◈21|行业落地(三):零售与客服,AI 怎么直接驱动业务?

21|行业落地(三):零售与客服,AI 怎么直接驱动业务?

你好,我是曹犟。

行业篇的最后一站,我们去看零售与客服。前两讲主要按照行业约束来划分战场。强监管行业,治理本身就是产品,首先要说清模型、数据、代码和最终决策权由谁掌握;重资产行业,则要把现场改善落到生产、经营和安全结果上,同时守住数据基础,以及规则、模型和人的分工。

和前两讲相比,零售与客服有一个更鲜明的特点: AI 做出的动作,能够比较快地反映到收入和成本上。GMV、复购率、客服成本、销售转化,都是可以直接观察的经营指标,AI 做出的改变也更容易被衡量。用 第 6 讲 的语言来说,这类场景比较容易满足北极星三条件:与商业价值强相关、客户能够影响、可以拆解和归因。

这个判断不只适用于分析零售与客服,也直接影响了我们自己的创业选择。Omni-Growth 从 AI 营销和广告投放切入,背后就是这样一个逻辑:投放是公司里与收入关系最直接的岗位之一,每一块钱预算的去向和回报都有数据,效果可以归因,价值也容易证明。 第 15 讲 讨论的效果定价,在这类场景里更容易成立。我们虽然做的不是零售或客服,但面对的是同一类问题。

不过,离钱近也有两面。从业务扩展看,价值容易证明,FDE 可以先从相对简单的场景做出结果,再进入价值更高、落地也更复杂的经营问题;从 Agent 授权看,它越能动手,出错就越容易变成真实损失。因此,这一讲重点回答两个问题:FDE 怎么逐步扩大参与经营的范围,以及怎么一步步把更多业务动作交给 Agent 自主完成。

接下来,我们先看 FDE 在零售行业的切入路径。

零售:先从用户运营证明价值,再走向商品运营

这一小节不是想罗列 AI 在零售里能做哪些事情,而是想说明 FDE 怎么从一个价值容易证明的场景切入,再逐步扩大 AI 参与经营的范围。神策服务零售客户时,实际走过的一条路径,就是先做用户运营,再扩展到商品运营:先在以会员运营为代表的场景中,用复购率和增量 GMV 证明价值,再把优化范围扩展到选品、商品组合、库存和定价。范围每扩大一步,FDE 需要协调的人和沉淀的知识也会更多。

第一层,用户运营

在零售行业里,用户运营主要表现为会员运营,包括用户分层、生命周期管理、流失召回和复购提升。

第 10 讲 已经讲过其中一个典型例子:只要说一句“帮我找出最近 30 天下过单但没有复购的用户”,神策提供的用户运营 Agent 就能自动创建这个用户分群。在找到人群之后,再给他们配置什么权益、采用什么话术、安排什么触达节奏,整个会员运营链路都可以由 AI 辅助完成。

之所以先从用户运营切入,是因为会员运营的数据相对完整、动作明确、效果周期短,FDE 容易建立基线和归因口径,也更容易用结果获得客户信任。 第 15 讲 那个按增量 GMV 分成的 RaaS 案例,就发生在这一层:约定复购基线,超出部分分成,没增长不收费。能开出这种合同,前提就是效果可以归因。

会员运营前面已经分别从产品能力和效果定价两个角度讲过,所以这里不再继续展开。

第二层,商品运营

商品组合优化是其中一个典型场景:哪些商品搭配销售可以提高连带率,哪些滞销品应该清理、怎么清理才不损害价格体系,给哪些门店配置什么商品、什么时候调价。

这不是简单地多做一个场景。从潜在价值看,商品运营的上限通常更高。会员运营主要影响触达、复购和增量 GMV;商品运营除了影响销售额,还会影响库存占用、折扣损失和毛利,进入零售企业更核心的经营盘面。但价值空间更大,也意味着落地难度更高:数据要从用户和交易扩展到商品、库存、价格和门店,参与决策的团队也会更多。这也是为什么要把商品运营放在第二层:不是因为它不重要,而是因为它价值上限更高、落地难度也更大,最好先在会员运营中做出结果、建立信任,再向这里扩展。

如果只是部署一套商品管理或库存管理系统,需求相对明确,也可以按功能验收,传统的销售、售前、实施、研发分工完全能够完成。真正会对这种交付方式提出挑战的,是类似于商品组合优化这样的场景:它不是简单交付一个功能,而是和客户一起持续做经营决策。那么,在这样的情况下,乙方就会面对一个组织问题:原来的职能式交付,是否还适合解决这类新问题?

以商品组合优化为例,这类需要持续优化的经营问题,通常有三层难点:

  1. 销售额、库存周转、折扣损失和毛利相互牵制,需要不断取舍;

  2. 门店、库存、价格和促销一直在变化,方案无法在售前阶段一次说清;

  3. 验收不再看功能有没有上线,而要看经营结果有没有改善,结果出来之后还要继续调整。

到了这一步,原来的职能式交付就容易出现问题。一个需求从销售转给售前,再转给实施和研发,每转一道,业务背景和决策约束都可能丢失一部分。每个团队都完成了自己负责的环节,却未必有人持续对库存周转和毛利负责。不是传统职能绝对做不了,而是信息接力的成本越来越高,迭代速度也很难跟上经营变化。

神策做过的一种组织探索,是 把销售、售前、实施和研发重新组合成围绕具体场景的“增长小队”。把这种组织方式用到商品组合优化上,可以组建一支负责“门店差异化选品”的场景小队,以 FDE 为核心,甲方则让商品运营、供应链和门店运营共同参与。大家一起根据门店客群、历史销售、库存、货架空间和供应链约束,决定每类门店应该保留哪些 SKU、引入哪些新品、淘汰哪些滞销品。方案上线后,还要根据销售额、毛利和库存周转持续调整。这样,组织不再按照职能环节切分,而是围绕一个需要持续解决的经营问题展开。

在这支场景小队里,FDE 直接吸收了传统实施的职责,成为连接客户业务、数据和研发的关键角色。FDE 先要贴着客户现场,理解经营目标、数据和规则,把现场问题变成能够落地的方案;再完成数据和系统对接,推动方案真正上线;上线以后,还要持续验证库存周转和毛利是否改善,根据结果推动产品调整,最后再把项目中的共性能力沉淀回产品。

在这类探索型项目中, 小队共同对一个业务结果负责,这是它与传统职能式交付最核心的区别。等场景逐渐成熟、方案能够标准化以后,其中重复性的交付工作才可以重新交给传统的实施团队。

增长小队建立以后,前台和中台的分工也会随之变化。这里的前台,就是直接面向客户、对场景结果负责的增长小队;中台则负责提供可以跨场景复用的通用能力。我们当时把这种变化概括成“前台更重,中台更轻”:让真正理解客户、又能解决问题的人离现场更近,同时把通用的数据、技术和产品能力留在中台,避免每个场景都从头建设。中台更轻并不是削弱中台,而是不再让中台承担每个客户的具体问题。

这样的分工既减少了职能之间的信息接力,也更容易把客户侧的运营、商品和供应链团队拉到同一个目标下,把数据、规则和业务反馈放进一个持续迭代的闭环。这就是 FDE 工作方式的零售版本:不只是把工具交给客户,而是和客户一起把业务结果做出来。

组织调整背后还有知识的积累。什么品类的复购周期有多长、什么样的优惠券结构不损害毛利、大促前后的运营节奏怎么安排,这些都是 第 14 讲 讨论的行业 know-how。零售客户更换供应商可能很快,但积累了这些认知的 FDE,进入下一家客户时仍然有价值。FDE 的工作,正在从“教客户用好软件”,变成“帮助客户把业务目标拆成可以委托给 Agent 的工作流”。零售运营就是这个变化最明显的领域之一。

零售部分先讲到这里。接下来我们看客服:当 Agent 开始直接修改订单、处理退款时,授权和护栏应该怎样跟着升级?

客服:从答得准,到敢托付

客服是 AI 落地最早、渗透最深的场景。客服 Agent 的能力可以分成三级:答得准、能动手、敢托付,一级比一级价值高,也一级比一级难。大多数团队目前只走到了第一级。

第一级,答得准

核心指标是拦截率,意思是用户的问题被 AI 直接解决、不再转人工的比例。这一级的规模化难点不是单条回答,而是知识管理。 第 14 讲 提过,OpenAI 在客服项目中把数百条服务策略参数化,统一管理指令和工具,而不是让策略散在不同语言和渠道里。这正是知识资产化的客服版本: 策略即知识,集中管理之后才能规模化复用。

再看这种能力规模化之后的结果。按照 OpenAI 公布的 Klarna 案例,这个 AI 客服助手覆盖 23 个市场、支持 35 种以上语言。上线第一个月,它处理了 230 万次对话,占全部客服对话的三分之二,相当于 700 名全职客服的工作量;平均解决时间从 11 分钟降到 2 分钟以内,重复咨询减少了 25%,满意度和人工客服持平;Klarna 自己估算,2024 年它能够带来 4000 万美元的利润改善。

拦截率这个指标还需要补充两点。

第一,它不能单独看。 强行拦截可能让用户不满,需要与满意度、转人工后的解决率一起观察。相信现在很多人都对国内运营商们的强制 AI 客服深恶痛绝,想尽办法转人工。

第 11 讲 把 AI 项目的“好”分成了业务、系统和行为三层,其中行为层需要回到真实使用中验证。放到客服场景里,拦截率、满意度和转人工后的解决率,反映的是业务结果和真实使用情况;模型准确率则只反映了系统层面的一部分。

第二,要看统计口径。 拦截率这个指标很容易因为计算方式不同产生巨大差异:分母里是否包含用户自己查看帮助文档后解决的会话?先问 AI、再转人工、最后由人工解决的会话,应该算在哪一边?因此,看到别人公布拦截率时,要先问清楚算法;自己向客户承诺拦截率时,也要先把算法写清楚,不要自己骗自己。这也是效果定价的前置工作:口径不明确,效果分成就无法计算。

第二级,能动手

Agent 不再只回答问题,而是可以调用订单、物流等业务系统。不过,这一级仍然由人作出决定,Agent 负责执行。比如,用户查询订单时,Agent 可以直接从订单系统取回结果;用户修改地址时,Agent 先展示修改内容,得到确认后再提交;补发商品则由人工批准,Agent 负责创建补发单。 第 10 讲 讨论的回执确认与可回滚,在这一级开始发挥作用:执行前把动作展示清楚,执行错误之后还能够退回。

第三级,敢托付

第二级和第三级的区别,不在于 Agent 会不会调用系统,而在于每次操作之前,是否还需要人来作出业务决定。第二级里,人决定怎么处理,Agent 负责执行;到了第三级,企业会在规则和额度范围内,把有限的业务判断权和执行权一起交给 Agent,只有异常情况才转人工。退款、赔付、改签等动作,都可能进入这一层。

Decagon 是一家基于 Claude API 构建企业级 AI 客服 Agent 的公司。根据公开案例,Decagon 的客服 Agent 在用户申请退款时,会先检查退款资格,再调用支付系统完成退款流程,把原来需要人工完成的步骤整个做完。这已经不只是“能动手”,而是 Agent 根据退款规则作出判断并执行,更接近第三级。公开材料没有披露额度上限、人工检查点和降级机制,因此它能说明这种工作形态已经出现,但还不能证明完整的治理机制已经建立。

第三级才是客服 AI 的真正深水区。拦住大多数团队的不是模型能力,而是 信任机制。 第 10 讲 的护栏五件套、 第 12 讲 的审计轨迹和人工检查点,都要跟着补上。所以托付三级跳有一条铁律:每上一级,护栏和审计就要加一层。

对 FDE 来说,这三级并不是三个产品版本,而是三种不同的交付工作。第一级,需要和客服团队一起整理知识、转人工条件和统计口径;第二级,需要接入订单、物流和客服工单等业务系统,把确认、权限和回滚真正做进流程;到了第三级,还要拉上客服、财务和风控,一起确定规则、额度、异常转人工和权限降级条件。FDE 不替客户决定愿意承担多大的风险,而是把这些业务边界翻译成 Agent 能够执行、系统能够审计的规则。 会做这种信任机制的团队,比只会调模型的团队更稀缺。

换到投放场景,我们自己的 Agent 也在沿着同一条授权阶梯往前走。刚开始,它只有“看”的权限,只能给出分析建议,操作仍由投手完成,在授权程度上相当于第一级。客户后来催着上“一键采纳”,本质上是希望走到第二级:投手决定是否采纳,Agent 负责执行。再往前,只有当 Agent 能够在预先设定的预算和规则范围内,自主判断是否调价、是否扩预算,并完成操作,才进入第三级。

第 12 讲 聊过,权限能不能继续升级,主要看建议的采纳率和效果的兑现率,而且要在更长的时间窗口、更多投手和更多账户上稳定下来。退款、赔付也属于第三级,但因为直接影响客户的资金和权益,风险通常更高,除了采纳率和兑现率,还要进一步观察错误率、单次损失上限和审计记录是否完整。我们当时没有顺势上线“一键采纳”,就是因为两个指标还没有经过充分验证。 升级的节奏由数据决定,而不是由意愿决定,哪怕这个意愿来自客户自己。

三级都讲完了,我把每一级需要补上的护栏整理成了下面这张表。这张表也可以用来向客户解释方案成本:把每一项控制措施展开,方案贵在哪里就看得见了。

托付还有另一面: 边界不能只往前走,也要能够往回收。Klarna 就是一个例子。前面提到,2024 年初,Klarna 官方披露,AI 客服的满意度与人工客服持平。到了 2025 年 5 月,Klarna 的 CEO 又表示,公司在客服上的降本追求走得太远,准备重新增加真人客服,确保用户始终可以选择真人服务。同年 6 月,他进一步提出,AI 可以接手重复性的工作,但公司仍然要向客户保证真人连接,真人客服甚至会成为一种 VIP 服务。

这并不是否认 AI 客服的价值,而是重新划分 AI 和真人的边界。我个人认为,这个调整背后还有一个比效率和准确率更根本的原因:无论 AI 的回答多么准确,客服中始终会有一部分情绪价值只能由真人提供。遇到投诉、争议或者资金受损时,客户需要的不仅是一条答案,还需要确认有人理解他的处境,也有人愿意对后续处理负责。

对 FDE 来说,降级机制也要提前设计:满意度、投诉率或者转人工需求一旦持续恶化,就应该缩小 Agent 的自主范围,把相应问题交回真人。

员工提效:把自己的公司当成第一个客户

客服和销售,其实处在同一条客户链路的两端:销售推动交易发生,客服则承接交易后的问题。前面我们一直讲的是 AI 如何直接服务外部客户,这条链路往企业内部走,就到了另一类容易被忽略的场景:面向员工的效率工具,尤其是销售工具。

按照官方披露,ServiceNow 把 Claude 设为内部开发平台 Build Agent 的默认模型,并向 2.9 万名员工推广,销售准备时间缩短了 95%。这已经不是少数团队的小范围试点,而是公司级推广。销售准备包括拜访客户前的背景调研、方案准备和话术整理。这个时间节省下来,可以转化成更多客户触达,因此销售效率也会直接影响收入效率。

神策内部也在用 AI 做同一件事。客户拜访前,AI 会先调研客户背景,再结合通用的解决方案模板,为这个客户生成专属方案。过去,这项工作需要销售、售前等多个角色反复沟通和澄清;现在,一个人就能在更短的时间内完成方案准备,而且内容更有针对性。对 FDE 来说,这类工具可以接手通用的信息收集和方案准备,把人的时间留给客户现场的判断与澄清。

这类内部员工提效场景对 FDE 还有一个战术价值:可以 把自己的公司当成第一个客户。内部数据更完整,合规协调成本更低,用户反馈也更快,FDE 可以先在这里跑通需求调研、工作流设计、评估和上线,再把成熟能力带到外部客户。

但内部项目没有真实的付费和验收压力,容易做成没人较真的玩具。因此,内部验收也要用 第 11 讲 的三层评估纪律。销售场景的业务北极星可以是客户触达、商机转化或者收入效率;员工真实使用率则是行为层的证据。只有这些指标真正改善,FDE 才算积累了可以带到客户现场的能力,而不是仅仅在公司内部上线了几个助手。

课程总结

这一讲我们用零售和客服分别回答了两个问题。零售行业,FDE 可以先在用户运营中证明价值,再随着数据、组织和行业知识的积累进入商品运营;客服行业,Agent 的自主范围不能只看模型能力,而要随着业务效果和风险记录逐级放开,并且能够随时降级。员工提效则提供了一个起步方法:先把自己的公司当成第一个客户。

这一讲提到的案例和数字比较多,我把它们按口径整理成一张成绩单,方便你保存和引用:

我把这一讲的关键点整理成一张表:

如果你想转型 FDE,可以优先从用户运营、客服或者内部销售工具这类场景开始,训练自己用业务数字证明价值的能力。每完成一个效果周期,都可以用 第 17 讲 的五步框架,复盘目标、实际结果、差距、可复用资产和下一步。

对交付和实施同学,可以用“答得准、能动手、敢托付”给自己的客服项目定位。想升到下一级,需要补的是知识和评估、系统集成,还是授权、审计和降级机制?降级预案也要提前设计好:质量指标持续下降时,哪些动作退回人工,具体怎么退,不能等出了问题再考虑。

对 To B 创业者和产品经理,复杂的经营问题很难再按照数据、实施和研发分段交付。可以围绕商品组合优化等具体场景组织小队,让 FDE 成为连接客户业务、数据与研发的关键角色,并把现场积累的行业 know-how 沉淀回产品。

行业篇总结:三类战场,一张总表

行业篇到这里就讲完了。几个行业打法各有侧重,但 FDE 的施工骨架没有变:先找到值得解决、又能够验收的问题,再进入现场,把数据、规则和专家知识连接起来;根据行业风险划清 AI、人与系统的边界,上线后用真实业务指标验证结果,最后把项目中的共性能力沉淀回产品。 行业只是变量,方法才是常量。

三讲中的案例数字都来自各家公司的披露,只能帮助我们判断价值量级,不能直接变成自己项目的承诺。到了具体客户,仍然要用 第 6 讲 确定业务北极星、基线和归因,用 第 11 讲 验证系统效果和真实使用,再用 第 15 讲 把结果口径写进合作协议,那才是你自己的数字。这张总表我画出来了,你可以存下来,进入哪个行业之前翻一眼。

行业篇全部讲完,课程进入最后一章:成长篇。前面二十一讲聊的都是怎么把事做成,最后两讲回到你自己身上:想成为 FDE,要会什么,面试考什么?这条路能走多远,什么时候不该走?下一讲,我们来具体讨论一下。

思考题

留两个问题,欢迎你在留言区聊聊。

第一,回到你熟悉的一个零售、客服或者员工提效场景,如果让 FDE 从一个容易归因的问题切入,你会选择什么问题,用哪些业务指标证明价值?做出结果以后,下一步可以扩展到哪里?

第二,选择一个 Agent 已经能够执行操作的业务流程,哪些动作可以自动完成,哪些仍然需要人工确认?如果想让 Agent 再升一级,还需要补上哪些评估、权限、审计和降级机制?

期待你在留言区分享你的思考。如果这节课对你有启发,也推荐你把它分享给身边更多朋友。