Mike Clifton（迈克·克利夫顿）从首席信息官升任全球客户解决方案业务首席执行官，他就如何开启AI应用为CIO们提供了建议。他认为客户体验（CX）领域因生产力易于衡量，成为AI应用的理想试验田，便于证明投资回报。对于生成式AI，数据量、时效性和设定清晰的模型响应边界至关重要，而非过度强调数据结构。
图源：Mike Clifton / Alorica
Alorica是一家为财富500强公司提供客户体验解决方案的全球领军企业。该公司将自身定位为客户服务领域AI创新的前沿力量，开发出的解决方案既能直接满足客户需求，又能提升客服人员的能力。Alorica在全球开展业务，借助人工智能改变企业与客户的沟通方式。Mike Clifton（迈克·克利夫顿）最初以CIO身份加入公司，如今担任联合首席执行官。他谈到了对商业人工智能产品以及内部生产力提升的双重关注，并分享了从AI应用中创造价值的最新经验。
问：在Alorica，你们既为客户开发AI商业产品，又利用AI于内部生产力提升的应用场景。你们的AI产品有哪些例子呢？
答：我们的业务是客户体验，无论是通过电话、聊天、网络，还是客户提供给消费者的其他渠道，都要为客户提供无缝且愉悦的体验。因此，为了保持我们的价值，我们一直在不断改进产品。在语音方面，这意味着要快速为客户提供正确信息，使用清晰的方言，并提高自动化程度。
我们开发了像ReVoLT这样的产品，它能将语音实时翻译成72种不同的语言。还有Agent Assist，它能监听通话，并驱动一个查询引擎，为客服人员提供提示，这样客服人员就无需再记忆产品或支持信息。
问：为什么客户服务行业会成为生成式AI的热点领域呢？
答：咨询公司表示，这是因为我们的生产力很容易衡量。当你应用像生成式AI这样的大规模技术能力时，你可以看到其影响，并为进一步投资提供依据。客户服务人员按通话时长计费，所以我们会仔细衡量首次呼叫解决率，并跟踪SLA（服务水平协议）管理中的时间。证明一项新技术价值的最快方法，就是将其置于一个易于衡量的环境中，因为这样你能立即了解其影响。
问：易于衡量的环境是评估AI投资回报率的一个参数。但是，要构建一个可靠的应用场景，需要什么样的数据呢？
答：我们过去需要结构化数据，因为我们的机器学习模型需要字段级别的信息。如今，我们不在乎数据是否结构化，因为我们可以处理各种数据，无论是图像、录音、文档、PDF文件，还是大型数据湖。关键是数据要能够被处理且具有时效性。可以把数据看作是你正在构建的模型的原始燃料。
比数据结构更重要的是数据量，要有足够的数据来训练模型。你根据摄入的数据来训练模型，这意味着作为原始燃料的数据至关重要。当你测试数据量时，就能降低数据给出错误答案的风险。
一旦公司摄入了数据，并测试了其能够回答问题的范围，就需要设定边界。例如，DeepSeek的团队决定他们的模型不应回答政治问题。即使他们摄入了政治数据，他们也设定模型回应为“我无法回答这个问题”。
问：让我们继续构建高价值生成式AI应用场景的参数。我们已经讨论了数据的可扩展性。还有其他的吗？
答：我们从三个方面看待AI。第一个方面是将AI用于运营。我们的BI（商业智能）数据仓库包含人员配置、财务和销售数据，这些数据一直都很重要。但通过每小时对数据进行分析处理，我得到的就不仅仅是一个静态的仪表盘信息。我可以得到更精确问题的答案，比如在某个国家的这个客服中心，客户在这8小时内与我们互动的总时长是多少。
第二是挖掘AI在提高生产力方面的潜力，无论是在内部应用AI，还是通过重复利用客服人员每天在全球范围内进行的数万亿次对话中的任务来构建AI产品。
第三个方面是客服人员体验。我们围绕模拟AI培训构建了一个框架，让员工更轻松地完成困难任务。他们可以进入AI虚拟模拟器，进行对话，并实时获得评分。这10分钟的AI培训课程效果相当于3小时的虚拟课程，而且效率更高。通过在虚拟世界中使用AI模拟实时可能发生的情况，但处于一个安全的环境中，我们的客服人员能够更快地学习。
对于任何新技术而言，其应用并非一蹴而就。这项技术的应用曲线目前还处于起步阶段。我们才刚刚迈出第一步，随着这些模型越来越受欢迎，我们将会看到特定行业的模型出现，各公司也将开始发布自己的模型。你可能会看到一家大型医疗保健公司使用自己的LLM模型，并允许其合作伙伴和下游物流供应商使用他们所发布的模型。
问：对于那些面临应对AI压力的技术领导者，你有什么建议呢？
答：如果你开始将AI普及化，你会发现它更多的价值。一些公司在桌面端就做到了这一点，创建了基于工作小组的功能，比如针对Notebook或Copilot，构建一些简易模型并推动早期功能实现。但不要就此止步。既然你已经赋予员工使用AI工具的能力，那就引导他们思考两个重要问题：我如何整合我的数据，以及我如何使用这个工具进行查询？如果你能在整个组织中强化这两个问题，你就能比竞争对手更快地实现AI的普及。
然后，当你从解决工作小组层面的问题转向处理企业层面的问题时，你可以使用智能AI工具在系统之间移动数据，从而取代传统的集成工作，而无需编写集成代码。智能AI会向机器人发出查询指令，机器人从中学习，随着时间的推移，你就能创建一种冗余能力，进而发展成为一种成熟的能力。
一旦你通过Claude或CoPilot等工具在桌面端实现了AI的普及，然后将其应用扩展到企业层面，你就需要就支持企业的架构做出重大决策，在这方面你可以进行一些AI投资，并坚持一段时间。你可以在一些工具上下注，无论是LLM、数据摄取工具还是语音转文本工具。仅这些基础设施的基本功能就能让你立即获得一些能力，你可以在签署第一个应用案例和评估ROI（投资回报率）之前就开始进行试点。
我们在很多地方都进行试点，但我们也看到人们构建小型机器人来实现任务自动化。智能AI已经兴起，所以这其中存在机遇。现在你可以选定最有前景的应用案例，开始实现重复性任务的自动化，并借助智能AI能来完成一些卓有成效的工作。
问：企业在应用生成式AI时需要招聘具备哪些新技能的人才？
答：提示词工程师擅长向模型提出恰当的问题，所以这是我们需要在所有团队中推广的一项技能。在部门层面，你还需要AI协调员。这并非技术专家，而是一个推动者，负责思考如何利用AI解决问题。数据科学家也很重要。他们擅长整理和摄取数据，并确保模型得到适当测试。但总体来说，我们需要刚从学校毕业的人才，因为我们深知AI将如何随着时间推移改变我们的业务，而这些年轻人能够帮助我们引领实现各种可能性。
作者：Martha Heller（玛莎·海勒）
Martha Heller（玛莎·海勒）是Heller Search Associates/海勒猎头公司的首席执行官，该公司是一家专注于信息技术领域高管招聘的公司，为各行业招聘首席信息官、首席技术官、首席信息安全官以及高级技术职位人才。她亦是《The CIO Paradox: Battling the Contradiction/首席信息官悖论：应对矛盾》一书的作者。
译者：宝蓝
【睿观：Alorica联合首席执行官Mike Clifton分享了其在客户体验（CX）领域应用AI的经验，包括开发商业产品（如实时翻译、客服辅助）和提升内部生产力。他指出，CX领域因生产力易于衡量，成为AI应用的理想试验田，便于证明投资回报。对于生成式AI，数据量、时效性和设定清晰的模型响应边界至关重要，而非过度强调数据结构。Clifton建议从深化运营洞察、提升生产力（内部应用与产品开发）、改善员工体验（如AI模拟培训）三方面发掘AI价值。他对CIO的建议是：从桌面端工具开始普及AI，引导员工思考如何整合自身数据及有效查询；逐步扩展至企业级应用，利用智能AI实现任务自动化和系统集成；最后对核心AI基础设施（LLM、数据工具等）进行战略投资。所需人才包括普适的提示词工程师、部门级AI协调员（推动者）、数据科学家以及能带来新视角的应届毕业生。
面向制造业CIO的三点建议:
推行渐进式AI普及与赋能：
效仿Clifton的建议，不必追求一步到位的大型项目。从特定制造环节或职能部门（如设备维护、质量检测、生产计划）开始，引入桌面级AI助手或开发小型、专注的AI应用。关键是赋能一线员工和工程师，引导他们思考：“我如何将我的设备数据/工艺参数/质检图像与AI结合？”以及“我如何利用这个工具来优化操作/预测故障/提升良品率？” 从解决具体痛点出发，激发基层创新和接受度。
利用智能AI实现流程自动化与集成：
识别制造和供应链流程中重复性高、规则明确的任务（如数据录入、报告生成、物料跟踪更新、简单异常报警）。优先应用智能AI（结合RPA等）实现自动化，释放人力。同时，探索利用AI作为“智能中间件”，促进ERP、MES、SCADA、PLM等系统间的数据流动与智能分析，减少传统硬编码集成成本，实现更敏捷的数据驱动决策。
培养跨领域AI人才与设立协调角色：
除了提升全体员工的“提示词工程”能力和引进专业数据科学家外，应特别关注在核心制造部门（生产、工程、质量、供应链）内部培养或指定“AI协调员”。这些人需深入理解业务流程，充当业务需求与技术实现的桥梁，负责识别有价值的AI应用场景，协调资源推动项目落地，并跟踪评估效果，确保AI真正服务于生产目标。】
