超越人工智能试点：将客户数据转化为可规模化的个性化商务

企业对人工智能的热情，已经超过了实际成效。斯坦福大学《2026 年人工智能指数》报告显示，2025 年有 88% 的组织使用了人工智能，但几乎所有业务职能中，人工智能代理的采用率仍处于个位数水平。试验与价值之间的距离依然很大，在客户体验方面尤其明显、切实可见。要理解这种差距为何存在，有两个关键问题值得考虑。

首先，要看组织在人工智能方面的成熟度。大多数公司仍处于“提升个人生产力”阶段，正努力建立可扩展的基础，包括治理机制、数据就绪能力，以及一系列经过验证的应用案例。要达到“自主运行”阶段，它们还有很长的路要走；在这一阶段，人工智能代理可以在明确的约束范围内运行，人们则专注于监督和处理例外情况。达到这一成熟度阶段，是尝试构建“人工智能原生运营模式”的基础。稍后还会详谈。

其次，数据与人工智能驱动的业务决策之间存在运营层面的差距。大多数组织已经在数据和系统方面有所投入。它们积累了客户数据，采用了营销自动化，将系统迁移到云端，也试点了生成式人工智能。即便如此，客户仍会收到不相关的推荐，遇到彼此脱节的渠道，以及无视企业已有客户信息的服务互动。

问题通常不在于模型。更多时候，人工智能只是暴露出原本就存在的问题：数据分散、权责不清、工作流程彼此脱节、技术债务，以及从未转化为可衡量应用案例的业务目标。前进之路并非始于更大规模的人工智能计划，而是始于几项经过审慎选择的客户决策、一套清晰的运营模式，以及一种能够将智能转化为行动的架构。

对于试图从零散试点转向可重复运行体系的领导者而言，有几项优先事项比其他事项更为重要。

从决策出发，而非从能力出发。

首先要问的不是“我们可以在哪里部署生成式人工智能？”，而是“我们需要改善哪项客户体验决策？”航空公司希望在航班中断时为乘客提供更好的选择。零售商希望帮助顾客选对产品，同时避免退货率上升。银行希望服务人员无需在多个系统间查找，就能解决复杂问题。每个例子都明确指出了一项决策、一个相关人员和一个预期结果；由此也就能确定需要哪些数据，以及应如何衡量成效。从这里着手，也有助于领导者学会说“不”。如果某个应用构想或代理需求无法与实际决策和可衡量的结果挂钩，就不值得优先考虑。

“利用人工智能改善体验”这个目标过于宽泛。它带来的只是演示，而非运营能力。

如今，消费电子零售商推出“人工智能购物助手”，往往意味着上线一个通用聊天机器人，并以使用人数作为评判标准。如果将其重新定位为帮助顾客选对笔记本电脑的一项决策，它就能以提高转化率、减少退货为目标。这样一来，它便成为一款利用实时规格信息、更好地了解顾客需求的工具，并以销售额、退货情况和满意度来衡量成效。同一个构想，带来真正的结果。

将统一数据视为一种能力，而非数据库项目。

“360 度客户视图”常被描述为一项数据集中化工作。实际上，它关乎组织内部能否就身份识别、同意、权责、质量以及关键事件的含义达成共识。一次浏览会话应归属于已知客户、一个家庭，还是一台匿名设备？哪个系统是同意状态的权威来源？一次服务互动必须多快才能在另一个渠道中呈现？如果没有这些答案，数据集中化只会营造出已经实现集成的表象，却无法保证可靠性。更有效的做法，是为每个优先应用案例制定一份共享数据契约，明确所需字段和事件、各自的权威来源、可接受的延迟、允许的用途，以及负责数据质量的团队。目标不是收集所有数据，而是在作出决策时，拥有恰当且可信的数据。

一家汽车零售商希望在曾在线浏览过的顾客再次到访时，准确说出对方之前配置的车型。如今这很难做到，因为配置器、经销商 CRM 和金融系统各自保存着不同版本的客户信息，而且无法确定一份三周前的租赁报价是否仍然有效。若将其重新梳理为一段数据规则清晰的客户旅程，就能明确各方的责任：配置器是车辆配置的事实来源；金融数据会明确记录同意状态和有效期；库存信息源每隔几分钟更新一次，这样顾客就不会看到经销商刚刚售出的车辆。这比“统一所有客户数据”简单得多，而且问候也真正发挥了作用。

将个性化设计为持续运行的决策系统。

许多项目仍然是营销活动引擎。团队划分受众群体、准备内容，并按计划发送。生成式 AI 虽然能产出更多变体，却没有改变原有模式。情境感知体验则有所不同。它会观察客户当前所处的情境，判断有哪些可选操作，在业务和政策约束范围内选择一项，通过合适的渠道传达，然后根据客户的回应不断学习。关键在于，目标并非让每次互动都各不相同。有时，恰当的做法就是发送一条标准消息、转交人工处理，或者什么也不做。个性化是否有效，不能用生成了多少种变体来衡量，而要看组织是否为客户做出了更切合其需求的决定，以及是否在此过程中尊重了客户的预期。信任应融入体验之中，而不是事后才附加到合规审查环节。

一家银行发现，有位客户反复查看抵押贷款利率。如今，营销活动引擎会在下一个预定发送时段，将这位客户纳入一系列面向“首次购房者”的电子邮件活动。若将其视为持续进行的决策，系统就会判断客户此刻的情况：对方是在购房过程中比较利率，还是只是提前几个月随便了解一下？如果无法确定，系统会采取克制的做法，显示“想了解一下您能负担得起什么样的住房吗？”这类有帮助的提示，而不是贸然推送“今天就申请预先批准”，以免误判客户所处的阶段。如果客户有所回应，系统就会学习并调整；如果没有，系统便按兵不动。有时，最切合需求的决定也是最不起眼的，而正是这种克制维护了信任。

加速之前，先解决内容和架构方面的限制。

生成式 AI 能以惊人的速度创作文案和图像，但如果内容运营流程本身存在问题，提速只会把瓶颈从创作环节转移到审核和治理环节。Content Marketing Institute发现，75% 的企业营销人员在使用 AI，但只有 15% 将 AI 整合进了日常工作流程。结构化、可重复使用的内容——即经过批准、可跨渠道组合使用的事实和组件——能让 AI 灵活调整内容，而不必凭空编造事实。同样的原则也适用于技术栈。与其打着“可组合”的旗号重新设计一切，不如梳理与优先用例相关的少数关键旅程，找出传统系统在哪些环节造成延迟或阻碍数据访问，再针对这些限制逐步推进现代化。进步不在于采用了多少种技术，而在于能否安全、快速地改变客户旅程，而不必每次都重复相同的集成工作。

一家零售商让 AI 为 40,000 件商品撰写描述。如今，这会让法务审核不堪重负，因为每件商品的宣传内容和保修条款都需要逐一核查。换个思路，解决办法不是换用更快的模型，而是建立受治理的内容源：在 PIM 中存放经批准的规格、宣传内容和保修用语，作为可重复使用的组件供 AI 组合调用。这样，AI 就能调整语气，而不会编造事实。

同样的道理也适用于技术栈。团队没有对所有系统进行平台迁移，而是只升级了老旧的库存系统，因为它妨碍了实时提供“您附近有现货”这类个性化体验；其他运行稳定的系统则保持不动。进步体现在能够快速改变客户旅程，而不是增加工具。

将治理融入交付流程，并从整体组合的角度衡量价值。

如果把治理当作最后一道关卡，等到那些难以撤回的决定已经做出后才介入，就为时已晚。像NIST 人工智能风险管理框架这样的框架，最能发挥作用的方式是在用例启动之初就为其提供指导，涵盖隐私、偏见、品牌完整性、可靠性和可追溯性，并根据互动的风险程度设置相应的控制措施。与此同时，价值很少能用一个数字概括，而是分布在多个方面：客户成效，如满意度、任务完成情况和留存率；运营成效，如周期时间、问题解决时间和复用情况；商业成效，如转化率、服务成本和客户终身价值；以及风险成效，如错误率、投诉和人工干预情况。所有这些都应以基准为参照进行衡量，并扣除规模化运营的全部成本。

一家航空公司部署 AI 智能体处理运营中断事件。如今，对于“我的航班延误了吗？”这类风险较低的问题，系统会完全自动化地作答。若要为乘客改签，或发放超过设定金额的旅行抵用金，则会转交人工处理，因为这类决定一旦出错，代价高昂。换个角度看，价值应围绕重要成效来衡量：在运营中断期间更快恢复服务，为高价值忠诚计划会员改签以维护其权益，并密切关注投诉情况。如果处理得当，一次运营中断就能成为留住旅客而非失去旅客的契机；真正的客户终身价值正是在这样的时刻赢得的。

成熟度之问。

能够创造持久价值的企业，不会是那些开展最多实验的企业，而会是那些拥有可重复执行的方法，能够将客户需求、可信数据、受治理的智能、可重复使用的内容和可衡量的成效连接起来，并且坦诚了解自己目前处于这一发展曲线哪个阶段的企业。大多数组织的实际进展，都不如其试点活动所显示的那么深入。

AI 原生组织是指将 AI 融入运营和竞争方式的每一层面的组织。它们不是用 AI 来增强现有流程，而是围绕 AI 设计整个运营模式，并将智能视为一项核心业务能力。

因此，对领导者而言，更有用的问题已不再是“我们可以在哪里加入 AI？”而是“哪些决策可以改进？要让这些改进负责任地规模化，又必须具备哪些条件？”