一次飯局討論，讓我重新理解了對客智能體

上周和一位好久沒聯系的前同事約了頓飯，他現在是一家知名金融SaaS企業的CTO，席間他給我講了他們的一個困惑：

現在公司要求全員向AI轉型，他也帶著團隊打造了一款對客智能體。現在這款產品已經打磨了1年，數據鏈路打通了，流程也跑得起來，邏輯覆蓋度和意圖識別準確率也比一年前高很多。可一談到推向市場，大家還是很猶豫。

他問我：“這產品到底怎么才算是能達到上限標準？上了會不會被用戶罵？是轉方向還是要繼續投入？”

這類問題我這兩年做項目聽得還挺多的。大模型能力提升很快，企業內部如果只是做出個能對話、給建議、生成結果的智能體，還是相對容易的。但真正的難點是：上線后有沒有人用，能不能形成一個穩定的業務價值？否則團隊閉門造車，最后只會越做越重、越做越像是個永遠上線不了的研究項目。

吃完那頓飯，我發現自己對“對客智能體”這件事，也重新建立了一套更清晰的理解。趁熱乎勁兒還沒過，就趕緊寫篇文章，借此機會把這套思路用可操作的方式給大家講清楚，方便你直接拿去對照自己的項目。

一、對客智能體能不能上，判斷標準不在技術，在結果

坦率說，對客智能體的上線標準，比對內要嚴格得多，尤其他們要做的產品，面向的還是垂直領域的企業客戶，萬一AI輸出的結果出錯，影響范圍還是非常大的。

不過在我問了一些技術上擔心的難點后，我的那位CTO同事非常自豪地告訴我，他們已經在自己的業務領域積累了很多行業數據，同步也打通了相關交叉領域的外部數據，我提到的一些復雜的查詢場景，也能用多輪澄清、再輸出候選方案的方式基本覆蓋。但就算是這樣，他們仍舊無法確認這產品是否“合格”。

我問他為什么，他給了三句原因：

• 技術雖然能跑通，但用戶的需求很難預測

• 場景涉及的變量太多，很擔心實際體驗不穩定

• 市場上對大模型的熱情和是否真實采用之間，還是有差距

這些顧慮，聽上去像是技術問題，但往深處想，真正的難點，在于決策體驗、用戶信任和商業價值。

在一個智能體項目中，判斷其成功的標準其實就一句話：

用戶愿意反復用，且能持續把關鍵指標往好的方向推。

這里有兩個關鍵詞：反復用、關鍵指標。

只要任何一個不成立，就算技術不是問題，也很難成為一個能長期投入的產品。

所以我給企業做判斷時，也會先向客戶明確這3個問題：

1. 用戶愿意把哪一段決策環節交給你？

2. 用戶從第一次體驗到產生信任，要經過幾步？

3. 企業能否把價值算明白？

通過這3個問題，把判斷標準從技術方案，拉回到結果的可行性上。

二、對客智能體的兩條路線：執行型與決策型

在很多項目里，我發現最容易造成團隊混亂的，是產品定位不清晰。通常來講，對客智能體會走向兩種路線：

• 執行型：盡量替用戶做事，把流程自動走完

• 決策型：幫助用戶把選擇做得更穩，降低決策成本

執行型的想象力很強，技術挑戰也更大。決策型更克制，價值也更容易被驗證。

這兩種類型沒有好壞之分，因為在不同業務里，它們能發揮的價值不同。

而我在做定位時，會先看一個關鍵變量：用戶的容錯空間有多大？

• 容錯空間越小，執行型越危險。

• 容錯空間更大，執行型才有機會形成閉環。

差旅、金融、醫療、法務這類場景的共同特點很明顯：用戶對結果敏感，出錯的代價高，信任建立慢。這種情況下如果想通過流程自動化來解決效率問題，就很容易給自己挖坑。

所以那天的飯局上，我給出了一條很明確的判斷依據：如果你提供的AI產品，用戶對結果的容錯空間太小，那就要把方向從執行型收斂為決策型，先跑穩最核心的價值，再談更自動的執行能力。

三、判斷能否推向市場的四項硬指標

可能是產品經理的職業習慣吧，當討論陷入空對空的概念爭論時，我會傾向于用指標來對齊預期。

下面四條，是我在多個項目里會不斷強調的成功上線標準。它們都很樸素，但管用：

1）首次體驗的完成率與放棄點

AI產品，尤其是對客智能體，最致命的問題通常發生在前60秒。用戶第一次試用時一旦覺得麻煩、不穩定，會很快流失。

因此我通常建議把首次體驗拆成5個關鍵節點去看數據：

1. 用戶是否能在第一輪就進入正確流程

2. 澄清問題是否用戶愿意回答

3. 用戶能否在 90 秒內拿到可行動的結果

4. 用戶是否還要回到傳統方式自己查一遍

5. 用戶在哪一步退出最多

如果完成率上不去，就先別急著把功能做復雜，而是先把前兩輪對話打磨到讓用戶覺得省心。

2）澄清輪數

對客智能體的澄清輪數過多，體驗基本就崩了。

我給過很多團隊一個簡單的上線門檻：平均澄清輪數控制在3輪以內。

• 超過3輪，用戶會覺得你在審問他。

• 少于3輪，很多場景又容易給不出靠譜結果。

這個閾值在很多項目里都很有效，可以先拿它作為目標。

3）結果采納率

對客智能體的結果，如果用戶很少采納，產品價值就會被質疑。

在業務復雜、風險較高的場景里，我常用的參考線是：結果采納率達到30%以上，并且能穩定維持。

如果連三成都不到，說明智能體在用戶眼里還沒有成為可靠的助力。你可以繼續優化，但不宜大規模曝光。

4）人工兜底比例和投訴率

對客場景一定會出現異常情況，關鍵在于異常是否可控。

我通常會要求客戶觀察兩個趨勢：

• 人工兜底比例能否逐步下降

• 投訴率在放量后是否穩定，不能出現明顯跳升

這里面有個很現實的經驗：很多團隊在小流量測試時表現很好，一放量就出問題。原因往往就出在數據超邊界、規則沖突、異常輸入處理不當、以及產品提示不足這些細節問題上。

四、產品定位的落地拆解方法

聊到最后，我把話題又拉回到產品本身，想聽聽他是怎么定位這款產品的。

他說了一句讓我印象很深的話：

“我們希望能幫用戶自動生成一套完整方案，但總感覺哪兒不對。”

我當時的判斷是：這個方向的問題，大概率出在“自動生成方案”這個目標上。

只要用戶對決策結果存在顧慮，他們就會反復檢查模型的答案。這樣一來，智能體不僅沒有幫忙，還增加了額外心理負擔。

基于這點，我們重新梳理了這個產品的定位，把它調整成一個對客場景的“決策助手”，而不是自動方案生成工具。

二者的區別是什么呢？下面這兩件事，我認為是決策助手更應該專注的點：

1）用戶不知道怎么選時，逐步引導他完成候選清單

這類助手的職責，不是直接給答案，而是讓用戶在幾步之內理清思路：

1. 先確認關鍵約束（預算、偏好、時間區間）

2. 再提出 2–3 個明確的澄清問題

3. 最后匯總成一個結構化的可選清單

這個過程有助于降低不確定性，讓用戶感覺這是在AI的幫助下，逐步完善自己想法的過程，最終獲得一個可接受的方案。

“讓用戶參與到最后一公里中”，是目前AI產品獲得成功的關鍵原則。

如果用指標來衡量其是否可行，可以關注如下三項：

• 90 秒內產出清單的轉化率

• 澄清輪數是否不超過 3

• 清單采納率是否達到 30%

決策助手的第二個價值，是幫用戶確認當前的選擇是否是最佳方案。例如判斷當前方案：

• 有沒有違反企業政策

• 有沒有性價比更高的替代

• 有沒有隱藏風險（換乘間隔、退改簽限制、低評分等）

• 是否值得按原方案下單

輸出也可以固定成更結構化的格式：

• 建議結論：建議下單/建議換一個

• 觸發原因：哪條規則、哪項風險

• 替代方案：一到兩個即可

• 用戶需要確認的事項：兩條以內

這是我更建議他們團隊做深的一塊，原因很簡單：它更容易形成企業付費理由，也更容易降低風險。比如減少企業違規風險，避免被打回返工浪費的時間，還能幫企業節省預算，匹配出最優性價比的方案。

相比自動生成方案，這種服務為用戶提供了另一種安心感。

因此，只要從兩項出發找準定位、做出效果，銷售團隊也就能把故事講清楚，產品也會更好賣。

五、上線前還要cover住的三大成本

實驗階段，不斷放大模型能力來秀肌肉、造場景、擴功能，這都無可厚非，但真正要對客時，如果想不到這些成本，你的智能體就只會消耗在無休止的迭代里：

1）信任成本

用戶不信任你時，通常會出現下面三種典型行為：

• 反復追問同一個問題

• 拿它的答案去和其他渠道對比

• 只當作參考，不做實際動作

這些不信任行為帶來的額外成本，無法通過加功能解決，而是要在產品設計上，讓輸出結構化、可解釋，并允許用戶快速修正話術，不讓他再輸入一遍。總之就是盡量在前兩輪對話把約束說清楚，讓用戶覺得AI真的理解了他的訴求。

2）邊界成本

對客智能體最容易遇到的問題，就是基于模型能力倒推用戶需求，拿著錘子找釘子，最后的結果就是需求越堆越多、范圍越做越大、質量評測也會越做越難

為了控制邊界成本，我的建議是：

先定義10個高頻問題類型，跑穩一個閉環，建立評測集，作為一個迭代中期，之后再擴展到30個、50個，以此類推。

只要你愿意把邊界寫出來，團隊就會省掉大量無效投入。

3）運營成本

對客智能體上線后，必然會進入到運營階段。這里的運營，可不只是拉個群，回復下用戶反饋。因為你會發現：

• 答案結構要不斷迭代

• 規則和政策會持續變化

• 用戶輸入模式會多種多樣

• 評測集也要持續補充

很多團隊的預算只考慮了開發和模型成本，根本沒想著要運營這件事，最后就會出現上線后質量下滑、口碑反噬。

我通常會建議企業把運營機制當成產品的一部分設計，并在規劃時就要產出運營方案，包括但不限于：

• 每周收集Top問題并召開復盤會議

• 每周補充評測集并更新評測結果

• 每兩周檢查下規則與提示的有效性

• 每月跑一次大盤指標復核

這些動作聽著像是管理動作，但它們決定了智能體能不能長期穩定。

六、這頓飯后，我總結了對客智能體的三個判斷條件

雖然只是簡單地吃了頓飯，但對我而言，每次和高手的交流，都是對自己認知的一次復盤。

總結下來，一款對客智能體是否可行，從下面三點判斷就足夠了，如果無法同時滿足這三項，最后的市場化道路就會非常艱難：

1）用戶愿意把部分決策交給你

判斷方式很簡單：

• 能否在三輪對話內，把用戶的心態從迷茫變成清晰

• 是否真正幫用戶節省時間

• 用戶愿意采用智能體方案的比例能否達到三成以上

這決定了用戶是否愿意繼續使用。

2）場景的邊界和結構是否足夠明確

越能拆出結構化要素的場景，越適合作智能體，判斷標準如下：

• 需求能否被明確描述

• 變量是否能枚舉

• 規則能否被拆解成多套穩定的邏輯結構

• 模糊判斷是否可控

如果這些都不具備，越是想靠自動化提供服務，就越會給用戶帶來更多困擾。

3）企業能否從中獲得直接價值

對客智能體如果只是提升體驗，而缺少商業價值，就很容易被擱置。

因此要先問問自己，你的智能體，能否幫企業增加訂單、提升轉化、減少人工成本、規避不合規風險，又或者可以提升客單價或業務深度。企業要看到這些數字，才會愿意長期投入。

結語

對客智能體這兩年非常熱，很多團隊愿意投入，也投入得起。但真正稀缺的東西，反而是判斷什么時候該收斂，什么時候該放量，什么時候該停，什么時候該換方向。

這頓飯讓我更加確信：

對客智能體要想走得遠，靠的往往不是更大的想象力，而是更清晰的邊界、更穩定的體驗、更可計算的業務價值。

如果你的團隊正在做類似的產品，建議你把這套判斷閾值拿去對照一下。很多問題并不需要花太長時間討論，數據自然會給出答案。

希望這次飯局里討論出的經驗，可以成為你在思考智能體定位時的參考。

我是申悅，前互聯網大廠產品人，現在是一名All in AI的企業AI轉型咨詢顧問。歡迎加我好友互相交流。

回復“ 微信 ”，加我 個人微信