学好数理化，走遍天下都不怕。然而在一个市场在经济运行中起到决定性作用的时候，叠加AI分析，依靠技术的人该如何自处？
过去依靠技术的逻辑可能要变
除了一些涉及到秘密相关的行业之外，大部分从事科学研究、工程发展的机构都在不断引入大模型，并且要求所有员工掌握应用大模型的能力。到今天为止，随着token成本、推理成本的双下降，以往靠工程师写代码、测试、花几个月时间交付的一套系统，如今可以只花少量的token，就能够开发出类似的功能。
可以说，依靠现有的原理，借助原有编程等的技术门槛收取的高价，可能会面临护城河失守的危险。
此外，技术的后期维护人员、依靠账号数量收费的公司，也可能会受到影响。原因在于AI的辅助下，客户只需要提升单账号的使用效率，就能够完成多重身份的工作。
任务完成度为中心的行业会越来越赚钱
当客户按照完成任务付钱时，AI越厉害，服务商完成同样任务的成本可能九月底，利润就会越高。
然而这里需要注意的是，在人类为主体的客户中，存在着两种方式。一种是I人，一种是E人。I人通常能够愿意用AI来进行交流，这样大量重复任务给了AI自主学习的机会，判断完成的难度也较低，只要双方提前约定标准，达标即赚钱。
另一种E人，他更在乎活人感，所以会通过电话、服务大厅当面等方式处理自己的诉求。此时AI就无法替代“活人感”。但是客服还是可以借助AI而非传统的搜索引擎来查找答案。
长期专注深耕的服务商可能优势更大
软件的购买往往费用不多，成本大头在于后期的维护、客服等。这些就是服务商能够提供的价值。
当然了，很多软件一旦过保之后，维护费用会特别增高，此时如果掌握了该领域的核心技术，通过替代式服务也可以成为了一个长期深耕的收益额。然而，这个服务商目前还是蓝海。
换句话说，维护好自己的长期客户，能够以一种“回头客”形式逐渐积累客户的喜好、要求，以及处理客户要求的经验。积累经验越丰富，完成工作的成本越低，能够承担的业务也就越多。
启发
1、在深耕一个领域前，先找一个熟悉的客户，选择一项结果容易衡量的业务，把收费方式、负责团队和AI系统一同调整一遍。例如之前对接过某个单位的任务，对于单位的需求、业务流水很熟悉，就可以进一步接手单位的部分客服咨询。此时，算清楚一条咨询多少钱，需要多少成本，责任划分等等。等到稳定交付后，再考虑扩大业务。
2、承接甲方的客服部门，也就是说让对方的客服实现外包，从而降低客服的工作成本。提供服务的公司，有机会获得长期收入，随着AI进步和经验积累，提高利润。这些钱就可能成为收益的来源。
发表回复