO 何湃
铅笔头 创始人CEO 吴晓腾
Traini 创始人CEO Arvin Sun
网易云商 产品总监 沈晓明
（*按公司名数字-字母序）
部分同学因公司PR保密不能露出外发内容
我们同样感谢他们的精彩输出
要点问题
Part 1：获客研讨
传统客服中心巨头是否能被颠覆？
智能客服赛道如何找准渠道和合作伙伴？
Patr 2：破局研讨
产品定制和创新的方向是什么?
客服厂商需要与哪些伙伴集成才能更好服务好客户？
传统客服中心巨头能否被颠覆？智能客服的机会和挑战？
BrandLink，王耿东
我们是做海外客服的人工BPO(business process outsourcing)，目前在菲律宾有几百人的团队，欧洲也有团队，接下来会在墨西哥、非洲建立小语种团队，算是当今为数不多的，做传统人工客服的代表。
AI Rudder，任腾
我们一直以来都是以替代人工的工作为使命。客服和软件相关的细分赛道非常多，最早的CCaaS的软件、Genesys ，不管是软件还是硬件，都是给坐席用的。后来的一些智能客服，比如 conversational AI 有做人机增强的、做质检的、也有做分析的，这个赛道非常细分，结果是每家都有自己独特的地方。
2019年开始做NLP 非常困难，Siri 回答不了的时候，大多数人工智能的客服也回答不了，大家就称人工智能是人工智障，这种情况下我们也会受到一些制约。
GPT从技术天花板的角度给了最大的突破，很多人会预测有多少白领会被取代。从技术能力的角度来看，人工客服一定是会被取代的，只是过程需要一定的时间。
AI 也是一种软件，软件遇到的问题，在 ChatGPT 时代依然也会遇到，比如对场景的理解、客户的理解、痛点的把握等等。另一方面是 SaaS 在应用的过程中少不了跟系统做对接、客户做对接、对场景做理解，跟公司培训坐席一样，培训的过程少不了，让AI 能够上手，需要培训的人付出努力和劳动。
这是依据第一性原理分析出来的点，所以发展的过程一定不会特别快，每一家公司的发展路径一定会有很多取舍，是做大客户、小客户、垂直行业、还是按市场区域划分，先做东南亚还是美国，还是中国等等，有很多路径。
现在是各家赛跑的过程，谁能跑得更快、打法更有某种先进性、谁先完成商业闭环、谁能够更快地跑马圈地，这是创业者和从业者面对的挑战。
Seasalt.ai，姚旭晨
我们是做客服中心相关的领域，偏向电话赛道，主要服务对象是北美的、大中华区的出海用户，为他们提供一整套软件。
建立一个呼叫中心，美国的中小企业经常用的AirCall，稍微大一点用 RingCentral，再大一点的企业用NICE， 8x8, Five9。
我们和Twilio合作的比较多，在Twilio上是用的 Flex 系统搭建，因为Flex的定价模式在传统的 CPaaS 里是比较贵的一种定价模式，所以我们现在服务的客户以中大企业为主。
挑战的话，第一点，大家觉得传统的 Avaya 和Genesis是一块蛮大的市场，产品用了十年也没有特别的多的好感，一旦 license 到期了之后想全部换掉，客户就会往外再去看一看。
第二点，比如Genesys想去推一些由本地部署做成全语音端部署的方案，客户觉得收费贵，再加上对产品不是特别有好感，这方面的机会非常大的。新冠的时候我们认为从私有化部署变成云端部署是一个非常大的突破点，但是，实际上客服中心数字化转型上云慢很多。
实际上很多大公司里数字化转型可能还没有完成，更别说语言大模型了，他们会落后好几轮，这是我们的观察。另外，但凡超过几千人坐席的客户，他们对于隐私、数据安全性非常重视，如果要结合大语言模型还是有很大的挑战。
所以总结起来，我认为传统客户中心想上云面临的更新换代是机会。
智能客服赛道如何找准渠道和合作伙伴？
AI Rudder，任腾
AiRudder是2019 年 7 月正式的，成立之初是两条路一起走，先服务中国出海的Fintech 公司，中国人服务中国出海客户有天然的信任，沟通非常效率，但是也有弊端就是同质化竞争。
很多国内企业遇到增长瓶颈第一反应就是去做出海， To B、To C都会出海，服务中国出海商家的竞争就会变得很激烈、很卷，要么卷价格，要么卷产品，要么卷服务。
没有信任基础把一个不那么成熟的产品卖给外国人是非常有难度的，所以无论是在东南亚市场、美国市场，会下意识的选择过中国的出海客户，这是必经之路，下一步就会想接下来要怎么走出去。
出海市场也是刚刚开始火起来，对于一个 local 的经济形态来说，中国的出海客户或者中国To C的出海服务商，一定是每一个市场里的小众群体，大众群体还是 local 的，从这个角度来看，如果只有能力服务出海客户就意味天花板非常低，大量的、主流大的蛋糕是吃不到的，这是一个非常大的制约因素。
所以，我的观点是出海够打磨产品，以及获得一些种子客户，但是大的蛋糕和重要的客户一定是海外的本土客户。
PLG 还是SLG？
AI Rudder，任腾
要回答这个问题，先回答另外几个前置的问题，从市场需求角度出发，你想解决哪一类客户的什么样的需求和痛点，使得你想去做这个产品？
我们的思考角度是，人工坐席一旦达到几百人规模就不可能是一个PLG 的产品。10 个人的客服每个公司都可以养，而且比较容易管。一旦面临管理几百人，问题就会非常多，比如IT的要求、对办公室网络的要求、对 HR 的要求等等，是一个非常非常复杂的问题。
另一方面，产品到底是一个可以 self-serving 的产品，还是必须有 Onboarding 过程的产品，这会决定有没有 PLG 的可能。好的 PLG 产品一定是Onboarding非常轻，可以有self-serving的属性。
针对什么样的客户卖，决定了销售模式，这是一个相匹配的过程。如果针对大客户没法从 individual contributor的角度切入进去，我觉得一定是SLG。
Seasalt.ai，姚旭晨
任腾说的挺对。我们切实看到一些出海商家，一个月能卖掉一两百万美金的货，在客服上的压力非常大，这种情况智能化客服可以帮他们做一些事情。
同样的一套系统放在国外，比如Shopify 上的海外商家，他们不如中国的厂商流量这么大，没有那么痛的点。前一阵子遇到一些卖灯的商家，一个月有10 万、20 万的收入，作为一个 small business 很好，但对客服的需求不强。
量特别大的中国出海商家还蛮多的，如果只是看量大、痛点强、趋势强的话，还是应该看中国的出海商家。
在实战中我也接触到一些台湾电商，台湾做电商的人就小心翼翼，先去做市场调查，然后再去备货，备完货再看卖多少，就比较慢。台湾有一些教人家做电商的讲师也是在大陆学习过，他说，大陆这一套很厉害，还没什么东西，就已经放上架了，做事特别特别的快。他说，我们学不来。另一个原因是他们那边的需求也不是特别强，所以就比较难做。
从创业者的角度，最终是两者是混合的，从投资人角度好像是非常黑白的。举几个例子，做 CDP（customer data platform），欧洲的DH、西雅图的imperity、Twilio收购的segment，这些全部都是SLG。imperity 公司超过一半的人是sales，每天睁开眼就是看数据，官网只卖solution，也没定价，没产品Demo，就是一个纯SLG的厂商。
作为华人我们在台湾可以做得动，但是在美国很难做得动，这是我们比较困难的一点。投资人说，你如果直接去做SLG 的，没有问题，只要 plan 做的足够好，每个客户每年的单价在 50 万美金之上是完全支持的。
大家都非常想做PLG，眼看 notion 一下子火起来，要么是形成飞轮效应，要么是形成网络效应，大家觉得更像是 venture scale，更容易做得好。但是做 PLG ，一个月收30 块钱到 200 块钱的license，那要达到两个million的ARR真的要把产品做得非常非常好。
比如突然来了一个连锁店的大客户，涉及到定制化，到底是做还是不做。很多人可能会坚持只做PLG，我觉得可以用大单养产品，把产品慢慢发展成 PLG，这是个蛮好的思路。
创业者的角度是有灰色地带的，大家心里想的PLG，但是不排斥SLG，最关键的是公司内部，是不是能够给员工讲清楚。
提问：你怎么给员工讲清楚？
我会对员工说，你虽然每天面对的是不同的客户，但是你为每一个客户支持、新开发的 feature 全部都会用到我们公有的产品上面。除了SSO 登录，有的客户SSO 登录需要用自己内部的验证系统，这个没有办法，只能接。
PM 、RD 的同学每天脚踏实地，看的是一个个的客户，经常容易有误解，认为我们在做一些定制化的东西，但实际上从产品的角度来看，每做一个新的客户都是对产品的打磨、历练。Seasalt一开始成立的时候，姿态放得非常低，我们叫做 Consulting company就是做咨询的，当然也丢失掉了很多投资人的机会。
我们学到的东西总结起来，第一点就是姿态放低，选择客户的时候聪明一点点，灵活一点点， PLG 和 SLG两条腿走路。创业很多时候是一个既要又要，看似不可能的情况在做，这是蛮大的挑战。
QuickCEP，陈光
QuickCEP是服务中国品牌出海的一站式消费者运营平台，里面包含了一些智能客服。
我们最终是想服务国外商家，创业时期的外界环境，包括自身的禀赋和资源，所以先选择了服务中国出海品牌和跨境电商卖家，作为第一步走，通过他们完善自己的产品和各方面的竞争力，再去出海服务海外来的商家。
PLG 、SLG与服务的痛点和产品形态有关系，不是某个打法好就能去做，我们的产品偏解决方案需要实时交付，所以很难去做完全的PLG。PLG 可能是作为让客户浅浅地尝试我们产品的一种引流方式，然后混合去做。未来希望产品成熟后，具备与美国一些头部企业有竞争力的时候，再用合适的方式到海外本土做。
我们今年也开始尝试在东南亚做一些本土的企业，初期尝试还是通过代理商的模式摸索，代理商在当地有一些客户资源和经验，我们切入之后给他们带来一些差异化。中国走出去的SaaS还是有一些优势的，能帮他们覆盖更多的客户，带来更多的营收，代理商也更愿意合作。
提问：海外代理商对于中国SaaS的合作需求，有哪些考量？
性价比高、支持力度高。我们在东南亚接触的一些欧美产品的代理，他们的支持力度很差，有一些大企业跟不上，导致客户对代理商不满意。
中国卷出来的企业，能提供优质的服务和支持，让代理商满意，终端客户也满意。另外在拥抱大模型和前沿功能上我们迭代更快一些，大厂相对滞后一点。
Shulex，郭辰璐
我觉得 PLG 或者 SLG ，第一取决于交付的模式能不能搞定。第二取决于整个竞争环境。
我们重点是做市场洞察、消费者洞察 VOC 篇，大模型出来后，我们摸索的结论是面向售后领域交付很困难，这是我现在的看法。
客服面向售后很复杂，像传统的Dialogflow、 workflow 用大模型可能很难完全替代。本来期望一个很轻的交付模式给客户，现在看还是很难，不可控性很强，还是要准备很多很多的交付成本，所以这方面我觉得 SLG 面向大客户一定会存在。
我也不看好以后大模型真的特别厉害了，能变到很轻，比如几个小时就能交付一个 200 人的客服团队，100 个排故等等各式各样的问题。
另一方面我觉得PLG 也要做。作为创业公司能活着就搞，全球地去转化用户，这方面我们不会做得那么重，是期望有一两个人偏售前的、偏售后的，简单快速用。
面向海外想要替代Zendesk、Salesforce 根本替不动。我们初创团队会切一个小点的去尝试、做集成、做融合，不管是 PLG 还是Salesforce，客户能有连接，第一步就可以了。
海外我们肯定也会有代理商、渠道商，小的也做，大的也做， PLG 也做，SLG 也做，先能有客户有连接就可以。
产品定制和创新的方向是什么？
铅笔头，吴晓腾
前阵子和一个智能客服客户联合做了一个智能客服加数字人的项目。
当客户选择智能客服的时候，数字人在智能客服业务里只能算锦上添花，不是必须的。一般来说只有很大的客户愿意为数字人付钱，一般中小客户不太愿意。就像手机市场一样，比如头部的华为没有加，其他厂商也不会加的。
做数字人如果想要达到招行客服标准，从建模、动作、脸部特征全部都加进去，价格是比较贵的。这种情况下让客户付出更多的钱是需要做很大的评估。
AI Rudder，任腾
拿一个实际的例子，我们在印尼有一个非常大的本地客户，他的另一个偏客服方向的部门给了我们一个新的需求，我们当然想做偏 inbound 客服相关的，之前做的比较偏outbound，那 inbound 项目希望机器人做一些替代，同时也提了一个要求，必须捆绑数字人的解决方案在一起他们才会选，这就相当于把两个标绑在了一起，如果不做数字人的项目， inbound也拿不下来。
客户也知道单独采购数字人产品，会有很多定制化的需求，有很多对接的难度，又不一定有很多预算，在这种情况下他们也知道这个产品对于甲乙双方都不一定是一件很好的事情，说白了就是没有那么多预算去买这个东西，乙方也不一定愿意去接，所以就捆绑了一块“肉”一起做。
对我们来说相对被动一点，必须得去攒一个方案，特别在东南亚做事情，都是一些 Ka 客户，很多时候不能简单的say no ，想要的东西看起来搭边，还要考虑一下怎么帮助客户解决问题，哪怕不挣钱，免费做，某种意义上是我们的服务或价值。
在这个过程里，一定要从技术和产品的角度有明确的定位，或者是生态位的一种选择，到底哪些技术自己做，哪些技术由第三方做。
在大模型起来了之后，有些做 foundation model，有些做上层应用，技术里面又有很多是提供线路的，有做 ASR 的，有做 TTS 的，包括虚拟人的技术等等。这么多技术，很难是一个公司把所有的东西都做了，每个技术的投入，一定也是需要很长周期才能够回收成本，这是一种必然的趋势。
另一方面，从技术的角度来说，不断地出现大水漫灌，冲破护城河的事情。特别在 GPT 时代开始了之后，能从技术的角度感受到无数次的小的大水满贯，GPT一起来所有的做 NLP 的事，很多沉淀出来的东西都白做了，以前的做法跟现在的做法都完全都不一样，而且有可能还会受到以前做法的牵绊，因为要做一些向前的兼容等等，有些事可能从零开始做反而会不一样。
ASR的做法也不一样了， TTS 的做法也不一样，在视频领域我不是专家，但是，我也听过一些 paper 类的说法，每隔两个月的周期，很多事情的做法都不太一样。以前有一些图片生成视频，或者是通过一些视频加速生成新视频，或者单纯从零开始做数字人的，有很多朋友说自己的一些技术，很快地就被一些新的论文，一些新的方式取代掉。
思考的角度是怎么定位自己公司的核心生态位，哪些点我们要去build，哪些点不去build，因为在一个业务做不下来的时候，会感觉很多东西都是痛点，除了 OpenAI 以外，现在东南亚也没有一个像样的大模型，OpenAI大家顾虑又很多，但是又没有任何一家能绕过 OpenAI提供一个符合东南亚的，又可以去做很好的 compliant step 的模型，我们在内部讨论过很多次要不要去 build 一个大语言模型，结论还是在讨论的过程里面了。
无论怎么样去做都是一个非常谨慎的思考，如果要做，一定要做到业界最好，水涨船高地不断地把自己的优势跟进去。如果没有勇气投入，哪怕解决了当前的问题，下一波洪水再来，可能事情就白做了。
技术是回报周期最长的一种投入，投入如果不能回本的话，不要一开始就去投入，不如等一等，说不定三四个月新东西又出来了。
魔音无限，杨凯
我们是专注于做大语言模型智能客服机器人的企业，和上一代厂商不同，我们彻底地抛弃了以前的传统技术，完全基于大语言模型去做，已经做了半年了，也有一些技术方面的经验可以分享。
落地的核心是解决最关键的幻觉问题，大语言模型和传统技术最大的区别是会给你答案，但是答案可能会出错，我们的解决方案是做更加精准的搜索引擎。
大模型分两个步骤，一个是去做参数层面的调节，另一部分是做推理层面调节，通过提示词优化修改推理的分布。
想通过训练的方式控制幻觉是比较困难，整体的训练语料级很大，如果增加一些语料，很难把分布修改达到客户想要的状态。但是如果prompt 整体的长度不是很长，可能是几千个字符或几万个字符，调节输出分布相对更简单。
解决这个问题就是搜索引擎是否很精准。当客户提一个问题的时候，如果能从语料库里找到非常精准的答案，不多给垃圾信息，也不少给信息。
现在有些厂商号称Cloud 做到 100K 甚至200K，还是会出现很多幻觉。所以要做的关键问题，是能不能写一个新的搜索引擎，当把问题给GPT的时候，GPT能给出exactly的答案，大语言模型不具备搜索能力，搜索可以用语义搜索、向量数据库等技术实现，搜得非常精准就可以精准地回答每一个问题。
但是问题又来了，假设搜索是用另外一套技术做的，并不是用大语言模型，那么大语言模型还有什么意义，做一个搜索公司就好了。
这里面的关键问题在于大语言模型有很强处理多轮对话能力。以前传统的方式是机械流程画布，现在大语言源模型可以理解流程图，这样就可以简单的配置一些流程表格实现，更精准的语义理解，很多的系统对接，自动地处理一些任务，比如做酒店客户预定、查房价查、查仓储、改订单等等。
网易云商，沈晓明
AI 在智能客服中的应用大致可以分为两类，第一类叫机器人客服，机器人完全替代人；另一类是人工智能辅助，以人工客服为主，让智能AI辅助人工。根据企业的服务模式及服务要求，通常会在这两者中做选择或者结合。
机器人真的能替代人工，还需要很长一段路，不仅是技术的问题，还有企业的服务理念，服务厂商对业务场景细节的把握能力，这些因素都会影响机器人客服是否真的能替代人工客服。
我们内部也在围绕一些场景做应用的尝试。比如客服完成一次接待或者服务之后，通过 AIGC 的能力快速做一个会话的总结。许多企业的客服接待量非常大，如果能够同样用 AIGC 的自然语言理解能力和上下文理解能力去总结每一通会话，是能够为日常工作节省出大量时间的。
另外是放到智能机器人里面，这里我们会遇到一些问题，很多时候客服在解答消费者问题的时候，它的形象是企业，是具有一定官方特性的，但是GPT生成的结果是不可控的，GPT会运用自己的理解生成一些有歧义、甚至相反的内容，这是我们在现实中遇到的问题。所以GPT完全颠覆传统AI机器人，还有很长的一段路要走。
基于多年来的智能化建设，网易云商七鱼智能客服产品在智能化上的优势不言而喻，但是随着GPT的出现，大家似乎又被拉回到了同一起跑线上。从技术角度来说，工程从来都不是门槛，智能客服领域中智能才是永无止境追求的点。
大模型在一个垂直领域中有深度、受控制，这是未来在 AI 上需要逐步探索和研究的方向。杨凯同学讲到的我非常认同。
我们也在做一些尝试，无论是大小模型的结合，还是新的 GPT 能力与传统AI的结合，都可以达到比较好的效果。一些成本或者效率方面的问题，限制了GPT在实际场景中的发挥，我们也在不断地探索和优化。
提问：找什么样的厂商才能有一个好的突破？
网易云商七鱼智能客服是通用型 SaaS，没有非常强的行业属性。除了传统的厂商以外，还有很多垂直的客服厂商，比如游戏领域、电商领域、医药领域等等，这些厂商同样也需要 AI 提效。
提问：怎么样在垂直领域中构建能力呢？
找垂直领域中有大量数据生产能力的厂商合作。有数据生产能力的厂商，有一部分会考虑把数据生产能力往 AI 方向走，做一些基于垂直场景的模型也好，能力也好，来服务行业里其它的服务商。他们的身份就从应用层的角色，往下沉，变成一个能力方的角色。这是我觉得很多原先做应用层垂直领域的企业，后期会走的方向。
声in，何湃
PLG 也好， SLG 也好，我们可以从客户的画像反向理解。如果一个品牌进入到用 AIGC 或者 GPT 提升客服能效的阶段，一定是客服团队到了百人甚至更多人以上。所以在我的认知当中，是不太可能会以 PLG 的形态去拓展市场，客户数量按照这样的画像去捕捉是有限的，应该尽可能的在一个客户上产生足够高的客单价，还才是比较合理的生意逻辑。
以我目前对于 BP 的认知上来说，从客服的角度，如果定义做一个工具的价是为了提效，减少客服人力成本的话，只有朝这个方向才是唯一的活路。
换另外一个角度思考，从客服本身的属性来看，我们定义的客服就是一个执行层面的工具吗，还是会带有一定的情感价值，今天我的一些想法可能会有一些和大家相左，但我觉得是一个 open 探讨状态。
我们制定客服团队的 KPI 是什么，OKR 是什么，能够给公司带来的是服务体验的提升，在产品没有达到 100 分的时候，可以通过客服专业的、即时的、精准的服务来降低非质量因素的退货率，所以它肯定不是一个成本中心，应该是一个潜在的利润中心，所以用 AI 的能力减少客服的人力，在大的方向上我个人是不认同，它是能够帮助客服更好地把品牌与用户的情感连接做得更紧密。
所以客服团队的 KPI 是什么，仅仅是回复的数量吗，还是客户的满意度，产品的星级，包括通过自己专业、即时、精准的服务让客户产生更好的复购，或者转介绍，这都是我们觉得客服团队能够产生的潜在的价值，这里边有很多能力是 AI 无法去替代的，GPT能替代的客服能力是肉眼可见有限的。
如果遇到了问题，你希望是 AI 自助回复，还是人工的方式回复，从目前 AI 的能力，对于小模型，对品类的认知程度来看智慧程度还不够，所以说想用 PLG 的方式解决品牌服务的问题，我觉得有一点幼稚。
为什么这样讲，不同品类的用户体验旅程不同，从下单、开箱、组装到使用，这里面涉及到到店的品类、非标的品类、服饰类的品类，每个不同的品类的服务流程周期不一样，所以借助 AI 的能力，赋能更好的服务体验，这需要我们具备很强的与品类知识库相匹配的能力，这个周期我觉得需要花费极大的交付成本。之前我们服务很多国内还是国外的优秀跨境品牌，这个时间成本是无法被替代掉的。
我觉得通过服务团队借助AI 能力，把声音信息收集进来，进行打标分析，形成对于产品优化的闭环，进而形成对于用户画像更深度的理解，把营销做得更精准，把产品做成用户更想要的样子，这是我觉得服务本身、客服团队本身具备的更深的价值。
如果定义客服的职责是及时响应用户问题，GPT 可以替代更大的价值。但是，我们看到亚马逊等等各种平台不断地进化，不断地让消费者有更好的流程体验，越来越多的跨境电商品牌，无论是国内还是国外，更注重商品在售卖之后，如何通过客服团队专业的、精准的，对于用户情绪的理解，使得复购能力变得更强。
所以，如果我们做 AIGC、GPT 回复的话，就一定要把每一个客户的客单价做得足够高，因为客户数量有限，所以必须带来极度的、专业的、小模型的结合和人效的提升，这是我个人的想法。
发展智能客服需要投入建设哪些核心能力？
QuickCep，陈光
场景和数据的价值特别重要，是我们现在深挖建立护城河的重点方向。
未来大模型和很多开源技术一样，每个人都会用，每个厂商也都能用上，大家的技术壁垒又拉齐了，怎么能在这一轮的大浪潮里跑出来呢，尽快地应用在你擅长的客群场景或者方向上，然后建立足够深的数据壁垒，在应用模型的时候能有一些别人没有的效果显现出来，这是目前我们看到的一个机会点，或者打差异化的一个点。
Shulex，郭辰璐
客服有几个核心指标，第一客户满意度，大模型上来之后让客户的满意度提升了。以前打热线电话，说什么什么请按1，或者你是不是在问这个问题，一层层的往下走流程，客户满意度很差，大模型一轮就能基本搞定，大模型可以做得更好，从业务的角度看客户的满意度是首选第一位。
还有一个核心指标是首次响应时间，首次响应时间非常重要，尤其是在电话场景上， 2 秒就能回答，根本没有感觉到等待的时间，这也是非常关键的，这是一个核心技术的突破点。
第三个是 AI 的解决力，本质就是客服能省多少人。不完全看大模型的角度，很多设置一些关键词就能搞定。业务的这三个指标一定是客服领域技术的核心突破点，从降本提效上面看，都是围绕这三个点。
Traini, Arvin Sun
我们的客服目前是自用的居多，考虑的维度是这样的，第一个是场景，就是我们专注的是宠物服务数字化的部分，又切到特别细分的狗狗训练部分，我们称之为行为健康。
我们给用户提供训练解决方案的时候，发现除了课程之外，用户还会问很多与狗狗行为相关的问题。最开始的考量是说，怎样快速地给到用户答案，从这个角度出发，我们第一个方式用了问答社区，发现时效性上效果不好，后来我们就开始考虑通过智能的方式去做，应用的方式是大小模型结合，通过关键词和用 NLP 的方式做深度的匹配。
基于这个点，我们又考虑两件事情，一个是用户行为数据获取后，怎样进行下一步服务和产品推荐；另外一个是交互体验上的差别，希望给用户带来不同的体验之后，让他觉着产品本身的效果性更好。所以我们自己的模型就专注在服务推荐上。
上个月，我们自己APP里使用这个服务的用户超过了 98. 83%，比例非常高的，这给了我们一个很大的鼓励。
另外考量的三个小维度，第一是，inventory 还是做signal。我们是从 signal 角度出发，因为专注在一个特别细分的领域里边，所以重点考虑大模型做不到的准确度，包含用动作捕捉、 ChatGPT用户交互、抓现有数据等等，综合的方式做解决方案。
第二维度是 Goods transaction 还是 Service transaction。有实物产品交易和纯粹做服务交易的客服场景是完全不同的。比如买一个东西属于 Goose transaction 方式，用户买走的产品如果本身没有质量问题，大概率客服的流程是可以非常顺利地完成。service transaction 交易当中要去捕捉的是情绪信息，我们现在埋很多的点就是为了抓取这些信息。
第三维度是做大还是做小的问题。我们是专注做小，做大c和小b，我们的训练师、宠物用品的卖家都是非常小。他们小的时候对客服的需求密度没有那么高，但是他们对客服的质量、温度会更高。
本期笔记整理员：出海同学会 KK
—往期相关精选文章链接—