开场0:00
欢迎收听 《 十字路口 》， 我们关注新一代 AI 技术浪潮带来的行业新变化和创业新机会 。 十字路口是乔布斯对苹果公司的一个比喻 ， 形容它站在 " 科技与人文的十字路口 "， 伟大的产品往往诞生在这里 。AI 正在给各行各业带来改变 ， 我们寻找 、 访谈和凝聚 AI 时代的 " 积极行动者 "， 和他们一起探索和拥抱新变化 、 新的可能性 。
我是主播 Koji Yang Yancheng， 联合创办了 《 接旁 》《 新世相 》 和 《 躺倒 》。 我相信科技 ， 尤其是 AI， 会在未来 10 年彻底改变社会 ， 赋能人类 。
欢迎大家找我聊天 ， 碰撞想法 ， 链接下一个可能性 。 Hello， 大家好 ， 欢迎来到新一期的 《 十字路口 》。 我们之前有一期播客是 《AI 在中国 》， 我和云九资本的合伙人任鑫聊了 10 个在中国的企业里面将 AI 落地的案例 。
这一期播客得到了非常好的反馈 ， 那在 10 个案例当中有 2 个大家听完之后，2 个大家觉得最有启发的 ， 分别是百药师和暖哇科技 。
因此今天我们邀请到这 2 个项目背后的操盘手和业务一号位 ， 来给大家更深入地介绍这 2 个案例的来龙去脉 。
那在 AI 应用的领域 ，其实最近有一个非常大的讨论焦点 ， 就是 AI 应用到底有没有 PMF。 很多人都说还没有 ， 那事实真的如此吗 ？
几个月前我就一直有一个观点 ， 这一轮的 AI 并非没有 PMF， 只是很多的 PMF 没有发生在 C 端 ，而是发生在优秀企业的内部 。在内部发生的 PMF 往往不被外部所知 ， 这也是我们做这一系列播客节目 《AI 在中国 》 的原因 ， 想让大家看到更多优秀企业的 AI 实践 。
当然这些实践不一定是属于创业公司的机会 ，但是它们能够证明 AI 的商业价值 ， 让大家对 AI 建立更多的信心 。
随着技术的成熟和大模型成本的下降 ， 一定会逐步外扩 ， 惠及更多的企业和消费者 ， 带来更多创业的新机会 。
那今天我们两位嘉宾 ， 一位是李浩荣 Leo， 她是我 2011 年前后在 《 接旁 》 时期的同事 ， 现在她是百药师的总经理 。
而百药师是一家连锁药房集团旗下的 AI 技术创新公司 。 我们另外一位嘉宾是莫子皓 ， 那子皓是暖哇科技的合伙人和 COO。
暖哇科技是一家专注于健康险领域的保险科技公司 ， 子皓也是在暖哇科技当中积极地将 AI 落地到了业务的一线 。
我们的第一个问题想要问子皓 ， 暖哇科技作为一家保险科技公司 ， 你们是怎么将 AI 技术融入到健康险的业务当中的 ？
暖哇实践2:35
能不可以做一些具体的应用场景和成果的分享 ？
我们有一家保险经纪公司 ， 然后一年大概 30 多个亿左右的规模 ， 然后主要都是在线上投放的方式来做获客 。
然后线上获客在用户线上成交完了之后 ，其实我们就会让用户加企业微信 ， 然后在企业微信我们在里面就会进行整体的 ， 包括客户服务还有客户营销 。
因为获客成本在这个时代都很高 ， 所以说后面到底它的 LTV， 还有说加付购 ， 还有说它的续期率 ， 对我们整体的营收都有很大的影响 。
然后另外一块在于说是电话销售也是对客户服务一块很大的这样一个助力 ， 所以说我们整体在整个体系内大概有 200 个左右的全职的主要在企业微信里面做销售的这样一个员工 ， 然后还有差不多 2000 个左右的电话销售 ， 然后大模型主要是做 Sales Agent 辅助这两块的员工 ， 然后去做整体的那个效率的提升 。
企业微信这一块的话 ， 我们会把它分为三个阶段 ， 然后第一个阶段是一个热度线索进来之后， 然后原本其实我们希望销售去做很多的这个第一天 、 第二天 、 第五天 、 第十天的 SOP，但过去其实我们能理解管理销售是很麻烦的 ， 我们只能管理结果 ， 它做得好不好和它有没有做都很难追 ， 或者追得太多之后业绩就不好了 。
追得过了之后业绩反而会不好 。
对 ， 你可以理解为其实我们对销售的管理是松弛有度的 ，因为你如果要求销售做很多很多事情 ， 销售会做不过来 ， 或者说你的管理就管理没有重心 。
所以说其实你理解一般的销售场景都是早会 、 午会 、 夕会 ， 一天会让他做大概的事情 ，不会有特别多件 ， 否则其实你自己也追不过来 ，他也做不过来 ，他就会觉得好像把最重要的关单这个事情给遗忘了 。
所以说我们首先是用大模型去解决 SOP 执行率和如何执行的问题 。
其实 SOP 没有变 ， 只是用大模型来去帮 SOP 执行得更好 。
对 ， 我就举一个很简单的例子 ， 说是我们在线上完成了承担 ， 然后第一天加了企业微信 ， 我们会要求我们的坐席跟他去解析保单 ， 然后去做加付购 ，但第二天我们就会筛选第一天可能没有加付购或者没有完成解析保单的这些用户筛选出来 ， 我们希望坐席再去追一道 。
但这个事情其实过往的执行率可能就 30% 多 。
就这么简单的 SOP 执行率都只有 30% 多 。
因为有很多比它更重要的 ， 所以其实你追也不是追得很紧 ， 前面已经说了 5 个事情了 ， 第 6 个事情你要做到它也不当回事 ， 对吧 ， 这个就很容易理解 。
那在过去其实也没有办法因为 SOP 执行不到位就去给销售扣钱或者怎么样 。
其实很难的就是你扣的钱的地方多了 ， 销售业绩不好 ， 或者说销售又离开 ， 对吧 ，因为其实本质上人员也是一个很大的一个竞争的要求 。
对 ， 所以说过往其实在这个动态平衡里面 ，因为电商和企业微信销售不是一个很新的一个行业 ， 所以它的管理范式其实上是在一个它能够做多少事情 ， 我们能够管多少事情 ，其实是一个比较平衡的一个点 。
好的团队可能管得更好一点 ，但更好一点你也不可能突破天际 。
明白 ， 那 AI 怎么帮 SOP 落地 ？
现在其实就等于说做了整个范式转移 ， 整个范式转移在于说是我不是监控它有没有做 ， 我是直接帮它做了 。
像我刚刚做的这个例子 ， 我直接我用大模型 ， 我能看到它第一天的通话 ，因为企业微信可以同步历史聊天 ， 然后历史聊天我能看到第一天没有去做保单解析 ，也没有加付购 ， 那么我在第二天的合适的时间我就直接会动态地生成一个文案去邀请这个坐席跟我 ， 就是客户跟我们去做下一步的保单解析和整体的加付购 。
然后我刚开始上线的时候 ， 等于说是坐席还要点一部同意 ， 它才会发出去 。 那后面通过了各种的这样一个迭代之后， 坐席的同意率超过了 97%， 现阶段其实我们这个 SOP 的执行是 100% 直接发出去 。
直接发出去完了之后， 用户会回复我们 ， 然后我们用户回复之后， 我们会去基于用户的意图做标注 ， 来做意图识别 。
简单来说 ， 如果用户说没有时间 ， 那我们就会生成一个自动回复说 " 那你什么时候有空 ？" 其实生成会更复杂一点 ， 然后会跟用户做对话 。
那如果用户说 OK 的话 ， 我就转成一个工单 ， 然后直接让坐席去跟他做语音或者直接做整个保单解析 。
那么整个 workflow 会持续 T+1、T+2、T+3 三个节点 ， 然后完成这一个动作的 SOP。 那么后面第 4 到 6 天可能就是服务 ， 那那个服务可能就会进到我第二个 Agent 来做这样的一个管理 。
听起来其实很像给每个销售又配了一个助理 ， 这个助理去帮他把 SOP 给完成了 。
我觉得其实是这样子的 ，其实在这个阶段里面是做人机结合 ， 就等于说是原本一个销售 100 个时间单位里面有 70 个时间单位都在做 SOP 的整理 ， 或者说我们要做要做的事情 ， 只有 30 个时间单位在做关单 。
现在我们把前面那个事情可以做了 ， 用大模型来做 ，并且做得可能更好 。
也就是重复的事务性的工作交给大模型来做 。
我们作为互联网人， 我们脑子里面想象的客户管理 、 客户服务的这个所谓的 user journey 和现实中发生的过往都是会有巨大的差异的 ，但这个差异其实我们过往没办法解决 ， 没办法看 。
但现在通过大模型 ， 我们可以让它完完全全沿着这个 user journey 走 。
其实今天不管是这个 Leo 还是子皓 ， 两个人的背景是有相似之处的 ， 之前都是在非常典型的互联网公司 ，不管是阿里还是 。
轻松愁 ，但是今天你们分别到了一个保险科技公司和一个连锁药店 ， 那其实这个身上肩负的重任都是如何帮这个公司做更好的信息化 ， 尤其在 AI 技术的加持之下做更进一步的这个信息化的转型 。
那这里面一定是有这个来自过去的互联网所谓的效率 、 理性的思维和在一个复杂的传统行业里面的繁琐的各种各样的现实情况之间的冲突 。
那刚才其实子皓举了一个例子 ， 然后可不可以请 Leo 也先简单讲一讲说在这个百药师你们面临的有哪些困境 ， 然后你们用 AI 又是怎么再去解决这些问题的 ？
百药师赋能8:18
好 ， 我是 Leo， 我所在那个公司叫百药师 ， 它现在其实是一个有 15000 家门店规模的一个连锁药店下面的一个 AI 创新的类似子公司吧 ， 一个部门 。
然后当时给我们那个课题是这样子的 ， 就是我们这个零售业态可能跟其他的可能零食或者说是其他类型的零售门店都不一样 ， 就顾客进店可能有一部分的顾客他可能会有很明确他想要买什么商品 、 买什么药品 ，但是还有 20%、30% 的顾客他其实进店的时候不知道自己想买什么的 ，他只知道自己想解决什么问题 。
比如说他进来说 " 我觉得我有点背疼 "， 或者说 " 有点咳嗽 ， 我该吃什么药 ？" 那在这个情况的时候 ， 就是我很考验的东西 ， 就是我那个销售员或者说门店那个药师 ，他能不能这个就是抓住顾客的这个痛点需求 ， 然后给他一个用药的建议 。
过去我们的这个行业里面 ， 就是因为门店现在全国的这个药店应该有 60 到 70 万家 。
中国有 60 到 70 万家药店 。
之前这个行业就说比什么奶茶店都要多的 。 对 ， 然后门店多的一个就是瓶颈 ， 就是我招不招到这么多好的药师或者门店店员 。
因为如果你要这个给到一个科学的 ，而且是能够满足顾客一些消费要求的这个建议的时候 ， 对他的专业的这个能力以及他可能这个叫什么观察顾客的这个消费能力 、 他的倾向 ， 这种能力 ， 两个能力的要求都很高 ， 那你就很难其实在门店快速拓展的时候 ， 你能够及时补上这么好的人才 。
你们给的这个销售人员的工资会比其他的这种销售门店高吗 ？
对 ， 这个是另外一个问题 。 我们这个行业本身的这个净利润率也不是特别高 ， 加上就是我们很多都是就是二三四线城市 ， 所以其实给到这个药师的工资就是可能月工资在平均刚毕业可能 2000 多到可能 5000 多左右 。
所以其实是一个对这个药师的要求很高 ，但是其实薪资也没有办法给得非常高的一个这个中间地带 。
对的 ， 确实 。
所以在这个情况下面 ， 我们的一个就是业务的痛点就是说我用什么办法技术的赋能的方式让我可能招的这个药师或者店员吧 ，他只要满足一个条件 ， 就是他可能比较开朗 ， 愿意跟顾客聊天 ，但是他的这个专业能力上面我能不能给他做一些补充 。
我们面对这个课题的时候 ，其实就是我们做了一个能力 ，其实有点像这个 Copilot， 我们做了一款能力是当顾客进店他跟店员做交流的时候 ， 这个我们这个工具它会去识别这个对话的内容 。
我们做了一些关键词的提取 ， 就比如说一些病症 ， 提取完了以后我们去理解也是这个店员或者顾客的意图是什么 。
那比如说你可能指定某一些药品 ， 或者说是你想有一些症状 ， 你到底想要店员提供的什么样的用药方案 。
店员其实很简单的操作 ， 可以帮助第一点就是先稍微断一下他的症 ， 比如说他可能提到自己咳嗽 ， 可能有些流鼻涕 ， 那我们可能就会辅助他去问几个最基本的问题 ， 比如说如果你是发烧的话 ， 你烧了多久 ， 你烧了几度这种 。
那不要少看这个问题 ， 这个问题其实如果是给一个小白店员 ， 我们叫小白 ， 就可能是经验不是很丰富的店员 ，他可能问得没有那么清楚的时候 ，他可能给的用的那个药就可能不一样 ， 特别是那种感冒这种 ， 我们有分什么风寒感冒 、 风热感冒 ， 用的这个药品其实都可能是完全不一样的 。
那所以我们第一部分就是帮他通过可能四五条问题先锁定这个顾客他大概的病症 ，他的病是什么病 ， 然后再基于这个病 ， 我们再给他这个推送一款一系列的这个用药的方案 。
这个用药方案就会包含我们所谓的主要 、 辅助用药跟那个关联用药 。在以前吧 ， 就是一般来说那个销售员他可能或者店员可能给顾客去聊的时候 ， 你是咳嗽是吧 ， 我就给你咳嗽药 ， 可能就结束了 。
那这种情况下面我们就会发现我们有个指标关注的是叫一品单率 ， 就是你到门店在某一个订单里面你卖出几个 SKU， 如果只有一个 SKU， 我们就认为它叫一品单 。
一品单大概率就是代表说就是这个销售员他没有这个用力去做一些关联销售 。 这个关联销售本身除了帮助我们做这个业绩提升以外， 它有很重要的作用 ， 就是很多时候我们的疾病确实不是一个药品就解决掉的 ，其实你可以搭配一些其他的辅助用药 ， 你可以缩短疗程或者说就是减少这个副作用 。
但这种就专业的知识 ， 或者说是可能门店有其他这个 SKU 的这个可能性 ， 可能店员很多时候就忽略掉 。
就他即便要搭配用药 ， 店里面可能也没有那个药 。
对 ， 就是我们推的这个主要 、 辅药 、 关联用药会优先先考虑门店首先有没有库存 ， 首先你可能推完以后可以卖掉 ， 对吧 。
然后第二就是我们可能也会根据这个不同的区域 、 地域 、 当地的这个用药习惯来给他一个更符合当地用药习惯 ， 就是说白了就是成效转化率更高的这个就是药品的推荐 。
然后这个店员就会按照可以按照我们的这个建议把这个用药方案给到这个顾客 。
在有这个 Copilot 之前 ， 就是这些培训是非常原始的方法在做吗 ？
其实所有的连锁药店它都会有一个部门叫训战部或者说培训部 ，他们的工作就是做 PPT， 然后召开培训大会 。
那但因为就是现在门店也多了 ， 人员也这个非常的这个反正全国各地嘛 ， 那他们一般现在培训都是在这个下班以后， 然后可能晚上 8、9 点 ， 就是人流比较少的时候开一个腾讯会议 。
但说实话 ， 它的效率是有天花板的 ， 对吧 。 一方面是这个店员都已经晚上很累了 ，他可能还有其他可能盘点什么工作 ，他很多时候就开着这个腾讯会议就挂在这 ， 就不一定真的是把这些培训内容听进去 。
第二就是你培训完嘛 ，因为说实话一个药店平均下来门店的 SKU 可能两三千个 ， 就是你培训的知识这个就是非常的非常的多 ， 那对店员来说你真的能不能学会也是非常挑战的 。
那在过去曾经有尝试过用比如说机器人来解决这样的问题吗 ？
如果你看这个行业的话 ， 就像美团什么的 ，他们会做一个叫无人药店 ，他们会可能是一个柜子 ， 要么就放在一些这个人流量比较大的地方 ， 你去买 ， 顾客就自己去点单了 ， 然后就出药了 。
那但这种情况就是它最多就只能解决少批量 ， 可能专业要求没有那么高的 ， 可能快消属性比较强的那种品类 。
但是如果你做一些复杂一些的这个 ， 甚至说你可能因为药店还有很多你需要凭处方过来去买药的 ， 反正有很多一些合规药品的本身的背景 、 品种 ，有一些限制导致这种无人药店不能做 。
销售全流程15:28
了解 。 对 ， 子皓刚才提到你们在去落地 AI 的时候 ，是把这个整个工作流程分成了三个阶段 ， 刚才介绍了第一个阶段 ， 可不可以请你再往后讲一讲 ？
第二个阶段其实就是像 Koji 上一期播客其实有聊到的在于说是我们整体会把一些销售其实他一天都有很多销售机会 ， 然后他自己不愿意去追的 ， 或者说他一天可能有 200 个机会 ，他去追的可能就前 30 个 ，他觉得单位时间投入成本算得过来的 ， 剩下他就可能不去做了 。
然后在第二个阶段其实我们用 AI 直接把这些事情去做了 。 就举个简单的例子在于说是像续期 ， 像续保 ， 用户没有交保费了 ， 那这个时候其实你希望他去追嘛 ，但其实他很多时候优先级放得很低 。
那我们现在直接就会把这个客户的名字 、 应该交多少期保费 、 链接什么的直接就会生成一个任务 ， 直接发给客户 ， 然后客户回复完了之后再去做整体的挽留 、 意图识别 ， 还有说多人交互 ， 最终他直接去服务不了了再回过头来转给坐席 。
这些都是通过企业微信还是通过电话 ？
企业微信 ， 都在企业微信里面去做的 。
为什么没有通过电话呢 ？
其实我们整个电话一个是电话外呼需要成本 ， 另外一个是电话外呼目前其实更多的纯 AI 的可能只能做到通知类的 ， 或者说是带流程这一类的 。
对 ， 然后整体可能在一些复杂场景里面不太好做 。 另外一个点在于说是整个企业微信的触达是不需要成本的 。
对 ， 然后企业微信其实包含了群发 ， 包含了朋友圈 ， 包含了整体一些策略 ， 所以说整体可能跟原来的互联网的 T+S 策略更像吧 。
在有大语言模型之前 ， 理论上也可以通过群发的方式去给用户下达一些这个机会点时候出现的通知 ， 那现在有什么不一样吗 ？
原来其实因为每一个用户你希望他是有自己专属的链接和他不同的这个不同期 ， 然后不同的钱这些 ，其实原来的所谓的企业微信群发是你圈一个用户群 ， 然后这个用户群发的是一样的事情 。
但现在有了 LLM 之后， 再加上一些 RPA，其实等于说是你真的做到是 100 个人发的是 100 个不一样的 ， 等于说我只圈一个人来发一条消息 。
对 ， 这个跟原来是有蛮大的区别的 。
就是效率确实大大提升了 。
对的 。 然后另外一个点就是我们在发这个策略之前 ， 我们都会先去判断用户有没有负面意愿 ， 用户最近是不是有频繁接触 ， 还有一个是用户跟销售是不是正在沟通 。
如果符合这几个事情 ， 我们都会把他的这个发送时间会改 。 然后其实就举个例子在于说是过往其实销售正在销售的时候 ，他也会收到很多群发任务 ，他通常都不会立马做放行 ，他都会在他下班之后做放行 。
为什么呢 ？ 因为我在跟你聊 ， 我要卖一个东西 ， 对吧 ， 突然之间你给我搞一个节日祝福很大 ， 就特别奇怪 。
一看就是你到底是不是机器人。
对 ， 所以说他都会把这种我要求他必须放行的这种任务都会放到下班之后再放 。 那这种其实一个是转化率不高嘛 ， 这下班了大家也不看 ， 另外一个在于说用户回复的时候他也回复不了 。
所以说在这里面去做整个大模型来控制这些事情能够带来一个蛮大的一个提升 。
今天这个子皓和 Leo 分别代表着两种特别不一样的场景 ，因为子皓的这个暖哇科技是纯线上销售 ，但是在 Leo 这边我们做线下的连锁药房 ， 它基本上是一个纯线下的销售 。
落地挑战18:27
对 ， 所以其实我们今天在聊的是就是 AI 怎么帮助销售分别在线上的场景和线下的场景 。 那其实我听起来觉得这个可能这个在连锁药房里面要落地 AI 是相对更加困难的 ， 更不容易的 。
是的 。
那可不可以 Leo 讲一讲就是有哪些难是我们能想到的难 ，有哪些难是我们其实都没有想到的难 ？
难度非常的高 。其实我经常非常羡慕这个就是线上销售这个环节数字化嘛 ， 线下其实很难 。 我说一个最大的难题吧 ， 就是我们在线下这个场景 ，因为毕竟还是这个真人面对这个顾客 ， 所以我能做到我最理想状态是我能够了解现场发生了什么 ， 然后根据这个发生了什么给一个最好的这个建议 ， 销售的方案或者说是一些话术的提示 。
但很多时候哪怕我给了这个很好的提示或者说很好的用药方案 ，但是前线的销售他就是不采纳 。
他什么原因会导致他不采纳 ？
我们在做很多分析的时候发现最大的一个原因是这个前线的店员他觉得我们给的方案不对 ，因为店员自己本身不是那种完全是小白嘛 ，他有一些自己的学药或者说是接待顾客的这种经验 ， 那他会带着自己的一些因为经验带来的一点点的偏见 ，他会认为有的时候我们推的那个商品其实不是最正确的 ， 或者说他有时候会觉得这个东西会不会有点贵 ，
或者说没有那么常见 。 所以他基于这个就是不信任吧 ， 然后他也不想冒这个风险去跟顾客开口说要不要尝尝这个商品 。
所以我们面对的困难就是我们认为的正确答案给到这个店员了 ，但店员不采纳 ， 或者说他不敢开口 。
那这是一种我们在人际协作上面我们怎么取得这个店员信任的一个难题 。 然后第二个大的难题就是哪怕这个店员他觉得我们给的答案确实是对的 ， 或者对他是有帮助的 ，但他可能在过去的这个就是场景里面他其实没有试过 、 讲过 、 推荐过这个药品 ， 所以他也不知道到底推出去的结果怎么样 。
然后他有个心理就害怕这个顾客就是拒绝他 ， 这个更多是心理的这么一个问题 。 这种经常出现在什么情况呢 ？
就是比如我刚刚提到我们给顾客建议的时候 ， 一般会分主要 、 辅药跟关联用药 。 主要一般来说就是对症的 ， 比如说你咳嗽 ， 我给你主要就是首先要先让你的咳嗽得到缓解 ，但你咳嗽的背后可能是因为你呼吸道感染 ， 所以你可能要吃一点抗生素什么的 ， 或者说就是我们给你一些维 C 增强你的抵抗力 ， 所以你好得快一点 。
那这种我们叫辅药或者说关联用药 。 那一般来说我们会根据他的主要病症给他这种就是关联的 。 那那个店员可能就是根据现场他看着那个顾客可能不是那么和善 ，他可能就担忧自己推了这些东西会被骂 ， 说你是不是想要坑我 ， 那他就不敢开口了 。
所以这种情况其实我们也看到很多 。 所以这两个挑战我们是目前在想办法去解决的 。
有什么好办法吗 ？ 这两个挑战 。
解决的办法我们现在说实话没有完全解决 ，但是我们的思路是这样子 ， 就是在第一个难题是店员不信任的问题 。
那我们现在解决思路就是我们首先先关注的是我们推荐的这个商品 ， 或者说这个方案 ， 店员的采纳度首先要比较的这个达到一定水平 ， 比如说百分之八九十这样子 。
那在这个时候我们就不纠结我推的东西到底是不是真的是最优的方案 。 我可能打个折 ， 我们会考虑过去这个店员以前推过什么 ，他比较容易接受 ， 那我们就先把他对我推荐的结果的信任度给拉上来 。
那第二个难题就是哪怕就是我刚第二个点是我如何 ， 哪怕我这个店员觉得我这个答案是对的 ，但他我怎么让他开口的时候成功率更高 。
这个很有趣 ， 很想知道你们怎么做 。
这个其实我们现在也是一些 MVP 的状态 ，是找那些所谓的大单品 。 我们在过去其实营销部门他有一个工作 ， 就是他会去了解这个商品 ， 从厂家也好 ， 或者说自己市场调研也好 ，他会去提炼这个商品的一些所谓的卖点 。
这个卖点以前他是非结构化的 ， 什么意思 ？ 他是做一个 PPT， 每一个产品的这个 PPT 的内容都可能是不一样 ，有一些可能是讲他的价格 ，有些可能讲包装 ，有些可能讲疗效 ， 然后通过这个 PPT 再培训这个店员 ， 让他去记住这个卖点 ，以前可能是不行的 。
那今天我们先挑一些这个大单品 ， 就是我们很想把它卖好的商品 ， 然后把那些卖点先做这个结构化的梳理 ， 然后通过这个大模型想做一些不同版本的这个推荐的话术 。
现在初步的思路是可能有两三个场景 ，有一些是可能是客单比较高的 ，有一些可能客单比较低的 ，有一些可能是这个顾客是一个年轻人， 有些可能是老人， 可能根据不同的场景我推一个不一样的就是版本的这个话术 。
那它的上游是这个产品的就是卖点 ， 梳理过的卖点 ， 再加上就是前面这个顾客跟店员聊天就是采集到的信息 ， 比如说他是什么病症 ， 然后他是男女 ， 根据这个我们再组合给他一个话术 。
那我们现在比较还没有这个 MVP 还有一个点 。 我到底用什么方式展示这个话术给这个店员看 ，以及我是不是其实也可以把这个话术展示给顾客看 。
所以这个是针对第二个难题的一个解决的思路 。
所以你们面对的这个线下的这些复杂情况真的还是挺 ， 就你说之前我其实都不太能想到 。
当然有一个好的点就是我们因为这个工具在线下场景去用 ， 相当于我就把线下销售尽可能在过程这个销售场景做到数字化嘛 。
所以我推出去的这个无论是话术也好 ， 或者说是一些建议也好 ， 我最终有没有成效 ， 就是有没有一个好的结果 ， 我是有个数据闭环的 。
明白 。 所以是可以这个拿到数据闭环 ， 然后再去调模型的 。
对 ， 所以过去以前可能传统的模式里面营销部门他是不知道的 ，他只知道这个销售这个单品的动效率怎么样 。
OK， 只知道一个整体的结果 ，他不能知道 case by case 的一个结果 。
对 ，而且他最终也就是也是抽鞭子嘛 ， 就是说你卖得不好 ， 对吧 ，也是晚上开会 ， 然后 PUA 你的销售员 。
这个会不会也有一个原因 ，不是只是线上线下的区别 ，而是这个你们在卖的产品它的 SKU 巨多 ， 情况巨复杂 ，但是到暖哇科技这边你们卖的 SKU 它没有那么的复杂 ， 相对更标品化 ， 会有这样的一个区别吗 ？
其实刚才他遇到的问题其实我们也会有遇到 ， 就是你理解销售是一个特别反人性的工作 ， 为什么流失率很高的原因在于说是被拒绝是大多数 。
对 ， 所以其实他刚刚遇到问题也是我们这边遇到的开口率的问题 。 对 ， 开口率的问题其实我们会在几个地方去做解决 ， 第一个在于说是我们会自动打结束码 ，并且会自动的去标上一次聊了什么事情 ， 下一次开口建议是什么 ， 然后就让他可能更容易的去开口 。
另外一个点在于说是其实也是跟那个 Leo 说的一样 ， 我们会把客户跟用户之前聊的这个信息跟客户画像和他不成交的原因 ， 把它去做整体的输入 ， 然后让大模型去给一个建议的话术 ， 让他来解决这个问题 。
然后但我们这里面解决的那个整体的指标监控的是 6 分钟以上的通话时长 ， 然后是不是整体的这个线索量能够变高 ， 就等于说让他更容易聊得下去 ， 然后再容易再次遇到关单 。
所以说这一个是我们在电销里面做的 ， 就跟刚才不一样 ， 这个是电销里面做的场景 。
那 6 分钟这个作为一个北极星指标 ， 你有观察到就是在你们落地了这些政策之后它有提高多少吗 ？
是有明显 ， 这个是有明显的提高的 。 对 ， 就是整体其实这个功能其实很简单的点在于说是就是把一些可能技能不是那么好的坐席能够把它拉到一个 baseline， 这个是很明显的这样一个作用 。
所以开口这件事情有可能比继续把这个话题延续下去都更难是吗 ？
我觉得都挺难的 。
对 ，因为子皓刚才讲了这个暖哇科技在落地到 workflow 里面的第一阶段和第二阶段 ， 那第三阶段我们要不要讲一讲 ？
第三个阶段实际上等于说是其实是一个线索管理的一个问题 ，在于说第三个阶段如果你想想看 ， 如果一个企业微信 ， 包括说像药房什么 ，他们也会加企业微信 。
如果我没有线索流转 ， 我一个销售我只有进不会出 ， 就我会有越来越多的人进来我的企业微信 ， 可能我加了几万个人， 我根本服务不过来 ， 即便他的整体每天主动跟我说话的比例很少 。
所以一个人真的会管几万个人吗 ？
我们最多以前没有做转出的时候 ，其实一个人会管大概三五万个 ， 可能他有两三台手机都有 ，因为一个企业微信加好友会有上限嘛 ，但因为我们这个原来如果不做转出的话 ， 只有进没有出 。
三五万人管得过来吗 ？
所以我们才做第三个阶段 ， 就等于说是在一年之后我们会把它转出 。 转出完了之后整个因为其实到一年之后这个用户可能主动跟你发声都是做咨询类的问题 。
另外一个在于说是你主动跟他触达的可能更多的也是一些关怀类的这些事情 ， 那我们就直接去用大模型把所有的这些事情全部做完 。
那么我们筛选让人来做的这个漏斗就变得更窄 ， 只有他去买了一些可能低价的承担 ， 我们才会给他转到人来做服务 。
对 ， 所以说整体就等于说是第一个阶段 、 第二个阶段 、 第三个阶段 ， 机器占比会越来越高 。 第一个阶段是人为主 ， 机器去让他执行 SOP，并且帮他执行 SOP。
第二个是人和机器都有 ， 机器帮你做人不愿意做的事情 。 第三个阶段是机器为主 ， 只有机器做不了了 ， 或者机器做出来买了一些低价的单 ， 然后是一个很好的线索才会转到人。
你们是用什么经验去把这个阶段按天分的 ？ 比如说一阶段应该是第一天到第三十五天 。
刚开始是拍脑袋的嘛 ， 然后再来做微调嘛 。 对 ，也是因为我们做这个业务也做了大概有个四年的时间了 。
你会认为就是分阶段的这个事情是适合非常多的销售场景 ， 还是在暖哇科技它有独特性 ？
我觉得所有销售场景 ， 无论是卖药还是卖保险还是卖贷款都是一样的 。 为什么 ？ 因为销售最主要的在于说是整个东西的热度是怎么样 ，因为你用户刚刚买一个东西 ， 它是一个热度线索 ， 它的产能一定是最高的 ， 各行各业都是 。
甚至说我们在电销的时候 ， 我们是用户现场承担 15 分钟 ， 我们立马就会有个电话追进来 ， 那 15 分钟跟 40 他的产能是翻倍的差距 。
对 ， 所以说这个东西肯定是越往前 ， 用户的线索价值越高 ， 线索价值越高 ， 你就越希望人能够把更难的事情做了 ， 你越往后可能就希望机器做的事情越来越多嘛 。
在落地 AI 之后， 你们可不可以分别讲一个指标 ， 就是它到底怎么帮助你们的企业在什么指标上面提升了多少 ？
增长数据29:29
我可能更多的直接考虑的就是产出 ， 就等于说是我线索整体的佣金没有变 ， 然后我整体第一天进来的线索量没有变 ， 人数也没有变 ，但是我整体的 GMV 能扩大多少 ， 我单纯就考核这个指标 ， 这个指标不变 ， 做的再分析也没有用 。
这个指标提高了大概多少可以分享 ？
我们整体能够高 20%。
这个非常厉害 。 那这个销售人员的佣金不是也会在你们公司打工赚到更多钱吗 ？
对 ， 可以 ， 可以 。
组织变革30:09
对 ， 那我现在我们再聊那个组织结构的那个问题 。 因为二位在做的都不是新公司 ，而在有生成式 AI 之前 ， 两家公司都已经是非常头部的成功公司了 。
那在引入 AI 之后， 我想先问问子皓 ， 就暖哇科技的组织结构或者工作流程有没有因此而发生一些改变 ？
其实我觉得改变是蛮大的 。 就首先我说一下一般我们就是我这边是怎么起步的 ，因为核心其实整体在整个落地的时候 ， 你突然间要做一个特别新的事情 ， 大家对这个东西很恐惧 。
那么其实追求的就是如何快速的能够见到一些效果 ， 让大家都相信 。 就其实很多人看报道他不会相信的 ，但其实眼见为实嘛 。
所以说当时在一年前的时候 ， 我就找了一个特别特别小的场景 ， 然后也不用做微调 ，也不用做干嘛 ， 直接写 prompt， 立马就能够整体的把那个效果能够看到有一定的收入的增长 ， 然后公司就越来越多人相信 ， 然后越来越多人调整 。
但是另外一个点在于说是真正到去重要去落地的时候 ，其实整个组织架构开发流程 ， 特别是互联网上的开发流程都有巨大的一个变化 。
首先第一个点在于说是我们产品文档和对产品的理解就不一样 ， 原来其实我们做的是产品开发嘛 ，但现在其实我们开发的不是产品 ， 我们开发的产品是为了积累线上数据 ， 然后使得所有的模型能够迭代 ， 让模型能力变得更强 。
那这个时候其实从产品文档上我就需要定义我模型解决什么问题 ， 我的标准化的数据应该怎么定义 ， 然后什么叫好的数据 ， 什么叫不好的数据 ， 我怎么积累数据 。
那么这一块从产品文档上就会有区别 。 然后在后面运营上， 运营上原来其实各种是 T+4 的策略 ， 然后去做设计 。
那现在可能他们需要基于线上的数据回流 ， 然后去调 prompt， 然后去调那个模型的批测 。 那这里面其实对他们很多人的标注这个事情有很大的抵触 ，但我们是要求我们的所有的运营同学他都要去做标注 。
为什么 ？ 如果你四个人都能标注 ， 证明你没有领域知识 ，但是你标注对模型能力这影响特别大 。
所以说这里面要不停的给大家洗脑 ， 对吧 ？ 大模型要改变我们世界了 ， 对吧 ？ 我们再不改变要被淘汰了 。
所以说我们每一个岗位都有自己能做的事情 ， 所以说整体运营上也需要做整体的调整 。 然后再到整个开发 ， 然后整个开发其实整个范式其实跟原来也有很大的一个区别 。
我们其实重新做了一整套基建 ，workflow 的搭建 ， 对吧 ？prompt 的批测 ，prompt 的版本管理 ， 然后还有整个微调的模型的批测 ， 再到整个线上数据回流给到我们的业务同学的标注 。
那整块其实跟原本我们去做一些开发的这个东西都是有一个很大的一个差异的 。
这个其实讲的是公司的信息化建设 ， 就产品运营研发这个部分的变化 。 那对于比如说公司的销售或者公司的其他的这个中后台 ，有带来一些组织结构或工作流程的变化吗 ？
我觉得还是在互联网研发的范式内的 ，其实组织结构上的变化其实不大 。 对 ， 更多的是大家工作范畴的变化 。
因为你们做的都是 Copilot， 对吧 ？ 所以还没有到取代人的程度 。
我觉得对 ， 大家对 Copilot 和大家对 agent 的定义其实在这个行业里面都被搞得很乱 。 对 ，其实就你可以理解像销售 ， 我们如果服务的是销售的话 ， 基本上不存在所谓的 Copilot 的定义 ，因为其实我不是说我开发写到一半帮我补全 ， 或者说我设计我写个 prompt 让它去完成整个图片 。
大部分销售都是直接念 ， 要不然就不念 ， 就只有 1 和 0， 没有中间态 。 所以其实不是 Copilot。 对 ， 另外一个点在于说其实我觉得可以把它当做一个电子员工 ， 或者说这个 LLM 其实交付的就是结果 ，因为实际上它承担的就是最终的工作 ， 对吧 ？
你像我销售本来做 SOP， 现在他不用做了 ， 我帮你全部做完了 ， 把原来一个人干的事情变成了大模型的员工和销售一起来做 。
那在这个 Leo 这边 ， 你们的组织结构和工作流程有因为 AI 的引入而发生改变吗 ？
就集团主体的那个组织架构没有太大的变化 ，但是我们分出来的这个这么个组织就会多了一层是我这个组织怎么跟集团的这个大主线那些团队做结合 。
我们这个部门嘛 ， 很多其实也是互联网公司的这个背景 ，他们在做产品设计的时候还是会有一些这个没有那么落地 、 没有那么接地气的一些这个想法跟设计 。
那我们就会跟集团的那个营运中心 ， 或者说那个门店相关的那个管理团队做一个比较深的这个结合 。
我们会有选定了一批实验门店 ， 这个实验门店里面的店员都是实验员嘛 ， 就是我们会跟他有一套流程是我到底怎么快速的把我的产品部署到他的门店 ，以及他们怎么快速的反馈他在这个前线用产品的真实的这个就是反馈 。
那这种流程其实对他们来说也是挑战 ，因为以前他们其实没有不需要干这种事情 ，他们的店员他都卖货就好了 。
但今天其实他在用我的产品的时候 ，他会比较有意识的去反馈用的过程当中有什么问题 。 那这个其实我们做了很多尝试 ， 就是比如最早的时候就简单的方式就给他激励 ， 对吧 ？
你要用我的产品 ， 我给你多少钱每单 。 但我后来发现你用完以后你就开始为了激励去作弊 ，其实你不是真的在用 ，不是真实场景在用 ， 只是刷单 。
认为这个反馈跟数据是有质量的 ， 可以参考的 ， 那我们就会把它用在这个产品的迭代的过程当中 。
所以我觉得就是这一部分的这种协作的模式是以前没有的 ，是我们直接跟一线的这个店员这个就是协作产生的 。
这里有没有一个故事是比如说这么多的这个实验店员们 ， 某一个他因为特别拥抱 AI， 所以他做出了超越其他人的业绩 ，有没有这样的故事可以分享一下 ？
我们目前你说他业绩比较超前的 ， 没有那么戏剧性的这个例子 ，但是我们有一些店员他的使用率是远超于别人的 ， 就是可能一般店员我们现在那个渗透率占他成交订单在 20% 左右 。
这是我们现在比较认为比较健康的一个平均值 。
就他 80% 还是靠自己 ， 另外有 20% 的订单他认为自己有处理难度 ，他会求助于 AI。
对 ，但另外有一些他不用的 ，也有一些其他场景 ， 比如说顾客他觉得很就是时间比较赶 ， 这种他可能来不及用 ， 对吧 ？
也有 ，但反正平均来说 20%，但我们确实也看到某个别的店员他有 60% 左右 。
那这样用 60% 的店员他最后的业绩会更好吗 ？
他目前的这种比较就只能他跟自己比 ， 就他用的那个店员他跟他不用之前的业绩比是确实是变得比较好的 。
那但是如果你说这个人他跟其他人比 ，他其实业绩是不好的 。 我们也想过是不是就是因为这个人确实是比较弱 ， 所以他对我们的依赖会更深 ，但这个目前那个数据量还不够大 ， 所以有待观察 。
有趣 。 那在子皓在暖哇这边 ， 你们有观察到就是积极拥抱这个或者彻底拥抱 AI 的销售人员 ，他能够取得更好的业绩吗 ？
其实我们基本上是上线流程在于说是先做一小部分 A/B 测试 ， 然后全量推 。 然后但我们在这前面做了非常非常多的工作在于说是我们一定要让销售他们知道我们不是降本增效 ， 我们没有降本 ， 我们只增效 。
就我们跟客服不一样 ， 我们不想裁员 ， 我们希望每个人能够赚更多的钱 ， 能够去拿更多的线索 ， 我们能够把规模做得更大 。
然后想问一问二位 ，在企业内部落地 AI 的时候 ， 用的基座模型是什么呀 ？ 要不子皓先分享一下 。
模型选择37:29
我们基本上会一个是用了那个千问的 ， 然后不同的规模的千问的也有用 ， 然后用科大的星火也有用 ， 然后国外的这个 GPT 也有用 。
但是因为我们整体就是都是可能是销售 、 客户服务为主 ， 所以其实它会很大的去跟我们微调的样本做趋同 ， 还有说我们写的 prompt 的 few shots 对它也有一个很大的影响 。
所以其实实际上在整个生成的任务上 ，其实基座模型对我们影响没有说特别大 。 然后在那个意图判别上， 然后最终其实不同的基座模型我们测下来 ， 如果不做任何微调 ， 可能就在意图识别可能 65% 到 70% 是一个波动吧 ， 然后 GPT-4o 什么各种都是这个值 ，但是微调完了之后可以做到 90% 左右 。
你说的这个比例是一个什么比例 ？
正确的比例就等于说是我们给它个样本集 ， 我们标了 300 个样本 ， 然后意图大概有大概 16 个 ， 然后最终它能够正确识别的 。
然后这些意图都是一些比较语义类的意图 ， 就譬如说是我觉得这个保险有点贵 ， 这个保险公司我不是那么信任 ， 或者说这个最终能不能理赔 ， 这种意图 。
对 。
这个意图基座模型的识别率那么低啊 ？
是的 ，因为可能相对来说这些意图会有意图混淆的问题 。 对 ，因为有的时候人可能也都会标错吧 ， 就这个人这段对话里面有可能他觉得既是 A 也是 B。
对 ， 所以说这个本身就是一些比较难的任务吧 ， 我觉得 。
所以在整个落地的过程中， 你会认为这个意图识别是最难的一个部分 ， 还是有比这个更难的部分 ？
我觉得有很多比这个更难的部分 。 就说实话 ， 刚开始希望大模型能够做到销售节奏的编排 ， 或者说有一个 plan agent， 再有一个整体的这样一个 action 的一个 agent， 然后大家可以来做一个编排 。
但后面发现其实这个事情是很难去做得到的 。 就现阶段其实我觉得大模型去落地就只有两个方面 ， 一个方面在于说是让它做做 100 次 ， 它能够完成 95% 正确的事情 ， 或者说做 100 次只能完成一次正确 ，但那一次做的是超级难的事情 ， 对吧 ？
那你要达到这个点 ， 一方面在于说是你把那个整个工作流的 workflow 拆得足够细 ， 使得说你的这个难度越来越低 ； 另外一方面是你通过不停的微调和 prompt engineering， 使得说你单点的模型表现越来越好 。
那么最终达到这个临界值 ， 然后你再把它拼起来 ， 然后你积累的数据越来越多 ， 你再可以把几个串着的可能四个节点拼成一个节点 ， 然后再来让模型来做这个事情 。
所以可能是一个先分再总的这样一个过程 。
在百药师这边 ，Leo 你们用的基座模型是什么呀 ？
我们的模型的对基座的要求会稍微是不一样 ，因为我们用在就医疗场景嘛 ， 所以我们其实扫了一圈几个大的那个医疗模型 ， 百度 、 腾讯那些其实都有测试过 。
百川也测过吗 ？
百川也有 ， 最终科大什么的其实都有 ， 就只要他说他是有医疗数据在里面的 ， 我们都基本上都试过 。其实从当时测试的这个就是效果来说没有太大的差异 ， 所以我们更多从就是一些商业条款上面最终选了其中一家而已 。
但就是最终我们选了腾讯 ，但最终其实 。 到我们真实的这个应用场景里面 ， 我们也发现就是我可能测试的那个准确率是 80%， 对吧 ？
但是在真实落地应用场景的时候 ， 它就会掉到 60% 多 。 那这种情况就是一方面是因为我们这个真实的应用场景是有别于可能这些大模型在训练 ， 它有很多时候可能拿一些医院的数据 ， 对吧 ？
或者往医院的这种数据 ，但是我们在药店会跟医院有很多的不一样 。 所以拿过来的其实不能直接用 ， 我们就花了很多的这个资源去做数据标注跟调优上面 。
那今天其实目标我们肯定要做到八九十 % 才能真正的去大规模去应用 。
SaaS机会41:29
然后在二位的这两个领域里面 ， 应该也都有不少的 SaaS 公司想要去服务 。 那你们有没有接触到这样的 SaaS 公司 ？
以及就是在上一波 SaaS， 大家是非常的这个悲观的 ， 觉得中国做不出 SaaS。 那你们会认为在有了 AI 加持之后， 有可能能成 SaaS 吗 ？
甚至有没有可能你们自己做的业务未来也能剥离成一个独立的 SaaS 公司去服务更多的类似企业 ？
那我被这个 SaaS 的概念伤得很深啊 。 就因为我也兼过这个对外数字化输出的一号位这个工作做两年， 然后也卖了个几千万的这种 SaaS，但我说白了就是卖人头 。
对 ， 所以这东西我自己觉得这是体制问题 ， 就是中国最大的付费方 ， 大家都理解是什么公司 ， 对吧 ？
那那些公司里面的人也很聪明 ，他也知道你的毛利是多少 ， 那么他就会让你在一个特别合理的区间 ， 让你很难受的区间去做 。
然后最终这个事情就很难做 。其实大语言模型给到我们这些可能中型或者说中型会往下一点的公司最大的机会不是做 SaaS，而是说我直接交付业务结果 。
原来就是我们其实举一个很简单的例子 ， 原来是我们做 SaaS 输出再加一些业务输出 ， 可能我们效率比他高 15%，但是因为有利润的要求 ， 然后内部外部公司有摩擦 ， 导致最终可能在个 3% 以内在这挣扎 。
但现在因为大语言模型 ， 我们整体可以把我们整个效率提高到可能不可能翻 10 倍 ，但是翻个七八十 % 是可以的 。
那么这时候其实我们就能够说这个业务他自己做是亏的 ， 那给我们做可能就是挣的 。 那其实我交付的就是业务结果 ， 包括说我们现在我们不卖大模型 ， 我们也不卖任何 SaaS， 我们直接就是说我帮你做业务结果 。
对 ， 所以这个是我觉得给到这一波创业公司来说最大的一个机会吧 。
那 Leo 这边呢 ？ 你的观察和你的想法 ？
我也是两个角度嘛 ， 就是从业务来说 ， 我们最早自己这个部门的这个定位也是做成一个 SaaS， 然后服务其他的中小连锁的药店 。
我们也确实去卖过 ， 一年就几十万的营收 ， 就是不是说市场没有这个需求 ，他们就是客户都说很想要很想要 ，但是单个客户的那个销售成本实在是太高了 。
我们又没有看到一个比较健康的 UE， 就是一个单位经济的模型 ， 所以一直没有敢扩 。 那些客户其实说到头来都是说提供这个服务我到底能挣多少钱 ，但如果纯 SaaS 的话 ， 很难给他证明这个就是增量收入的这个规模在哪里 。
然后就是我们是集团自己内部 ，因为我们一直在做这个销售赋能嘛 ， 销售这个环节的这些能力嘛 。
那我自己的观察是我们集团那边其实每几天就有一些 SaaS 公司跑过来跟我们说我们有这个能力 ， 你们要不要用 。
那比如说我们现在用的其实最多最好的就是 AI 外呼 ，AI 外呼 。 那这种其实对我们的价值就很明显 ， 就是因为以前我很多的这个会员过去要靠那些门店店员去打电话 ， 就成本高 ，而且他们不愿意 。
但今天就是用 AI 外呼以后， 我就会一下子可以打几百几千几万个电话出去 。 那那些店员就觉得自己的这个工作这个就是变少了 ， 变轻松了 。
那个价值比较容易能看得到 。 但是你说我们去花很大的价钱出去去买这样的服务吗 ？ 确实没有 ，因为那个时候比价也在价格上面卷得非常的厉害 。
另外一个类型的公司就是像那种就是他们说用 AI 来帮我们做员工培训 ，他们的这个产品模式就是我们把我们的那些销售的 SOP 什么的知识导进去 ， 导进去以后他说就可以给这个店员做那种模拟的实景的这种尝试 ， 然后通过这个方式来做培训 。
这种就是公司其实很感兴趣去买 ，但是当这个突然一个季度生意不是那么好的时候 ， 大家要考虑的那个降费 ， 这个项目一下子就被砍掉了 。
就从这个角度来看 ， 我就会觉得这种 SaaS 的公司确实是很难啊 。
其实我觉得有一个趋势 ， 我自己观察到的也是国内的头部公司都自己在去想办法这个做基于 AI 的数字化的转型和升级 。
但是这个在美国看到的情况是大量 SaaS 公司出来 ， 它可以赋能千千万万的中小企业 。 那会不会出现一个这个就中美两国的一个商业格局的根本性的变化 ？
就在中国强者越来越强 ， 然后在美国生态会越来越繁荣 ， 多元化的竞争 。
我自己觉得一定是这样的 。 我自己买股票 ， 我自己用脚投票也是这样子的 。 一个是刚才你看 ， 对于中型的公司来说 ， 你要做整个大模型来说 ，其实我现在算了个账嘛 ， 大概 500 万起头嘛 。
那你一个公司你能够出 500 万出来做基建 ， 那证明你的销售额或者利润一定有一个值吧 ？ 那你的规模已经把一个公司给塞了 。
另一个其实像 Leo 也知道 ， 我们如果要做大模型 ，其实你这些数据要求你上一个阶段的数字化做的就足够好 。
那本身上一个阶段数字化做的足够好的公司很少 。 所以说其实这一波的大模型的机会是上一波 SaaS 的机会的延续 。
过往其实国外很多数据它都是用 SaaS 拼起来的 ， 现在只是说把这些数据怼到大模型里面去 ， 对吧 ？
那我们现在在国内的话 ， 你所有东西要重新标 ， 所有东西你要所有东西重新上云 ， 对吧 ？ 数字化没做完 ， 你突然间跳到大模型这一阶段也不可能的 。
所以我的感觉就是说在中国大公司应该还是能比较好的抓住这个机会的 ，因为不管是过去的这个资本的积累 ， 然后让他现在有钱能投入 ，以及他过去的数字化建设的这个成熟程度 ，但在中国的中小企业很可能很难能够抓到这个机会 ，因为也没有那么多 SaaS 公司在这里服务 。
但在美国感觉这个生态是大公司 、 中型公司 、 小公司都可以因此而取得进步 。 感觉这个会对这个就是整个世界的商业格局产生蛮深远的影响的 。
对 ， 我觉得的确是这样子 。 你想想看 ， 如果一个小公司你不做微调 ， 你如果只是写 prompt 的话 ， 那其实你的壁垒在什么地方呢 ？
你壁垒难道就是你的这个 workflow 和 know-how 吗 ？ 对吧 ？ 但如果你要做微调 ， 你那个服务器成本要多少呢 ？
那这里面你的数据获取成本要多少呢 ？ 所以说你三五个月做一个小公司 ， 你到底拿什么来做嘛 ？
所以其实我是很少能见到说有这些特别好的 。 但是更多的 SaaS 公司可能就在刚刚说的 AI 外呼的这一个点里面 ， 可能做一些 voice agent 的中间件 。
那这种可能就有可能 ，但这种其实跟大模型关系不多 ， 只是做一个拼图嘛 。 就是说我要落地大模型在 voice agent 里面做整个外呼 ， 我必须要里面譬如说做 ASR 或者做 TTS 或者各种的这里面 ， 那我做一个第三方公司在这里面去做卖水 ， 倒是有可能 ，但其实不接触核心的大模型的技术这一块嘛 。
你说的中小的那个 SaaS 有没有机会 ， 我觉得确实很难 。 但如果是中小的那些就是各行各业公司 ，其实你说他没有一些工具给他也不太对 ，因为至少我看到很多小的那种生 AIGC 的那些平台也出来 ，不过可能都是偏向于做那种电商 、 直播 ， 这个很小的团队 ，他们就可以撑起来 ， 就可以做很多的内容出来 。
就我最近比如接触像筷子科技 ， 对吧 ？ 我们看到就一个软件过来 ， 我们只要拍四五十条那个就素材 ， 商品的素材 ，他可以给我生成四五千条 。
然后看我们企业本身也人多嘛 ， 就是有四五万个店员 ， 然后他们都开一个快手 ， 开一个抖音 ， 然后我就批量生成一些商品的这种短视频给他们 ，他们就会发布了 ， 我们就可以抓一些一波流量 。
那小公司其实也是可以用这些工具去做很多的这种内容 ， 帮他们做营销什么的 。 我觉得对他们来说经营成本或者说就经营效率是有提升的 。
对 ， 我觉得这个还是有点意思 。 所以你真的是这个用在用筷子科技了现在 ？
对 ， 花了 10 万块钱 。
才 10 万块钱 。
对 ， 一个是这个东西很小 ， 就花 10 万块钱 。 另外一个其实大家所有的 AI 最近大部分都是用在素材生成 ， 要不然就视频剪辑 ， 对吧 ？
要不然就是像国外可能商品化做得比较好的就是视频类的播客 ， 然后把它剪成高光时刻 ， 然后出来变成 。
哇塞 。
对 ， 就这种 。其实它还是在一个就是图生文的这个范式里面去做的 ，但其实不太涉及到说原本的整个商业链条 。
它的链条是很浅 ， 它就是卖广告或者说是我看视频或者看什么 。 但原本其实你想想看 ， 到我们商业社会里面 ， 对吧 ？
涉及到供应链 ， 涉及到整个销售 ， 涉及到供销存 ， 涉及到药房运营 ， 它都切不进去啊 。
信念49:58
那我再问二位一个问题 ， 你们现在是不是还是坚信就是在你们各自的企业通过落地 AI 之后， 能够和其他不搞 AI 的企业拉开显著的差距 ？
从我这边 ， 我是有这个信念的 。 对人的要求其实是越来越高的 。 就顾客希望你服务质量好 ， 然后给我的用药方案要精准 。
那以后卷这个东西的话 ， 你还是靠人的培训什么的 ， 你肯定是拼不过我 AI 的这个或者说技术的这个辅助跟这个赋能的 。
所以我觉得到了一个点是 ， 我觉得有一两个企业都跑出来把这个就是大家 seeing as believing 了 。 当有人跑完了以后， 其他企业就会跟上， 就其他至少是同等级的这种竞争对手就会跟上 。
所以就让那些本来可能已经跟不上的体量更少的这个中小的就更难去把这个就差异给补上 。
那子浩在暖哇科技这边认为呢 ？
对 ，其实我是特别坚信这个点的 。 最终那个判断其实跟 Leo 很像 ， 就是在一个线以下的公司可能就没法生存 。
另外一个点为什么坚信这个点在于说是就模型是可以自我成长 ， 它是一个数据飞轮的迭代 。 那这个东西数据的积累和时间的积累和你微调的次数 ， 最终的这个滚动 ， 这个东西是很难追得上来的 。
这里面其实是有一个很明显的马太效应的 。
建议51:18
因为我们的播客里面的听众有蛮多是这个公司的创始人 CEO， 那听到这里大家应该蛮焦虑的 ， 就是这个会不会我现在还没开始落地 AI， 淘汰我的时间点已经开始倒计时了 。
那要不要这个二位也给大家一些建议 ， 就如果大家希望在公司里面落地 AI， 用一个什么样的从 0 到 1 的起步的方式是比较好 ， 能够快速的拿到正反馈 ， 让这件事情在内部得到支持 ？
对 ， 我觉得最主要的一个点在于说要选准场景 。 然后我觉得最没有意义的做的就是客服 。 为什么呢 ？
因为整体客服是客户带着意图来 ， 客户的意图是无限的 ， 然后你要去判断他的意图永远做不完 。
然后本来客户是带着情绪来 ，在中国对吧 ？ 大家可能卖东西的时候都会有一些那个东西嘛 ， 那最终客户来你解决不好 ，他就会投诉 。
所以这个东西一个是上限不高 ， 对吧 ？ 要不然你就裁几个客服没啥意义 。 另外一个在于说它的 damage 可能很大 ， 所以选客服这个场景一难做二没意义 。
然后其实为什么我们选销售也是这个原因 ，是我带着意图去 ， 对吧 ？ 我意图做错了 ， 客户觉得我卖的东西卖得不好 ，他了不起就不买嘛 ，他不会去投诉我呀 ， 对吧 ？
还有一个在于说是我觉得大家不要觉得做了个知识库 ， 然后大家去随便查一查知识 ， 能够知道我内部整个公司发生了什么事情 ， 这种也是歪歪的 。
所以这总是最没意义的需求 ， 对吧 ？ 你搞一个所谓的 RAG， 对吧 ？ 把公司所有文档放在里面去 ， 然后我问个问题就能回答 。
这典型是服务业老板的 ，但是这种东西可能问了一次再也没人问了 。 所以说我觉得核心是要选有业务价值的 。
就最终你这东西做成做不成 ， 我一个数字就能看得明白了 。 选出来这种场景 ， 对吧 ？ 然后花个三五个人能做出来 ， 然后后面延展性比较好 ， 那这种我觉得是比较快的 。
这比较好的在公司内部建立信心的一个办法 。
对啊 ， 要不然你做一个所谓的那个叫什么大语言 ToBI， 大语言 ToCircle， 对吧 ？ 要不然你做个 RAG， 要不然你做个客服 ， 这种都是典型的没意义的东西 。
因为这里讲了两个非常大的反共识 ， 就是 AI 客服和 AI 知识库 ， 这是创业的两大热门赛道 。
还有我刚说的 AIBI。
AIBI， 就这些赛道其实不管在中国还是美国都很多人做 ，但我觉得你的观点是企业在做这些 AI 的落地的时候 ， 很可能是拿不到正反馈的 。
对 ， 如果大家听众真的是做企业 ， 你大家想一想嘛 ， 对吧 ？ 有些大佬说的 ， 对吧 ？ 以后是靠语言模型来帮我们做企业决策 ， 这可能吗 ？
对吧 ？ 他做 100 次我都自己会再 review 100 次 ， 对吧 ？ 只要我 review 了 ，他就审不了我任何东西啊 ， 对吧 ？ 所以这个事情没有意义的呀 。
有趣 。 那听听 Leo 对于这个想要落地 AI 的公司的创始人 CEO 们有没有什么建议 ？
我觉得就是还是匹配嘛 。 一方面是看企业那些哪个环节它特别对人， 特别费人的这些环节 ， 然后再匹配现在在市场上面哪些 AI 的工具是特别成熟的 。
文案生成 、 图片生成 ， 这些其实真的是很成熟了 ，而且价格也很便宜 。 然后企业对人的场景很多时候真的确实就是那个就是写一些推销文案 。
比如说最近要给那些顾客发短信 ， 买完商品以后， 对啊 ， 第七天什么的 ， 我想给你发个短信提示一下你这个你买了这个商品 ， 你吃完可能有什么副作用 ， 或者是不良反应 。
有的话你可以多喝水什么的 ， 你可以做什么事情来缓解这个不良反应 。 然后他以前的做法是跑去找一些药师去一个一个商品去编 。他们那次是想发 80 个单品的就是短信模板出去 ，以前他可能要一个药师可能做一个礼拜写 80 条这样的内容 ， 然后反复去校验什么的 。
我们就用了几个就是完全不用做任何调整的大模型 ， 就给他马上生成 ， 用两分钟生成出来 ， 生成了就是 80 条 。
然后我就再找一个药师稍微检查一下 ，他就花了差不多半个小时检查完 ， 觉得 80 条 OK， 然后就发布了 。
所以其实很多的这些本来很费人的场景 ， 你了解一下现在外面有什么工具 ， 可能很快就可以解决你的问题了 。
那这种就可以让大家更有信心 ，也操作成本也非常低 。
对 ，Leo 说的也不是客服嘛 ， 对吧 ？
不是客服 。
今天谢谢二位 ， 我们聊了非常多这个有趣的故事和在企业内部的实践 。 那这个也是其实我想在十字路口做 AI 在中国这一系列的内容的原因 。
结语55:44
就今天 ToB 和 ToC 的 AI 应用在寻找 PMF 的上头 ， 呈现出冰火两重天的局面 。 但是这好像也没有很让人意外吧 。ToB 的 AI 应用 ， 它因为可以非常好的解决具体的业务的痛点 ，而且在企业内部有专业的人员 ，他们对自身的问题和需求有明确的认知 ，在问题的边界搞清晰之后， 找到正确的问题也意味着成功了一半 。
而今天二位分享的实践 ， 我希望大家能够感到启发 ，也能够收获一些正能量 ， 能够对于 AI 如何帮助自己的企业 、 帮助自己的业务做得更牛逼 、 做得更强 ， 找到一些信念感 。
好 ， 今天谢谢二位的时间 ， 欢迎你们再来播客 《 十字路口 》。
谢谢大家 ， 谢谢大家 。
谢谢 。
如果你认为有朋友也会喜欢本期 《 十字路口 》 的内容 ， 请转发微信推荐给他们 。 最后欢迎你加入十字路口的会员群 ， 我们会在群里每天放送 AI 全球新闻 ，并且鼓励大家在群里聊天互动交朋友 ， 寻找未来的同路人。