在我們工作中，能用AI協助做不少事，比如說產品重構。這篇文章，我們從一個案例說起，看看如何用AI重做一款B端產品，幫助大家提高生產力。

關于【如何用AI重做現有產品】這個話題，之前以分享了兩篇：

第一篇 如何用AI重做B端產品（附3個案例與3個方法論）？，從方法論與案例進行全面的分享（當時沒想到（短期內）這個主題的后續分享）；

第二篇 如何用AI重做B端產品2:從微軟與天貓學習，從成熟產品的案例中，明確了兩種AI產品架構與產品形態，同時，定義清楚了產品定位與落地場景。

如果回到【以終為始，全面梳理；以始至終，最小閉環】與【小切口，大縱深】的方法論，則它們只完成了【以終為始，全面梳理】部分，而未完成【最小閉環】的【小切口】。

這就是今天分享的主題。

01 如何找到一個應用AI的“小切口”，完成最小閉環？

前文我們分享過【用AI重做智能客服系統】，但沒有具體與深入討論。

基于【需求是1，方案是0】方法論，則需自問：為什么要用AI重做客服系統呢？難道為了AI而用AI？

我們每年需1.2個全職研發員工（且必須對業務、系統非常熟悉之人），才能解決所有客訴問題。其中：

• 65%的客訴問題，均集中在加班、假期、報表與打卡四個模塊；
• 70%的客訴問題，均是兩大類問題：客戶操作與客戶信息查詢。

如果把上述四大模塊的兩大類客訴問題全部解決，則至少可解決47.08%的客訴問題，每年節約581工時（大概76/人日，約3.3個月）

筆者是經歷了3輪的解決方案與不斷調試，最終才真正找到了一個AI應用的小切口。

第一輪：只聚焦加班與假期類問題，通過構建知識庫+AI的方式有效解決客訴問題

從上述分析可知加班（18.35%）、假期（18.26%）占比最高，所以把它們當做切口，而其中最核心的就是【知識庫】的建設。

第一，建設知識庫。所以把這兩個模塊近2年的所有客訴問題，進行抽象與提取，加上之前客服所累積的內容，最終形成了一個【知識庫】（共4萬+知識點問題，其中加班與假期相關超過300+）

第二，應用知識庫?；贏I+知識庫，我們把它分別應用于內部跟外部：

• 內部：面向實施、客成、客服、研發、測試等角色，把它應用在【客訴問題】平臺上。即當他們提客訴問題時，AI自動根據問題給出【AI解答】，最終由研發人員確認后給出最終答案（如下圖）。
• 外部：面向的是用戶、客戶，與一般客服助手無異，不再贅述。

最終結果：運行近2個月的效果來看，對客訴問題，幾乎沒有明顯的幫助。但過程中，又發現了另一個值得優化的問題點。

第二輪：聚焦加班的最高頻問題，構建對應全面的案例與解決方案

加班相關問題中，有近30%是一類問題：員工加班后，卻沒有生成加班記錄？

如果只聚焦這一個問題，至少可解決5.4%的客訴問題（加班占總比的18.25% x 此問題占加班類30%≈5.4%）

所以制作了一個關于此問題的全面解析，包含加班規則、記錄丟失原因以及對應的案例、解析、如何確認、如何解決，期望至少內部員工（客成、客服、實施等），可借此解決此類問題。

最終結果：在試運行了1周后，發現效果依然不佳。原因是：無法精準有效定位問題，可能性較多，每次發生情況有差異，這么一個“全面”的文檔，幾乎無意義。

第三輪：構建企業的AI Copilot，不僅僅解決客訴問題

第一輪跟第二輪效果不佳的原因，是均只是在產品規則、邏輯等層面，不斷增加知識庫的廣度與深度，但都是是靜態數據，無法有效解決動態的客訴問題，而如果要解決動態問題，只能選擇AI Copilot的方式。

它可以識別任務、分解任務、執行任務，最終解決用戶問題。它必須具備與業務數據和場景的（多輪指令）交互能力。

比如類似ChatGpt的官方案例

同理，作為一款SaaS產品的Copilot，它的定位是AI Copilot = 客服助手 + 業務助手+ 數據助手+政策專家。它是基于自然語言交互的生成式AI，而不是決策型AI。

• 客服助手（現有能力P0）：可以查詢產品手冊、產品規則、產品邏輯等，解決用戶對復雜系統的學習成本；
• 業務助手（新能力P1）：可以查詢系統的操作記錄、業務數據，定位用戶問題（即分析任務）、分解用戶問題（即分解任務），最終可通過多輪指令完成解決問題（即執行任務），并自動完成學習反饋；
• 數據助手（新能力P2）：可以查詢、展示、分析業務數據，并給出決策建議以及行動；
• 政策專家（新能力P3）：可以查詢相關的各類政策，用戶還可訂閱最新消息。

02 小切口的最小閉環：如何解決占比5.4%的“員工加班后，卻沒有生成加班記錄”的問題？

日拱一卒，功不唐捐，每天向前30公里。

所以，我們的最小可行性版本是：

它聚焦解決一個“小問題”：客訴問題中占比5.4%的【加班后，為什么不生成加班記錄】

• 它的目標是：用最小投入解決【加班記錄不生成】的客訴問題；
• 它的價值是：用最小成本提升對應問題的人效，釋放產研資源。同時，用最小成本跑通AI Copilot的模式，驗證可行性與價值。
• 它的能力是：清晰定位限定問題的原因，并給出解決方案。
• 它的產品形態是：結合現有的客訴平臺，完成最小成本的閉環（如下圖）

03 總結

1、需求是1。筆者的需求是：如何用AI解決47.08%的客訴問題，提升產研效率？

2、方案是0。筆者的方案經歷了三個階段：

• 第一階段：聚焦客訴問題占比最高的兩個模塊:加班（18.35%）、假期（18.26%），專注于構建知識庫的豐富性與落地驗證，結果失??；
• 第二階段：聚焦一個加班的高頻問題（即占比5.4%的加班后，無加班記錄問題），采取全面場景與案例結合方式，結果依然失??；
• 第三階段：依然聚焦占比5.4%的加班后，無加班記錄問題，但重新設計新的MVP解決方案（即AI Copilot），結果待驗證（思路沒問題，效果不佳則一定是執行環節的問題）；

3、以終為始，全面梳理。

• AI Copilot的產品定位與終局：客服助手 + 業務助手+ 數據助手+政策專家；
• AI Copilot的產品形態：基于【全功能集合中心式】的產品架構（類似Microsoft Copilot或有贊智能運營助手）；

4、以始至終，最小閉環。通過三個階段的摸索，最終確認Copilot的MVP方案，專注于一個最高頻的問題（即加班后，無加班記錄問題）。

5、關鍵認知：To B/SaaS等企業服務類產品落地AI，目的是交付用戶一個正確結果，而不是創意。所以一定要控制大模型含量，保證它輸出的結果，要么正確，要么不知道，不能模棱兩可，也不能隨意發揮。