为什么没有企业能跟上亚马逊的人工智能商务动作

Ronen Schwartz 是 K2view 的首席执行官。

探索顶级金融科技新闻与活动！

订阅 FinTech Weekly 的通讯简报

供摩根大通（JP Morgan）、Coinbase、黑石（Blackrock）、Klarna 等高管阅读

亚马逊 AI 头条背后的未讲述故事

当亚马逊宣布其 AI 购物助手 Rufus 现已推动客户参与度大幅提升，并带来数十亿规模的增量销售时，反应立刻到来：惊讶、钦佩，以及一丝嫉妒。人们认为这代表了企业在客户体验方面的一次大胆跃进。

但这并不只是 AI 模型本身的胜利。它之所以得以实现，源于一个封闭的生态系统。亚马逊完全在自己的平台上运转：产品、客户、行为与购买数据在这里被统一起来，并受到控制。对于大多数企业而言，尤其是金融服务行业，这种模式并不现实。该行业对 AI 驱动的呼叫中心的采用率最高，约占全球市场的四分之一。然而，它的数据仍然分散在银行账户管理、CRM、计费以及支持平台之中。在这样的环境下，AI 会陷入困难。

结论其实很直白：在客户体验中取得成功，更多取决于其底层数据的质量与完整性，而不是模型本身多么出色。没有统一且具备上下文的视角，AI 代理更可能扰乱支持工作，而非真正改进它。

当 AI 遇到混乱的现实

对大多数企业而言，数据环境与亚马逊那种流线型、纵向一体化的平台根本不同。信息分散在数十个系统里：每个系统都只掌握客户记录的一部分内容，有的地方存在重复，有的地方数据已经过时，而且几乎很少保持同步。

在这种环境中引入 AI 会带来混乱。客户收到的可能是相互矛盾或不完整的回复，信任度随之下降，人类代表必须介入以重建信心。原本打算实现的自动化，最后变成了返工，给对话双方都带来更沉重的负担。

想象一下：你要雇佣一位经验娴熟的客服代表，却把一只塞满了不完整或标注错误记录的文件柜交给他。他的能力被浪费了，因为基础已经崩坏。AI 代理同样如此：没有一致、准确且及时的信息，它们就注定会失败。

要在客户体验中实现 AI 的规模化，真正需要什么

那些希望复制亚马逊头条的企业，往往会把注意力集中在模型本身：微调提示词、比较供应商，或追逐下一次版本发布。但决定长期成败的关键因素，是支撑这些模型的数据基础。

要让 AI 代理可靠并满足企业级需求，组织需要三项关键要素：

*   **集成**：分散在数十个系统中的客户信息，必须被统一到一个单一且一致的视图中。 
*   **治理与安全**：在 AI 能基于这些数据采取行动之前，数据必须准确、去重、受到保护，并符合隐私法规。 
*   **实时上下文**：代理需要的是可获得的最新信息，而不是过时的快照或静态记录。 

如果没有这些基本要素，AI 很快就会崩解，进而产生错误、合规风险，并让客户感到失望。有了这些基础，AI 就能从试点走向规模化，带来真正且可衡量的影响。教训很简单，但往往被忽视：聪明的代理需要更聪明的数据。

从试点走向转型

在各个行业，企业都在尝试把 AI 用于客户体验：在服务流程中部署聊天机器人、虚拟助手，或生成式工具。但大多数工作仍然被困在试验阶段。根据一份近期来自 MIT 的报告，近 95% 的 AI 项目无法进入生产环境。客户体验方面的举措也不例外。 
从“实验”到“转型”的差距，归根结底在于基础。

断裂的、质量不佳的数据会削弱支持能力。干净且统一的信息能够实现规模化、一致性以及负责任的采用。有了正确的前期铺垫，企业最终可以从试验转向生产系统，既强化客户关系，也带来更好的业务结果。

启发与警示

亚马逊的故事既是一个里程碑，也是一个警示案例。它展示了当 AI 代理由连接且高质量的数据驱动时可能达到的效果，但也揭示了这种设置之所以稀缺。大多数企业并不能简单地复制它。客户体验领域的 AI 未来，不会仅由日益复杂的模型来定义。它将由那些愿意投入数据基础、从而让这些模型真正发挥作用的组织所塑造。