眾所周知，AI能幫助我們高效解決問題，減少重複繁瑣的工作。在商業上能夠提高轉化率，例如電商平臺的推薦演算法。那麼，AI和SaaS行業結合會碰撞出什麼火花呢？本文作者對此進行了分析，與你分享。

一、AI正在大殺四方

今年9月，抖音及海外版 TikTok 宣佈，蟬聯全球移動應用收入榜冠軍。兩款軟體共吸金超過 3。15 億美元，是去年的1。7倍。

歷數位元組的發家，離不開AI的加持。應用了AI的猜你喜歡，總是能猜到使用者的心裡，讓人一刷就停不下來。

但要追尋這項技術的源頭，抖音還真該感謝下亞馬遜。2000年，亞馬遜首先把智慧推薦引入了商業市場。

事情源於一場人類與機器的間的賭約。

面對公司引入人工智慧的決定，亞馬遜的編輯團隊嗤之以鼻，推薦好書這件事情機器怎麼能幹？機器能懂什麼是好書嗎？

這場賭約應聲而落。

一邊是身經百戰的圖書編輯，一邊是才剛誕生不久的初期AI。

最開始形勢是一邊倒的，但僅僅用了半年時間，AI透過自我學習，在推薦的成功率上已經遠超人工團隊。

事情的結果大家都知道了，這項技能現在幾乎成為了電商領域的標配。

音樂、小說等方向也不甘寂寞，紛紛跟上，猜你喜歡就這樣被應用到了C端客戶的方方面面。

而現在，這股AI的風，也吹向了B端領域，在SaaS行業大殺四方。

工具類SaaS，靠著生成式AI，來生成圖片，生成文字，甚至生成影片。

業務類SaaS，在AI客服、AI電話營銷之後，又有了AI面試、AI報稅等場景，新花樣層出不窮。

與此同時，AI和人類的競爭，也被各種影視題材反覆演繹。站在科技和人文的十字路口，我們有必要從新技術的應用層面，來看看AI的現狀和挑戰。

二、AI的能力幾何

AI到底是什麼？

簡單來說，AI是一種技術，是一種讓機器學習人的思維的技術。

那機器應該如何學習人的思維呢？四個字可以概括——題海戰術。

比如說我們希望AI能快速識別出圖片中是否有貓。

我們需要餵給AI一堆有貓和無貓的照片，然後讓AI判斷哪些照片有貓，最後再給AI“改作業”，告訴它實際哪些圖片是有貓的。透過投餵-判斷-糾錯的反覆迴圈，不停訓練AI輸出判定成功的機率。

再比如我們希望AI預測出更符合的使用者心意的商品。

我們需要給到AI大量的資料，包括商品的資料，使用者自身和相似使用者的行為資料，讓AI在一次次試探中，建立使用者屬性和商品屬性的關聯，最後得出可能和使用者關聯最大的商品。

這有點像是人類所說的【洞察】，在數不清的大量因素中，揪出最相關的因子，得出最優解。

這個過程，本質是解決目標函式最大化問題的一種數學運算，也被AI界稱為深度學習。

幾乎在任何領域，深度學習都能發揮識別、預測、分類、合成的作用。

也是因為有了深度學習做基礎，NLP（自然語言處理）技術才有了發揮空間。

這個技術看起來很陌生，但實際我們生活中，經常在享受它的便利。

對著手機喊Siri，問天貓精靈現在幾點了，讓小米智慧控制家裡的掃地機器人工作，這些時候，都是在使用機器理解語義，正確應答的能力。

NLP能幫助機器理解人類的語言，甚至能聯絡上下文的語境，給到合乎情理的答案。

例子雖然有些細思極恐，但可以讓我們初步一窺NLP的能力。

當然NLP犯錯的可能性也很大，人工智慧不具備常識，創造力，在分析推理和抽象概念也很弱。但現在已經實現的能力，已經能讓人類生活得到一些便利。

如果說NLP讓機器會“說話”，還有一個領域是讓機器只幹不說的。

它就是近幾年很熱的RPA（機器人流程自動化）賽道。

這個賽道的“小機器人“生活在電腦裡，它沉默寡言，只要你執行程式，就能按照設定好的路徑自動開始工作。

非常像是一個任勞任怨，全年無休的小助手。

具體來說，這個小助手的能力可以體現在哪些方面呢？

大量資料+簡單邏輯+重複工作，是最能發揮它工作的空間。

例如報稅，對於很多企業來說，工作量大還容易產生風險。

需要財務人員登入報稅系統，手工錄入發票資訊，填寫並提交納稅申請，最後稽核納稅後列印納稅審批表。

而只要設定了自動化的步驟，應用了機器人系統。需要的時候點選執行，平均平均報稅時間從30分鐘減少到3分鐘，效率也提高了85%以上。

另外，機器人的每一步都有記錄，幫助企業覆蓋業務管理系統和驗證機制。

除了上面介紹到的深度學習、NLP、PRA，像面部識別、ARVR、無人駕駛、硬體機器人也可以歸為AI的領域。

而且，這些能力還可以相互疊加。

例如一個居家型機器人，就要求能自動識別，自動按流程工作，甚至完成一些額外的內容。

讓機器具有人類的思維和智慧，不再是一句空話。

三、AI+SaaS，碰撞出了兩個趨勢

AI擁有和人類近似的智慧，再加上不知疲倦的光環， 簡直是老闆們夢想中的員工。

但各個產業的所有企業中，只有不到10%的企業應用了AI技術。

企業選擇AI的過程，遇到的問題多種多樣。

首先是需求層面，aI作為新興的技術手段，擁有百花齊放的子領域，普通人很難全面地瞭解AI有什麼能力，更別提說明確提出需求，說清楚希望有一個什麼樣的AI，來解決自身經營的什麼問題。

其次是技術應用層面。貴是最大的原罪，團隊，演算法，乃至機器運力，全都是燒錢的元素。

而這個時候，SaaS公司挺身而出，為企業使用AI提供了方案：我在系統裡應用了AI能力，能在財務（HR/銷售等）方向提效，省去至少3-5個員工的工作。”

趨勢一：越來越多的SaaS產品正將AI技術核心業務中

AI所有的應用場景，都是為了提升效率。

從工業革命開始把工作拆的更細，或許就註定會有今天。

當年我們讓人和人之間按步驟來協作，到如今，讓人和機器互相接力。

在繁瑣耗時但能力要求相對單一的事情上，人類可以拍拍AI的肩膀，把工作交給它。

開完會了，做會議記錄太麻煩，用會議軟體可以一鍵語音轉文字。

當前幾乎所有企業協同的軟體，都有了這項能力。

人工坐席成本高，那用智慧外呼。

現在不少SCRM就把這個能力嵌入了自己服務。

圍繞賦能銷售流程的賣點，改造客戶提升質量。

可以根據不同的業務運營場景，制定符合自身情況的AI流程和話術，使用真人錄音，真實且情緒飽滿。

除了打電話，AI外呼能根據通話情況，自動分析語義並判斷客戶意向，按意向高低，併發送簡訊引導使用者新增銷售人員。

根據統計，每天人工撥打電話量一般為100-300通，而AI外呼能做到一個機器人坐席每日可撥打300-800通電話，節省70%人工成本，加粉效率可達15%-40%。

而在人類不擅長的大資料分析和相關因子預測等領域，也可以讓AI先上。AI分析完成後，拍拍人類員工的肩膀：這些結論給你，你看看對你有用嗎？

CRM，可以使用AI，給銷售流程提供更多決策參考。

場景1：根據成單機率給線索打分

當市場部蒐集過來的線索，可以根據線索特徵進行打分，讓銷售優先跟進成功率高的客戶，最大化工作效果。

場景2：預測客戶LTV

當客戶簽約後，轉為客戶成功團隊維護，此時如果可以預測客戶的LTV（全生命週期價值），就可以更好的給客戶進行分層，以及配備合適的服務資源。

場景3：挖掘客戶流失傾向

所以如果能提早判斷客戶流失傾向，對於公司無疑有極大的價值，公司可以動員資源去接觸和挽留。

在HCM領域，也有SaaS企業應用了AI技術。

例如在智慧化人才庫上，可以使用AI做資料引入和啟用。 首先是人才的自動化入庫，將合適的候選人直接推送到HR面前，進行人才打撈。

然後再進一步，透過簡訊郵件或者智慧外呼等自動化方式去啟用候選人，挖掘他們的意向。

這個過程應用了AI技術，形成了從人才庫的整理-打撈-啟用的閉環。

此外不少BI

SaaS，也以使用AI為亮點。

資料統計出來了還不算，對資料作出分析和預警，讓企業更直接的體驗到資料價值。

從SaaS軟體的使用過程來說，大致分為 1資料線上化- 2流程線上化- 3流程提效。

而SaaS企業的難題，在於怎麼樣激勵企業完成這三步，最後讓企業看到價值。

AI或許就是很好的一個突破口，不需要企業走過完整的流程，動員全部的人力。可以只用一個單點，就能讓企業看到效果的增強，解決SaaS軟體價值感知慢，造成的客戶啟用難的問題。

對成功的渴望不會引領成功，只有成功才會引領成功，我們要做的，就是用AI去為企業造就一個個小成功。

SaaS公司應用的AI能力，除了自建，還可以外採。

這是第二個趨勢：網際網路巨頭入局，開放AI能力。

亞馬遜雲，就有一款開放的智慧AI工具。

只要準備好豐富的資料，設定需要的模型，不用理解機器是如何工作，就能預測出最後的機率資料，並得出和結果高度相關的因素。

舉個例子，外呼團隊每天會接收大量的銷售線索，所以需要從線索中找到接通成功率最大的客戶，來安排每天的工作。在應用了模型預測，並按照預測成功率從高到低撥打，電話接通率從35。17%，到達了49。4%。

騰訊雲，已提供了超過300多項標準化AI開放能力和80+AI行業解決方案。

All in AI的百度，以及在IaaS上領先的阿里雲，也都在AI上提供了大量的開放能力。

四、AI+SaaS的挑戰

根據Gartner2022 年度人工智慧技術成熟度曲線，智慧應用已經翻過了第一座大山，進入到穩步爬升期，距離生產成熟期只有2-5年的時間視窗。

此時，讓我們把目光放在侷限和挑戰上，縱觀全域性，瞭解AI。

1. AI的落點有侷限

對於生產者，要警惕的是面子工程和虛假繁榮。

找到最適合切入AI的落點，一方面是選擇技術發展得比較成熟的領域。例如整理資料並預測、語言理解、翻譯、應答。

另一方面是結合自己的業務，尋找真正能用AI做到效率提升的部分。劃定好AI和人類的分界線，AI負責定量分析、成果最佳化和重複性工作，人類按其所長貢獻自己的創造力、策略思維、複雜技藝、熱情和愛心。

另外，購買者的衝動消費也是需要注意的。

誰說企業決策就一定深思熟慮，SaaS行業有太多購買後再也不開啟軟體的客戶。

所以面對使用者，面對AI這種有門檻的概念，剋制描述AI的能力和效果。

2. AI的技術有侷限

AI的技術侷限來自於世界本身。

即然用機器來模仿人工智慧，讓機器來學習人類世界產生的物料。

那麼，人類的思想上限就是AI的思想上限。AI會吸收好的，也會吸收偏見。

以AI的深度學習為例。

它離不開海量的相關資料、單一領域的應用場景以及明確的目標函式。這三項缺一不可，如果缺少其中任何一項，深度學習將無用武之地。

海量的相關資料，除了偏見，還會涉及合法獲取，隱私安全等問題。

單一領域的應用場景和明確的目標函式，會非常考驗企業的價值觀。如果在預測模型中，只以單一的利潤作為指標，忽視員工和客戶的體驗和幸福，或許也並不合理。

同時，AI也被證實不具備常識和邏輯推斷，這給了AI犯錯的可能。

最後AI不可解釋的特性，也會對企業帶來一些挑戰。

淘寶曾經的排序演算法，採用過“有指導的機器學習”方法，參與排序的引數是透過演算法生成的。這樣效果最好但是無法解釋。

也就是說，淘寶官方有時候不太容易解釋為什麼某些指標的權重會比較高，而某些指標又比較低？舉個例子，假設系統自動判斷“收藏量”的影響權重很低，但確實難以說明為什麼會是這樣的。更重要的是，面對賣家來質疑時，淘寶沒辦法挺直腰板、理直氣壯地說，你這家店流量降低，是由於某種原因，你們需要透過怎樣的方法來提高你的店鋪流量。

當然淘寶在2011年修改了自己的排序規則，做到了可解釋原因，與此同時應該也犧牲了一些轉化率。

它把參與搜尋排序，尤其是判斷賣家服務質量的各項因素，包括退款率、糾紛率、轉化率、好評率、DSR動態評分等，都明確出來，告訴賣家排序有所變化的原因是哪些。

所以，從不可解釋到可解釋。背後的是人類想要什麼，是最高的轉化率，還是更好的生態。

3. AI的高效有侷限

AI解決的是高效的問題，但是當效率是否有臨界值？效率讓我們更快的抵達那個終點，但我們要那麼快抵達終點做什麼？

正如很多人說畢生夢想是財富自由，但是財富自由以後要追求什麼？

我們需要結果，或許我們也需要慢下來。畢竟AI的誕生，是希望人類有更多的閒暇享受為人的樂趣，而非像機器一樣工作。

總的來說，AI是一個很不錯的切入點，能夠讓SaaS企業找到一個切入口，讓使用者更快的看到和體驗到直觀的價值。但AI帶來的風險和侷限我們也應該考慮在內。

當我們有了一項新的技術能力，我們也要有使用技術的智慧和原則。先理解，再應用，才能保護好企業的初心，為客戶和自身實現價值雙贏。

專欄作家

假裝是運營，微信公眾號：SaaS學姐，人人都是產品經理專欄作家。

本文原創釋出於人人都是產品經理。未經許可，禁止轉載。

題圖來自Unsplash，基於CC0協議

該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊儲存空間服務。