对于AIGC在电商领域的立足点，玩家通常会寻求“开放中求封闭”，走上一条自下而上的道路。
大模特在背诗画画，我们在努力。一个广为流传的段子道出了大模型现在面临的落地困境:作为当前技术的最前沿，AI大模型迫切需要真实的落地场景来释放价值，才能对得起大小机构在军备竞赛中投入的人力和真金白银。但段子终究只是段子，落地离我们并不遥远。在现代人不可避免接触的电商场景中，大模式已经在落地的路上，重构了相关的业态。其中，最受欢迎的是生成内容(AIGC)，包括但不限于文生图片、文生视频、人机交互等。简单的一个列表，我们就不难画出一个电商领域重塑人货场的故事:智能客服的B端应用和数字人直播提高了人的效率，消费者获得了24小时响应客服的体验；AIGC以低成本产生全渠道内容，智能搜索和产品选择可以缩短交易环节，提高投资回报率……同时提高分销效率...只是现在深度学习中流传的一句话道出了AIGC的困境:我们可以让机器像人一样说话，但很难让机器像人一样聪明。面对电商场景强交互、重决策、弱环节的特点，单纯靠“拟人”很难形成完善的产品逻辑。因此，对于AIGC在电子商务领域的立足点，玩家通常会寻求“在开放中求封闭”，走上一条自下而上的道路。知名公司沙利文最新发布的《中国智能客服市场报告2023》显示，2022年中国智能客服市场规模已达66.8亿元，预计2027年将增长至181.3亿元，五年复合增长率超过20%。我们见证了这个细分赛道走向百亿规模，电商对智能客服的普遍应用是赛道能够保持高增长的主要原因。首当其冲的就是电商场景下难以绕开的流量高峰和流量带来的高并发售前咨询。双十一、618等购物节就不说了，电商商家可能每天都会遇到很多并发咨询。在这种情况下，无论是客服反应慢造成的用户流失，还是人工客服背后的高成本，对于已经进入红海的电商市场来说，都是难以承受的。说白了就是电商平台普遍应用智能客服是趋势，而且从时间上看，智能客服的普遍应用早于大模式。如果说大模型是智能客服的第二次飞跃，那么智能客服的第一次飞跃就是AI1.0时代的NLP(自然语言处理)技术。“在大模型驱动的AIGC问世之前，业界已经有了成熟的基于NLP的智能客服，并得到了广泛应用，”智齿科技的产品陈喆告诉光子星球。“客服场景接受的咨询和问题大多是封闭的，相比开放场景更容易做出人为效果。”在NLP自然语言处理技术出现之前，在线客服的产品形态是简单的QA，根据预先输入的关键词、句子、段落进行机械回答。打个不恰当的比喻，NLP技术前后的智能客服，一个是传统RPG中机械地给玩家反馈的NPC，一个是现在3A大作中根据玩家实时情况给出不同反馈的智能NPC。换句话说，NLP是在线客服智能化的开始，其市场化也进入了成熟阶段。那么大的模式就是在线客服智能化的飞跃，主要体现在效率化、个性化、智能化。陈喆用一个数据做了一个不准确的类比。假设NLP技术允许智能客服精准回答100个客户问题中的50个，那么在智能客服工作流程中加入大模型后，目前可以精准回答75个，并且可以通过数据库切换来切换不同的场景。“效率提升的绝对值大约是20%~30%，相对值是50%，”陈喆说。大模型对智能客服的人为效应不仅存在于需求端，也存在于供给端。现有的大模型的二开二插数据库范式，大大缩短了从无到有构建智能客服产品的时间，人力和时间成本成数量级下降。数据库和知识库的切换也保证了产品的唯一性。在大模型还在寻找落地场景的时候，无论是大模型结合现有智能客服产品，还是大模型以客服的形式直接落地SaaS领域，50%的效率都给行业带来了足够的确定性。更值得业内深入研究的是，构建一个智能客服产品需要构建什么样的技术栈，以及它的商业化。demo与落地智能客服的距离是AIGC在电商领域落地的深度收费，但急需接入大规模的模式，成本较高。对于大厂来说，客服只是电商平台中难以回报的成本之一，一般不会在这个领域投入太多资源；中小厂商自然没有能力从零开始建立模型基地。陈喆直言，智齿科技没有建立自研的模型，而是调用领先的模型和互联网数据，在应用层打造产品。换句话说，智能客服领域的资源投入普遍存在限制。在没有基础的情况下，智能客服目前大多遵循“选择和调用-数据收集和清理-训练和微调-部署应用”的范式，但问题也随之而来，主要集中在数据层面。总的来说，智能客服本身就是满足客户降低成本需求的产品，其自身的成本问题更加突出。行业内常见的调用成熟数据库的做法，可以大大缩短产品原型的上线时间，但会影响成品的体验。一个是数据偏差可能导致精度下降，一个是数据同步滞后。数据本身将由制造商以结构化的方式收集和清理。能否完美契合客户的行业或领域则另当别论，因为数据偏差造成的错觉是不可避免的。陈喆告诉《光子星球》:“回答率的提高伴随着准确率的轻微下降，这是许多客户无法接受的。比如法律、教育、金融等领域的客户。”数据同步更倾向于智能客服的供需。一方面客户需要上传数据用于训练和微调，另一方面厂商也需要高频率的微调和更新产品。陈喆说，目前智齿技术的更新频率是每周一次。在数据接口开放的情况下，客户需要及时传输最新数据，“最新数据”的价值只有经过一段时间的语料学习才能体现出来。“您的需求可以是几秒、几分钟或几小时。数据前一秒还会推送给我，下一秒就成了我们产品的训练语料库。”这是一种很好的同步方式，但也要看调用模型的学习能力，很难第一时间“消化”数据值。至于初期成本，相对来说就不那么重要了。智能客服场景的封闭性限制了数据量。从一个非头部厂商的角度来看，智能客服不需要“囤卡”或访问向量数据库来保证检索效率，也不需要在调用模型时过多考虑令牌成本，只需要结合相应的成本来进行定价——无论如何，使用智能客服节省的人力效率都远高于目前的定价。可以肯定的是，智能客服做一个demo确实很容易，但是落地和落地的距离并不局限于一个电话或者自研的模型。难以量化的成本，或许会成为未来智能客服赛道上玩家的护城河。微妙的生存空间在讨论AIGC与智能客服结合的可能性的同时，我们还需要考虑到，智能客服并不是AI开发的新赛道，而是一个有着十几年历史的老赛道，是一个大模式重构的业态。就智能客服赛道而言，业务业态的重构包括从NLP到大模型底层的转变，从语义理解到多模态功能跳转等。，但是从非技术角度来看的商业模式并没有改变。说白了，智能客服是一个以降低成本为核心目的的SaaS业务，从《2023年中国智能客服市场报告》的数据可以看出，2022年中国智能客服市场软件占比79.94%。换句话说，智能客服厂商的生存空间在于与客户的距离和实现智能客服的能力，这一点在技术变革的重要节点上并没有改变。“如果大工厂能在智能客户服务方面干掉我们，我们早就死于NLP了，”陈喆说。此外，由于智能客户服务是一种SaaS业务，其增长模式也是合乎逻辑的。比如在客服领域推出大模式的中国移动、中国联通、容联云，采用的是产品主导的增长型增长模式，而对于不具备相应能力的非头部厂商，大多更倾向于体验主导的增长模式。不是腰部厂商和他们的客户不关心产品性能，而是腰部厂商在面对大厂商技术和资源的冲突时，需要构建第二条增长曲线来拓宽生存空间。典型的是针对客户应用产品时可能出现的问题做“预处理”，尽可能在主业之外拓展业务路线。以某腰部厂商为例，他们为自己的产品设立运营部门，“不惜一切代价”支持客户，贴近客户。运营部的工作包括代客户写提示，帮客户做私域运营，甚至充当客户和厂商之间的“中转站”，以会员的形式匹配数字化整体解决方案。诚然，小厂能做的，大厂基本都能做，但需要投入一定的时间和人力。只是对智能客服的认知，以及两者之间的业务发展路线，也挤占了腰部厂商大量的生存空间。“大厂资源多，投入高。他们自然要吃肉，盯着大客户要账单。而且有些实际的东西是不可避免的，比如要求客户试用模型来‘偷’语料库。我们更接地气，尽可能在销售前就能明显感知到客户对降低成本的需求，”某腰部厂商的产品经理说。而且作为企业数字化转型的众多项目之一，智能客服的盘口并不大。一般大客户会选择包装多来源采购，以防范整合风险，这其中也蕴含着非头部厂商的机会。目前看来，今天的智能客服赛道可以算是“各种霜天自由竞争”，但随着智能客服与AIGC融合的深入，激烈竞争后的业态很可能再次发生变化。最基本的错觉问题导致生成内容质量不稳定摆在全行业面前，目前还没有明确的解决方案；然而，在智能客服结合AIGC的业务进入成熟阶段后，从降本增效到进一步创造价值的趋势正在迫使智能客服厂商增加更多的技术迭代。典型的是电子商务领域的智能客服可以从客服延伸到导购。此外，光子星球还从某头部工厂了解到，AIGC在电商客服场景的应用存在时间延迟，简单的语义检索很难保证用户满意度。未来引入向量数据库似乎是必然的。智能客服以其自身的降本价值和与大模型的耦合度，成为大模型落地的确定性场景之一。但其大模式时期的发展才刚刚起步，勉强从“智障”转变为“智能”的客服面临复购和交叉销售的需求，需要更多的范式迭代。
微信扫码
QQ扫码
