阻碍企业人工智能发展的客户情境鸿沟

企业人工智能的发展速度超过了大多数组织为其提供可靠客户背景信息的能力。

如今的挑战不再是人工智能能否生成内容、推荐、预测或决策，而是这些输出结果是否基于对客户的准确理解。

在许多企业中，情况并非如此。

过去几年，企业在生成式 AI、copilots、预测系统和自主工作流程方面投入巨资。然而，许多此类项目难以突破孤立的应用场景，也无法大规模地持续创造商业价值。原因往往出人意料地简单：人工智能系统在决策时，并未完全了解其所服务的客户。

这一挑战在企业各个层面都存在。个性化引擎推荐不相关的产品。客服助手生成的回复不完整。客户流失模型错误地将忠诚客户归类。营销自动化平台触发的消息要么送达太晚，要么未能反映客户近期的行为。

这些问题通常被描述为人工智能问题。但更多时候，它们是客户情境问题。

人工智能并非孤立运行。其有效性取决于所获取信息的质量、完整性和及时性。当客户身份信息分散在各个系统中、行为信号到达过晚，或者不同应用程序基于相互冲突的客户信息运行时，人工智能系统必然会产生与现实脱节的结果。

大多数企业已经掌握了底层信号。多年来的交易、互动、偏好和行为数据已经存在于他们的技术环境中。挑战在于如何将这些零散的信号转化为人工智能系统可以持续使用的可信客户信息。

数据碎片化导致对客户的理解不完整

企业组织很少会面临客户数据短缺的问题，相反，它们常常面临数据碎片化的困境。

同一个客户可能在电商平台使用一个邮箱地址，在会员平台使用另一个邮箱地址，而在某个服务应用中则完全没有持久性标识符。购买记录、互动行为、授权偏好、服务互动和数字活动通常存在于完全独立的系统中。

从人工智能模型的角度来看，这些片段经常表现为不同的个体。

一旦人工智能系统开始做出运营决策，其影响将变得非常显著。

流失模型可能会将忠实客户归类为不活跃客户，因为他们一半的购买记录存在于其他账户下。推荐引擎可能会推荐不相关的产品，因为浏览行为和交易记录从未关联。人工智能助手可能会生成不完整的答案，因为它只能访问客户关系的一部分。

随着各组织更广泛地部署人工智能，这些问题变得越来越难以忽视。

许多企业认为将数据集中到一个数据仓库就能解决问题。但实际上，仅仅整合数据并不能真正了解客户。它无法解决身份冲突，无法关联不同系统中的客户行为，也无法建立可信的客户视图。人工智能系统可能仍然基于不完整或相互矛盾的输入数据运行。

存储并不等同于理解。随着企业从人工智能实验转向将人工智能系统嵌入到运营工作流程中，这种区别变得越来越重要。

可信的客户情境已成为人工智能基础设施的核心

身份解析传统上被视为一种营销能力。但如今，它正日益成为企业人工智能基础设施的基础组成部分。

但仅凭身份信息是不够的。人工智能系统要做出有效的决策，还需要访问更广泛的、可信的客户背景信息。这包括身份信息、行为信号、交易历史、授权数据、互动模式以及每次客户互动背后的业务背景。

身份解析至关重要，因为它能确定不同系统中哪些记录属于同一人。在企业级规模下，这需要结合确定性匹配、概率建模和不断演进的身份图谱。

如果没有这个基础，人工智能系统就很难准确地推断客户的状态、行为和意图。

在客户频繁更换设备、电子邮件地址、位置和互动模式的现实环境中，挑战变得更加复杂。仅靠精确匹配往往无法解决重大问题。如果组织无法理解结论的得出过程，过度激进的匹配可能会引发治理和信任方面的担忧。

因此，许多企业正在采用混合方法，将确定性匹配、机器学习、可解释性以及随着客户行为而演变的自适应身份图结合起来。

重要的是，企业越来越需要从多个情境角度来理解身份，而非仅仅依赖单一的通用画像。营销团队可能更注重覆盖面和可触达性，忠诚度团队则需要账户级别的精准度，而反欺诈团队则采用完全不同的阈值。支持这些功能的AI系统需要根据其特定的运营需求来获取客户情境信息。

这改变了企业对人工智能准备情况的思考方式。企业级人工智能需要可信的客户背景信息，这些信息能够持续适应变化，同时保持可解释性、可管控性和跨系统可访问性。

实时客户情境至关重要

即使是成功统一客户身份的组织，也常常会遇到另一个限制，那就是时间。

许多企业环境仍然依赖于延迟的流水线和面向批处理的工作流程。客户资料的更新往往需要数小时。行为信号到达时，相关的时机早已过去。

因此，人工智能系统经常根据过时的客户状态而不是当前的客户意图做出决策。

这种延误既影响客户体验，也影响业务绩效。

顾客可能放弃购物车，但后续流程要到第二天早上才会触发。会员可能在个人资料更新尚未同步到所有系统之前就返回网站，导致体验千篇一律。客服人员通常会在顾客的最新行为数据可用之前就与其互动。

这就是为什么实时基础设施变得越来越重要。

企业需要能够随着互动发生而更新身份图谱、行为信号、权限和客户画像的系统。人工智能系统只有在底层客户情境能够反映当下情况时，才能做出即时决策。

随着自主人工智能工作流程变得越来越普遍，在各个系统和渠道中保持准确的客户背景信息对于提供可靠的决策和一致的客户体验至关重要。

共享客户背景信息可打造更值得信赖的人工智能

企业人工智能环境中出现的另一个挑战是不一致性。

企业正在营销平台、客户服务应用、分析工具、辅助驾驶系统以及内部开发的模型中同时部署人工智能。在许多环境中，每个系统访问客户数据的方式各不相同，并且对身份、权限和客户状态的解读也各有侧重。

随着时间的推移，对客户的理解不够透彻，会导致人工智能行为出现碎片化。

企业级人工智能系统在共享的可信客户上下文层上运行时，性能更加可靠。这意味着无论决策在何处做出，人工智能应用都可以访问相同的身份图谱、客户画像、行为信号和治理框架。

其结果是产出更可靠、治理更完善，以及整个组织运营更加协调一致。

企业人工智能的未来取决于客户环境

企业人工智能领域的讨论通常聚焦于模型、推理能力和自动化。这些创新固然重要。但随着基础模型的功能日益强大且易于使用，技术本身的差异化优势正在逐渐减弱。

更重要的问题是，人工智能系统能否基于对客户的准确、连贯和持续更新的理解而运行。

这需要对身份解析、实时基础设施、治理和适应性数据架构进行投资。更重要的是，这要求企业将客户背景视为支持企业范围内人工智能决策的运营智能层。

大多数组织已经具备了这些潜在信号。

未来企业人工智能领域的领导者未必是拥有最复杂模型的公司，而是最了解客户需求、最值得信赖的公司。

因为在人工智能驱动的世界里，客户背景正成为所有智能决策的基础。