生成式 AI 已成为不可阻挡的趋势，尤其在智能运营场景中。本文将探讨企业如何利用和落地生成式 AI 应用，分享相关案例及解决业务痛点的共识。
01
大模型在企业内有哪些落地场景
生成式 AI 已经是一个不可阻挡的趋势，我们相信它是可以解决一切'问题'的，但是'问题'是什么呢？
我们经常说要从大处着眼，小处着手，找到实际的业务痛点是关键，不要拿着锤子找钉子，钉子要钉在哪里才是需要解决的关键问题。下面会拿一些实际的客户案例，给大家来举例说明。
场景一：实现高效的情感分析、舆情分析和业务洞察
每个行业都有情感分析、舆情分析和业务洞察这样的共性需求，比如常见的商品评论信息、金融客户的财报分析、行业的洞察、第三方的社媒、还包括客户日常运营当中的各种反馈信息，不管是纸质的还是电子版的，会有各种收集到的信息。
挑战的地方在于：以前也有传统的机器学习来做，例如用 NLP 的自然语言处理的模型，它可能是一个模型解决一个任务，想关键词提取、情感分析、翻译等，每一个模型可能是解决特定的任务。
现在生成 AI 下的基础大模型，因为能力的涌现，可能一个大模型就解决了刚才说到挑战，能去在多个任务上面去直接解决，而且在人类语言的理解上面更进一步。传统的人工加自然语言机器学习，会造成人工造收集的效率低下，以及针对大规模的舆论进行分析时，模型层面的能力会限制最后输出的信息准确度。
而且通过人力加机器的方式，还存在模型的调优成本。整体来说，它的投入产出比，以及价值点还在精进中。但是现在生成式 AI 下的大模型，典型的优势有 3 点：
第一点，在信息处理的能力有显著提高，同时在任务的复杂度上，能够进一步的实现一些复杂的任务，比如 AI Agent 的概念，大脑部分由生成式 AI 大模型来充当，它可以决定下一步的 Action 的选取。
通过大模型洞察，一方面帮助我们能够收集到反馈投诉的信息，一方面解决在客户服务质量上面的优化，让客户有更高的满意度。
第二点，对特定的产品、细节上面有什么样的反馈，可以帮助我们有更好的洞见，能够观察一些消费者趋势。这些产品特性，对于消费者的市场反应，可以让我们做出更好的营销和决策。
第三点，在社媒和社区的评论当中，用户对于特定活动和特定商品的观点，以及竞争对手的评价信息和比较，可以更好地去挖掘用户的诉求，为产品改进提供参考。
以实际的举例来说明，在用户评论场景下有一个客户实践，用 Claude 3 的大模型加上 Crew AI 的开源框架，构建了应用商城的用户分析工具。
那这个场景下的话它是做什么事呢？我们见到大量海外的客户，他去做游戏的 App Store、Steam、Google Play 上面的产品部署，会有大量的用户评论，这些评论数据，可以快速了解用户的反馈信息；可以发现客户的痛点需求；可以监控当前的应用表现，以及同行的竞品情况；可以收集用户对功能的反馈；可以更好地提供客户体验，以及最后就是提供竞争分析。
在架构设计上面用的是 Crew AI，是一个开源的协作式多智能体框架，下面的多个 Agent 之间可以协同工作，每个 Agent 有特定的功能。比如说有的是用来爬取数据源，有的是要进行数据的处理，有的是直接调用大模型，有的是做场景分类，然后做评论分析的洞见总结，最后出来一个报告。这是一系列的自动化智能体，构建出来一个应用商店评论分析的工作流程。
比如以 Minecraft 的一个游戏做了一个验证，当评论的信息总结完毕后，会提供几个洞见。第一个是发现游戏当中的定价问题，其中有哪些信息点提到可以进行下一步的优化，第二个是网络连接的问题，网络层面导致客户体验变差，运营人员有更好的依据来进行调整。
通过上述方式得到的洞察，其实传统的评论分析也能做，为什么一定要用大语言模型或生成式 AI 的技术来做呢？
首先这些分析是可以 Agent 自动化的决策和完成的。其次它的洞见能力，当有海量的信息待处理时，用传统的机器模型，会有信息的缺失，以及总结能力弱。不如大模型时代下的总结和洞见，内容会更丰富、更细节、更智能。
这也是现在看到很多客户在评论分析场景下又重新研究，重新是实践的一个样例。
另外一个案例是一家 ToB 的 Shulex 公司，主要是做电商平台 VOC 的分析公司。他们为电商企业提供用户的洞察分析，帮助他们进行商业的决策。
