在现代社会，高效、专业的客服服务已成为企业、组织机构竞争力的关键要素。智能客服系统应运而生，智能客服系统对客服的赋能作用和价值主要表现在提高效率、降低成本、优化用户体验、深度挖掘用户需求、数据分析与挖掘等方面。借助这些优势，企业、机构可以为用户提供更好的服务。

例如，某市人社信息化建设多年，陆陆续续建设了多个系统，但依然存在系统相对较分散，系统间关联融合程度不高的痛点问题。为了提升其客服效率，该机构的七个平台接入容联七陌的智能客服系统。

借助容联七陌的智能客服能力，为该部门提供了多样化的智能服务，包括：帮助构建文本机器人，通过启用内外部知识库，增加业务操作及运营手册，辅助座席咨询过程中进行直接搜索。同时开启X-Bot机器人，搭建常见问题知识库，自动为用户答疑；通过接入X-Bot智能机器人，提供咨询服务，并基于语义理解快速回复用户业务咨询；通过前置文本机器人处理重复事务性咨询，设置场景化转人工服务；人工服务时，文本机器人提供意图识别及恢复推送服务，提高人工服务回复的效率。

自从容联七陌智能客服系统上线以来，该市人社部门的客服能力得到了显著的提升。比如，通过知识库与机器人，快速解决机构内部咨询及问题答疑，大幅减少了重复性咨询回复；通过多渠道客服咨询的一站式管理，实现不同渠道在线咨询业务的专业客服对接，减少重复操作与时间浪费现象；借助X-Bot客服机器人实现了7X24小时在线处理客户咨询，减少客户咨询遗漏的情况，确保业务咨询第一时间得到回复。

需要指出的是，智能客服在推动客服行业发展的同时，其本身也处在快速发展进程中。智能客服不断吸收新的技术，来提升其创新能力。目前，ChatGPT等大型语言模型的技术突破为提升智能客服系统的智能化水平带来了巨大潜力。那么，ChatGPT这类大型语言模型到底能为智能客服带来哪些改善，两者结合的典型应用场景是什么。为了搞清楚这些问题，数据猿专访了业界专家，并以行业深度文章来分析ChatGPT等大语言模型在智能客服领域的应用前景。

智能客服+ChatGPT，会产生什么奇妙的化学反应？

总体上看，通过接入ChatGPT这类大语言模型，智能客服系统可以在以下几个方面得到显著的提升：

提升智能客服知识库的搭建效率。

数据猿采访的多位业内专家，都提到了ChatGPT这类大语言模型在帮助搭建知识库方面的作用。

Sobot智齿科技联合创始人&CTO吴立楠告诉数据猿，ChatGPT可以赋能知识初始化和管理。现在的机器人知识库是通过配置问答对的方式管理和维护，这个过程中需要人工标注、分类及后期维护，重复且低效。与之相比，ChatGPT提供了Fine tuning和Embeddings两种能力，使得运营人员可以通过产品介绍、商品SKU、问题解决方案直接生成知识。运营人员由编写问答转变为对答案的审核和调优，颠覆了机器人知识库的维护方式。此外，在常见问题的更新方面，结合ChatGPT的问题生成方式，可以将短时间内出现的高频问题及时更新到常见问题中，帮助客户更好的自助解决问题。

吴立楠向数据猿介绍了智齿科技在线客服机器人的资料管理系统，该系统支持上传PDF、Word文档，客服机器人根据文档可以自动回复客户问题。并且，客服机器人支持对角色、语言、引导性、创造性等维度进行设置。机器人涵盖客服、售前、销售等角色，未来还可以开放角色给企业定制化，例如，给周大福定制的智能客服系统，可以用淘系客服的口吻回复客户问题，与他们现在的客服形象保持一致。

值得提出的是，智齿科技的智能客服产品可以针对不同渠道回复不同的语言，比如渠道为英文时回复英文，渠道为中文时回复中文。以下例子是该产品的应用实例：

天润融通首席科学家田凤占也提到，ChatGPT及大模型在通用领域中积累了足够的数据和语料，能够快速生成相似问法，解决智能客服冷启动语料不足、场景覆盖率低等问题。落到行业中来看，在制造业中，基于ChatGPT的信息抽取、文本分类能力，可帮助客户快速实现已有文档到结构化知识的转换，形成企业自己内部的知识图谱、知识库、信息系统中的数据资产。我们从实际效率来看，平均100条FAQ需要2~6人天，通过使用ChatGPT不到5分钟就可以生成数百条FAQ。

充分调用ChatGPT及大模型丰富的语料知识，能够帮助企业快速构建大规模知识库，短时间内快速完成全行业场景的语料扩写。

 网易云商产品总监周丹也表达了类似的观点：ChatGPT可以辅助知识库的搭建和配置。比如以前碰到陌生的行业，需要人拍脑袋想访客可能会问到的问题，现在可以借助ChatGPT配置相似的问题。例如，可以给ChatGPT提问，“请帮我扩充10个关于表达和‘收到快递破损了怎么办’相同意图的问题，尽量差异化”，在ChatGPT给出答案的基础上再由人工进行审核。

显著提升复杂需求的理解能力，让客服更“人性化”。

在处理涉及多个步骤或需要深入理解领域知识的复杂问题时，目前的智能客服系统可能表现得不尽如人意，这可能导致用户需要多次反馈问题或转接至人工客服。同时，智能客服系统在识别用户情感和口吻方面仍有改进空间。例如，当用户表现出愤怒、失望或讽刺等情绪时，系统可能无法作出相应的回应。

以目前ChatGPT表现出的能力来看，正好可以弥补智能客服系统的上述问题。ChatGPT的模型架构和更大的参数规模，让其在理解复杂需求时有天然的优势。ChatGPT具有大量的参数和多层网络结构，这使得它能够在深度学习过程中捕捉到更多的信息和特征，从而提升对复杂需求的理解能力。ChatGPT在训练过程中接触了大量的知识，包括领域知识、实体关系等，使得模型能够更好地理解用户提出的复杂问题，并在回答中融合相关的知识和信息。

吴立楠认为，通过ChatGPT的对话上下文理解能力，可以根据知识库直接生成回复，降低了人工理解和查找过程的依赖，提升回复效率的同时，还整体提升了客服业务能力底线。此外，利用ChatGPT的语义识别能力，及时捕捉在线聊天、语音、工单处理业务中的客户情绪风险，结合现有智齿监控看板和客服分配策略，对于出现预警的客户群体进行优先接待或直接由更有经验的服务人员进行接待指导。

田凤占提到，通过充分、持续训练，能够使大模型具备更加精准的语义理解能力和更强大的自然语言生成能力。基于已经训练成熟的大模型，能够辅助智能客服根据用户输入的问题提供快速和准确的响应，快速解决问题，节省了客服团队大量的时间和资源，提高客户体验和满意度。

更好的上下文理解能力，更流畅的多轮对话。

尽管目前的智能客服系统已经在上下文理解方面取得了一定的进步，但仍然可能在多轮对话中出现理解偏差。在一次较长的多轮对话中，智能客服系统可能难以保持对话的连贯性和一致性。随着对话的深入，系统可能出现跳跃性、重复性或离题的回答。在多轮对话中，理解用户意图和回答问题通常需要进行一定程度的推理。然而，目前的智能客服系统在自然语言推理方面，尤其是涉及到隐式知识或复杂推理方面仍有待加强。

相对而言，目前的ChatGPT这类大型语言模型在上下文理解和多轮对话方面已经取得了显著进步。ChatGPT这类大模型基于Transformer架构，这一架构采用自注意力机制（Self-Attention），使得模型能够捕捉输入序列中长距离的依赖关系，这有助于更好地理解复杂句子和用户需求的内在联系。此外，更大的神经网络、参数规模，也为大模型理解上下文复杂的关系奠定了基础。正是这些特点，让ChatGPT这类大模型可以理解一定跨度的上下文信息，能够理解一定程度的复杂对话结构，包括多个参与者、多个话题以及各种问答模式，可以处理一定数量的对话轮次。

吴立楠认为，基于ChatGPT出色的上下文语义理解能力和编写生成能力，结合客服行业专业知识库，将ChatGPT直接用于客服机器人底层能力训练，可以提升机器人独立接待效果，进而打造更加智能的客服行业机器人产品。

需要指出的是，虽然然而，大模型的多轮对话能力也不是无限的。在实际应用中，大型语言模型通常可以处理数十到数百个单词的上下文，但理解能力可能会随着跨度增加而逐渐减弱。大型语言模型通常可以支持数轮到十几轮的对话，但随着对话轮次的增加，模型可能会逐渐丧失上下文信息和准确性。具体可以支持理解多大跨度的上下文、多复杂的对话结构以及多少轮对话，会受到模型规模、训练数据量和训练质量等因素的影响。

ChatGPT虽好，但要关注答案的准确率，避免被其“一本正经的胡说八道”所误导。

预训练语言模型（如ChatGPT）主要关注生成语法通顺、自然流畅的文本，而不是在训练过程中对事实真实性进行考量。因为模型本身缺乏事实验证的机制，模型生成答案后，很难对其进行自我评估。此外，训练数据集中存在的错误、偏见以及不完整信息都可能导致模型在生成答案时出现问题。并且，预训练模型的知识是静态的，截止于训练数据的最后更新时间。由于现实世界的知识不断更新演变，模型可能无法回答涉及最新信息的问题，从而导致答案不准确。

然而，智能客服系统对回答的准确性有很高的要求，宁愿不回答用户，也不要随便给用户一个错误的答案，错误答案误导用户往往会带来严重的后果。为此，在将ChatGPT这类大预言模型应用于智能客服系统时，需要对其进行额外的优化。例如，通过连接知识图谱、数据库等外部知识源，为模型提供实时可靠的知识，以提高答案的准确性；开发一个事实验证模块，对模型生成的答案进行实时验证；在模型训练时使用更加准确、高质量的数据集，以提升模型生成答案的准确性等。

业务咨询、办理、售后等，ChatGPT在多个业务场景赋能智能客服

虽然还存在一些问题，但ChatGPT这类大模型的确可以显著提升智能客服系统的能力。那么，大模型能在哪些具体应用场景赋能智能客服呢？

业务咨询、业务办理、售后服务是智能客服的三个典型应用场景。接下来，我们以业务咨询为例，模拟实际的业务场景。需要说明的是，以下场景仅仅是模拟，用以说明ChatGPT加持之后的智能客服系统会带来哪些提升，与真实业务场景可能存在一定的差异。

假设某用户想了解购买一款价值10000元的电子产品时，商家针对该产品的优惠活动、贷款利率以及还款计划的详细信息。

这时，该用户问智能客服系统，“我想购买一款价值10000元的电子产品，请告诉我有哪些优惠活动，贷款利率是多少，以及每月的还款计划？”

以往的智能客服只能依据关键词返回一些标准化答案，当被问到很个性化的问题时往往不能给出很好的解答，系统可能会回复：“请查阅我们的官方网站或APP获取相关优惠活动信息和贷款利率。关于还款计划，您可以在贷款申请时与银行沟通。”

而融合了ChatGPT这类大模型的智能客服系统可能会如何回复呢？在理想情况下，其返回的回答可能如下：

“了解您的需求，关于购买10000元电子产品的优惠活动、贷款利率和还款计划，请参考以下信息：

1. 优惠活动：本月该产品参与满10000元减500元的优惠活动，实际支付9500元；可享受免费赠送价值500元的配件。

2. 贷款利率：我们与某银行合作提供贷款服务，年化利率为6%，贷款期限可选择12个月或24个月。

3. 还款计划（假设选择12个月期限）：

由于优惠活动，您需要贷款的金额为9500元；

按照6%年化利率计算，每月利息 = 9500 x 6% / 12；

每月应还本金 = 9500 / 12；

每月还款总额 = 每月应还本金 + 每月利息。

具体计算结果如下：

每月利息 = 9500 x 0.06 / 12 = 47.50元；

每月应还本金 = 9500 / 12 = 791.67元；

每月还款总额 = 791.67 + 47.50 = 839.17元。”

请注意，优惠活动和贷款利率可能会随时间变化，建议您在购买前查看最新的活动信息。如有其他问题，请随时联系我们。”

从上面的例子可以看到，与原有系统相比，新的智能客服系统提供更详细、结构化的业务信息，并提供针对性的服务方案，更人性化的交互。

除了业务咨询场景外，ChatGPT这类大模型还将在业务办理、售后服务等客服场景中，带来显著的改变。

例如，在业务办理场景中，融合了ChatGPT这类大模型的智能客服系统可以为用户带来更准确的需求识别、动态解答，解决异常问题，优化业务流程等。ChatGPT具有更强的自然语言理解能力，能够更好地理解和跟踪上下文信息，能够准确把握用户需求，避免误解和重复询问，这有助于在业务办理过程中更好地满足用户需求，减少因对话断裂导致的业务中断。此外，基于大数据和AI技术，ChatGPT可以整合和优化业务流程，实现跨部门和跨系统的业务办理。吴立楠提到，基于现有客服指标及满意度指标数据变化趋势，结合业务关键词和客户分析诉求，通过ChatGPT进行业务诊断分析，可以提供诊断报告及业务优化建议。

在售后服务方面，在解决用户问题时，ChatGPT可以更准确地理解用户描述的问题，快速定位故障原因，减少用户反复描述的痛点。在提供解决方案时，ChatGPT能够根据用户的具体问题，给出详细、针对性的解决建议。它能够分析用户的产品型号、使用环境等因素，为用户提供更为精准的解决方案。在售后服务过程中，用户的情绪往往波动较大，ChatGPT具有较好的情绪识别和应对能力，能够针对用户的情绪为其提供更为贴心的服务。此外，基于大数据和AI技术，ChatGPT可以分析售后服务的数据，发现潜在的问题，优化产品设计和服务流程，进一步提升用户满意度。

此外，田凤占特别提到，基于ChatGPT的能力，AI架构师能够快速分析并生成面向客户侧的系统支撑策略，处理效率和结果远超出依附纯规则或者纯知识库所能达到的效果。例如，在电销场景下，通过ChatGPT强大的内容生成能力，智能客服能够对营销话术进行不断地迭代和与优化，以提高电销转化率。他还介绍了天润融通开发的大语言模型垂直行业解决方案，该方案能够针对客户提供的文档内容进行智能搜索问答。

筛选合适的大模型伙伴，实现大模型与智能客服的深度融合

需要指出的是，将ChatGPT这类大模型与智能客服系统进行融合，并不是虚幻的设想，而是已经有不少智能客服企业在实践了，比如容联七陌、智齿科技、天润融通、网易云商等，都在积极进行技术研发和应用场景探索。

不久前，数据猿组织了一场以“ChatGPT能让智能客服更上一层楼么？”的线上圆桌论坛，参与嘉宾之一吴立楠就介绍了智齿科技在利用大模型技术升级智能客服产品体系方面的一些实践经验。

对于第一批“吃螃蟹”的智能客服厂商而言，如何更好的抓住这一波技术红利呢？数据猿认为，一方面需要严格筛选合适的大模型合作伙伴，另一方面需要以智能客服行业的要求优化大模型的能力。需要指出的是，ChatGPT+智能客服，并不是将两项技术进行简单相加，而是要实现他们的深度融合。

在寻找大模型合作伙伴的过程中，智能客服企业需要综合考虑多个方面，确保选定的合作伙伴能够满足业务需求并为企业带来最大价值。

首先，技术成熟度是评估供应商的重要指标。企业应选择具有优秀技术性能、市场口碑和有实际应用案例的合作伙伴，以确保其大模型能在实际应用中达到预期效果。由于大模型是一个快速发展的技术领域，因此，要选择具有持续创新能力的合作伙伴，有助于确保企业在未来技术发展过程中，智能客服系统能够保持竞争优势。此外，与行业的契合度也是评估供应商的重要参考，需要了解合作伙伴在智能客服领域的实际经验和成功案例，以确保其大模型能够为企业带来实际价值。

同时，定制化和可扩展性也是关键因素，合作伙伴应能根据企业的实际需求进行定制化开发，以满足不同业务场景下的智能客服需求。为了保证项目顺利进行，技术支持与服务也是一个关键要素。企业应选择具有良好售后支持和服务的合作伙伴，以便在遇到问题时能够得到及时有效的解决方案。在这个基础上，合作伙伴应具备完善的数据安全保障措施，合规的隐私保护政策，以确保企业数据的安全性和客户信息的隐私。在成本方面，合作伙伴的大模型应具备合理的价格体系，满足智能客服企业在成本控制方面的需求。

在选择好大模型合作伙伴之后，接下来要考虑的是如何实现大模型与原有的智能客服技术产品体系更好融合。

智能客服+ChatGPT虽然应用前景广阔，但整体还处于起步阶段，要实现两项技术的深度融合，还有一系列问题需要解决，比如：是否需要针对智能客服业务进行特别的大模型训练，甚至针对不同行业（比如金融）智能客服系统再次训练大模型；是否需要针对智能客服行业开发大模型的私有化部署版本；大模型技术与以往智能客服系统里的技术（比如NLP、知识图谱、智能推荐、语音识别等）如何更好融合起来等等。

晓多科技营销副总裁应海量认为，与其他具有创新功能的新技术一样，ChatGPT同样会带来数据安全与隐私风险。在他看来，可以从以下几方面来保障在接入类似于ChatGPT这类大模型时的数据安全：数据加密，对于所有的用户通信和存储的数据，采用端到端加密的方法，以确保在传输和存储过程中数据不被泄露；用户数据的匿名化，在向AI模型发送数据时，去除或替换诸如姓名、邮箱、电话号码等敏感信息，以防止用户隐私泄露；数据存储及访问控制，将用户数据存储在安全的云或私有的数据中心中，并对数据访问设置严格的访问权限，并提供遗忘的选项；合规性检查，确保与数据隐私和安全相关的法规保持一致，可通过强制执行隐私策略和制定备忘录等方式来确保合规性；模型训练数据安全，确保训练数据集来自于可靠、经过验证的公开数据集，并对数据集进行清洗以删除任何潜在的敏感信息。

此外，大模型技术可与NLP、知识图谱、智能推荐、语音识别等技术结合，实现更高效的智能客服系统。例如，依据网易云商产品总监周丹介绍，可以将ChatGPT这类大模型与NLP算法融合，辅助意图的识别，进行新项目算法冷启动。之前的NLP算法启动都需要人工标注大量样本，很多情况下，是没有标注样本可用的，或者标注代价太大。如果使用ChatGPT辅助生成一些样本，以供人工标注，可以实现以更低成本高效率的方式训练算法，提升算法性能。

通过将知识图谱与大模型结合，可以提供更丰富、更准确的知识库，帮助大模型回答复杂问题；结合语音识别技术，智能客服系统可以实现多模态交互，客户可以直接通过语音向客服系统提问，系统识别后将问题转化为文本，然后通过大模型生成合适的回答，并将回答转换为语音反馈给用户；通过将情感分析与大模型结合，智能客服系统能够更好地识别和处理用户的情绪。

正如天润融通首席科学家田凤占所说，“ChatGPT及其背后大语言模型的爆火，无疑再次助推了智能客服的发展。”相信随着ChatGPT这类大语言模型技术的发展，以及其与智能客服的融合程度的加深，将成为推动客服行业变革的关键力量，这值得相关从业者的重点关注。接下来，智能客服行业将开启一场激烈的竞赛，谁将自身智能客服产品与大模型技术融合的最好，谁能够更快解决目前还存在的一些关键问题，谁能够探索出更多ChatGPT+智能客服的融合应用场景，谁就将在接下来的市场竞争中占尽先机，获得客户与资本的青睐。

文：月满西楼 / 数据猿

来源：数据猿