作者：TDCX AI高级副总裁 Lianne Dehaye
 

尽管人工智能和生成式人工智能被大肆宣传能解决诸多商业问题，但麻省理工学院NANDA项目最近的一份报告证实了一个影响公司资产负债表的严峻现实：95%的试点项目未能交付价值。

该报告也揭示了一个悖论。问题不在于缺乏投资或采用缓慢。事实上，这两者都比以往任何时候都要高。公司越来越多地使用这项技术，但它们往往缺乏将采用操作化并转化为有形价值的战略洞察力。

这是我们行业已经亲眼目睹的现实。许多品牌在疯狂转型的过程中，给他们的数字客户体验解决方案贴上了"AI驱动"或"GenAI赋能"的标签。然而，这种对创新徽章的表面追逐，缺乏必要的基础建设，也正是承诺的投资回报率从未实现的原因。

这些失败并非偶然。它们可以追溯到公司在急于创新时常常忽视的基础支柱。

 数据质量决定AI在客户体验领域的成败

人工智能或生成式AI工具的有效性完全取决于其学习的数据。尽管许多领导者将数据视为技术清单上的一项任务，但它却是整个AI战略的基石。如果这个基础存在裂痕，那么整个举措注定失败。

问题往往始于数据不准确。试想一下，用一个充满转录错误或问题分类错误的数千条历史聊天记录来训练一个对话式AI工具。AI系统并不知道数据存在缺陷，反而会从这些错误中学习，将这些问题融入其核心逻辑，最终导致聊天机器人或虚拟座席自信满满地误解客户。

同样具有破坏性的是数据过时。客户行为和市场趋势并非一成不变。一个基于历史数据训练的客户服务AI工具，如果其数据不再反映当前现实，那么它将与本应服务的客户永远脱节。

此外还有偏见问题。当训练数据未能充分代表某些群体或包含历史偏见时，AI系统就会学会延续甚至放大这些缺陷。其结果是一个可能疏远整个客户群体、摧毁品牌信任并造成重大法律风险的工具。

当CX领域的人工智能和生成式AI缺乏数据并产生幻觉时

除了数据质量，AI举措还面临信息不足以及模型自行捏造事实的风险。

第一个问题是数据稀缺。AI模型需要大量数据才能有效学习。如果企业处于利基市场或正在推出新产品，可能没有足够的数据来训练一个强大的模型。结果就是AI工具泛化能力差，只能提供笼统的回应。

一个更复杂的问题是"幻觉"，即模型自信地生成虚假信息。这是因为这些系统本质上是为了匹配模式，而不是核查事实。

有一些技术有助于缓解这个问题。例如检索增强生成（RAG），它强制AI使用公司批准的知识库作为事实核查器。还有基于人类反馈的强化学习（RLHF），由人类专家充当教练，持续纠正和改进AI系统的回应。在客户体验领域，这些方法可以防止聊天机器人和其他客户服务AI工具回复错误或捏造的答案。然而，这些技术也表明，需要人类监督来确保AI系统立足于现实。

集成问题和技术债的成本

AI模型本身需要持续监控性能问题。它可能对过去的数据"过拟合"，导致无法处理新的客户场景；也可能"欠拟合"，使其过于简单而无法捕捉反馈中的重要细微差别。随着时间的推移，所有模型都会出现"模型漂移"，即随着客户或用户行为的变化，其性能逐渐下降，如果不积极维护，初始投资就会过时。

当将AI与现有系统集成时，这些挑战会加剧。例如，将一个复杂的客户支持AI工具接入过时的传统客户关系管理系统（CRM），是AI项目失败的常见原因，因为旧的基础设施往往无法处理其处理需求。同样，数据孤岛阻止了AI系统获得完整、统一的客户视图，而这对于提供个性化体验至关重要。

急于推出产品还会产生技术债，即短期开发捷径带来的长期成本。随着技术债的积累，系统变得脆弱且难以更新，阻碍未来的创新，并随着时间的推移侵蚀AI解决方案的有效性。

组织文化和人为因素的作用

除了技术和数据，AI举措可能会被最复杂的变量——人——拖慢甚至停滞。

挑战始于高层的支持。如果没有统一的愿景和具体的投资回报战略，AI项目就会变成代价高昂的试验，并很快因缺乏成功所需的大量财务和人力资源而夭折。

领导层之间的这种脱节会在整个组织内产生连锁反应，滋生文化阻力。员工担心自己的工作不保是可以理解的，尤其是在领导者推动的采纳速度超过了人们的适应能力时。解决这个问题需要透明的沟通和培训，将AI重新定位为合作者和赋能者，而不是替代者。

即使员工愿意，关键技能差距也常常会破坏进展。许多组织缺乏内部AI专业知识和数据素养来有效管理这些新工具。例如，如果一个团队无法解读AI工具的客户情感分析结果，或者质疑其输出，那么该技术就会变成一个无人信任或有效使用的"黑箱"。

这凸显了保持"人在循环"的必要性。AI工具无法承担责任，无法理解复杂的情感细微差别，也无法就敏感问题做出判断性决策。人类的监督对于偏见、确保问责制以及处理需要专家判断的互动至关重要。

您用于CX的AI和生成式AI是否在解决实际的业务问题？

令人印象深刻的技术和有形的商业价值不是一回事。许多高管被展示惊人能力的炫酷产品演示所吸引。然而，这种"炫酷因素"常常使他们跳过最根本的问题：这真的能解决我们组织的核心业务问题吗？

当一个解决方案在没有明确要解决的问题的情况下被采纳时，它就会变成一项昂贵的实验。它会放大数据质量差、技术不成熟和人力准备不足这些基础性挑战。

AI不是即插即用的技术。要从中成功获取价值，需要运营纪律，而这又恰恰依赖于定义数字客户体验的核心能力：严格的数据管理、持续的流程优化以及深厚的技术人才储备。因此，对领导者来说，最重要的问题不是购买哪个AI驱动的CX解决方案，而是与谁合作来丰富一个人机协同的生态系统，以帮助交付真正的商业价值。CX领域AI和生成式AI的未来将不仅仅由技术引领，更将由懂得如何运用它的专家所驱动。