和多位AI负责人交流后, 我发现了Agent成功的真相

本文将通过与多位AI负责人的交流，深入探讨Agent成功的真相。作者发现，成功的Agent产品往往聚焦于少数“AI友好”的场景，集中资源将这些场景“打穿”。

和一位粉丝聊到他们公司的AI客服产品，他说部分场景下已经实现了90%的独立接待率，加上ROI很容易算清楚，因此客户付费意愿很强。

有意思的是，我的另一个粉丝也在负责AI客服产品，他给我的反馈却是AI客服的效果不好，主要是个性化业务太多，AI准确性太低。

同一类产品，为什么却有完全不同的反馈呢？

核心在于，两家公司的策略差异很大。

第一家公司的打法很聚焦。他们聚焦少数行业的少数高价值场景，集中资源把一小块领域“打穿”。

比如，某公司每天一万次服务咨询，80%都属于2～3个细分场景，只要把它们“打穿”，就解决了80%的问题。

而第二家公司虽然也宣称要“聚焦行业”，但当初为了融资，覆盖了太多行业，导致产品团队精力严重分散，每个行业都投入不足，Agent的效果当然好不起来。

和很多AI负责人交流以后，我发现了Agent成功的真相：聚焦少数“AI友好”场景，集中资源把它们“打穿”。

首先，我们要找到“AI友好”的场景。主要有3个筛选标准：价值、难度、标准化。

1、价值

企业级Agent的研发成本其实并不低，除了AI功能本身的研发和测试，还有大量的数据梳理和工程化工作。

因此，只有聚焦于少数高价值的场景，ROI才能算得过来。

那什么是高价值场景呢？我觉得主要有2个特点，一是人力密集，二是信息密集。

客服就是典型的人力密集，内容生成、编程就是典型的信息密集。

2、难度

AI友好的场景，落地难度不能太高，因为大模型的本质决定了：它永远不可能100%准确。

所以，要不就是容错率较高，比如AI培训，少量的内容描述偏差，并不会带来严重后果；

要不就是回答的难度较小，比如客户咨询订单物流状态，相对不容易出现幻觉问题。

一个反面案例是客户投诉，客户饱含愤怒的情绪，AI很难搞定。

业务的在线化程度也会影响难度。一个信息化基础太差的业务，很难给AI提供必要的数据。编程的在线化就非常棒，大大降低了AI落地的难度。

3、标准化

大部分企业级Agent都高度依赖RAG知识库和工作流。而场景越标准化，知识库和工作流的梳理就越容易，也更容易打造出标准产品。

举个例子，蓝领面试已经有成熟的Agent产品，比如海纳AI；但是高级白领面试却没有。

核心原因之一是蓝领面试相对标准化，比如每个候选人都会检查四肢健全度、征信情况等。

但是高级白领面试就非常个性化，每个候选人可能都有不同的面试问题和答案。

选好了场景，就成功了一半。剩下的重点就是聚焦“AI友好”场景，把它们打穿。这时候考验的就是战略定力和执行力。

前段时间我发文批评了李开复的零一万物，原因有2点：

首先，他不够聚焦，什么行业和场景都做，很难打磨出标准化的Agent产品；

其次，他的Agent落地策略是“先定战略，再找场景”，但Agent成败的关键其实不在于什么狗屁战略，而在于能不能找到和聚焦“AI友好”的业务场景。

李开复这种“先易后难”的打法，很容易把零一万物拖进泥潭。