淺談數字員工的實現路徑問題
現在已經有不少打工人和公司在使用AI來幫助自己的工作,那我們更進一步,如果是一個AI組成的數字員工,效果會怎樣?這篇文章,和作者一起分析一下數字員工的實現路徑問題。
服務于企業的B端系統的終極目標都可以總結為“增長盈利,降本增效”。圍繞這個目的,B端系統的發展路徑通常分為以下幾個階段:
- 線上化:指將傳統的線下業務流程和操作搬到線上,以提高效率和便捷性。這是B端系統發展的基礎階段,主要包括數據化、流程遷移和在線協同等內容。
- 自動化:通過技術手段減少人工干預,實現業務流程的自動化操作,以提高效率和準確性。
- 精細化:通過精細化管理和數據分析,做出更加精準的業務決策,提高企業運營的精確度和效率。
- 智能化:通過AI技術實現系統的智能化操作和決策,從而釋放人力,最大程度降低成本。
目前,大部分成熟企業的B端系統都已經發展到精細化階段。隨著近幾年的AI浪潮,智能化成為了大多數B端系統的必經之路。而“智能化”的最終目的,就是“用AI替代員工”。這與“數字員工”的定義相吻合。
那么,什么是“數字員工”呢?
根據麥肯錫《數字化勞動力白皮書》,“數字員工”又稱數字化勞動力,是打破人與機器邊界,以數字化技術賦予“活力”的第四種企業用工模式。我們可以理解為,B端系統在AI浪潮下的下一階段,就是要實現“數字員工”。
一、數字員工落地的瓶頸
要想數字員工落地,目前階段還是存在不少瓶頸的。
1.通用大模型垂直領域能力不足
雖然通用大模型在廣泛的任務中表現出色,但在特定的垂直領域往往表現出能力不足的問題。數字員工通常需要完成高度專業化和細致的任務,而通用大模型并不能提供所需的精確度和專業性,從而在這些領域的應用效果并不理想。
此外,推動垂直領域的大模型落地難度較大。收集特定領域的行為數據進行AI訓練,這并非中小廠商能夠承擔的訓練成本,需要有大廠牽頭進行特定領域大模型的訓練。然而,該領域的大模型訓練出來后,是否能夠實現“填平成本”的收益仍是一個未知數。
2.數字員工是高度定制化項目,不同企業的同一崗位可能有千種要求
數字員工的應用需要高度定制化,因為不同企業即使在同一個崗位上也可能有著千差萬別的要求。這種高度定制化需求源于企業的獨特業務流程、文化、行業規范和具體工作內容。例如,一個公司的客戶服務崗位可能需要處理特定類型的客戶問題、使用特定的軟件系統、遵循特定的服務流程,而另一家公司在同一崗位上可能有完全不同的要求。這種多樣化和復雜性使得通用的AI解決方案難以滿足所有企業的需求,需要大量的定制化開發和調試工作,增加了項目的復雜度和成本,進而限制了數字員工的廣泛落地。
3.AI的本質缺陷——缺乏創新
AI擅長對“重復的、可標準化的”內容進行學習和預測,但缺乏真正的創新能力。
因此,當面對企業中需要“創造性解決方案”的全新問題時,基于AI的數字員工往往無法提供最優的解答。而在實際的企業業務中,并不是所有的工作都是機械且重復的,還有相當一部分工作內容需要高度的創新和靈活應變。如果AI不能應對這些問題,數字員工的落地就會面臨較大的阻礙。
4.來自人的阻力
數字員工的落地不僅涉及技術問題,還涉及關于人的復雜問題。
首先,企業內部的員工可能會對數字員工產生抵觸情緒,擔心“AI會取代他們的工作”,這種抵觸情緒會導致不配合的行為。例如,在數據采集時,員工可能故意產生臟數據以不配合;在推出相關工具時,員工可能故意不使用;在挖掘業務場景時,員工可能隱瞞信息。這些行為都阻礙了相關技術的落地和應用。此外,AI在實際應用中還涉及到數據隱私、倫理道德等問題,需要企業制定完善的政策和規范,這增加了落地的復雜性和難度。
所有這些因素共同構成了數字員工落地的巨大阻力,使其在實際應用中面臨諸多挑戰。
二、基于實際問題的解決思路
基于上面提到的問題點,個人覺得AI數字員工的落地需要基于以下思路:
1. 從“實習生”到“核心成員”
在現階段,AI數字員工應被視為“實習生”,而不是“核心成員”,并且需要通過不斷的學習和積累,逐漸升級為“核心成員”。
由于基于AI的數字員工存在“垂直領域能力不足”、“定制化問題解決能力低”、“缺乏創新”等問題,當前的AI數字員工只能解決“通用的”、“可標準化的”、“重復的”任務。這不正如企業中的“實習生”嗎?我們通常會將這些“通用的”、“可標準化的”、“重復的”工作交給實習生,而自己則專注于那些“有專業知識要求的”、“基于業務定制的”、“創新的”工作。
因此,與其設想如何讓AI數字員工完全替代普通員工,不如先考慮AI數字員工與普通員工的合作形式。期望AI立即提升100%的效率是不現實的。我們應該首先落實AI與實際員工的合作模式,讓AI從“實習生”逐步成長。在與正式員工的合作過程中,AI可以積累數據和技能,從而逐漸成長為“正式員工”,然后是“中級員工”和“高級員工”。最終,AI將能夠在“有專業知識要求的”、“基于業務定制的”、“創新的”工作中發揮一定的輔助作用,從而實現效率的顯著提升。
2. 將數字員工拆解成“技能”,把復雜問題簡單化
如果我們試圖一下子實現“數字員工”的概念,可能會讓人不知從何入手,導致項目無法落地。然而,如果我們換個思路去考慮,員工是通過出賣自己的技能和勞動力與企業進行價值交換的,那么員工實際上是“技能”的集合。員工通過消耗勞動力來運作這些“技能”,從而為企業創造價值。
同樣地,AI數字員工也可以被拆解成“技能”的集合。我們可以逐步開發所需的技能,從而使AI數字員工的落地成為一個“可實現”的目標。在這個過程中,AI技能還可以與正式員工合作,共同輸出價值。
構建技能集合有幾個要點:
1)用AI Agent思路構建“員工技能”:
我們可以使用AI Agent來構建業務所需的“員工技能”。所謂AI Agent,即人工智能代理,是指能夠理解、學習和執行任務的自動化程序。AI Agent的核心是大型模型,同時在此基礎上擴展了感知模塊、計劃模塊和行動模塊。
i)感知模塊:感知模塊通過與業務數據源和外部數據源的連接,輔助計劃模塊進行行動的調用。
ii)計劃模塊:計劃模塊是AI Agent的核心。除了利用大型模型的能力外,還需要根據業務需求結合代碼邏輯進行設計。計劃模塊的目的是結合感知的數據,進行合理的行動調用。
iii)行動模塊:行動模塊通過與業務能力接口的連接,根據感知和規劃的結果執行相應的業務操作。內部系統可以通過開放API接口供大模型調用,如果是第三方工具,則需要考慮實現RPA技術,使得業務上常用的工具能被大模型調用,從而實現某個“員工技能”。
通過決策的數據感知、結合需求的計劃、達成目的的行動能力,這三個元素構成了“滿足業務需求的員工技能”。
2)優先拆解高價值“員工技能”:
一個員工由多個技能構成,這些技能會時常更新,否則員工就容易被替代。而每個“員工技能”的開發成本不一,如果我們在前期投入大量人力成本去開發低價值的“員工技能”,項目的投產比將會很低,可能導致“數字員工”項目流產。
如何拆解“員工技能”的價值呢?可以從以下兩方面入手:
i)技能耗時:技能耗時指員工在指定時間范圍內,使用該技能的總時長。例如,員工一周有多少時間是在處理某項任務。
ii)技能效果:技能效果指員工在指定時間范圍內,使用該技能能夠產出的具體成果。例如,營收多少、客戶投訴解決多少、文本生成多少等。
3. 業務流程數字化、線上化,并貼合業務流程聚合“員工技能”
當我們積累了一定的“員工技能”后,可以考慮將業務流程進行數據化和線上化。數據化是指將企業在業務流程中產生的各種數據進行收集、整理、存儲和分析的過程。線上化則是指將傳統的線下業務流程遷移到線上,其目標是提高業務效率、降低成本和提升客戶體驗。
具體來說,我們可以使用一個系統將業務流程整合,并將AI“員工技能”嵌入到業務流程中,提供基于業務的“All In One”工具輔助,以提高功能的賦能效果。假設我們有N個“員工技能”工具,在實際操作中,業務需要在這N個“員工技能”工具之間頻繁切換。這涉及多個平臺之間的跳轉、文件傳輸等操作,導致效率大打折扣。因此,將這些技能工具整合到一個系統中,可以顯著提高操作效率。
4. 行為數據采集,用于進一步訓練AI模型,實現AI數字員工
員工不僅是“技能”的集合,還擁有對環境的感知和對能力的計劃。AI數字員工同樣適用于“AI Agent”框架,我們實現的“員工技能”屬于“行動”模塊的構建。
為了構建AI數字員工,我們還需要構建“感知”和“計劃”模塊?!案兄蹦K由業務流程數字化、線上化過程中構建的業務系統提供。“計劃”模塊則可以通過采集業務系統的員工行為數據、業務的上下游數據、技能調度情況數據來進行模型訓練,從而實現結合業務環境進行合理的“行動”。
通過這種方式,我們便能實現所謂的AI數字員工。
三、小結
雖然數字員工的目標可能還很遙遠,但我認為這是一個可實現的目標,并且有明確的實現路徑。通過將員工拆解成“技能”,逐個實現相關的技能能力,并利用這些工具對業務進行提效輔助。同時,將工具匯總到內部業務系統上,實現對工具能力的聚合,采集用于訓練數字員工“計劃”模塊的數據,并結合業務數據(感知模塊)和工具能力(行動模塊)構成數字員工的“感知”、“計劃”、“行動”環節。
基于這個數字員工的框架,隨著“技能”的積累,我們可以逐漸將AI從“實習生”升級為“核心成員”,最終實現AI數字員工。
專欄作家
檸檬餅干凈又衛生,公眾號:檸檬餅干凈又衛生,人人都是產品經理專欄作家。一名游戲行業的B端產品,負責過游戲行業內CRM 、風控、BI、SDK、AI相關的內容,定期輸出個人思考或總結文章~
本文原創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
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
- 目前還沒評論,等你發揮!