一、AI正在大杀四方
今年9月,抖音及海外版 TikTok 宣布,蝉联全球移动应用收入榜冠军。两款软件共吸金超过 3.15 亿美元,是去年的1.7倍。
历数字节的发家,离不开AI的加持。应用了AI的猜你喜欢,总是能猜到用户的心里,让人一刷就停不下来。
但要追寻这项技术的源头,抖音还真该感谢下亚马逊。2000年,亚马逊首先把智能推荐引入了商业市场。
事情源于一场人类与机器的间的赌约。
面对公司引入人工智能的决定,亚马逊的编辑团队嗤之以鼻,推荐好书这件事情机器怎么能干?机器能懂什么是好书吗?
这场赌约应声而落。
一边是身经百战的图书编辑,一边是才刚诞生不久的初期AI。
最开始形势是一边倒的,但仅仅用了半年时间,AI通过自我学习,在推荐的成功率上已经远超人工团队。
事情的结果大家都知道了,这项技能现在几乎成为了电商领域的标配。
音乐、小说等方向也不甘寂寞,纷纷跟上,猜你喜欢就这样被应用到了C端客户的方方面面。
而现在,这股AI的风,也吹向了B端领域,在SaaS行业大杀四方。
工具类SaaS,靠着生成式AI,来生成图片,生成文本,甚至生成视频。
业务类SaaS,在AI客服、AI电话营销之后,又有了AI面试、AI报税等场景,新花样层出不穷。
与此同时,AI和人类的竞争,也被各种影视题材反复演绎。站在科技和人文的十字路口,我们有必要从新技术的应用层面,来看看AI的现状和挑战。
二、AI的能力几何
AI到底是什么?
简单来说,AI是一种技术,是一种让机器学习人的思维的技术。
那机器应该如何学习人的思维呢?四个字可以概括——题海战术。
比如说我们希望AI能快速识别出图片中是否有猫。
我们需要喂给AI一堆有猫和无猫的照片,然后让AI判断哪些照片有猫,最后再给AI“改作业”,告诉它实际哪些图片是有猫的。通过投喂-判断-纠错的反复循环,不停训练AI输出判定成功的概率。
再比如我们希望AI预测出更符合的用户心意的商品。
我们需要给到AI大量的数据,包括商品的数据,用户自身和相似用户的行为数据,让AI在一次次试探中,建立用户属性和商品属性的关联,最后得出可能和用户关联最大的商品。
这有点像是人类所说的【洞察】,在数不清的大量因素中,揪出最相关的因子,得出最优解。
这个过程,本质是解决目标函数最大化问题的一种数学运算,也被AI界称为深度学习。
几乎在任何领域,深度学习都能发挥识别、预测、分类、合成的作用。
也是因为有了深度学习做基础,NLP(自然语言处理)技术才有了发挥空间。
这个技术看起来很陌生,但实际我们生活中,经常在享受它的便利。
对着手机喊Siri,问天猫精灵现在几点了,让小米智能控制家里的扫地机器人工作,这些时候,都是在使用机器理解语义,正确应答的能力。
NLP能帮助机器理解人类的语言,甚至能联系上下文的语境,给到合乎情理的答案。
例子虽然有些细思极恐,但可以让我们初步一窥NLP的能力。
当然NLP犯错的可能性也很大,人工智能不具备常识,创造力,在分析推理和抽象概念也很弱。但现在已经实现的能力,已经能让人类生活得到一些便利。
如果说NLP让机器会“说话”,还有一个领域是让机器只干不说的。
它就是近几年很热的RPA(机器人流程自动化)赛道。
这个赛道的“小机器人“生活在电脑里,它沉默寡言,只要你运行程序,就能按照设置好的路径自动开始工作。
非常像是一个任劳任怨,全年无休的小助手。
具体来说,这个小助手的能力可以体现在哪些方面呢?
大量数据+简单逻辑+重复工作,是最能发挥它工作的空间。
例如报税,对于很多企业来说,工作量大还容易产生风险。
需要财务人员登录报税系统,手工录入发票信息,填写并提交纳税申请,最后审核纳税后打印纳税审批表。
而只要设置了自动化的步骤,应用了机器人系统。需要的时候点击运行,平均平均报税时间从30分钟减少到3分钟,效率也提高了85%以上。
另外,机器人的每一步都有记录,帮助企业覆盖业务管理系统和验证机制。
除了上面介绍到的深度学习、NLP、PRA,像面部识别、ARVR、无人驾驶、硬件机器人也可以归为AI的领域。
而且,这些能力还可以相互叠加。
例如一个居家型机器人,就要求能自动识别,自动按流程工作,甚至完成一些额外的内容。
让机器具有人类的思维和智慧,不再是一句空话。
三、AI+SaaS,碰撞出了两个趋势
AI拥有和人类近似的智慧,再加上不知疲倦的光环, 简直是老板们梦想中的员工。
但各个产业的所有企业中,只有不到10%的企业应用了AI技术。
企业选择AI的过程,遇到的问题多种多样。
首先是需求层面,aI作为新兴的技术手段,拥有百花齐放的子领域,普通人很难全面地了解AI有什么能力,更别提说明确提出需求,说清楚希望有一个什么样的AI,来解决自身经营的什么问题。
其次是技术应用层面。贵是最大的原罪,团队,算法,乃至机器运力,全都是烧钱的元素。
而这个时候,SaaS公司挺身而出,为企业使用AI提供了方案:我在系统里应用了AI能力,能在财务(HR/销售等)方向提效,省去至少3-5个员工的工作。”
趋势一:越来越多的SaaS产品正将AI技术核心业务中
AI所有的应用场景,都是为了提升效率。
从工业革命开始把工作拆的更细,或许就注定会有今天。
当年我们让人和人之间按步骤来协作,到如今,让人和机器互相接力。
在繁琐耗时但能力要求相对单一的事情上,人类可以拍拍AI的肩膀,把工作交给它。
开完会了,做会议记录太麻烦,用会议软件可以一键语音转文字。
当前几乎所有企业协同的软件,都有了这项能力。
人工坐席成本高,那用智能外呼。
现在不少SCRM就把这个能力嵌入了自己服务。
围绕赋能销售流程的卖点,改造客户提升质量。
可以根据不同的业务运营场景,制定符合自身情况的AI流程和话术,使用真人录音,真实且情绪饱满。
除了打电话,AI外呼能根据通话情况,自动分析语义并判断客户意向,按意向高低,并发送短信引导用户添加销售人员。
根据统计,每天人工拨打电话量一般为100-300通,而AI外呼能做到一个机器人坐席每日可拨打300-800通电话,节省70%人工成本,加粉效率可达15%-40%。
而在人类不擅长的大数据分析和相关因子预测等领域,也可以让AI先上。AI分析完成后,拍拍人类员工的肩膀:这些结论给你,你看看对你有用吗?
CRM,可以使用AI,给销售流程提供更多决策参考。
场景1:根据成单概率给线索打分
当市场部搜集过来的线索,可以根据线索特征进行打分,让销售优先跟进成功率高的客户,最大化工作效果。
场景2:预测客户LTV
当客户签约后,转为客户成功团队维护,此时如果可以预测客户的LTV(全生命周期价值),就可以更好的给客户进行分层,以及配备合适的服务资源。
场景3:挖掘客户流失倾向
所以如果能提早判断客户流失倾向,对于公司无疑有极大的价值,公司可以动员资源去接触和挽留。
在HCM领域,也有SaaS企业应用了AI技术。
例如在智能化人才库上,可以使用AI做数据引入和激活。
首先是人才的自动化入库,将合适的候选人直接推送到HR面前,进行人才打捞。
然后再进一步,通过短信邮件或者智能外呼等自动化方式去激活候选人,挖掘他们的意向。
这个过程应用了AI技术,形成了从人才库的整理-打捞-激活的闭环。
此外不少BI SaaS,也以使用AI为亮点。
数据统计出来了还不算,对数据作出分析和预警,让企业更直接的体验到数据价值。
从SaaS软件的使用过程来说,大致分为 1数据线上化- 2流程线上化- 3流程提效。
而SaaS企业的难题,在于怎么样激励企业完成这三步,最后让企业看到价值。
AI或许就是很好的一个突破口,不需要企业走过完整的流程,动员全部的人力。可以只用一个单点,就能让企业看到效果的增强,解决SaaS软件价值感知慢,造成的客户激活难的问题。
对成功的渴望不会引领成功,只有成功才会引领成功,我们要做的,就是用AI去为企业造就一个个小成功。
SaaS公司应用的AI能力,除了自建,还可以外采。
这是第二个趋势:互联网巨头入局,开放AI能力。
亚马逊云,就有一款开放的智能AI工具。
只要准备好丰富的数据,设置需要的模型,不用理解机器是如何工作,就能预测出最后的概率数据,并得出和结果高度相关的因素。
举个例子,外呼团队每天会接收大量的销售线索,所以需要从线索中找到接通成功率最大的客户,来安排每天的工作。在应用了模型预测,并按照预测成功率从高到低拨打,电话接通率从35.17%,到达了49.4%。
腾讯云,已提供了超过300多项标准化AI开放能力和80+AI行业解决方案。
All in AI的百度,以及在IaaS上领先的阿里云,也都在AI上提供了大量的开放能力。
四、AI+SaaS的挑战
根据Gartner2022 年度人工智能技术成熟度曲线,智能应用已经翻过了第一座大山,进入到稳步爬升期,距离生产成熟期只有2-5年的时间窗口。
此时,让我们把目光放在局限和挑战上,纵观全局,了解AI。
1. AI的落点有局限
对于生产者,要警惕的是面子工程和虚假繁荣。
找到最适合切入AI的落点,一方面是选择技术发展得比较成熟的领域。例如整理数据并预测、语言理解、翻译、应答。
另一方面是结合自己的业务,寻找真正能用AI做到效率提升的部分。划定好AI和人类的分界线,AI负责定量分析、成果优化和重复性工作,人类按其所长贡献自己的创造力、策略思维、复杂技艺、热情和爱心。
另外,购买者的冲动消费也是需要注意的。
谁说企业决策就一定深思熟虑,SaaS行业有太多购买后再也不打开软件的客户。
所以面对用户,面对AI这种有门槛的概念,克制描述AI的能力和效果。
2. AI的技术有局限
AI的技术局限来自于世界本身。
即然用机器来模仿人工智能,让机器来学习人类世界产生的物料。
那么,人类的思想上限就是AI的思想上限。AI会吸收好的,也会吸收偏见。
以AI的深度学习为例。
它离不开海量的相关数据、单一领域的应用场景以及明确的目标函数。这三项缺一不可,如果缺少其中任何一项,深度学习将无用武之地。
海量的相关数据,除了偏见,还会涉及合法获取,隐私安全等问题。
单一领域的应用场景和明确的目标函数,会非常考验企业的价值观。如果在预测模型中,只以单一的利润作为指标,忽视员工和客户的体验和幸福,或许也并不合理。
同时,AI也被证实不具备常识和逻辑推断,这给了AI犯错的可能。
最后AI不可解释的特性,也会对企业带来一些挑战。
淘宝曾经的排序算法,采用过“有指导的机器学习”方法,参与排序的参数是通过算法生成的。这样效果最好但是无法解释。
也就是说,淘宝官方有时候不太容易解释为什么某些指标的权重会比较高,而某些指标又比较低?举个例子,假设系统自动判断“收藏量”的影响权重很低,但确实难以说明为什么会是这样的。更重要的是,面对卖家来质疑时,淘宝没办法挺直腰板、理直气壮地说,你这家店流量降低,是由于某种原因,你们需要通过怎样的方法来提高你的店铺流量。
当然淘宝在2011年修改了自己的排序规则,做到了可解释原因,与此同时应该也牺牲了一些转化率。
它把参与搜索排序,尤其是判断卖家服务质量的各项因素,包括退款率、纠纷率、转化率、好评率、DSR动态评分等,都明确出来,告诉卖家排序有所变化的原因是哪些。
所以,从不可解释到可解释。背后的是人类想要什么,是最高的转化率,还是更好的生态。
3. AI的高效有局限
AI解决的是高效的问题,但是当效率是否有临界值?效率让我们更快的抵达那个终点,但我们要那么快抵达终点做什么?
正如很多人说毕生梦想是财富自由,但是财富自由以后要追求什么?
我们需要结果,或许我们也需要慢下来。毕竟AI的诞生,是希望人类有更多的闲暇享受为人的乐趣,而非像机器一样工作。
总的来说,AI是一个很不错的切入点,能够让SaaS企业找到一个切入口,让用户更快的看到和体验到直观的价值。但AI带来的风险和局限我们也应该考虑在内。
当我们有了一项新的技术能力,我们也要有使用技术的智慧和原则。先理解,再应用,才能保护好企业的初心,为客户和自身实现价值双赢。