从成本中心，转向利润中心。
智能客服产品和服务的市场推广，一直是个很让人头疼的问题——作为实实在在的职能型产品，传统的智能客服主要基于预设的规则和知识库进行问题解答。这种方式虽然在处理常见或标准问题时效率较高，但如果'关键词'未能命中，不免闹出'智能客服不智能'的笑话。
尤其对于直面消费者的品牌商家们来说，客服在售前、售中和售后环节都起到很关键的作用。一款好的客服产品不仅能增加印象分，还能提高复购率，但传统智能服务系统主要基于一般性解答，更别谈为用户提供特定需求的个性化服务。
直到大模型的出现。
根据知名咨询机构 IDC 最新发布的数据，去年智能客服解决方案整体市场规模达到了 30.8 亿人民币，较 2022 年增长了近 36.9%。换句话说，随着大模型技术的迭代升级，很多企业开始把客服作为探索大模型落地的重要场景，智能客服市场即将迎来新旧交替的变革时刻。
'通过云技术处理大规模的数据和请求，AI 大模型能够实现快速响应和多轮对话的同时，还能提高整体客服团队的智能化水平，以便反哺其他业务板块。'瓴羊的智能客服产品总监张双颖表示，智能客服场景虽然不起眼，但想要真正做好却不容易。
他以某家电行业头部品牌为例，其自主研发的办公软件，需要照顾到研发、生产、供应链、销售、服务等 10 万名员工，这些员工每天会产生 5000 多个问题，涉及 20 多个部门知识，需要 70 多名客服运维，但这些提问重复率却高达 40%，以及运维人员的回答不统一、专业性知识跨部门支持困难，这些难题光想想就头疼。
也就是说，一款真正能够面向市场的智能客服产品，不仅对准确度有着极高的要求，而且它在兼顾数据安全的同时，做到跟随业务的发展不断进化。这就意味着，厂商自身既要在智能客服场景有着很深的积淀，还得充分洞察和拆解客户需求。
拿瓴羊最新推出的 Quick Service 2.0 智能客服来说，依托先进的大模型技术和业务小模型，以及瓴羊在阿里巴巴十多年客服场景的能力沉淀，它在 1.0 版的基础上，又全面提升了三大核心功能：AI 问答、AI 辅助和 AI 知识库。相较于同类竞品，它是业内首个将 AI Agent 完整落地、可覆盖客服全场景的智能客服产品，同时也是首个通过信通院《数字原生应用基于大模型的智能客服》标准认证的产品。
这里就要涉及技术路线的选择问题，目前市面上利用大模型建设智能客服的主流思路有两种：
- RAG 思路：简单来说就是将领域知识构建到向量数据库中，当用户和问题系统交互时前置检索到领域知识，然后提供给大模型使用。这种方法更新成本低，适合知识频繁变动的场景。
- Fine-Tuning 思路：即通过对大模型本体的更新，将知识更新进去，需要对模型调优、重新部署，甚至需要 GPU 重新训练模型。这种方法能让模型更懂业务逻辑，但成本高、周期长。
当然，这两种路线都有各自的优势。张双颖告诉媒体，'企业在实际应用时，这两种路径都可以选择，但无论选择哪种路径，智能客服首先要解决的是幻觉问题。'以 Quick Service 为例，它在实际应用中的解答准确率高达 93%，这是一个怎样的概念呢？几乎媲美一位对公司各项业务和产品技术都了如指掌的资深真人客服。
最关键的，这还是建立在综合很多离散型非结构化数据基础上的指标，而这，恰恰是其他玩家不具备、却是瓴羊的核心壁垒。
众所周知，脱胎于阿里数据中台团队的瓴羊，本身在数据服务方面就有着很深的积累，旗下围绕数据要素构建的产品矩阵，在各个领域的中大型企业都有着不错的口碑。按照这个逻辑，从底层的数据平台到上层的应用落地，Quick Service 在瓴羊内部的萌芽也是顺理成章。
但就像硬币总有正反面，尽管大模型改造千行百业几乎已经成为共识，也有不少新的陷阱产生。最典型的，随着百模大战告一段落，越来越多的人把目光放在应用落地，拿着锤子找钉子成为业内常态。很多企业一开始就把大模型作为'良药'，倒推可以解决哪些业务问题，这样的做法不仅会浪费资源，还可能导致空中建楼阁。
大模型时代下的智能客服也不例外。
就当下来说，智能客服并不是什么新鲜事，要想获得客户认可，最终还是要回到价值本身，尤其对于场景复杂度较高的智能客服来说，与客户携手共创往往是最佳选择。
张双颖坦言，'尽管我们在数据服务方面有着很深的护城河，但 Quick Service 的打磨过程也投入了大量的时间和人力，当然这和具体客户的场景复杂度息息相关。'针对一些规模较大的客户，从立项到产品正式上线，一般需要花上 1-3 月时间。
有意思的是，在 Quick Service 实际落地的过程中，张双颖还观察到一个很有意思的转变。
