AI+數字化,想象力的極限在何方?
本文深入探討了AI與數字化結合的極限以及在企業應用中遇到的挑戰。文章首先介紹了GPT-4版本的強大功能,隨后分析了AI在企業服務領域的同質化現象,并提出了三個全民性問題:科學素養的缺乏、創新思維的不足和解決問題能力的薄弱。作者提出了兩個AI應用的線索,即用AI建模解決策略問題和用AI改善客戶服務,為企業提供可行的思考方向。
01
每一次GPT的能力革新,總會讓人驚呼。
本周GPT升級到4o版本,重磅更新了各種能力,輸入輸出的格式增多,文本、音頻、圖像都能搞定,能理解畫面和聲音,甚至能讀懂人類面部語言,響應速度和性能也有了很大的提升。學姐也在第一時間體驗了它的文本能力,和4.0相比,無需長串的提示詞,就能基于猜想給出合理的內容。輸出的內容能有效銜接上下文,邏輯嚴密。
第一個感受是:模型創業者又要望GPT興嘆了。這也是這兩年AI創業的難點,原本卡在技術上的難題,自己啃著三五個月,進度條才走到10%,底層能力一更新,原有的問題瞬間消失,真是得唱一句:時間都去哪兒了?當下底層技術確實在一路狂飆,每次出現都帶來全新的面貌,但是我們的應用層已經無限趨同了。企業服務領域,無論是SaaS,還是協同辦公平臺,各自都花了一年時間去探索AI應用,最終卻交出了類似的答卷。
人手配備一個智能小助理,可以用來輔助工作輸出答案,有文檔功能的一定會應用智能擴寫、總結,有聊天窗口的一定會加入上下文總結,視頻會議的記錄和總結也成了標配。面對越來越趨同的數字化應用場景,讓我們拋下這個問題:面對AI的快速發展,人類的想象力是不是黔驢技窮了?先說個結論:把AI應用到企業數字化上,本身就是一個天大的難題。且,這個難題不會隨著技術思維的提升而降低。
SaaS和協同平臺本身就是科技企業,擁有強大的技術能力,但是他們也難,為了找一個契合AI的場景也要絞盡腦汁,也要精心計算企業會不會買單。企業內部自研就更難了,原本技術能力就弱于外部服務商,大量的技術人才又困在業務和技術的匹配中不得解脫。一邊在現實業務發展和復雜的利益關系中左支右絀,一邊要考慮跟上AI的技術發展,賦能業務。懂業務的人不懂技術,懂技術的人又不懂業務,或者說不能越俎代庖地去為業務負責。
02
以上,是AI+數字化難題的表象,但歸根結底,我認為背后還有3個全民性的問題,阻礙AI應用落地。一則是缺乏基本的科學素養,對于技術有畏難心理,或者反向妖魔化技術畏難是說害怕自己搞不好數字化,弄不懂AI,項目會失敗,自己也會承擔責任。
本質上是因為了解得不夠深入,勇氣這件事情,不是來源于自信,而是信息充分下的合理預期。所以只有深入地了解,才能真的解決企業對AI和數字化的深度認識。再說妖魔化。
妖魔化的淺層,是指直接對著新技術說no,凡是不會的不懂的新出現的都是不合理的,思路會被駭人聽聞但毫無邏輯的謠言牽著走。雞會長出9個頭,吃什么都會致癌。換到企業數字化的場景上,也就是使用者會抵觸所有的技術,任何形態的技術,機器,系統,APP,都是亂七八糟的“玩意兒”,“不知道有啥用”。
妖魔化的深層,是騙子太多,特別是在新技術出現以后,一大堆人就忙不迭地來割韭菜了,特別是現在有了短視頻這樣極大的流量工具,只需要做好煽動情緒的預案,再疊加一套緩解焦慮的產品,大量的人看到標題就沖動下單了,買完后從不去看,下一次想起來自己買了這個產品是因為賣家翻了車。這樣的生態,導致我們對于新技術有一窩蜂的焦慮和好奇,又通過購買低質的科普產品快速消滅熱情。
于是乎,大眾表情越來越麻木,越來越順其自然。和多少年前的高速公路收費員也沒有什么兩樣,明知會被顛覆,卻沒有早早儲備新的出路。
二則是沒有創新思維。我們的教育里,天然就缺乏創新的培養。我們有過恢弘的歷史,最雄偉的建筑,最厲害的四大發明,是唯一傳承至今的文明古國,我們不應該缺乏對先進事物的想象,也正由于創新和適應能力讓我們的文化得以延續。但是在企服行業,創新成為了不值一提的事情。
創業者方面,同質化嚴重,像素級抄襲在這個行業里屢見不鮮。在競爭激烈的賽道上,有一度大家都不敢去開發新的功能,上什么能力友商都很快跟進,抄襲的速度比客戶正式使用的速度還快,這是何等諷刺的地獄笑話。
何況SaaS廠商有個更尷尬的難題,創新的成本太高。特別是產品后期的新能力,只能滿足極小部分特定的用戶,卻要及大代價去開發,當創新和生意是否劃算放在天平的兩端,活的兢兢業業SaaS廠商自然也不敢往創新那一端去添加砝碼??蛻舴矫妫驗闆]有創新思維,導致亦步亦趨的學習同行,同行買了什么產品,怎么做數字化也跟著來一套。
客戶總覺得:自己思考自己想方法多難,槍打出頭鳥,照著抄錯了也是大家一起錯。中庸做事的觀點,特別是在大型企業中,體現得淋漓盡致。從數據來說,從軟件時代到SaaS時代,距今那么多年,賣得好的還是ERP、CRM、HCM這些軟件時代的老工具,創業者沒有更廣闊的想象,束手束腳追求確定性,客戶也沒有革新自己的認識,只有一起相伴走老路。
三則是和問題硬碰硬的能力。如何發現問題,如何從多個問題中選擇當前最重要的問題,如何拆解問題逐步解決問題,都是我們不擅長的。反之,我們很擅長一種很圓融的智慧,用巧勁來避開問題,或者軟化問題。也就是說,我們缺少用技術去解決問題的硬碰硬的思維。大家都知道,信息技術的底層,是0,1組成的二進制語言,是一門邏輯語言。
所以技術擅長解決的問題,是清晰簡單的,是有非黑即白的確定性答案的。所以使用技術的前提,是當前做法是標準化流程化,顯現的問題也是清晰可描述,能細化到“A審批流的第一個環節總是卡殼3天”這種問題,技術自然可以挺身而出,提升效率。
技術并不萬能,它能把低效變成高效,但很難把混亂變成有序。就像如果一場會議組織混亂結論不清,AI再如何聰明,最后給出的會議紀要也只能云遮霧繞。說到這里,就不得不提華為何以會成功落地數字化,因為這個企業真的很擅長打硬仗。文化硬,流程硬,作風硬,想好了就落實成總綱,總綱細化成方法論,有了方法論就堅決執行。
僅僅5年,用1年落成愿景,4年完成行動,全公司17萬員工,共同完成了銷售收入翻番但人員未顯著增長的壯舉。同時建設了合作伙伴的數字化和消費者門店的數字化,協同提效至秒級,塑造消費者服務全流程線上化。
所以說,要有這樣和問題硬碰硬的能力,正視問題,把問題逐條梳理清楚,讓機器明白到底從哪個方向輔助,AI才有用武之地。所以我一直認為,企業沒有做到業務的數字化,沒有產生業務數據,去談AI就仿若空中樓閣,不理智也不現實。
03
以上花了不少篇幅,立足于中國企業數字化的土壤,來談AI落地的先天不足。光戳痛點不給結論,從來不是學姐的風格,所以這里給出2個線索,諸位可以結合自身業務,逐一梳理,或許有機會找到AI落地的最佳點位。
1 用AI建模解決策略
問題企業內部,往往有一類角色高度依賴于專業知識和經驗,但是其經驗很難口述和傳遞,也就導致企業高度依賴這類角色。我們把這類角色的專業知識和經驗還有說不清道不明的感覺都稱作【策略】,試著讓AI來學習,看看會發生什么。舉個物流行業中例子,這個行業里有一個核心角色,叫做調度,他會負責訂單和車輛的匹配。
眾所周知,物流是一個利潤率極低的企業,調度角色做的好不好,就直接會影響利潤率,所以好的調度工資是不低的。之前這個崗位的策略,需要調度自己去摸索,甚至有的時候要憑借直覺的預測。最近幾年隨著行業數字化,有了智能調度功能,雖然沒有完全替代調度,但是通過學習調度的分配方式,慢慢把調度無法描述的經驗抽象成了一套模型,并能輔助調度做常規性的調度安排所以,AI應用的第一條路,就是基于數據建模技術摸索出一套策略,來支撐對不確定性業務的決策,提升決策的勝率。
2 用AI解決客戶服務的問題
在數字技術誕生以來,特別是互聯網誕生后,誕生了非常多新的模式,本質上都是源于對個體提供了更好更優秀的服務,服務的背后是以各種模式將信息光速串聯起來。AI在此基礎上,不僅能連接信息,還能理解信息、生成信息,還能一步步引導,幫助人解決問題。
4o的場景里,AI能看到屏幕上的數學題,一步步教導學生,循循善誘的幫助學生解開答案;還可以用語音和人類溝通,比如教美國人學習中文。這些場景,都證明了AI幫助人解決問題的能力提升,人機之間的交互體驗也越來越接近人和人之間的真實觸感。那對于企服企業,有太多客戶服務的工作了。就像SaaS廠商,服務場景多,成本高呀。
有SaaS公司的老板告訴學姐,有的時候,一個大客戶上項目,甚至要部署1年的時間,面對全國那么多的客戶,還要建立多個服務中心隨時支持,模式極重。那能不能通過AI去解決這個問題,AI去教導用戶呢?值得思考。
另外,個人認為阻礙低代碼發展的重要原因,就是客戶認知門檻太高,而便宜的價格注定了不可能去做個性化服務和實施,那AI現在來了,能不能看到一點機會,也值得探索。我們看到上一代互聯網,客戶服務做的最好的是電商,基于此,誕生了全球幾十萬億的市場。
那這一代,客戶服務明顯又可以提升幾個檔次,受益者的名字還未寫下,思考和探索也應該步履不停?;仡櫛疚?,我們聊了中國市場應用AI的3個本質原因,接下來也給出了2個應用AI的思考方向。
最后,學姐要強調的是,應用AI的基礎還是數字化。我們把應用AI當作撫養小孩,小孩是個天分極高的天才,但你需要用數據喂養。說回這幾個概念的關系,學姐用一句話總結。企業數字化的核心在業務數字化,業務數字化的核心在于要素、流程和規則的標準化,而AI的核心就是以上所有標準化后的數據。
本文由人人都是產品經理作者【SaaS學姐】,微信公眾號:【SaaS學姐】,原創/授權 發布于人人都是產品經理,未經許可,禁止轉載。
題圖來自Unsplash,基于 CC0 協議。
從本質上看,AI只是房地產倒下,被用來救經濟的稻草,被用來提升公司股價的故事,被用來賣課的焦慮點,所以AI現在所有的問題都源于拔苗助長,可以確定的是,如果不是2023年2月AIGC突然爆火,現在我們科技的第一動力就是元宇宙,因為總需要一個科技熱點來支撐經濟和股市故事,AI剛好在這個時候最熱,從而被選中而已。
回到AI的政企數字化上,只存在一個問題,就是AI不能100%準確,只要不是100%準確的東西都沒辦法在政企系統中作為重要模塊來做,只能做一些輔助型的功能,所以AI在saas或者政企系統中難以落地。