AI 数字化,想象力的极限在何方?
01
每一次GPT的能力革新,总会让人惊呼。
本周GPT升级到4o版本,重磅更新了各种能力,输入输出的格式增多,文本、音频、图像都能搞定,能理解画面和声音,甚至能读懂人类面部语言,响应速度和性能也有了很大的提升。学姐也在第一时间体验了它的文本能力,和4.0相比,无需长串的提示词,就能基于猜想给出合理的内容。输出的内容能有效衔接上下文,逻辑严密。
第一个感受是:模型创业者又要望GPT兴叹了。这也是这两年AI创业的难点,原本卡在技术上的难题,自己啃着三五个月,进度条才走到10%,底层能力一更新,原有的问题瞬间消失,真是得唱一句:时间都去哪儿了?当下底层技术确实在一路狂飙,每次出现都带来全新的面貌,但是我们的应用层已经无限趋同了。企业服务领域,无论是SaaS,还是协同办公平台,各自都花了一年时间去探索AI应用,最终却交出了类似的答卷。
人手配备一个智能小助理,可以用来辅助工作输出答案,有文档功能的一定会应用智能扩写、总结,有聊天窗口的一定会加入上下文总结,视频会议的记录和总结也成了标配。面对越来越趋同的数字化应用场景,让我们抛下这个问题:面对AI的快速发展,人类的想象力是不是黔驴技穷了?先说个结论:把AI应用到企业数字化上,本身就是一个天大的难题。且,这个难题不会随着技术思维的提升而降低。
SaaS和协同平台本身就是科技企业,拥有强大的技术能力,但是他们也难,为了找一个契合AI的场景也要绞尽脑汁,也要精心计算企业会不会买单。企业内部自研就更难了,原本技术能力就弱于外部服务商,大量的技术人才又困在业务和技术的匹配中不得解脱。一边在现实业务发展和复杂的利益关系中左支右绌,一边要考虑跟上AI的技术发展,赋能业务。懂业务的人不懂技术,懂技术的人又不懂业务,或者说不能越俎代庖地去为业务负责。
02
以上,是AI 数字化难题的表象,但归根结底,我认为背后还有3个全民性的问题,阻碍AI应用落地。一则是缺乏基本的科学素养,对于技术有畏难心理,或者反向妖魔化技术畏难是说害怕自己搞不好数字化,弄不懂AI,项目会失败,自己也会承担责任。
本质上是因为了解得不够深入,勇气这件事情,不是来源于自信,而是信息充分下的合理预期。所以只有深入地了解,才能真的解决企业对AI和数字化的深度认识。再说妖魔化。
妖魔化的浅层,是指直接对着新技术说no,凡是不会的不懂的新出现的都是不合理的,思路会被骇人听闻但毫无逻辑的谣言牵着走。鸡会长出9个头,吃什么都会致癌。换到企业数字化的场景上,也就是使用者会抵触所有的技术,任何形态的技术,机器,系统,APP,都是乱七八糟的“玩意儿”,“不知道有啥用”。
妖魔化的深层,是骗子太多,特别是在新技术出现以后,一大堆人就忙不迭地来割韭菜了,特别是现在有了短视频这样极大的流量工具,只需要做好煽动情绪的预案,再叠加一套缓解焦虑的产品,大量的人看到标题就冲动下单了,买完后从不去看,下一次想起来自己买了这个产品是因为卖家翻了车。这样的生态,导致我们对于新技术有一窝蜂的焦虑和好奇,又通过购买低质的科普产品快速消灭热情。
于是乎,大众表情越来越麻木,越来越顺其自然。和多少年前的高速公路收费员也没有什么两样,明知会被颠覆,却没有早早储备新的出路。
二则是没有创新思维。我们的教育里,天然就缺乏创新的培养。我们有过恢弘的历史,最雄伟的建筑,最厉害的四大发明,是唯一传承至今的文明古国,我们不应该缺乏对先进事物的想象,也正由于创新和适应能力让我们的文化得以延续。但是在企服行业,创新成为了不值一提的事情。
创业者方面,同质化严重,像素级抄袭在这个行业里屡见不鲜。在竞争激烈的赛道上,有一度大家都不敢去开发新的功能,上什么能力友商都很快跟进,抄袭的速度比客户正式使用的速度还快,这是何等讽刺的地狱笑话。
何况SaaS厂商有个更尴尬的难题,创新的成本太高。特别是产品后期的新能力,只能满足极小部分特定的用户,却要及大代价去开发,当创新和生意是否划算放在天平的两端,活的兢兢业业SaaS厂商自然也不敢往创新那一端去添加砝码。客户方面,因为没有创新思维,导致亦步亦趋的学习同行,同行买了什么产品,怎么做数字化也跟着来一套。
客户总觉得:自己思考自己想方法多难,枪打出头鸟,照着抄错了也是大家一起错。中庸做事的观点,特别是在大型企业中,体现得淋漓尽致。从数据来说,从软件时代到SaaS时代,距今那么多年,卖得好的还是ERP、CRM、HCM这些软件时代的老工具,创业者没有更广阔的想象,束手束脚追求确定性,客户也没有革新自己的认识,只有一起相伴走老路。
三则是和问题硬碰硬的能力。如何发现问题,如何从多个问题中选择当前最重要的问题,如何拆解问题逐步解决问题,都是我们不擅长的。反之,我们很擅长一种很圆融的智慧,用巧劲来避开问题,或者软化问题。也就是说,我们缺少用技术去解决问题的硬碰硬的思维。大家都知道,信息技术的底层,是0,1组成的二进制语言,是一门逻辑语言。
所以技术擅长解决的问题,是清晰简单的,是有非黑即白的确定性答案的。所以使用技术的前提,是当前做法是标准化流程化,显现的问题也是清晰可描述,能细化到“A审批流的第一个环节总是卡壳3天”这种问题,技术自然可以挺身而出,提升效率。
技术并不万能,它能把低效变成高效,但很难把混乱变成有序。就像如果一场会议组织混乱结论不清,AI再如何聪明,最后给出的会议纪要也只能云遮雾绕。说到这里,就不得不提华为何以会成功落地数字化,因为这个企业真的很擅长打硬仗。文化硬,流程硬,作风硬,想好了就落实成总纲,总纲细化成方法论,有了方法论就坚决执行。
仅仅5年,用1年落成愿景,4年完成行动,全公司17万员工,共同完成了销售收入翻番但人员未显著增长的壮举。同时建设了合作伙伴的数字化和消费者门店的数字化,协同提效至秒级,塑造消费者服务全流程线上化。
所以说,要有这样和问题硬碰硬的能力,正视问题,把问题逐条梳理清楚,让机器明白到底从哪个方向辅助,AI才有用武之地。所以我一直认为,企业没有做到业务的数字化,没有产生业务数据,去谈AI就仿若空中楼阁,不理智也不现实。
03
以上花了不少篇幅,立足于中国企业数字化的土壤,来谈AI落地的先天不足。光戳痛点不给结论,从来不是学姐的风格,所以这里给出2个线索,诸位可以结合自身业务,逐一梳理,或许有机会找到AI落地的最佳点位。
1 用AI建模解决策略
问题企业内部,往往有一类角色高度依赖于专业知识和经验,但是其经验很难口述和传递,也就导致企业高度依赖这类角色。我们把这类角色的专业知识和经验还有说不清道不明的感觉都称作【策略】,试着让AI来学习,看看会发生什么。举个物流行业中例子,这个行业里有一个核心角色,叫做调度,他会负责订单和车辆的匹配。
众所周知,物流是一个利润率极低的企业,调度角色做的好不好,就直接会影响利润率,所以好的调度工资是不低的。之前这个岗位的策略,需要调度自己去摸索,甚至有的时候要凭借直觉的预测。最近几年随着行业数字化,有了智能调度功能,虽然没有完全替代调度,但是通过学习调度的分配方式,慢慢把调度无法描述的经验抽象成了一套模型,并能辅助调度做常规性的调度安排所以,AI应用的第一条路,就是基于数据建模技术摸索出一套策略,来支撑对不确定性业务的决策,提升决策的胜率。
2 用AI解决客户服务的问题
在数字技术诞生以来,特别是互联网诞生后,诞生了非常多新的模式,本质上都是源于对个体提供了更好更优秀的服务,服务的背后是以各种模式将信息光速串联起来。AI在此基础上,不仅能连接信息,还能理解信息、生成信息,还能一步步引导,帮助人解决问题。
4o的场景里,AI能看到屏幕上的数学题,一步步教导学生,循循善诱的帮助学生解开答案;还可以用语音和人类沟通,比如教美国人学习中文。这些场景,都证明了AI帮助人解决问题的能力提升,人机之间的交互体验也越来越接近人和人之间的真实触感。那对于企服企业,有太多客户服务的工作了。就像SaaS厂商,服务场景多,成本高呀。
有SaaS公司的老板告诉学姐,有的时候,一个大客户上项目,甚至要部署1年的时间,面对全国那么多的客户,还要建立多个服务中心随时支持,模式极重。那能不能通过AI去解决这个问题,AI去教导用户呢?值得思考。
另外,个人认为阻碍低代码发展的重要原因,就是客户认知门槛太高,而便宜的价格注定了不可能去做个性化服务和实施,那AI现在来了,能不能看到一点机会,也值得探索。我们看到上一代互联网,客户服务做的最好的是电商,基于此,诞生了全球几十万亿的市场。
那这一代,客户服务明显又可以提升几个档次,受益者的名字还未写下,思考和探索也应该步履不停。回顾本文,我们聊了中国市场应用AI的3个本质原因,接下来也给出了2个应用AI的思考方向。
最后,学姐要强调的是,应用AI的基础还是数字化。我们把应用AI当作抚养小孩,小孩是个天分极高的天才,但你需要用数据喂养。说回这几个概念的关系,学姐用一句话总结。企业数字化的核心在业务数字化,业务数字化的核心在于要素、流程和规则的标准化,而AI的核心就是以上所有标准化后的数据。
版权声明
本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!