当前位置：首页>后端>正文

如何用AI重做B端产品（附3个案例与3个方法论）？

后端2024-04-22 02:26:21

2023年ChatGPT的横空出世，让所有人为之一振，有人兴奋（新/大机会到来），有人恐惧（被替代/被抛弃）。

2023年大模型赛道成为了最火热的赛道，一年之内推出N个大模型，它成为了继移动互联网和云服务之后，又一个万众创业的赛道。

作为一名产品人，且不说趋之若鹜，也得小试牛刀。

大模型离你我太远，AI平台玩不懂，那就聚焦自身工作进行思考（正所谓：贴地飞行，聚焦附近），适才有了这篇文章。

本文主要回答一个问题：如何运用AI重做B端产品？

回答此问题之前，我先抛出几个相关观点：

第一，大模型是属于大厂的机会，中小企业的最佳姿态，应聚焦所在行业的AI应用。

除了技术、资源、资金等原因外，还有一个关键原因是通用AI目前的局限性。即它无人类常识，无法真正理解；无人类本能的抽象与类比能力。

如果聚焦某个行业或场景，则可弥补这些能力，这在历史上已被反复验证成功过。

比如1996年IBM的Deep Blue（深蓝）聚焦国际象棋，成功战胜了国际象棋的世界冠军；
2011年IBM的沃森，聚焦智力问答，参加美国娱乐节目-《危险边缘》，成功战胜了两位当时的人类冠军，获得百万奖金；
2016年谷歌的AlphaGo，聚焦围棋，与当时世界冠军李世石一战，最终4:1大比分获胜。

第二，AI是只是工具，是解决方案，而不是需求本身。所以AI的运用一定是基于需求出发，而不能为了AI而AI。

比如专注于智能绘图的Midjourney，它可以做你的设计师，但需求起点是你所面临的问题；
比如专注于智能图表的ChatExcel，它可以帮你处理、分析你的Excel表，但你需明确你所面临的问题；
比如专注于智能PPT的ChatPPT，它可以帮你生成、调整PPT，但需求本身也是你所面临的问题；
比如专注于智能视频的Pixverse，它可以帮你编辑、处理视频，但需求起点依然是你；
等等

第三，所有现有产品，都值得用AI重做一遍。相对AI+（即用AI做一个新产品），可能+AI（即基于现有产品，重新用AI能力赋能）是更有效运用AI的路径。

起点：需求是1，方案是0

你现在所面临的问题是什么？它是你运用AI的起点。

笔者是负责一款HR SaaS产品，面临最大的四个问题是：

问题一：客诉问题多，严重影响产研效率。平均每天少则5-10个客诉问题，遇到月初高峰期的几天，每天15-25个客诉问题。
- 每年大概产生1761个客诉问题，需要1.2个人（且此人必须是对系统逻辑、业务非常熟悉的T6计以上的高级技术人才）全职投入，才能解决完客诉问题。
- 数据统计自2022.9.8日至2024.01.05日（共484天，约1.32年），累计产生2336条客诉问题，产研共计花费了2399小时（以8小时/日计算，约等于300人日）解决。
- 上述客诉问题，仅统计透传至产研侧需解决的问题，不包含已被客服、客户成功初筛所解决的问题量；
问题二：产品功能多，系统逻辑规则复杂。 同一个系统，至今已迭代8年之久，即使只计算某个模块（即考勤业务）的功能点，至少也是200+，对应的核心功能的产品规则复杂度，已经远超一般人所能理解。
- 以笔者入职3个月时，所参与的其中一个加班相关项目为例（它只是一个大版本5个项目中的其中一个，它是需求与项目最小闭环化拆解的结果），涉及数十个场景（2种加班来源+3种班次类型+3个加班位置+2种加班模式+3种加班日期类型+4种加班时长规则+2种打卡方式），需求文档共写了55581字。
问题三：需求数量大，且呈现长尾效应，产研资源难以匹配。过去1年大概解决了860+个需求，现在待解决需求还有4000+，其中同类需求的最大重复率也就是20（即同一个需求有20家客户提），其占比不超总需求的5%，剩余95%的需求，全是有1~2家客户所提。
问题四：产品功能同质化严重，无法与竞对形成差异。笔者所从事的赛道，对应有不少竞对，大家在客群选择、产品理念、定价、营销上有所差异，产品能力上却趋同，难以形成差异化竞争。

这四个问题是SaaS产品比较常见的问题，哪些是可以用AI赋能解决的？

基于目前对AI的认知，对自身所负责产品的认知，结合相关领路人（如周鸿祎、傅盛、快刀青衣、白鸦等）的分享与启发，笔者推断：除了问题三之外，其他三个问题，均可通过AI得到有效解决。

问题三可通过商业模式设计、战略选择以及产品设计进行解决，此文按下不表，后续单独分享。本文主要关注AI可赋能解决的三个问题

所有产品都值得用AI重做一遍

为什么这么说？关键在于它让产品的交互方式，发生了革命性的变化。

PC互联网时代的产品，都是基于网页+鼠标点击的交互方式设计。比如用户要购物，需要找到对应网站的对应下单功能，并用鼠标完成确认；

移动互联网时代的产品，都是基于手机+APP+手指触摸的交互方式设计。比如用户购物则需下载对应App，并用手指触摸确认购物指令；

AI时代的产品，则是基于多模态的自然语言的交互方式设计。它就像2D到3D一样，不再只是依赖单纯鼠标或手指的输入，而是可以采取不同的形态（如语音、视频、图片、文字、动作，甚至是眼球变化、模拟神经元信息等），完成人与系统的交互。

所以我们可以考虑用这种新的交互方式，重做一遍之前用鼠标或手指触摸交互所做的所有产品。

案例1：用AI重做智能客服系统

智能客服功能是SaaS产品的标配，主要是提供自助式服务，帮助客户解决对产品规则与逻辑的疑问，以及遇到问题自助解决一部分（即解决问题一跟问题二）。

实际过程中，却遇到两个阻碍：

阻碍1：以前的智能客服属于决策式AI产品，只能实现根据【关键字】匹配，而一般内部录入问题的人的语言体系，与客户语言体系差异较大，导致匹配度比较低，客户体验不佳。
阻碍2：客户遇到问题，觉得自助服务不可信，直接联系人工客服，都是免费服务，后者显然更高效。

GPT4发布后，其对问题与内容的学习能力与“理解”能力，发生了质的变化，所以就可以用AI重新做一遍【智能客服】功能。

关键是两个方面的工作：充足的“养料”、重新定义智能客服产品。

第一，人工梳理足够的“养料”，最好拆分为足够颗粒度的问答模式，提供给AI进行学习。它就相当于是聚焦自身系统，让AI具备足够的“常识”与“理解能力”。

笔者累积的“养料”主要来源于四个方面：

聊天记录：原智能客服的聊天记录中，清洗出比较有代表性的对话片段，转换成问答模式录入到知识库；
客服知识库：客服团队日常与客户沟通过程中，形成的知识库（大概4万多个问题）；
产品文档：将现有产品文档的颗粒度进行拆解为AI更容易理解的问题（此处主要是因企业当前的AI能力所限，市面上成熟产品已可实现各种文档的学习），
客诉问题：产研团队当前的客诉问题，将其中属于【客户操作问题】与【客户信息查询】两类（占比69.8%），将其总结、抽象、分拆为一个一个独立的问题，每1-2周录入一次，持续喂养，预计至少可总结出1万+问题；

知识库-部分示例

特别说明：这是一个长期持续的过程，只有“养料”足够，以及AI能力的迭代，才能让智能客服达到接近于人的能力。

笔者第一阶段的目标，是期望通过3-6个月的累积，至少解决现有【客户操作类问题】与【客户查询类问题】的50%（即可减少整体产研客诉问题的35%）。

另一方面是通过重新定义智能客服产品，分阶段达成目标。

第一阶段：智能AI能力，转向优先服务内部角色，释放产研能力。直到“养料”与AI能力达到一定阶段后，再进入第二阶段。

具体操作是：

产品用户：由直接面向客户改由面向客服、客户成功、实施、销售角色，辅助他们完成对客户的服务；
产品形态：保留现有智能客服形态的基础之上，在现有问题工单流程上，新增一个【AI问答能力】。但底层的知识库，必须保持这二者是同一个库，避免重复构建；
产品流程：由产品经理、测试等角色，基于现有客诉问题、日常咨询问题分模块逐步解决（前期聚焦问题占比最多的模块，如加班18.01%、假期18.26%），持续总结、抽象问题，并1-2周反复对AI进行“喂养”；
时间周期：预计持续3-6个月

第二阶段：开始将重心转移至直接面向客户，同时提升智能客服的价值与调整产品设计辅助。

具体操作是：

产品用户：同时面向客户（重要）与内部服务者
产品价值：除了现有产品规则、逻辑与问题外，新增另一个维度的“养料”（即行业知识（包含法律法规）），提升智能客服对客户的价值；
产品形态：保持AI稳定模式不变。但需将现在直接可以转【人工客服】的产品设计，改成必须先问问题，并回答后，如不满意才能转人工；
产品流程：保持系统产品规则“喂养”的同时，新增行业维度的“养料”，并重点优化与客户聊天过程的关键片段，进行针对性的优化；
产品周期：预计持续至少6个月

最后一个阶段：完全转型为面向所有人的智能客服产品，包含客户、客服、实施、销售、客户成功。

最终目标是：智能AI客服可以解答客户的50%以上的问题，降低客服30%工作量，同时降低产研客诉问题的60%以上。

扩展案例2：用AI重做现有产品之有赞

有赞创始人白鸦在2024年产品发布会上，发布了最新的【智能运营系统】，其中分享背景时说：

他们共有7个系统，20000多个功能，菜单数已达上百个，如果按25人日/功能，3000元/人日，那过去11年他们对系统研发的投入将超过30亿。

可是，如此多的功能，如此多的菜单入口，实际用户使用的有多少？又有多少好用功能被埋没？

所以，他们2023年下半年开始全部All in AI，只要超过2个工作日的功能，一定要经过他的授权，否则不允许再开发，由他亲自下场带领团队用AI改造现有产品。

举个例子。

该例子来源于其产品发布会，感兴趣的同学，可前往【有赞说】视频号看直播（比我写的精彩多了，哈哈哈）

它的产品形态是智能助手式为主，并将现有产品功能进行碎片化拆分，与智能助手结合，形成一体化AI产品的解决方案。

这是本文的重点，笔者当时看到这种产品形态时，深受启发，感觉它可能就是目前用AI重做产品的最佳产品形态的切入点。

原因有三：

从产品定位来说，它就像当初的百度/谷歌一样，一个简单的超级入口，可面向所有客户，就像一个魔法师一样，既能解决客户的客诉问题，又可以解决业务操作问题。同时，从产品迭代方向看，后续只需继续叠加更多能力、场景即可；
从用户/客户来说，可以形成“有问题，找助手”用户认知，而不用去记忆/翻找功能入口，也不用去记忆规则；
从技术能力来说，目前自然语言能力下的AI，已经相对成熟。尤其是在限定场景之下。

它是一个从【数据】（销售额）到【建议与行动】（如发优惠券），再到【执行任务】（修改优惠券并自动发放），最后到【反馈数据】（如优惠券使用情况）的场景闭环。

从有赞产品首页，点击【智能小助手】即可进入(如下图）：

智能AI入口

你可输入“近几天销售额怎么样？”，AI自动生成一个销售额的趋势报表，还可直接点击查看【经营分析建议】

近几天销售额如何？

基于经营分析建议，你可直接采取行动：发放优惠券、提高首单转化率。（采取自然语言输入或点击均可实现目的）

提升销售额的行动

当你选择【发放优惠券】时，则AI会生成一个优惠券的【待确认】任务，你可进行修改或发放。

设置优惠券

当你确认时，可以通过自然语言输入即可（如可以，继续执行）

确认发放优惠券

最后会有一个独立且清晰的界面，让你最终完成确认发放优惠券。同时，发放结束后，还可直接通过自然语言的方式，在AI界面实现优惠券使用情况，完成这个场景的闭环。

自动生成发放优惠任务

案例3：用AI重做现有产品之考勤

考勤是笔者负责的一款HR SaaS产品的其中一个子系统，该产品已迭代8年+，功能点200+（预估投入已超上亿元），功能之多，产品逻辑之复杂，不遑多让。

考勤子系统的产品架构

如何用AI重做一遍考勤系统呢？

智能客服相对是独立系统，不存在过多业务逻辑，所以重做时，产品形态、产品定位、产品路径均相对清晰，所以直接重做即可。

如果重做现有产品（它是一体化的完整产品，它是集合了所有业务的产品）时，则需思考以下问题：

它与智能客服系统、现有产品的关联是什么？它是一个新系统吗？
它要采取什么样的产品形态？
它的产品定位是什么？
它的产品路径如何设计与规划？
选择什么样的切入点进行重做？

首先，它不是一个新系统，只是一种新交互方式，一个新的超级入口。否则我们就不叫用AI重做现有产品。

第二，产品形态。它的终局是一种基于多模态和自然语义交互的智能体（即专用的AI Agent）。但初始产品形态可以是【以单一模态（即文本）和自然语言为主，结合碎片化/场景化业务能力的智能体】，外在表现为一个【聊天】+【执行任务】的小助手。

所谓多模态：就像一维的直线、二维的平面、三维的立体一样，也是在多个维度进行升维。比如文本、语音、图片、视频、文件，甚至是肢体动作、微表情、触觉、味觉、嗅觉等多维能力的叠加；

所谓自然语义交互：就像与人沟通一样，可通过语言描述、语义分析、上下文情境、肢体动作、表情等的表达，让对方100%理解你的意图；

所谓智能体（AI Agent）：它是基于普通AI与通用生成AI之间的一种AI，它主要是可以识别与分析任务、拆解任务、执行任务等，表现为一个“小助手”的角色。

比如订机票/酒店的智能体，你可以像跟你的助理一样，跟它进行沟通，它可以识别你的自然语言信息，并与你反复沟通、确认，最终帮你实现订机票的任务。

或比如案例2所演示的过程，也是一个单一模态的智能体。

第三，产品定位。它不是新系统，那它的产品定位前期可以是现有系统的“助手”，目标是成为“接班人”。

所以，对于用户而言，它与智能客服系统、其他子系统（如招聘、绩效、培训、薪资、社保等）是一个产品，也是同一个入口。

它与现有不同子系统的关系是共存与辅助关系，但不排除长远的将来，最终直接替代的可能性。

第四，产品路径。产品形态、产品定位确认的情况下，探索最佳产品路径时，则可【以终为始，全局思考；以始至终，最小闭环】和【小切口，大纵深】的方法论，全面梳理产品场景，确认关键场景后，选择最小闭环的切口进行切入，最终实现全局的大纵深。

具体流程是：

第一，从关键用户的视角，梳理完整用户旅程图。

用户旅程图-考勤

此环节有两个关键点：

明确你的产品的关键用户（如HRBP/店长/班组长等）与关键客户（如老板/HRD等），并确认你当前所想服务的角色；
尽量换成用户视角去梳理与绘制。

第二，全面梳理与拆解场景，并确认关键场景与关键功能优先级。

基本逻辑是：横轴是【场景】，纵轴是【功能维度】。此处为方便，直接采用Excel表方式，但逻辑是一致的。

全场景图

根据对关键角色的场景判断，可形成以下优先级：

P0：排班、调班、加班
P1：假期（限年假）、报表
P2：工作台、考勤确认、补贴、扣款、外出/出差
P3：假期（非年假）、打卡

一期可聚焦P0场景，按场景频次（越高频越优先）、通用性（越通用越好）、AI复杂度（越低成本实现越优先）、用户价值（越大越优先）四个维度，至少再分拆2-3层子场景/功能的优先级。

比如排班场景。

第一级可按流程进行子场景进行拆分，第二级再按子场景中的不同功能进行拆分（如下图）。

排班场景拆解

比如加班场景。将其进行二级拆分后的优先级（如下图）

加班场景拆解

第三，明确【最小闭环】的【小切口】，形成版本落地规划。

关键场景规划

最后，根据客户反馈与上述场景，不断纵深，不断演化即可。

总结

第一，所有产品都值得用AI重做一遍（B端产品也不例外），但一定遵循【需求是1，方案是0】的方法论。

需求成立，方案才有价值。需求的核心是，定义清楚所需解决的问题；方案的核心是，定义清楚产品形态、产品定位与产品路径。

第二，可采取【以终为始，全面梳理；以始为终，最小闭环】和【小切口，大纵深】的方法论，进行AI产品的产品形态、产品定位与产品路径的定义；

第三，产品形态。B端产品应用AI的终极产品形态，一种基于多模态和自然语义交互的智能体（即专用的AI Agent）。但当前的最佳切入点是【以单一模态（即文本）和自然语言为主，结合碎片化/场景化业务能力的智能体】。外在表现为一个【聊天】+【执行任务】的小助手。

第四，产品定位。它不是新系统，却是一种新型入口，也是一个超级入口。采用新型交互方式，重新设计现有所有产品的入口。它与现有产品的关系，前期是“助手”，后期是“接班人”。

最后，AI应用的关键在于“养料”与时间周期，它是一个长期工程，别期望一蹴而就。前期它可能并不如你所预料的那么神奇，也不能解决你所面临的所有问题，但只要花足够的时间和耐心去储备足够的“养料”，也需花时间去与它一起进化，最终可能会形成一个新物种。