引言：ChatGPT的横空出世，时代抉择的十字路口

凌晨的夜晚，灯火璀璨的高楼中，一间间格子间中，有人手中拿着鼠标或在键盘上快速敲打，不停地输入信息，查询资料；旁边的电话铃声此起彼伏，人们一遍遍地接听，语音略显沙哑，她们快速而又准确地回答客户的疑问；每个白昼和黑夜同样的场景在不同的人和地点反复的上演着。归家的公交车上的你看着窗外的车水马龙不自主地幻想着，要是能够克隆出另一个自己该多好，帮助自己工作，帮助自己接电话、拉数据、写方案，自己只用动动嘴皮下个命令，另一个自己就能去执行，那该有多好啊。终于，2022年11月30日，一款应用悄然问世。两个月后，“它”成为了人类有史以来最快达到亿级用户的应用。从学术界到工业界，从媒体报道到朋友聚会，从街头到巷尾，总能听到一个关键词——“ChatGPT”。比尔•盖茨最近公开表示，ChatGPT的历史意义不亚于PC或互联网诞生，Google和百度等公司也宣布要全力投入类似应用的开发中（all-in GPT）。

指令一个又一个的在open AI平台上发布，得到了近乎完美的答案。“请帮我检索一下出某条业务知识”，“请帮我质检出今天服务case中的问题”，“请帮我写一篇针对一线座席的培训大纲”……这样的人工智能AI技术的出现意味着机器可以更加自然地与人类进行交流，而人们也不再需要花费大量时间编写复杂的程序。

谈起客服中心的人工智能之路就不得不提前10年的智能服务，作为人工智能技术的最佳落地场景之一的客服中心，在前10年的智能服务浪潮中可谓是引人注目，无论是在系统与产品端上百花齐放般的军备竞赛，亦或是与服务场景深度结合出的智能质检、智能座席、智能语音、智能文本等可以说武装到了牙齿。但ChatGPT出现后的一夜之间，仿佛是一场暴风刮遍了所有“传统”智能服务的企业。在“人人皆可大模型，人人皆可ChatGPT”（注：ChatGPT因其特殊的技术路线，其开发门槛极大降低，许多小型技术厂家、个人都能以极其低的成本开发出自己的ChatGPT）的口号下于是乎一场新的军备竞赛轰轰烈烈的拉开的帷幕，无论顶尖大厂，传统企业，技术大咖仿佛都开始all in ChatGPT，于是一场非同寻常的群众行为开始，现在隐约就像是技术史上最混乱的关头，无论是AI开发企业还是AI系统产品的应用企业对自己落伍的担心，远远大于了对人工智能的担心，大家一起奔向一个前路未知且没有风险保护措施的竞赛，大家铆足动力一起追赶open AI，大家不怕被时代淘汰，但却不能眼睁睁着对手有一点点的领先。

于是像是十年前一样，客服中心抑或是所有正在应用AI系统产品的企业再次来到了时代抉择的十字路口：冷静观望还是躬身入局？

如何回答这个问题，那么我们得先知彼再知己。

一、
ChatGPT的前世今生

ChatGPT是一种聊天机器人软件：全名为Chat Generative Pre-Trained Transformer，是OpenAI于 2022年11月推出的聊天机器人，用户只需以文本的方式向ChatGPT提出需求，即可实现文章创作、代码创作、回答问题等功能。此外还可以用于相对复杂的语言工作，包括自动文本生成、自动问答、自动摘要等在内的多种任务。如：在自动文本生成方面，ChatGPT可以根据输入的文本自动生成类似的文本，在自动问答方面，ChatGPT可以根据输入 的问题自动生成答案。还具有编写和调试计算机程序的能力。

从技术发展来看，ChatGPT经历了三大人工智能发展趋势：

机器学习阶段：2012年人工智能技术开始在全球范围流行，机器学习正是那一带人工智能的主流；

神经网络阶段： 2015年左右开始爆发，神经网络是实现AI深度学习的一种重要算法，是通过对人脑的基本单元神经元的建模和连接，探索模拟人脑系统功能的模型，并研发出的一种具有学习、联想、记忆和模式识别等具有智慧信息处理功能的人工系统。

Transformer算法阶段： 2017年左右，是图形神经网络的一种，Transformer开始广泛应用于机器翻译之中，逐步取代循环神经网络（RNN)，不再使用递归，而是采用了注意力机制进行优化，通过自我监督学习或无监督方法进行训练，优点在于建模能力强，通用性强，可扩展性强，能够更好地进行运算。而ChatGPT则是在该算法上不断迭代、演进、升级最后生成的一种算法。

从技术所属逻辑来看，chatGPT是AIGC“数字内容编辑”中的一个重要模块，即通过AI技术的运用克服PGC（专业团队内容生产，如电影公司制作电影），UGC（大众内容生产，抖音、小红书等）存在的质量、产品无法兼具的缺点，从而达到自动内容的生成。
故ChatGPT的本质是“内容的生成与创作”对错误容忍率较高的场景：搜索引擎、生成文本、生成代码、智能创作都是很合适，可以作为一个较好的生产力提升工具，帮助使用者提升工作效率；但视角如果转移到容错率较低的“服务对话”场景，那么就只有0或者1，因为客户不需要一堆似是而非的答案，只有那个唯一正确且简单可行的答案；但如果视角再次切换至客服中其他的一些非是即非的场景中呢？

二、
GPT能否在客服行业中应用呢？

如果按照上文的逻辑来看，GPT主打“生成与创造”这与客户服务尤其是文本客服、语音客服为客户提供准确答案方案是有所冲突的，那么GPT还是否能在客服行业中应用呢？GPT（Generative Pre-trained Transformer）是一种基于Transformer模型的自然语言处理模型，它能够从大规模的语料库中学习语言的模式和规律，进而生成具有连贯性、逻辑性和语义准确性的自然语言文本。这种能力使得GPT在客服行业中应用具有一定的优势：

自然语言理解：GPT可以深入理解用户输入的自然语言，准确识别用户的意图和需求，能够更加自然、流畅地与用户进行交互，提高客户满意度。

多语种支持：GPT在训练过程中使用了大量的语言数据，使得它能够处理各种语言表达形式和语言习惯，同时也让它在多语种支持方面具有优势，适用于全球范围内的客服服务。

自适应和自我学习：GPT具有强大的自适应性和自我学习能力，在使用过程中可以根据用户反馈和历史数据不断学习和优化自己的模型，从而提高对话的准确性和效率。

对话体验：GPT能够处理复杂的开放式对话和多轮对话，能够更好地应对客户提出的多个问题和需求，并在对话的过程中进行上下文理解和语义推断，提高了客户体验和服务质量。

而以上的这些正是目前文本聊天机器人、外呼机器人、智能IVR等系统目前遇到较为棘手的问题。

三、
GPT如何在客服行业中应用呢？

GPT始终是一个工具，要想用好工具得有自己的一套体系，更得梳理好应用路径，才能找到最为合适的应用场景。
应用体系：
不同的行业属性、不同的企业特征、不同的企业文化都会衍生出不同的服务，但服务的本质却是殊途同归。

一为客户提供优质的服务，满足客户的需求和要求，建立并维护良好的客户关系。客户服务行业不仅仅是简单地回答客户提出的问题或解决客户遇到的问题，而是要通过与客户的交流和沟通，建立起客户信任，提高客户满意度和忠诚度。

二为客户提供价值，提高客户体验和满意度，同时也为企业赢得更多的商业价值。通过客户服务，企业可以了解客户的需求和反馈，改进产品和服务，提高品牌形象和口碑，为企业带来更多的商业机会和业务增长。

三关注客户的体验和情感需求。除了提供满足客户需求的产品和服务，企业还要关注客户的感受和情感需求，关注客户的情感反馈和体验，提高客户的情感满意度，从而建立更加牢固的客户关系。

围绕三重目标，不同的企业建立出不同的服务体系：专注于客户问题解决的，专注于服务转营销的，专注于提前干预客户问题的。

在本企业客户中心已有的服务体系上，找到GPT可以结合的点，才能更加适合自己。

梳理路径：

围绕自己企业中不同的服务体系，梳理完善的服务路径，从服务前到服务中，最终到服务后，每个路径上都可以找出若干个服务节点，包括客服培训、服务入口、机器人接待、人工接待、服务质检、服务回访、员工考核等；根据每个服务节点的服务内容、特征定义对GPT的需求；
应用场景挖掘：

最终定义出GPT在本企业中的应用场景：AI助手、语音机器人、智能质检、智能知识库等等；

智能助手：GPT可以用于智能助手的开发，通过自然语言理解和生成技术，实现与客户的交互，提供实时的服务和支持。智能助手可以为客户提供快速的问题解答、业务咨询和订单查询等服务，同时还可以通过智能推荐和个性化服务等功能提升客户满意度。

语音机器人：GPT可以应用于语音机器人的开发，通过语音识别、语音合成、自然语言理解等技术，实现与客户的语音交互，为客户提供智能化的语音服务。语音机器人可以通过提供便捷的语音服务，提升客户体验和满意度，同时还可以降低客服人员的工作量和人力成本。

智能质检：GPT可以应用于智能质检系统的开发，通过文本分析、情感分析等技术，实现对客服人员服务质量的智能监控和评估。智能质检系统可以自动识别客服人员的服务表现，提供客服质量评估和监管，并通过反馈和培训等方式，提升客服人员的服务能力和质量水平。

智能知识库：GPT可以应用于智能知识库的建设和管理，通过对客户问题的分析和归纳，实现知识库的自动化建设和管理，提供高效的客户服务支持。智能知识库可以通过自动化的问题解答和服务支持，提高客户满意度和忠诚度，同时还可以降低客服人员的工作量和人力成本。

客户之声分析：GPT可以应用于客户之声分析的开发，通过文本分析、情感分析等技术，实现对客户反馈和意见的自动化分析和处理。客户之声分析可以帮助企业了解客户的需求和反馈，优化产品和服务，提高客户满意度和忠诚度，同时还可以帮助企业进行品牌管理和口碑营销。

四、
GPT在客服行业中应用的挑战与对策

挑战一：准确度的挑战

GPT可能写出看似合理但不正确或荒谬的答案，原因是：训练时大量数据来源于公域，导致训练数据质量参差不齐；训练模型谨慎性地提高导致它拒绝可以正确回答的问题；监督训练会误导模型；对输入措辞的调整或多次尝试相同的提示很敏感。例如，给定一个问题地提示，GPT回答不知道答案，但只要稍作改写提示，就可以正确回答；

挑战二：信息安全的挑战

数据安全一直是所有人工智能产品无法绕开的一个问题，最近三星被曝因ChatGPT泄露芯片机密引发行业内外对GPT的担忧；此外还会有一些恶意的使用者通过伪装等方式将GPT反向训练，从而盗取用户的个人信息，造成企业、客服中心数据泄露；

挑战三：数据质量

GPT的效果受到数据质量的影响，而客服行业的数据质量比较复杂，包括了各种问题类型、语言、文化背景等，获取高质量的数据是GPT在客服行业落地不得不面对的难题。

对于上述挑战，可以参考如下对策：

数据清洗和过滤。客服数据具有一定的噪声，需要对数据进行清洗和过滤，提高数据质量。

模型预训练。在实际应用中，可以采用预训练模型，在特定的领域内进行预训练，提高GPT的精度和效果。

人工干预和监督。可以结合人工智能和人工干预，对GPT的结果进行监督和调整，提高准确性和适用性。

持续迭代和优化。客服服务涉及大量的数据和场景，需要不断对模型进行迭代和优化，逐步提高GPT在客服行业的应用价值和效果。

使用者的培训，GPT的使用者在客服行业未来有两个维度，其一是客服中心的使用人员，其工作职责一方面是使用GPT另一面是训练好GPT，前者依赖对于Prompt提示撰写能力，后者则是依赖于完善的训练体系与科学的训练方法；其二是客户，客户非专业人员因此使用习惯的培养、使用技能的教学尤为重要，无论是采用新手使用说明抑或是在服务开场中心理暗示植入都能起到一定的效果。

五、
结论

回到文章开头客服中心对于GPT的选择目前应该是冷静观望还是躬身入局？这是一个需要慎重考虑的问题。在作出决定之前，无论是客服中心还是企业需要对当前的形势和自身的实力进行充分的分析和评估。

如果我们有足够的资源和实力，并且有信心应对可能出现的风险和挑战，那么躬身入局可能是一个不错的选择。但是，如果我们还没有准备好或者存在较大的不确定性，那么冷静观望也许是一个更加明智的决定。无论选择哪种方式，我们都需要

保持头脑清醒，做出明智的判断，才能在竞争中获得更多的机会和优势。