本文作者：Miya，搜索引擎优化专家

借助生成式AI的力量，客户服务正迅速迈上企业发展的更高阶梯，成为高管团队的重点关注领域。数据显示，85%的高管预测，生成式AI将直接与客户互动。

如果您正在从事客户服务，可能会有以下疑问：AI究竟是什么？它如何应用于客户服务？AI会取代我的工作吗？别担心，我们将帮助您厘清这些疑问，揭开生成式AI的真相。

如果您希望深入了解AI如何彻底改变客户服务，并为企业带来高层期望的投资回报率（ROI），那您找对地方了。在正式展开讨论之前，让我们先从基础开始。

什么是生成式AI？

生成式AI是人工智能的一个分支，其核心功能是“生成”全新的内容、数据或输出。这类系统通过学习和分析现有数据中的模式，基于这些模式生成类似于人类创作的内容，涵盖图像生成、文本创作、数据增强、音乐作曲等多种应用场景。

尽管过去一年生成式AI受到了广泛关注，似乎成为了一项炫目的新技术，但它的历史实际上可以追溯到上世纪50年代和60年代。不过，直到2014年，一种名为生成对抗网络（GAN）的特定机器学习技术的出现，生成式AI才真正具备了生成全新内容输出的能力，开启了实际应用的新篇章。

生成式人工智能与人工智能区别

常用但易混淆的术语解析

“生成式AI”的定义因网站和词典而异。有些将其视为一种AI算法类别，也有人将生成式AI描述为深度学习模型，并归类到机器学习的更大框架内。而 Dictionary则定义生成式AI为：一种处理用户提示并基于训练数据集生成响应输出的AI技术。

AI 通常被用作笼统的术语，指代各种先进计算系统。尽管 AI 和生成式AI有关系，但它们在人工智能领域的涵盖范围和具体实现上有所不同。甚至有些人会将 AI、生成式AI、机器学习和大型语言模型（LLM）等同使用，因此了解这些差异至关重要。首先，我们需要区分 AI 和生成式AI。

人工智能是计算机科学的广义分支，其目标是创建能够执行通常需要人类完成的任务的智能机器。这些任务包括语音识别、问题解决、感知分析以及语言理解。AI 还能专注于具体领域的任务，如诊断医疗状况或下棋。AI技术包含了广泛的方法和技术，包括但不限于机器学习、自然语言处理（NLP）以及专家系统。

虽然AI能够智能地分析数据并对其结果做出回应，但其功能通常仅限于这些应用范畴。例如，传统的AI程序能够完成复杂计算或精确分析，但并不会“生成”全新的、创新的内容。

生成式 AI 则更进一步，利用现有数据创建全新的内容，并支持多种形式。基于机器学习模型，生成式AI通过从已有数据中识别模式，生成原创内容，例如文本、图片、音频或视频等。

AI和生成式AI这两个领域都在持续演进与发展，为技术的广泛应用开辟了更多可能性。

接下来，我们介绍一些与生成式AI相关的术语，以帮助加深理解：

• 机器学习（Machine Learning）： 这是AI研究的一个子领域或方法，旨在开发算法和模型，使计算机系统能够从数据中学习并进行预测或决策。机器学习系统依赖大量的训练数据，并在此基础上调整性能，随着暴露的数据量增加不断改进。
• 大型语言模型（LLMs）： 大型语言模型是机器学习模型中最新且界定不够清晰的概念之一。例如，OpenAI的GPT-3是一种基于大量文本数据训练的语言模型，擅长于文本生成和理解，能够生成自然的对话式回复。
• 深度学习（Deep Learning）： 深度学习是机器学习的一个子领域，重点是训练神经网络以处理比传统机器学习更复杂的模式。
• 神经网络（Neural Networks）： 神经网络借鉴了人脑中神经元的连接结构，能够通过大量示例学习，并被用于模式识别、分类、回归等任务。它们通过处理输入数据生成有意义的输出，并随着信息的积累不断改进学习能力。

生成式AI如何工作？

生成式 AI 通过机器学习技术，分析海量数据中的常见模式与结构，并利用这些信息生成全新的内容。随着数据样本的增加，生成式 AI 的输出会变得更加精细和智能。

以下是生成式 AI 的运作流程概览：

数据收集与预处理：收集与任务相关的数据样本，如文本、图像或其他类型的内容，并对数据进行预处理。这一步确保数据的质量与一致性，为模型的训练奠定了坚实的基础。

模型训练：根据任务和数据的特点，选择合适的生成模型进行训练，常见模型包括：

• 生成对抗网络（GANs）： 通过两个神经网络的对抗训练，一个负责生成内容，另一个负责评估其真实性，双方在竞争中提升预测准确性。
• 变分自编码器（VAEs）： 通过将大规模数据压缩到“潜在空间”（latent space）中的小型表示，再从中解码，重构出如图像等复杂信息。这种编码和解码过程使得模型更擅长生成相似的高质量内容。
• 自回归模型（Autoregressive Models）： 通过基于历史数据预测未来行为，用于生成序列性数据，如语言模型或时间序列预测。

模型采样：模型训练完成后，可通过提供随机输入（也称为种子数据）生成新的内容。模型依据学到的模式，生成与训练数据特征相似的内容。

模型微调与探索：根据实际需求微调模型参数，以提升生成内容的质量或风格。同时，可以通过调整输入和参数，深入探索模型在不同情境下的表现与潜力。

内容评估：对生成的内容进行多维度评估，包括真实性、连贯性、相关性和美观性等。基于反馈优化模型，从而实现不断迭代和改进。

道德与偏见考量：生成式 AI 的使用需注重道德规范，例如避免训练数据中的偏见、错误信息的传播及内容滥用等问题。通过制定严格的规章和技术手段，减少潜在风险，确保生成式 AI 的负责任使用。

为什么生成式AI很重要？

尽管许多人依然对生成式AI 保持着一定程度的怀疑，但毫无疑问，它有潜力做出非凡的成就。

“预计在未来一年，AI的投资将增长超过300%。”

• Forrester

其能够快速创作新颖且令人印象深刻的内容，进一步推动了创意和创新的发展——推动了人类想象力在艺术、音乐、文学等领域的边界。正因为它能够如此快速地产生大量内容，并且具备个性化的特色，使其在市场营销、电商和娱乐等多个行业中都能大展拳脚。

生成式AI能够模拟真实世界的场景，这使它成为科学研究、工程和风险评估中非常有价值的工具。它还能够建议新的分子结构、模拟蛋白质折叠和其他复杂的生物过程，从而推动医学和科学的进步。

“到2024年，美国将有超过1亿人使用生成式AI。到2025年，这一数字预计将达到1.169亿。”

• Hootsuite

生成式AI在数据增强、AI研究、数据插补和去噪方面也具有重要作用。

生成式AI如何影响客户服务？

人们猜测，AI即将从根本上改变我们做生意的方式。而在客户服务领域，AI的影响已经显现。到2024年，全球聊天机器人市场将达到9.94亿美元。

作为客户服务的领导者和员工，你们可能仍在困惑生成式AI如何影响你们的客户服务组织或你们在团队中的角色，完全可以理解。我们在这里帮助你理清这些疑问，并打破AI会取代你工作这种误解。

尽管生成式AI会像以前的AI版本一样接管一些客户支持任务，但它也为新的机会铺平了道路。生成式AI并非削弱客户服务专业人士的作用，反而将提升人工投入的重要性。

“68%的员工表示，生成式AI将帮助他们更好地服务客户。”

• Salesforce

当生成式AI与客户服务团队和谐合作时，奇妙的事情就会发生：你能够以最少的人力成本自动解决客户服务问题。

这不仅为客户支持团队提供了机会，实际上还能推动他们的职业发展，从传统的客服代表转型为机器人管理员，或从客户支持倡导者转型为会话AI专家。

点击下文「阅读更多」，了解如何过渡到AI优先的工作方式，并确保随着对客户服务团队的投资和结构调整，AI能够持续发展：

客户服务生成式AI的行业示例

考虑到生成式AI在客户服务中的诸多优势，您可能会好奇哪些公司正在实际应用这些技术，以及它们如何实施。以下是一些已经成功将生成式AI聊天机器人融入其客户服务战略的关键行业：

旅游和酒店业

航空公司如达美航空（Delta）借助生成式AI聊天机器人，能够迅速提供关于旅行、预订和机上服务的详细回答，同时还使客户能够快速完成值机、行李追踪和航班查询等操作。像希思罗国际机场（Heathrow International）这样的机场也在使用生成式AI来回复服务查询，并自动总结案件，节省了代理的时间和精力，从而提高了生产力。旅行网站如Expedia将生成式AI（例如ChatGPT）集成到移动应用中，提供更具对话性的旅行规划体验，生成式AI机器人能够提供旅行建议和帮助。

电子商务

生成式AI正在让购物者更容易找到他们想要的商品。全球零售巨头H&M通过生成式AI聊天机器人将响应时间缩短了70%，并且购物者现在可以在移动应用中使用由生成式AI驱动的语音助手。这不仅提升了客户体验，同时显著减轻了客户服务团队的负担。

谷歌的购物服务通常是寻找完美商品的起点，而现在他们推出了一个全新的生成式AI-powered“试穿”功能，允许购物者查看衣物在相似体型、肤色和尺码模特上的效果。通过一种称为“扩散”（diffusion）的技术，谷歌的新生成式AI引擎能够获取一件衣服的单一图像，并将其调整到各种体型上，展示衣服如何自然垂挂、褶皱或展开。

医疗、金融服务等

像SmileDirectClub这样的医疗公司使用生成式AI来聆听并总结客户电话，节省代理时间并提升客户体验。生产力工具ClickUp利用其生成式AI聊天机器人为用户提供即时产品信息，并在必要时顺利地将问题交给相关专家。

其他生成式AI在客户服务中的应用案例包括快速草拟详细的邮件回复，这使Octopus Energy的客户满意度得分提高了18%。

事实上，我们还只是触及了生成式AI能为客户服务组织带来变革的表面，且这项技术正在迅速进步。我们使用得越多，它就变得越聪明和高效。让我们来深入了解一下当前生成式AI在客户服务中的应用范围及限制。

生成式AI在客户服务中能做什么和不能做什么？

智能客户服务领导者认识到，生成式AI并不是万能的解决方案——它需要正确的方法和一定的审慎态度。

首先，让我们来探讨一下生成式AI今天可以为客户服务做些什么。

加速内容创作

拥有正确AI平台的公司可以将AI作为写作和构建助手。AI助手可以从现有的内容中提取信息，并开发聊天流的初稿，从而加速价值的实现。加快构建机器人的速度使CX领导者能够迅速启动聊天机器人，并开始对客户产生影响。

需要记住的是，虽然生成式AI可以帮助加速过程，但仍然需要人工介入——有一个人来审核AI生成的内容，确保其安全、准确且有帮助。

重塑客户服务组织

随着生成式AI减轻了一部分自动化建设的压力，CX团队有更多机会重新组织他们的团队，并将客户支持人员放在更具战略性的岗位上。

AI或许是航船，但你仍然需要人为掌舵。现在，更加注重分析性工作——深入挖掘哪些互动有效，哪些互动表现不佳，然后确定不同的流程或互动框架，解决这些问题，帮助客户找到他们所需的答案。

这为客户服务组织的结构提供了更清晰的方向，并开辟了新的职业发展路径，使得机器人构建者能够向真正的机器人管理者进阶，而这些管理者也可以借此发挥其他技能，赋能更多人员。

提供内置的对话最佳实践

生成式AI的进步使得没有经验的人也能轻松进行自动化，且在生成的响应和内容中内置了对话最佳实践。

机器人管理员基本上可以列出一些要点，AI助手则可以利用这些内置的最佳实践将其重新格式化，以适应所使用的对话渠道——无论是电子邮件、网页聊天、短信、电话，还是其他渠道。

生成式人工智能的知识库最佳实践

1.互斥且完全覆盖的知识架构

在设计知识库结构时，进行细致规划和准备能够避免未来浪费大量时间和精力。这个概念通常叫做“本体”。

知识树中每个层次的分类应该做到“互斥且完全覆盖”。通过这样的结构，AI能够高效地回答大部分客户问题，并且做到准确高效。

具体来说：

• 互斥：意思是不同的分类之间没有重叠的内容。每一类信息都是独立的，避免了信息冲突。如果某个信息需要更新，只需要在一个地方修改，不会影响到其他地方的内容，从而减少了更新和维护的工作量。
• 完全覆盖：意味着所有的分类加在一起，能够完整地涵盖客户可能会提问的所有信息。没有遗漏的部分，确保客户能获得他们需要的答案。

2.精确且详尽的标题，以清晰设定上下文

如果你在同一主题下有多个相似的部分，并且它们的标题一样，AI将很难有效地抓取信息并为客户提供准确的答案。因此，标题和章节头应该随着客户逐步深入知识库的树状结构而变得越来越精确。

有趣的是，描述性标题往往比问题标题更为有效。如果你的知识库已按照问答格式组织，那么确保每个回答内容是独立且完整的。例如，问题“我可以使用信用卡付款吗？”的回答应该是“是的，你可以使用信用卡付款”，而不是简单地回复“是”。

如果许多文章讨论的是类似的主题，确保在标题和正文中明确区分，这样可以避免在生成答案时，信息被误用或断章取义。

3.独立完整的文章

关于文章内容的多少，或说详细程度的界限，通常取决于具体情况。但最佳实践是每篇知识文章只涉及一个主题，并确保客户从这一篇文章中就能获取到该主题所需的所有关键信息，而不需要在不同页面之间跳转。这样可以保证信息的连贯性和完整性，提高客户查找信息的效率。

Mixdesk助力企业利用生成式AI优化客户服务与全球营销

生成式AI正在快速改变客户服务领域，而Mixdesk通过强大的AI驱动功能，助力企业优化自动化进程，提升服务效率。借助Mixdesk的生成式AI技术，企业能够快速响应客户需求，从FAQ自动应答到跨系统整合，实现个性化服务和更复杂问题的处理，全面提升客户满意度与互动质量。

随着不断优化的AI数据洞察与自动化工作流，Mixdesk为客户服务部门提供了更高效、更精准的操作空间，帮助企业建立持久的客户关系并推动长期增长。通过智能化工具与强大的分析能力，Mixdesk确保了每一次客户互动都充满价值，助力企业在全球化营销。