AI技術正在快速進步，不少人也開始思考是否可以在洶涌的AI浪潮下打造出出色的AI產品。那么，在打造AI產品的過程中可能出現哪些困難？這篇文章里，作者嘗試提供我們一些具體AI產品落地實踐的案例和故事，一起來看看本文的分享。

科技進步的初期往往是混亂且雜亂無章的，宣傳聲勢浩大，實際成效卻微乎其微。首先，某個科技概念下會出現一款代表性的爆款產品，隨后，媒體和相關行業人士會大力炒作，以提高社會關注度，使其成為公眾熱議的話題。當前，各種媒體頻道討論的最多的科技新聞就是以ChatGPT和SORA為代表的生成式AI大語言模型技術。

大語言模型是否會引發新的科技革命還不確定，但確實有人已經通過它賺到了錢。有人通過出售如何使用AI工具的課程賺錢，例如清華大學的博士某一舟；也有人靠其他方式賺到了錢。

當然，最常見的是使用AI工具編寫刷屏文章，或者用于自媒體的洗稿。在直播間里，展示一些由AI工具生成的圖片和視頻，與最新的AI技術產品新聞掛鉤，“AI專家”就可以開始向熱衷學習的“小白”銷售課程了。

其實，現在AI大模型技術的待遇，和前幾年的區塊鏈和元宇宙所經歷的開頭一樣的?；鸨募夹g和概念產品在被爆炒之后，到底如何落地到更為具體的業務領域，給工作和生活帶來實際的影響，還需要時間來檢驗。不可否認，一些工作，例如視覺設計，電商文案確實受到了直接的沖擊。但是，這種影響是否會延申到其它行業領域，以及以什么樣的形式來影響，都是還是未知。

在Gartner在2023年發布的”AI炒作曲線”，生成式AI和大語言模型前后腳的處在“期望膨脹之巔”的最頂端。接下來都要經歷一段幻想的破滅，然后技術概念的忽悠逐步歸于平淡，返璞歸真，才是真正大規模實際應用的開始。

從科技趨勢來看，生成式AI和大語言模型一定會對互聯網產品的打造帶來影響，這是不可避免的事實。所以產品經理，特別是2B類型的產品經理，需要透過表象來正視這項科技。通過學習和使用，來體會它對產品的搭建帶來的影響，以及給產品經理能力帶來新的要求。

生成式AI在2B產品的現狀

在實際的企業應用層面，基于大語言模型的2B產品并沒有什么成功的落地案例或者爆品的出現。原因之一就是大語言模型本身的局限性。

將業務知識整理為訓練大型模型的語料是一個巨大的工程，因為很多知識是隱性的，沒有文檔化，文字記錄，而是通過口口相傳或面對面交流的。將這種隱性知識整理成模型可以理解和消化的訓練語料是一項重大任務。

雖然基礎模型在通用事務和知識應用層面的質量很好，但在企業級應用和創建新產品時，現實卻很骨感。如果沒有將企業的業務知識有效地轉化為模型需要的上下文，那么在日常工作中使用AI進行業務處理是無法得到想要的結果的。

2B產品經理是針對企業的業務活動和業務痛點來打造產品的?，F在的產品開發過程當中，產品經理抽象和匯總了業務邏輯，然后提供給研發人員落實在產品當中。如果產品經理需要借助大語言模型來設計和搭建能夠落地給企業用戶使用的產品，首先的要求就是AI模型在業務知識上的可靠性。

我的失敗產品

做為產品經理，我和團隊在公司自研業務平臺上，嘗試了各種的AI產品的應用場景?？上С晒Φ牧攘葻o幾，可謂廣種薄收。從產品成功的角度來說，確實是乏善可陳。但是從工程的角度來說，我們的一次次失敗，雖然無法告訴我們什么是成功，但是至少告訴我們什么情況下，一些表面看起來十分“正確”和“有價值”的產品是不成功的。

這個系列的撰寫，就是想跳出媒體里那些抽象的焦慮販賣，也打破理解AI底層復雜原理的知識瓶頸。給日常的普通人，或者正在從事產品經理崗位，而不得AI產品法門的朋友們提供一些具體AI 產品落地實踐的案例和故事。

通常來說，大家在做產品的時候，總是偏好于關注什么是一個成功的產品，或者熱衷于分析某個爆品，想告訴大家什么是對的。但是面對AI 這個新的生產力和技術來說，它的應用還遠遠沒有成熟到可以通過以往的成功來支撐和引導未來的成功產品。

在現階段，最重要的是通過不斷的嘗試來了解和體會，AI 是什么。在這個概念下，AI它不能做什么，它不是什么。只有清楚的了解了這個技術的邊界和范圍，我們才有可能更加在聚焦的在它可以做的，可以發揮能量的地方，做出成功的產品。

我把這個系列的文章命名為錯題本的意義就在于此。希望能通過介紹在過往半年當中，我們失敗的產品來給大家一些接地氣的感受。為讀者在未來的AI 產品搭建和實踐當中做出自己成功的產品。

?? Fail Fast, Learn Faster

錯題本的產品清單

1. 產品#1：用戶情緒旅程圖
2. 產品#2：智能工單狀態提示助手
3. 產品#3：智能語音客服代表

我會按照以上順序，為大家逐個介紹我們的失敗產品。以下為此系列的第一篇。

產品#1：用戶情緒旅程圖

??業務系統里，基于AI的產品：用戶情緒旅程圖，從出生到死亡不足2個月。

1. 業務痛點

無論你的企業是售賣產品還是提供服務，客服/售后都是必不少的業務環節，例如，家里的電器維修，保險理賠申請，網購投訴等等。通常，企業都會使用各式客服渠道來接收和管理用戶請求?？头藛T在接到用戶訴求信息后，會在企業的業務運營系統里去快速查找相關的工單記錄，采取相應的處理措施。

用招商信諾人壽保險來舉例。當保險客戶需要申請理賠，或者后續跟蹤理賠進度的時候，用戶可以打開招商信諾提供的APP客戶端，然后在客戶端提供的交互界面里，采用點擊或者文本輸入的方式提供與訴求相關的信息。

采用類似的方式獲得信息后，一般企業運營系統將會分類處理：

• 如果是創建服務工單，系統將依照業務流程指定的邏輯來執行相關的功能。 例如，依照客戶對創建服務工單事項的描述，對應的服務類型被確定，然后系統里預設定的業務邏輯會判定出此工單的優先級。 接著運營人員會操作系統，指派對應的責任人，從而依次分發，按需處理。
• 如果是追蹤服務工單，系統會記錄下來這次客戶所提供的信息。當運營人員在操作系統處理該工單的時候，會參考相關的信息。

通過上面的描述，你會覺得整個服務處理過程已經相當結構化，按照運營流程按部就班，很有邏輯性。但是在這樣的系統“理性”邏輯判定運行邏輯的背后，是丟失了為客戶服務的“感性”部分。

在服務工單的整個生命周期里，會有不少的“感性”信息交流。無論是在創建工單期間提供的事項描述里，還是后期追蹤進度的行為動作，例如，留言的內容，留言的次數，其它溝通渠道的交互行為等，都是用戶感性情緒的表達。這個維度的信息，是現有運營系統平臺沒有關注的，也沒有被收集歸納，落實到客服運營活動當中。

而“感性”部分的信息，在很多情況下是會轉化服務工單本身的性質，從一個普通服務工單，變成一個高優先級的重要工單。如果處理不當，會極大的影響客戶滿意度，甚至帶來高額的業務損失。

例如，暖氣保修的默認SLA為一個48小時的普通服務工單。但是，在實際保修的案例里，如果在冬天，客戶家中有新生兒或者老年人，急需穩定的暖氣供應維持日常生活。又或者，在某保險申報案例里，客戶已經多次聯系客服人員處理事項，但是一直沒有解決問題，客戶關系已經十分緊張。這些在服務事態里所包含的“感性”信息是沒有被“理性”的系統關注到，也沒有具體落地的產品功能來支持。

根據行業統計，企業客服運營資源的分布也是遵循 2/8原則，既常規的客戶服務與運營只占用了運營團隊的20%的資源；而安撫不滿意的客戶和異常處理所消耗的資源，占到了80%?？刂飘惓?，維持穩定運營節奏是關鍵的業務目標。

為了從更全面的角度來監督和管控服務工單的優先級，預防運營風險，和提供更優質的服務，業務部門需要引入產品功能來更好的了解和評估工單的“感性”狀態，做出對應的優先處理動作，例如，預先給客戶電話做服務關懷，催促服務人員快速反應，調整工單優先級等等。

引入“感性”維度的產品，從而立體而全面的服務客戶，提高用戶滿意度，維持高效運營，這樣的業務痛點和訴求就放在了產品團隊面前。

2. 產品方案

產品方案的設計思路是來自于產品經理常用的設計工具，用戶旅程地圖。

在服務工單的整個生命周期里，客戶會在不同階段，使用不同的溝通工具來對服務工單的進行跟進。通過監控對應的文字輸入渠道和行為數據（例如，App里的報單信息錄入，電話詢問頻次，系統留言等），匯總后提交給ChatGPT進行語義與情緒數據分析，當ChatGPT返回了對應的情緒結果后，運營系統接收相關結果，以情緒標簽的方式展示在對應的工單上。

落實到具體產品實現效果，效果圖所示。在現有的單個工單管理界面上，添加了新的情緒標識，實時的反饋該工單所關聯的用戶情緒和緊迫程度。當用戶在被監控的溝通渠道上提供了的反饋，例如，留言和郵件等，后端的情緒分析機制會被觸發，用戶信息被發送給ChatGPT，做語義情緒解析。通過不同的表情符號，和字體顏色組合，可以給客服人員最直觀的信息傳達。

另外，在實時的各個情緒信息之上，匹配時間軸，還搭建了對應的情緒旅程圖，全面的展示工單相關情緒的變化，讓CSR做出更好的從“感性”角度的評估。

除了實時的情緒展示在工單管理界面上，當鼠標懸浮在對應的圖標上時，按時間順序排列用戶情緒圖標變化被串聯起來，形成了用戶情緒旅程圖。運營人員可以通過觀察整體的情緒歷史，從“感性”角度采取服務措施。

眾所周知，產品經理最重要的能力就是實現業務價值，持續交付。驗證業務價值的基礎就是產品數據的收集與分析。通過用戶產品使用數據的分析，我們可以迭代優化產品，提升產品的業務價值。

3. 數據分析與洞察

用戶情緒旅程圖在去年12月分上線。同時我們使用數據埋點和分析工具為此產品搭建了匹配的數據收集和分析方案。在產品上線一個月后，我們把抓取的數據經行了清洗，在隨后的數據分析里，得到與預期相差甚遠的結果。

從這張數據圖表可以看出，產品在上線初期出現過短暫的使用高峰后，客服人員的使用頻次呈現斷崖式的降低。到后期基本沒有什么使用的數據。通過不同的數據組可以看出，用戶數和點擊數并不重合，因此表示，有用戶多次點擊使用產品的情況。

從整體上來說，產品的使用率非常低。并沒有達到業務預期的效果。但是，關注個體數據的時候，我們又有不一樣的發現。

我們單獨提取出情緒標識被點擊的工單做個案分析。通過閱讀客戶留言和聽取談話錄音發現，這些被點擊的工單確實是比較符合當初產品設想。既，工單本身被系統邏輯判定的處理優先級比較低，可以按標準SLA處理。但是情緒圖標提示了客服人員需要關注實際的客戶情緒，采取對應措施。

以下是一些個案留言：

“你們為什么總是不和我溝通就派人上門？我不要上班啊，沒有自己的生活安排啊。不知道你們是怎么做決定的” – 客戶A

“為什么安排的人沒有出現？不是說好今天上門維修的么？我今天還特意請假在家等著。結果被你們放鴿子！我的浪費的假怎么算？！” – 客戶B

這樣產品整體的使用失敗和個案的成功，說明了產品所針對的業務痛點問題是存在的，但是體量和效果不足以說明本產品對業務整體的價值。

4. 總結

用戶情緒旅程圖產品的立意和設計都有涉及到用戶的痛點和目標價值。我們借助GPT對語義里的情緒識別，試圖使用這個信息來構建立體的客服運營流程，提高用戶滿意度和運營效率。但是在實際的使用過程當中發現對應的產品使用率并不明顯，并沒有達到預期的效果。對于運營來說更多是一種錦上添花，而非雪中送炭的結果。

從投入和產出比的角度來看，此產品只達到了工程的成功，而未到達業務的成功。為業務提供的價值不顯著。所以說，結合AI技術落地的企業產品并不會是一番風順的。企業業務活動和運營行為很多時候是隱性的，現在的AI技術還無法有效嵌入活動中，直接起到效果。