當下，AI還沒有完全地替代人工客服，不過在某些特定場景下，AI已經能夠有效賦能相關業務。這篇文章裡，作者就結合實踐經驗，探讨了AI+客服的一些應用方向，不妨來看一下。
談到大型語言模型的實際應用，大夥往往首先想到的是AI+客服。這是一個高度重複且可被标準化的業務領域，可以被高度抽象和總結。而且在客服領域，人力需求量普遍較高，人力成本相對較高。
是以在本文中，我将結合一些實踐經驗和所讀的相關文章，講講AI+客服的一些應用方向。
一、客服業務拆解
要講述AI如何應用于客服業務，首先需要對客服業務進行拆解。
我們可以根據客服環節在業務前後的位置進行大緻的分類，主要分為以下兩類：
1.售前客服：
在客戶購買産品或服務之前提供咨詢和建議。一些業務提供免費服務，隻為部分使用者提供付費的增值服務，比如遊戲、音樂等各類應用。這些業務的客服可以被歸類為“售前客服”。
2.售後客服：
在客戶購買産品或服務之後提供幫助，例如退換貨、維修等服務。
客服業務存在以下特點：
1.維護成本大：
客服大部分時間都是“被動式”提供服務，需要應付大量使用者問題、投訴和回報，這需要投入大量人力資源。
2.管理成本大：
客服本身是人，是人就會存在各種各樣的問題，比如偷懶、舞弊、辱罵使用者、企業資産盜竊等，這些行為會影響整個團隊的效益，甚至對企業造成負面的影響。
3.難以創造價值：
售前客服環節聚集大量非付費使用者，維護這些使用者相對難以産生直接收益。
是以，對企業而言，客服業務是一項高成本、低回報的業務，客服部門通常被視為成本型部門。如何減少客服人力投入，甚至實作無人工客服，這便成為AI在客服場景下的終極願景。
客服業務可以拆解成以下環節：
1.客服培養：
不同公司的業務情況各不相同，内部流程也各有特色，是以招聘新客服需要花費一定時間進行教育訓練。同時，客服部門通常存在較大的人員流動性，一方面是因為這類工作上升空間有限，一般人不會長期從事此類工作；另一方面，客服業務存在波峰和波谷的概念，即并非任何時候企業都會面臨高客訴量。是以，合格的管理者需要根據業務情況的變化，合理調整人力需求。
如何讓新員工快速上手，減少因人員變動而帶來的教育訓練成本和試錯成本，是客服教育訓練過程的關鍵。
2.使用者接待：
使用者服務環節可以細分為：“了解問題”、“解決問題”、“跟進”、“回報收集”、“記錄報告”這幾個步驟。客服人員負責解決使用者問題，提煉其中有價值的資訊，并進行内部報告和總結。
盡管客服部門的價值被認為較低，但客服部門是最直接接觸使用者的部門。如何從與使用者接觸的過程中，整合和分析資訊，并将其回報到營運、銷售甚至供應鍊部門，是客服部門提升其價值的關鍵之一。
3.客服管理：
由于客服人員是人，是以可能存在偷懶、舞弊、辱罵使用者、企業資産盜竊等問題。如何預防問題的發生、在問題發生時進行識别，并在問題發生後進行适當處罰，是客服業務管理者需要采取的行動。
是以，AI如何在客服業務上發揮作用，也主要是圍繞客服培養、使用者接待、客服管理這幾個方面。
二、客服培養環節的AI
1. 教育訓練材料提煉
客服管理者需要對新員工進行入職教育訓練，并對在職員工進行定期教育訓練。在這個過程中，管理者需要定期收集教育訓練材料，其中包括維護話術庫、優秀案例和錯誤案例。
我們可以将使用者接待過程中的聊天記錄輸入大型語言模型，利用提示詞提煉其中的維護話術庫、優秀案例和錯誤案例等内容。然而，由于AI生成的内容可能存在誤導性，最終需要管理者進行稽核和修正，確定内容的準确性和合适性，才可正式使用。
2. AI陪練
知識和技能之間存在本質上的差別。知識是實踐的一種總結，但技能才是提高績效和表現的關鍵。如果隻是對客服進行一味的知識灌輸，很難確定客服同僚真正掌握了技巧。是以，我們需要對客服進行“刻意練習”，以確定客服同僚将知識内化為相關的技能，并在這個過程中複盤問題，優化原有方案。
如果由客服管理者專門制定練習題，将極大浪費管理者的時間，而且無法與客服進行互動陪練。是以，這裡可以借助AI的力量。利用使用者接待的聊天記錄和提示詞工程，泛化并批量生成不同的客訴場景，并與客服進行陪練。同時，我們可以利用提示詞對陪練結果進行評分，進而輔助管理者評估客服的能力掌握情況，幫助客服同僚找到問題，并進行優化和改進。
三、客戶接待環節的AI
1. 智能路由
智能路由是一種利用人工智能技術的系統，旨在根據多種因素，如客戶的需求、客戶的情緒、服務代理的專業領域和即時業務狀況等，智能地将呼叫配置設定到最合适的客服代表或服務通道。
在公司業務規模龐大、需要大量客服并且使用者場景足夠複雜的情況下，對客服團隊進行不同技能組的劃分，每個組專門負責不同的場景。這種情況下，需要依賴“智能路由”系統來對不同訴求的使用者進行配置設定，以實作接待“效率”和“效果”的最大化。
智能路由的建設可以基于使用者屬性定制規則進行配置設定，也可以訓練小型模型進行條件屬性配置設定。然而，這些方法都無法基于使用者言論進行配置設定。在這種情況下，我們可以利用大型語言模型（LLM）對使用者的訴求進行分類，作為智能路由配置設定的依據。
總體來說，智能路由的配置設定方式主要包括以下三種：
- 基于使用者條件的規則配置設定。
- 基于小型模型的算法配置設定。
- 基于LLM提煉結果的配置設定。
2. 智能問答
客服智能問答是指利用人工智能技術來幫助客服回答客戶提出的問題或解決客戶的疑問的方法。
目前實作是智能問答的方案有以下幾種：
1.知識庫比對問答：
這種方案需要預先建構知識庫，通過文本比對或語義比對的方式使用知識庫的答案回答使用者的問題。這種方法能夠快速準确地回答那些在知識庫中有明确答案的問題，适用于固定領域或特定主題的問答場景，而且不存在AI幻覺問題。
圖檔來源于百度，為智齒科技的客服系統
2.自行訓練的客服AI：
針對特定業務場景或需求，通過機器學習和自然語言處理技術，基于已有的語料訓練企業專用的客服AI。這種方法能夠對語料進行泛化，能夠應對更廣泛的客訴場景，提供符合特定業務需求的個性化問答解決方案。
但是AI是對重複内容的總結，在泛化場景容易出現幻覺問題，可能會給到使用者不準确的答案。
3.RAG + LLM：
LLM缺乏垂直領域的知識，對客戶的問題會答非所問。是以，可以利用RAG技術滿足客服場景的需求。RAG通過大規模語料庫進行資訊檢索，擷取可能的答案片段，然後将這些片段輸入到LLM中進行進一步處理和生成答案。這種方法能夠利用LLM的特點，讓LLM結合客戶的上下文和知識庫的答案生成合适的答案。對于沒有能力訓練客服AI的中小企業，他們也能利用這種方法使用AI的能力。
但是，RAG + LLM的方式同樣存在幻覺問題，有可能給到使用者生成AI胡編的答案。
這些方法主要解決答案比對和分發的問題，解決“在什麼時候回答什麼”的問題。同時，智能問答系統還可以引入多輪問答、多模态答案、多樣化知識庫的形式，拓展智能問答的問題解決能力。
1.多輪問答：
客戶找到客服，往往是帶有一個目的，有些目的能被一句話解答，但是有些目的并不行，比如退貨退款、投訴等情況。同時，大部分客戶并不能準确地一句話描述問題，會存在“同義詞”、“主賓缺失”等問題。這種情況，一般都需要進行多輪的問答來解決。
是以，智能問答系統的語料不僅僅可以是單句式的語料，也可以由多句的語料組成，這使得智能問答系統能夠覆寫更多的場景。
2.多模态答案：
多模态答案不僅僅包含常見的圖檔、語音、視訊等内容，還可以包含連結、表單、問卷的形式，以提高與使用者互動時候的資訊密度，提高問題解決的效率。
3.多樣化知識庫：
有些問題不一定能夠很好地被解決，是以智能客服除了要能回答專業問題外，還需要具備寒暄、閑聊、安撫的能力，用于更好地服務客戶。是以，我們需要準備相關的語料庫用于适配不同場景，這裡可以使用關鍵詞、意圖識别等能力控制在什麼場景下使用什麼知識庫能力。
最後值得一提的是，“智能”并非空中樓閣，需要一步一步的積累。
前面提到的三種實作方案都是非常依賴語料庫的積累的，需要先有人工對業務中常見的客訴問題進行總結，然後給到智能問答系統進行使用。資料的積累和回答效果是一個互為因果的螺旋上升的過程。
是以對于中小企業來說，要想用的好智能客服，專門的語料庫營運成員是必不可少的，該成員需要負責收集并提煉高品質的語料庫，并定期結合業務的發展進行語料更新。
同時，幻覺問題較難根絕，除非投入較大的成本進行模型訓練（或提示詞優化）、語料調優，對于中小企業而言，與其用這麼高的成本進行維護，不如使用不存在幻覺問題的“知識庫比對問答”方案。
3. 客服建議
由于智能客服方案中的“客服AI”和“RAG + LLM”都存在比較明顯的幻覺問題。我們可以使用“客服建議”的形式，規避幻覺風險問題。
所謂“客服建議”，是指在客戶接待過程中，“客服AI”和“RAG + LLM”的輸出結果以建議的形式展示，由客服人員決定是否采用。這一過程相當于人工稽核的備用方案，隻有在人工稽核通過後，才将結果呈現給使用者。這種方式能夠完美地防止AI幻覺對業務造成負面影響，同時也能夠利用AI的輸出結果提升效率。
此外，我們還可以讓AI結合人設，給出相應的安撫建議，而非基于知識庫。這也能在一定程度上豐富客服話術的多樣性。
4. 客訴情況總結
在客服工作中，當客訴量龐大、内容複雜時，人工難以迅速識别重點内容，需要花費大量時間閱讀上下文，這嚴重影響了客訴處理效率。
為了解決這一問題，我們可以利用AI進行内容總結和提煉，快速輔助客服人員提煉客戶訴求、情緒以及意圖，并以一定格式輸出，以便客服人員快速掌握使用者訴求，定制應對政策。
此外，這種提煉和總結的結果也可以為“客服建議”、“智能問答”等功能提供決策依據，進而進一步提升客服工作的效率和品質。
5. 輿情提煉
在客服工作中，客服的價值并不僅僅在于回答使用者的問題或安撫使用者，更在于能夠從海量的客訴中提煉出有價值的資訊，并将這些資訊回報到營運、研發、銷售等業務中，進而提高整體業務的效果。
想起之前看到篇文章，裡面提到過騰訊内部的一個機制——10/100/1000法則。産品經理每個月要做10個使用者的調查，關注100個使用者部落格，收集回報1000條使用者體驗。盡管我不确定這個法則是否仍在實施，但它确實凸顯了“充分聆聽使用者回報”的重要性。
然而，讓一線客服人員手動總結有價值的資訊極大地依賴于他們的專業性和問題歸類能力，同時也容易受到個體主觀因素的影響，導緻總結結果失真。此外，一線手動整理也無法完全覆寫線上的所有客訴案例，是以手動總結的全面性存在不足。
如果由管理者親自去查閱，很可能會在海量資訊中迷失，無法找到所需内容。
是以我們可以借助LLM的力量，讓其替我們進行輿情分類，從中提煉出有價值的資訊，使得人工查閱成千上萬的客訴資訊成為可能。
在這個過程中，我們可以借助提示詞工程對話題進行預設分類，将相應内容歸類到特定話題上，以便後續結合需求進行查閱。這種方案能夠避免多次請求LLM導緻存在“多個近似分類”，進而無法有效統計輿情分布情況。
與傳統的分詞方案相比，基于LLM的輿情分析能夠更準确地分析輿情的内涵，而非簡單地進行分詞。
6. AI語音聊天/外呼
由于文本傳達的資訊有限，為了更高的接待效果，可以考慮采用多模态的内容形式，比如語音、圖檔、視訊等，這些可以結合已有的AIGC方案進行快速生成。
目前較為成熟的是語音，借助文生音大模型，我們可以賦予客服一個聲線，用來給使用者傳達對應的内容。通過語音的方式，能夠更好地傳達情緒，進而對使用者進行情緒上的安撫。同時，基于AI聲音，我們也可以實作智能外呼，用于主動營銷、使用者回訪等用途。
結合人群劃分政策，實作千人千面的大批量自動化使用者觸達。
7. 錯字識别
利用大型語言模型對錯别字進行識别，可以減少客服人員的低級錯誤，提高服務的專業度。這一技術雖然較為簡單，但其實際效果卻十分顯著。
8. 話術潤色
利用LLM對客服話術進行優化，結合特定人設，使得話術更加合适、專業，進而輔助客服進行更高效的接待。通過對話術的優化，可以提升客服的服務水準，使其更好地滿足使用者需求。
四、管理服務環節的AI
1. AI質檢
在客服管理中，存在着各種問題，如偷懶、舞弊、對使用者進行辱罵以及企業資産盜竊等。是以，識别、預警和應對這些問題成為管理者的重要任務之一。
如果僅依靠人工檢查，很容易出現“看不全”、“看不及時”等問題。是以，我們可以利用大型語言模型（LLM）進行AI質檢，結合提示詞工程，梳理出質檢的次元（如“态度友好”、“情緒穩定”、“使用者回報”等），并在不同次元上進行評分，進而評估客服在指定日期内的表現。
盡管這種方法可能存在幻覺問題，但它能夠大大提高管理發現問題的及時性和效率。同時，基于AI質檢的結果，我們還可以實作預警推送通知功能，確定将結果第一時間同步給相關成員。
總結
以上便是AI在客服系統中的一些實際應用。總的來說，對于中小企業來說，AI并未完全替代人工客服，因為在許多情況下，“定制化成本”大于“人力節省”。然而，在某些特定場景下，AI已經能夠有效賦能業務并提升效率。相信未來有一天，AI能夠給到客服行業更大的變革。
專欄作家
檸檬餅幹淨又衛生，公衆号：檸檬餅幹淨又衛生，人人都是産品經理專欄作家。一名遊戲行業的B端産品，負責過遊戲行業内CRM 、風控、BI、SDK、AI相關的内容，定期輸出個人思考或總結文章~
本文原創釋出于人人都是産品經理，未經許可，禁止轉載
題圖來自Unsplash，基于CC0協定
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務。