根據(jù)費(fèi)曼學(xué)習(xí)法，戰(zhàn)勝遺忘曲線的最好方法就是把學(xué)到的東西用自己的語言簡化后表述出來。我試圖整理了下最近工作中對AI落地于車企營銷場景中的調(diào)研分析，也算是階段性工作的思考復(fù)盤。

全文篇幅較長，包括以下內(nèi)容：

1. 汽車營銷行業(yè)現(xiàn)狀
2. 汽車銷售模式：直銷與分銷
3. AI產(chǎn)品的可能性
4. 汽車營銷需求有哪些？
5. AI已知的能力有哪些？
6. AI能解決汽車營銷領(lǐng)域什么關(guān)鍵問題？

01. 汽車營銷行業(yè)現(xiàn)狀

跨入汽車行業(yè)之后，我發(fā)現(xiàn)了它們存在的共性——都是具有復(fù)雜上下游產(chǎn)品鏈路的大商品行業(yè)。

多年的建筑行業(yè)經(jīng)驗也幫助我更快地理解了汽車這個行業(yè)，用三體里用來類比宇宙的話來描述就是：它都像一個行動遲緩的龐大巨人，光是抬手都很緩慢，并且牽一發(fā)動全身。

這種大行業(yè)的劣勢不言自明，涉及的上下游產(chǎn)業(yè)鏈龐大，交易周期久，投入成本大，看似交易金額高，但層層流轉(zhuǎn)下來實際凈利潤不高。

這個從新勢力品牌大多連年虧損的財報就可以看出來，例如蔚來2023年總收入556億，凈利潤為-200億。

反觀建筑行業(yè)，前十年的黃金時代因為房價泡沫的存在導(dǎo)致房價虛高，消費(fèi)者盲目熱情。但實際來看，建筑行業(yè)其實已經(jīng)被上下游環(huán)節(jié)擠壓得毫無利潤空間。

中建X局的2023年總收入為5000億，凈利潤僅為130億，雖然不至于虧損，但凈利潤率極低就很能說明其中問題了。

從另個角度來看，這種大行業(yè)的機(jī)會在于，正是因為上下游產(chǎn)業(yè)鏈路復(fù)雜，所以背后值得降本增效的環(huán)節(jié)就非常多。優(yōu)化1-2個關(guān)鍵部分，就有可能創(chuàng)造指數(shù)級的利潤點。

汽車行業(yè)優(yōu)于房地產(chǎn)行業(yè)的關(guān)鍵在于，仰賴于這幾年來新能源車的崛起，帶動了全行業(yè)的數(shù)字轉(zhuǎn)型之路（當(dāng)然it’s a long way to go）。

汽車的大商品屬性決定了它的客單價高、購買頻率低，消費(fèi)者購買決策周期長。區(qū)別于快消品的短平快營銷模式，汽車的營銷場景會更加復(fù)雜。

簡單來說，大部分消費(fèi)者會涵蓋從線上平臺觸達(dá)、線下門店試駕、金融方案試算、成交的一系列營銷旅程。線上線下結(jié)合的全鏈路營銷模式?jīng)Q定了這是一條極長的用戶旅程，在任一個環(huán)節(jié)都會有潛客流失，線上線下場景相互如何銜接也是問題關(guān)鍵。

故汽車營銷場景遠(yuǎn)不如電商營銷場景來的純粹，車企營銷與消費(fèi)者的綁定更加深入。

02. 汽車銷售模式：直銷與分銷

分銷模式

前面分析了汽車營銷場景的復(fù)雜性，如果由主機(jī)廠全部負(fù)責(zé)汽車研發(fā)，供應(yīng)鏈管理，生產(chǎn)制造，質(zhì)量把控，銷售，售后維保等整個一條龍流程的話，既做技術(shù)研發(fā)又做價值變現(xiàn)的所需成本太高。

所以在早期，汽車銷售的方式都是主機(jī)廠和多地經(jīng)銷商合作的分銷模式。相當(dāng)于把銷售這部分工作外包出去，主機(jī)廠把車賣給經(jīng)銷商，再由經(jīng)銷商賣給用戶。

分銷模式有兩個優(yōu)勢：其一，經(jīng)銷商有區(qū)域化優(yōu)勢，在當(dāng)?shù)胤e累了相對穩(wěn)定的客群與口碑，比主機(jī)廠更適合下沉市場；其二，分銷模式可以幫助分擔(dān)資金壓力，主機(jī)廠很難同時承擔(dān)幾百家全國各地的店鋪運(yùn)營費(fèi)用，而如果讓經(jīng)銷商分銷，資金壓力會大大減小。

當(dāng)然，分銷模式也有其不利的一面。參差不齊的經(jīng)銷商會導(dǎo)致品牌車價格的不透明，有些經(jīng)銷商為了銷量不惜打價格戰(zhàn)。同一款車在A經(jīng)銷商買18萬，在B經(jīng)銷商買16萬的情況也時有發(fā)生，非常損害消費(fèi)者的購買體驗。

此外，主機(jī)廠由于離消費(fèi)者的距離太遠(yuǎn)，其實對用戶的購買需求是不了解的，導(dǎo)致研發(fā)過程更多是“閉門造車”，也很難在產(chǎn)品力上有所突破。

直銷模式

隨著新勢力汽車的崛起，我們現(xiàn)在更熟悉的新能源車銷售模式是直銷，即主機(jī)廠直接售賣汽車給消費(fèi)者。主機(jī)廠制定統(tǒng)一價，消費(fèi)者前往門店購買車，使整個購買流程更加規(guī)范化，更便于運(yùn)營品牌形象。

在分銷模式轉(zhuǎn)向直銷方式的轉(zhuǎn)型過程中，汽車經(jīng)銷商的打擊是很大的，大量汽車經(jīng)銷商閉店，退網(wǎng)。2024年經(jīng)銷商虧損比例達(dá)到50.8％，利潤結(jié)構(gòu)構(gòu)成中，還主要靠售后環(huán)節(jié)盈利，新車銷售收入還是虧損的。

當(dāng)然，直銷方式對主機(jī)廠來說也是壓力很大，需要同時承擔(dān)研發(fā)、開店、運(yùn)營成本，所以目前新能源車企中除了理想、比亞迪、賽特斯盈利以外，其他新勢力車企還是負(fù)增長。

而目前的經(jīng)濟(jì)大環(huán)境也不容樂觀，產(chǎn)能嚴(yán)重過剩，消費(fèi)情緒低迷，汽車行業(yè)從扭虧為盈到持續(xù)正增長看來是條很艱難的道路。

03. AI產(chǎn)品的可能性

在這樣一個不太樂觀的行業(yè)背景下，我想來探討下AI產(chǎn)品切入的可能性。

首先，我嘗試思考了以下三個問題：

1. 汽車營銷領(lǐng)域最需要被解決哪些問題？
2. AI已知的能力與實踐場景有哪些？
3. AI能夠解決哪些汽車營銷領(lǐng)域的關(guān)鍵問題？

3.1 汽車營銷需求有哪些？

在未來的三年，大概率直銷和分銷的模式會同時存在，主機(jī)廠覆蓋一二線城市，經(jīng)銷商覆蓋三四線的下沉市場，互相分工合作，完成汽車的售賣。

那汽車營銷領(lǐng)域的主體就包括了主機(jī)廠與經(jīng)銷商，其中主機(jī)廠又分為新勢力品牌和老品牌（主要是一些合資燃油車為主的品牌，姑且這么稱呼）。

對于主機(jī)廠來說，新勢力品牌優(yōu)勢在于數(shù)字化程度高，年輕用戶接受度高，但由于品牌起步晚，所以新勢力品牌營銷鏈路的第一步應(yīng)該是塑造品牌，打出知名度，拉新用戶。

而老車企品牌以燃油車起家，在國內(nèi)已經(jīng)存續(xù)了幾十年，品牌早已深入人心，積累了大量的基盤用戶，但卻因為產(chǎn)品數(shù)字化轉(zhuǎn)型晚，逐漸背離年輕消費(fèi)者的需求，如何留存再激活這些基盤用戶應(yīng)該是營銷重點。

對于經(jīng)銷商來說，它的優(yōu)勢在于線下門店和消費(fèi)者的直接接觸，以及售后的持續(xù)且長期的互動。線下門店的數(shù)字化轉(zhuǎn)型和售后管理上的降本增效應(yīng)該是營銷策略重點考慮的部分。

3.2 AI已知的能力有哪些？

那么，AI又可以提供什么樣的能力呢？通過盤點目前AI已知的能力或許可以得到啟發(fā)：

1）內(nèi)容生成與跨模態(tài)

AI的內(nèi)容生成能力是目前最成熟的。隨著多模態(tài)模型的發(fā)展，AI已經(jīng)可以實現(xiàn)文、圖、音樂、視頻四種媒介的生成與轉(zhuǎn)譯。目前AIGC生成各種媒介的落地應(yīng)用數(shù)不勝數(shù)，諸如midjourney，runway，suno等等，這里就不多贅述。

格外想多提一句的是AI生文的能力——不像視覺生成看起來那么酷炫而通常會被低估。但總覽 AI 生成能力中，AI對文字的處理能力最成熟，也最穩(wěn)定。

AI能力的穩(wěn)定也就意味著結(jié)果可控，容易被標(biāo)準(zhǔn)產(chǎn)品化。它擅長將文字的信息排列組合，雖然沒有產(chǎn)生新的信息量，但非常適用于做文字總結(jié)、提煉、翻譯、分析等，由此可以延伸出大量的落地場景（80%的AI產(chǎn)品核心功能都是依托于此）。

這方面的產(chǎn)品相關(guān)案例有很多，國外很火的AI scribes抄寫員——也是被a16z非常認(rèn)可的賽道，就主要依賴于LLM的文字信息總結(jié)能力。目前這個賽道已經(jīng)積累了超千萬美元年收入的AI產(chǎn)品。

這方面的能力可以分支為三個部分組成：

1. 語音轉(zhuǎn)文字：利用ASR模型，可以將語音轉(zhuǎn)錄為文字。
2. 結(jié)構(gòu)化處理和總結(jié)：原始的對話記錄需要通過AI的總結(jié)歸納，提煉出有價值的觀點
3. 基于語義理解的輸出工作流：依據(jù)AI提煉的對話內(nèi)容，可以通過workflow進(jìn)一步傳遞關(guān)鍵信息。傳遞的這個過程中需要依賴于AI的語義理解能力，如將客戶關(guān)鍵信息自動填寫進(jìn)crm表單中。

2）分析推理

在gpt-o1問世之后，另一個值得注意的能力是AI的分析推理能力。它允許用戶可以用自然語言進(jìn)行復(fù)雜數(shù)據(jù)的分析，LLM特別擅長于對海量數(shù)據(jù)的特征提取、預(yù)測建模、語義/情感分析等方面的工作。

LLM自己本身的數(shù)學(xué)能力并不是特別好，不讓它調(diào)用工具的話，經(jīng)常會出現(xiàn)下圖一樣啼笑皆非的回答。

問LLM一個簡單的加法算數(shù)，會得到兩種答案

現(xiàn)狀A(yù)I+BI的產(chǎn)品解決方案是讓AI學(xué)會調(diào)用計算器、Sql函數(shù)等，利用工具來進(jìn)行數(shù)據(jù)分析。

而實際上，AI對數(shù)字其實是不夠敏感的，也就代表了它無法判斷這個數(shù)字是正確還是錯誤與否。它只是運(yùn)行工具，得出結(jié)果，然后把這個結(jié)果告訴用戶。

但我發(fā)現(xiàn)AI做數(shù)據(jù)分析時有一個遠(yuǎn)超其他工具的明顯優(yōu)勢——信息的歸攏能力。它可以把一系列數(shù)據(jù)可視化圖表系統(tǒng)性地組織起來，形成可供閱讀的數(shù)據(jù)報告，總結(jié)其中的洞察觀點。這個優(yōu)勢在面對海量數(shù)據(jù)圖表的場景下會格外突出。

例如Stormly這個產(chǎn)品，它可以自動生成詳細(xì)的報告，節(jié)約了數(shù)據(jù)團(tuán)隊手動整理這些數(shù)據(jù)圖表的時間，并且能給出基礎(chǔ)的分析insigt。

Stormly生成的數(shù)據(jù)報告

3）個性化交互

目前圈內(nèi)一直有聲音在探討LUI的交互形式是不是反人性的。我認(rèn)為這種討論一定不能拋開場景來進(jìn)行。

誠然，LUI的交互方式相比GUI，一定程度上增加了使用者的門檻。有很長一段時間內(nèi)，我對LUI都秉持著懷疑的態(tài)度，因為丫真的太難上手了。相信很多人都經(jīng)歷過這種難產(chǎn)時刻：打開gpt4，對著那個空洞的輸入框，不知道要做什么，有種拔劍四顧心茫然的無力感。

所以類似character.AI等對話bot產(chǎn)品我一直很難沉浸式體驗，聊天苦手是真的完全不知道要跟bot每天說些啥。

但LUI隨之而來的是高度的個性化。每個用戶輸入不同，得到的結(jié)果也不同，這是GUI時代無法實現(xiàn)的。并且，隨著多模態(tài)LLM的出現(xiàn)，語音交互也成為可能。語音+高度個性化的交互或許會是AI native產(chǎn)品與常規(guī)產(chǎn)品拉開差異的解法。

比如，在WAIC上，我關(guān)注到bilibili的一款語音產(chǎn)品：給漫畫配上聲音，讓漫畫動起來，變成可看可聽的“漫畫”。

筆者攝于WAIC：B站的動態(tài)漫

4）自動化工作流

在AI時代之前RPA就已經(jīng)存在，但是自動執(zhí)行的任務(wù)往往是機(jī)械化的單線程。AI在工作流中能夠在關(guān)鍵節(jié)點承擔(dān)決策規(guī)劃、信息整理再加工的工作，實現(xiàn)更高階的“自動化”。

coze、dify上有很多大佬搭的自動化工作流，像是每日新聞?wù)?、生成小紅書文案、爆款標(biāo)題等等，這些就不再贅述。我也看到有產(chǎn)品直接打包了幾十個AI workfolw，封裝成一個產(chǎn)品開始賣服務(wù)，例如Worgit.ai、MakerBox。

Worgit.ai里面超級多的AI Agent

但通過實際分析相關(guān)產(chǎn)品之后，發(fā)現(xiàn)這些workflow屬于錦上添花的部分，很難支撐成為MVP功能。AI進(jìn)行自動化工作流的功能核心還是依賴于上述提到的2個能力（生成與分析）。

不然，就算工作流跑通了，最后輸出的效果撲街也沒有什么用。

3.3 AI能解決什么關(guān)鍵問題？

把AI的能力遷移到汽車營銷場景，它又能解決哪些關(guān)鍵問題呢？

無論是主機(jī)廠還是經(jīng)銷商，價值變現(xiàn)的手段主要是賣車，所以核心關(guān)鍵問題是：怎么把車賣給消費(fèi)者？延展一下思路，賣車就好比找對象，無外乎得先向?qū)Ψ浇榻B自身條件，然后再問對方對另一半的期待是什么，最后尋找共同的match點說服對方為啥咱倆合適。

類比到車的營銷場景，無非就是三種需求：a.介紹自家車款；b.了解客戶購車意向；c.運(yùn)用話術(shù)說服客戶。上述需求可以推導(dǎo)出以下三大功能：

1）營銷物料的內(nèi)容生成

很多產(chǎn)品都探索過將AIGC技術(shù)應(yīng)用于營銷物料的生成，其中有一站式內(nèi)容生成平臺例如ADcreative、Content Studio。

ADCreative界面

目前互聯(lián)網(wǎng)世界也有很多優(yōu)秀的AI生圖、音樂、視頻作品。

社區(qū)中也有很多應(yīng)用于營銷場景的AI電商海報、廣告視頻、數(shù)字人口播等等的探索。但它們都有一個共性的弊?。赫б豢床诲e，但不經(jīng)細(xì)看。

AIGC目前的能力局限了這類產(chǎn)品的天花板，圖像/影像生成仍有缺陷。在對細(xì)節(jié)要求比較嚴(yán)格的車款營銷物料生成場景中，AI很難做到精確把控。

汽車是一個工業(yè)品，比電商產(chǎn)品更加復(fù)雜，稍微有一點不一樣就會導(dǎo)致汽車主體的變形。所以，在用AI生成汽車形象的時候難以避免導(dǎo)致車的細(xì)節(jié)部分（輪轂、前后視鏡等）會崩壞。

筆者用MJ直接生成的圖：可以看出車的輪轂崩壞

雖然可以通過蒙版控制AI只重繪車的背景，而不對車的形象做修改，但是這又限制了AI生圖場景——只能生成簡單環(huán)境，而無法生成復(fù)雜環(huán)境的車圖（舉個例子，無法做到想讓車反射周邊環(huán)境的光氛圍又不改變車的形狀）。

筆者用蒙版局部重繪車的背景

很多人會想：生圖都如此復(fù)雜，更不要說生成車的廣告視頻了。但我在實踐中發(fā)現(xiàn)，用視頻生成大模型生成車的視頻幀圖，反而比用diffusion model生成車的圖像效果好很多。

我粗淺地猜測，大概是視頻生成大模型可以理解時空的概念（視頻訓(xùn)練素材里有時間軸的概念），所以它不需要蒙版也能很好的保持了車的一致性，并且會在車身加上周邊環(huán)境的反射細(xì)節(jié)。

筆者用Runway生成的視頻：保持了車外觀一致性

即使是按照上文所述的方法，AI也僅能實現(xiàn)對簡單場景的換背景，遠(yuǎn)無法達(dá)到一鍵直出汽車主KV的任務(wù)。目前AI的能力還不足以做好0-1的事情，精確生圖這條路徑難以走通，但仍然有一些1-100的路徑可以利用AI的核心優(yōu)勢。

a. 用限定好的圖片素材庫重新排版

這也是目前很多產(chǎn)品選擇做的，比如小紅書新出的AI功能，可以看出來它并沒有重新生圖，只是對用戶的文字輸入進(jìn)行重排版。（這里頂多用了AI的文字理解能力，然后再套相應(yīng)的模板）

此外，還想吐槽一下，稿定設(shè)計里的AI設(shè)計，出現(xiàn)了嚴(yán)重的圖文不符。輸入的內(nèi)容和背景圖完全風(fēng)馬牛不相及，個人猜測也是因為套模板的緣故。

稿定設(shè)計里的AI生成

b. 對復(fù)用性強(qiáng)的營銷物料進(jìn)行改寫/改繪/跨模態(tài)

鑒于AIGC的內(nèi)容生成始終帶有些“不靠譜性”，我自己覺得更好實現(xiàn)落地的能力是利用AI提高成熟物料的復(fù)用率。

對于一些復(fù)用性強(qiáng)的營銷內(nèi)容任務(wù)，給予AI一些好的范例，可以讓它進(jìn)行批量生產(chǎn)。此外，跨模態(tài)能力允許營銷物料從文——圖——音樂——視頻等多種媒介形式進(jìn)行切換（理想狀態(tài)中），極大提高了營銷內(nèi)容的靈活度。

涵蓋了改寫的產(chǎn)品也很多，比如Typefully的AI重寫功能，可以從用戶過去的推文中吸取靈感，基于此產(chǎn)生新的推文。

Typefully的AI重寫界面

實現(xiàn)跨模態(tài)媒介轉(zhuǎn)換的產(chǎn)品也不少，但效果都不太好。圖/文/視頻的互轉(zhuǎn)，過程中總會有信息的缺損需要AI來彌補(bǔ)，而AI目前還沒有那么智能到完全理解人類作品，所以這類產(chǎn)品轉(zhuǎn)換后生成的東西要么“一眼假”，要么“套模板”。

在其中，我發(fā)現(xiàn)了Munch這個產(chǎn)品的功能落地還算扎實。這個產(chǎn)品是用于將長視頻再利用，比如從長視頻中讓AI剪切有意義的片段，形成引人入勝的短視頻。

這個產(chǎn)品需要AI的強(qiáng)視頻理解能力，自動識別精彩片段，并批量剪輯成片。從嚴(yán)格意義上，這個產(chǎn)品沒有實現(xiàn)跨模態(tài)，而是同一媒介信息的濃縮。但它的應(yīng)用場景非常明確，且效果穩(wěn)定可控，就是一個很好的AI產(chǎn)品。

Munch：長視頻智能剪輯為短視頻

2）消費(fèi)者調(diào)研

汽車行業(yè)的客戶洞察應(yīng)該是貫穿于整個售前-售中-售后這三個階段的，所以我將用三個階段的分類討論AI如何賦能。分類是按照購車客戶的生命旅程周期來定義，并不完全嚴(yán)謹(jǐn)，我會詳細(xì)介紹下各個階段的區(qū)別。

a.售前階段——潛客洞察

在售前階段，為了吸引客戶留資購車，車企不僅需要分發(fā)大量的營銷物料，還需要對分發(fā)出去的內(nèi)容進(jìn)行分析，從社區(qū)輿情中提煉活躍潛客的喜好（eg.關(guān)注的賣點、購車顧慮點等），才能更好地針對性提出營銷戰(zhàn)略，精細(xì)化運(yùn)營過程。

潛客的分析建立在客觀數(shù)據(jù)（內(nèi)容物料的內(nèi)容數(shù)據(jù)、潛客行為記錄）和主觀數(shù)據(jù)（社群評論、售前問卷等）的基礎(chǔ)上。而AI非常擅長對海量數(shù)據(jù)的歸類分析、情感判斷等工作，天然適合承擔(dān)互聯(lián)網(wǎng)社區(qū)輿情洞察的工作。

以上當(dāng)然是理想狀態(tài)下的場景。從實際情況上看，這樣的分析不會得到太有意義的結(jié)果。因為網(wǎng)上水軍泛濫，如果用AI提取社媒上輿情的高頻內(nèi)容，大概能獲得的結(jié)論可能是“哈哈哈哈哈”或者“贊贊贊”，誰也不可能從這種無意義內(nèi)容中提取出潛客特征。

接著上述的思路想，用關(guān)鍵詞規(guī)則或者AI的語義理解能力先過濾掉一部分無意義內(nèi)容，對篩選過后的精華評論進(jìn)行分析，也是一種解法，但仍有缺憾，因為大部分人在網(wǎng)上的留言都是碎片式的，非常容易被斷章取義，輸出的效果也不好。

或者，還有另一種思路，讓AI主動去問潛在客戶呢？

由AI來生成問卷，集成在企業(yè)網(wǎng)站、產(chǎn)品平臺中，有潛在客戶瀏覽時，就主動向他們發(fā)送調(diào)查問卷選項，收集反饋結(jié)果，形成分析看板。海外目前已經(jīng)有比較多成熟的相關(guān)產(chǎn)品，如Canny、sprig。

Sprig的AI問卷+分析

但這仍不適用于中國市場情況。海外市場的營銷渠道仍依賴于自身PC端官網(wǎng)，會有大量潛客瀏覽官網(wǎng)信息。

而中國卻過快從互聯(lián)網(wǎng)時代跨入了移動互聯(lián)網(wǎng)時代，導(dǎo)致數(shù)字營銷市場的重心在第三方移動端平臺，很少人會想到去PC端官網(wǎng)了解產(chǎn)品，這讓AI主動調(diào)研的渠道也就難以走通。

目前，我也還沒有想好更優(yōu)質(zhì)的解決思路，只能說這個場景不一定需要AI介入。國內(nèi)的產(chǎn)品如矩陣通，建立在龐大數(shù)據(jù)庫的基礎(chǔ)上，純粹從客觀數(shù)據(jù)分析的角度入手（或者用關(guān)鍵詞規(guī)則來監(jiān)控客戶輿情），效果會比依賴于AI的語義理解能力好上不少。

b.售中階段——客戶精準(zhǔn)畫像

我把售中階段定義為潛客留資到上門店看車的過程。在這時候，車企已經(jīng)獲知該客戶的基本信息（性別、地區(qū)、意向車型等），需要銷售人員在跟進(jìn)線索的多次交流中，記錄客戶的關(guān)鍵標(biāo)簽，逐漸刻畫出更精細(xì)的客戶畫像。精準(zhǔn)的客戶標(biāo)簽可以輔助銷售人員了解其傾向，在后續(xù)的服務(wù)過程中擴(kuò)大客戶的滿意點，打消疑慮，最后成功獲客。

這個階段會引出普遍車企營銷中都會遇到的問題：客戶標(biāo)簽管理。銷售人員在每輪溝通中都要手動為其打標(biāo)簽，接待客戶數(shù)量一旦越來越多，給銷售增加的工作量就無比龐大。

如果設(shè)置關(guān)鍵詞規(guī)則，進(jìn)行自動打標(biāo)，那標(biāo)簽也有可能不準(zhǔn)。比如，一個客戶心儀車型是A，他在會話過程中問了一句：A和B的車型有啥區(qū)別？系統(tǒng)自動根據(jù)關(guān)鍵詞打標(biāo)的話，就有可能把A和B都給記錄到這名客戶的心儀車型標(biāo)簽中去。

AI的語義理解能力可以很好地解決自動打標(biāo)的問題，它通過識別銷售與客戶的會話，自動歸納出該名客戶的意向車型、性格、購買需求等，同時甚至不需要套生硬的標(biāo)簽，它還可以總結(jié)出更加個性化的結(jié)論。

但需要注意的是，汽車銷售與電商銷售場景不同，汽車銷售的核心場景在線下門店，而非線上。畢竟，大部分人對購買汽車這種大商品還是比較謹(jǐn)慎的，一般都會去門店試駕體驗后再進(jìn)行消費(fèi)決策。

所以，如果想讓AI識別購車場景下的客戶畫像，得通過ASR手段收集門店里銷售接待的錄音，將錄音轉(zhuǎn)譯為文字，再接入LLM進(jìn)行語義分析，客戶畫像提煉。華人自主創(chuàng)業(yè)的產(chǎn)品cresta，核心功能就與之類似。

Cresta的客服語音智能識別+分析客戶畫像

但這個場景的難點在于，目前中文ASR模型的效果普遍不佳。即使可以通過添加熱詞等方式微調(diào)，但經(jīng)過測試，語音轉(zhuǎn)文字的精確度仍然不高。中文語境下方言體系龐雜，識別不同種類的方言更是難上加難。

想要提升ASR模型的準(zhǔn)確度，需要從多模態(tài)融合算法的優(yōu)化入手。隨著多模態(tài)能力的發(fā)展，LLM具備了直接識別語音的能力。通過特殊的語音語料訓(xùn)練LLM，可以快速提升AI對特定詞語的理解能力（特別是汽車型號等非日常用語）。

c.售后階段——滿意度調(diào)研

售后階段顧名思義，即指客戶成為車主之后的階段。該階段中，車企的運(yùn)營策略部門需要獲知車主的滿意度情況，為后續(xù)改進(jìn)客戶接待流程提供方向，也為后續(xù)新車產(chǎn)品的開發(fā)方向提供參考。

車主滿意度調(diào)查和上述潛客調(diào)查的場景是非常類似的，只不過是兩者調(diào)查的主體不同。AI落地于車主調(diào)研的場景會更加容易，因為車主一般是品牌親密度較高的人群——可以通過提供車主服務(wù)把他們聚集在車企app里。AI用app、郵件、短信等方式向車主發(fā)送有獎?wù){(diào)查問卷，收回問卷的質(zhì)量會比潛客高很多。

此外，我在Product Hunt上還關(guān)注到了幾款問卷調(diào)研+語音Agent類產(chǎn)品，像Waveform.ai。AI可以自動撥打電話，以語音的形式向客戶詢問調(diào)研問題，自動記錄客戶回答內(nèi)容，形成書面報告。

遺憾的是，這類產(chǎn)品目前還停留在demo階段（畢竟gpt-o1也才發(fā)布不久），但未來可以期待一下。

3.4 智能客服

智能客服這個方向應(yīng)該是數(shù)字營銷場景中最高頻落地的，業(yè)內(nèi)也有很多的AI產(chǎn)品進(jìn)行相關(guān)探索。在產(chǎn)品調(diào)研時，我自己試用了一些AI智能聊天機(jī)器人，像小冰、句子互動等。其實值得單開一篇文章來寫，這里就簡要記錄下我的結(jié)論。

整體上看，智能客服產(chǎn)品賽道擁擠，同質(zhì)化較為嚴(yán)重。如果要求不太高的話，一個簡易的GPTs就可以包裝成一個客服產(chǎn)品。如果稍微用點心，用Dify、Coze等平臺編寫一個工作流實現(xiàn)智能客服的75%功能也并不難。

所以，這類產(chǎn)品的護(hù)城河要么有個非常牛逼的大模型（綜合能力遠(yuǎn)超其他大模型），要么就是和現(xiàn)有頭部電商/行業(yè)產(chǎn)品結(jié)合的非常密切（比如淘寶小蜜）。

第一點說實話比較難，畢竟現(xiàn)在一年過去了，還沒有大模型的綜合能力超越gpt-4家族。并且，各個大模型之間的能力差距還沒有大到可以技術(shù)壟斷。第二點的話，目前大部分垂類使用場景還掌握在大廠的手里，AI 智能客服會和相關(guān)產(chǎn)品強(qiáng)綁定，比如淘寶和淘寶小蜜，網(wǎng)易和網(wǎng)易七魚等，都是大廠扶持的產(chǎn)品，AI Native應(yīng)用可能很難找到切入點。

2024LMSYS榜單：GPT4家族一騎絕塵

此外，大部分AI智能客服都不太智能，在處理某些問題場景的時候甚至不如基于nlp的規(guī)則類智能客服。

可以看出來，很多產(chǎn)品經(jīng)理在努力讓自家的AI智能客服看起來像個“人”，有時候會給其一個可愛的名字或者數(shù)字形象。這樣的努力其實避重就輕，因為一交談就會發(fā)現(xiàn)AI智能客服還是不太靈光，頂著再像人的形象也不好用。

本著揚(yáng)長避短的原則，既然技術(shù)瓶頸無法讓AI像個真人，那就不必強(qiáng)求。針對高頻客戶問題，設(shè)定一些規(guī)則進(jìn)行回復(fù)，而遇到較為個性化問題時，可以讓AI進(jìn)行判斷是否可以回復(fù)，無法回復(fù)時轉(zhuǎn)接人工客服，是常規(guī)的解決思路。

至于提高AI客服的準(zhǔn)確性和專業(yè)度，可以通過RAG+知識庫的形式，讓它掌握特殊領(lǐng)域的知識（可惜RAG能優(yōu)化的空間也比較局限，有時候還會弄巧成拙）。RAG目前有非常多種改進(jìn)后的變體，如RAGfusion、CRAG、GraphRAG等，這方面的文獻(xiàn)研究數(shù)不勝數(shù)，論文肯定比我寫的明白，這里就不多贅述了。

我自己密切關(guān)注的AI智能客服價值點之一在于自動工作流。回溯到使用場景上來思考，客戶來找客服一定是帶著確切的目的的：讓客服幫自己解決問題。AI的自動工作流可以在接待多個顧客的同時將他們引導(dǎo)向不同的目的地、提供合適的工具。

工作流的規(guī)則為LLM的發(fā)揮提供了一個穩(wěn)定的框架，盡可能減少幻覺問題，為用戶解決實際的問題。

類似的產(chǎn)品最近有Nurix，創(chuàng)始人是印度企業(yè)家，他選擇了一個取巧的賽道：IBO（業(yè)務(wù)流程外包），為印度的外包行業(yè)提供定制化客服Agent，以提升客戶服務(wù)質(zhì)量和生產(chǎn)力效率。

Nurix AI的智能客服（文字+語音）

04 結(jié)語

以上是我近期對于汽車領(lǐng)域的數(shù)字營銷場景的AI產(chǎn)品方向思考，時間有限，有些思考沒有經(jīng)過反復(fù)推敲，不一定對，歡迎各位同行交流指正。

最后，我想用一句老生常談來進(jìn)行總結(jié)：人們總是在短期內(nèi)高估，而在長期內(nèi)低估。這幾年以來，我很高興能夠置身浪潮其中見證AI的發(fā)展。

這一次的AI浪潮雖然不可類比移動互聯(lián)網(wǎng)的黃金十年，但它帶來的更多是潤物細(xì)無聲的變化。不管怎么說，讓子彈再飛一會。

希望未來少些宏大敘事，涌現(xiàn)出更加扎實的AI產(chǎn)品。