白天人干活，晚上 AI 干活，网易智企·云商的 AI Native 实践

一天时间，网易智企·云商安排了三场分享——

业务负责人肖钰妍讲 AI Native 转型，售前解决方案团队负责人赵胜海讲知识工程与 AI 标准化，客户成功负责人柯明星讲 AI 客服、私域运营与客户成功。

虽然主题方向不同，但是三人讲的其实是同一段经历。

过去一年，云商把 AI 放进产研、售前和客户成功的日常工作里。碰到的问题很具体。知识散在各处，Agent 换个场景效果就变，员工各自写的工具越堆越多，交给客户以后还得长期维护。

这些问题没有现成答案。云商一边改自己的工作方式，一边把跑通的做法写进产品。到今天再回看，有一个判断已经很清楚——

云商业务负责人肖钰妍在现场拿甲午海战做比喻，清政府买了当时先进的战舰，配套的训练、补给、情报和指挥没有一起改，战舰的能力也就没发挥出来。

企业买大模型和 AI 工具，也会遇到类似的事。员工能用 AI 写邮件、做纪要、查资料，局部确实快了。可等用的人一多，新麻烦很快冒出来：不同人用不同工具，同一个任务有好几套 Prompt，交出来的格式也各不相同。个人效率上去了，团队还是很难稳定复用。

云商的转型分成三段走过来。员工先在局部场景试用，跑出效果，团队再把有效的做法写进统一流程，往后岗位边界和协作方式也跟着变。这三段是回头看才理出来的，当时都是一步一步蹚出来的。

主管周会也改了。各部门材料先由 AI 汇总，管理者看经营报告，只把需要一起拍板的问题拿出来讨论，一名主管一周能省下五六个小时。

这些改变听着没有模型参数那么亮眼，却直接决定一家公司能不能长期把 AI 用下去。

AI 刚在团队里铺开的时候，我们没急着做统一规划，而是让主管先带头做小机器人，员工也各自把最耗时间的活儿甩给 AI。于是写会议纪要的、拟拜访邮件的、做客户诊断的、生成 QBR 的，很快都冒了出来。

真正让我们心里一紧的，是把这些工具收上来那一刻。二十多个。同一个高频场景，最多有五个版本，各做各的。每个都能顶一阵子用，可输入输出的口径对不齐，Prompt 靠群里转发，传上三五轮就走了样，新人进来根本不知道该点哪一个。

我们没把这些尝试掐掉，而是跑了六个站点，坐下来看一线经理一天到底怎么干活，再把大家都在重复造的那部分抽出来，做成了第一个产品，CSM AI 工作台就是这么长出来的……

售前团队也在做同一件事。过去一名售前碰到陌生行业，常在群里问“谁做过类似项目”。现在，分布在各地的顾问调用的是同一套产品知识、案例和方案流程，AI 先把方案写出来，人再判断客户需求和承诺边界。

我们产研内部把现在的节奏叫“早上收菜”。

白天，人定需求、划范围、定验收标准；晚上，AI 接着写代码、跑测试、改 bug。第二天一早，研发来收结果，处理还没搞定、有争议的那部分。

听着像让 AI 通宵搬砖，费劲的地方其实在两头。事实没对齐，我们不会把活儿交给 AI；开发或测试挂了，系统先按规则自己修；同一个坑反复踩，就写成规则、做成工具、变成测试门槛，下回绕开。光研发流程的 Skill，主管就攒了三十多个。

这套跑法也把一个短板顶了出来。AI 写得越快，测试越要命。肖总说， AI 会一本正经地写出错东西，前几年还有人问测试岗到底还要不要，现在我们比谁都盯得紧。

这套跑法用下来，提效是实打实的。可同一套方法，搁到不同产品上，效果差得还不小。

差这么多，我们琢磨下来，关键在能不能放开手改流程。老产品那套需求、测试、发布的规矩是早年定的，AI 能提速，可很多环节束手束脚。AI Desk 是照着 AI 从头搭的，整条流程想怎么调就怎么调，AI 那点速度才真正吃得下。

这也是我们这一年最深的一个体会。AI 给的速度想留住，靠的不是换个工具，是把整条研发链子跟着一起改。

组织里跑通的做法，慢慢写进了云商的产品。

跑在真实业务里的 AI，还得扛得住高峰、故障和业务变化，这背后是一整套工程能力在兜底。安全和合规做到了金融级标准，同时客户数据不会拿去训练模型。

我们自己的客户服务，也跑在这套产品上。柯明星在现场放了段企微群里的真事。有客户 @ 了 AI 客服，问“有效会话的定义在哪儿改”，它把后台的配置路径发了过去，顺手把几个容易弄错的地方也讲了。客户回了俩字，“真棒”。

别看这事小，AI 客服的规矩都在里头。标准问题它先接，给客户一条能照着做的路径；账号、权限这类拿不准的，它不猜，留给人工。为了不乱插话，它只有被 @ 才开口，每次先查企业知识库；客户没采纳的回答会被标出来，补回知识库。7 月实际跑了 93 次会话，61.3% 是多轮沟通。AI 平均 9 秒回复，人工要 102 秒。

难啃的是技术支持。外呼失败这种事，可能卡在客服系统，也可能卡在运营商线路、客户网络、终端状态。以前排查一趟得进好几个平台翻字段，动辄半小时往上。现在排障 Agent 先把信息收齐、给个初判，人来拍板，十来分钟就完事。

但是不得不说的是，商机识别的准确率和AI 客服批量测试的正常回复率离完全替代还是有一段距离的。

云商自己走过一遍，对 AI Native 产品的要求就清楚了：AI 要接住咨询，也要调用系统把任务做完；知识、权限、客户状态和执行结果，得在同一项工作里流动。

AI Desk 就是照着这些要求做的，主要服务有私有化需求的中腰部企业。

传统私有化项目常常直接改产品源码。客户需求越多，版本分得越散，后面的升级和排障也越难。AI Desk 把通用需求放进统一产品，客户的差异留在可配置、可扩展的部分，核心模块部署到客户环境后还能持续升级。

人机协作的方式也变了。坐席觉得某个问题适合 AI 处理，可以把对话交给机器人，之后随时能接回来；访客页面要调样式，客户用自然语言就能改，不用再排期做定制开发。

于是研发、交付和客户使用接到了一起。第一个客户提供真实场景，产品团队据此修正边界；实施里反复出现的问题被写成组件，后面的客户直接复用。产品继续进业务，新问题再回到研发。

这条路还在往前走。AI 客服的独立解决率还在不断进化，云商这一年的实践，可以留下两个判断：