超AI时代来了——对话式人工智能常见误区

误区一 | 对话式人工智能就是和机器聊天

实际上，自然语言处理（NLP）与自然语言理解（NLU）在对话式人工智能领域所面临的挑战中仅占较小部分。要实现计算机在对话中理解人类语言（即NLP）、揭示话语中的隐含意图以及提供有意义的回应（NLU），技术上仍需取得显著进展。这些进展涉及的领域包括意图识别、实体识别、任务履行、语音优化响应、动态文本转语音、机器学习以及上下文感知等。

目前，仅有少数机构在较高层次上应用了这项技术。一方面，超自动化环境下的人机交互体验已超越了传统的聊天和打字，扩展到了手势、面部表情、视觉辅助、声音和触觉反馈等多个维度；另一方面，对话式人工智能的运作依赖于一套更为复杂的系统和技术流程，包括集成、任务自动化、多渠道优化、对话式设计、维护及优化、实时分析和报告等。在这样的背景下，将NLP/NLU与对话式人工智能等同视之，就如同在自行车与汽车之间进行比较。同样，将输入的文本转换为音频的文本转语音（TTS）技术或“文本朗读”技术，以及允许用户通过口述命令而无需键盘输入的自动语音识别（ASR）技术，亦不能代表完整的对话式人工智能。在更为复杂的使用场景中，自然语言处理/自然语言理解的作用更是微不足道。

例如，用于回答员工医疗保健问题的问答机器人，其功能仅限于纯粹的自然语言处理/自然语言理解（如识别问题、提供正确答案）。当需要自动化执行为员工签订健康计划的任务时，自然语言处理/自然语言理解的作用相对有限——它仅能识别用户注册健康计划的意图，后续工作则需依赖其他技术和流程来完成，包括身份验证、收集员工个人数据、生成推荐计划、协助用户注册意向计划、通过电子邮件确认交易等。这些操作均需在一个针对自动化构建的生态系统中实现。综上所述，单纯的人机对话与对话式人工智能之间的差距是巨大的。

误区二 | 对话式人工智能属于附加组件

非也。对话式人工智能技术并非即插即用。唯有通过周密的战略规划与执行，方能使对话式人工智能技术充分展现其价值；特别是在与遗留系统整合的情境下，这一点尤为重要。对话式人工智能战略的成功实施与拓展，固然需要投入大量工作并进行深入的自我反思，但这些付出将为组织的统一与各方面的改善带来丰厚的回报。

误区三 |对话式人工智能的目标是模仿人类交互

作为人类，我们始终能够突破自身能力的极限，达成超越预期、令人瞩目的成就。然而，对话式人工智能本质上并非人类；我们并未将其拟人化，亦不应试图使其具备人类特质。对话式人工智能与超自动化技术的价值，在于它们开创了利用技术手段进行服务排序的先河，进而实现了超越人类自身能力范围的目标。

误区四 | 对话式人工智能轻而易举就能实现

将对话式人工智能（AI）融入组织运营体系是一项充满挑战的任务。尽管存在将聊天机器人应用于特定工作流程的强烈愿望，但实现对话式AI的成功部署实际上需要构建一个为超自动化量身定制的生态系统。该系统整合了信息、模式和模板的共享库与无代码设计工具，以达成高度自动化和持续的进化发展。

误区五| 部署对话式人工智能应从全局入手

大多数组织不需要面向公众的大规模部署，如美国银行 (Bank of America) 的虚拟金融助理埃丽卡（Erica），就可以充分利用对话式人工智能。员工是最了解内部任务的人。从组织内部着手，在员工的协助下将任务自动化，一般来说能达到较好的效果。

以内部工作为起点，还有利于掌握如何对技术进行排序，达到比单纯人力所能实现的更高效率和更卓著的成效。这将为对话式人工智能生态系统打下良好的基础，当您有能力为客户提供优化体验时，该生态系统可以扩展到为客户服务。总之，您需要从内部做起，先实施小规模的简单任务，再以迭代的方式不断推进、扩展，并且规模化。

误区六 | 有足够的商业头脑，就意味着有能力选择最好的对话式人工智能平台

鉴于其复杂性，单一的商业化思维无法充分支撑对话式人工智能领域的决策过程。这些决策的制定需要跨学科专业知识的协同作用。因此，必须征询以下人员的意见：掌握组织内部技术的专家、与客户群体建立了稳固联系的人员，以及对组织业务自动化潜力有深刻理解的人员。只有全面掌握构建超自动化生态系统所涉及的各个层面，才能确保所选用的工具和系统最为适宜。一旦组织成员与决策者就构建目标达成了共识，便能更有效地识别出哪些产品能为组织提供真正有价值的解决方案。成功的对话式人工智能平台建立在组织内部关键人员的紧密合作基础之上。

误区七 | 实施对话式人工智能一个人就能搞定

超自动化的任务单凭组织中任何一个团队是无法完成的。您需要设立一个由各类专家组成的核心团队，制定一套涉及组织中各部门成员的流程。这些专家可以是组织内部成员或外聘人员，但他们必须都应具备娴熟的相关技能。他们在推进超自动化的进程中，应不断地向其他参与者充分宣扬美好的未来，激励他人为自动化解决方案设计出谋献策。在超自动化这场伟大的征程中，全员参与是胜利到达彼岸的不二法门。

误区八 | 需要聘请专家，才能正确实施对话式人工智能

为实现超自动化构建生态系统中的对话式人工智能排序尚处于起步阶段。目前为止，还没有专家机构或特聘人员可协助组织事半功倍地达成目标。当然，这并不表示无法找到有能力的合作伙伴来帮您实现超自动化。但是从投资的角度来说，把所有工作外包完成并非最好的选择。建议的做法是，选择一个合适的合作伙伴，让他们为您培训一支组织自有的团队，以掌握成功实施超自动化的方法和技能。

误区九 | 可以通过一个平台实现超自动化的所有管理

亚马逊、微软和 IBM 等大型企业已经部署了一些尖端产品，在某些方面实现对话式人工智能。但即便如此，它们也没有任何平台或服务可实现超自动化。超自动化需要的是一个开放系统，让您可以通过全套的工具来对不同技术进行排序和编排；它需要一个由各种元素组成的网络，以不断演进的方式协同工作。您需要尽快尝试尽可能多的解决方案，以促进生态系统的发展。

其中，最好的方法便是快速迭代，即尝试各种新配置，同时将最适合您企业的工具、人工智能和算法隔离开来以持续改进。开放式系统有助于您理解、分析和管理生态系统内各游离部分之间的关系，这些知识对实现超自动化非常重要。必须谨记，这不是一场采用任何特定技术的竞赛；这是一场让自己尽可能多地采用不同技术的竞赛。

误区十 | 电话同超自动化毫不相干

在探讨对话式人工智能技术时，人们常将其视为一种网络技术；然而，电话通讯实际上是降低其成本的重要因素。尽管多数人长时间处于电脑前，但几乎每个人全天候携带的设备——智能手机，才是关键所在。智能手机集成了短信、语音通讯、卫星定位、金融服务等多种功能，这些功能在构建对话式人工智能的生态系统中扮演着重要角色。

根据市场研究与咨询机构Strategy Analytics的高级分析师吴毅文(Yiwen Wu)的分析，全球智能手机用户数量自1994年的3万人激增至2012年的10亿人，并在2021年6月达到39.5亿的历史峰值。据估计，截至2021年6月，全球总人口为79亿，这表明全球约有一半的人口拥有智能手机。

尽管呼叫中心行业整体呈现衰退趋势，但其在全球众多企业中仍占据核心地位。客服中心技术公司Genesys的首席营销官Merijn te Booij在接受Vox采访时指出，在新冠疫情期间，他们观察到用户迅速从数字渠道转向语音渠道，以寻求更高的确定性、更多的保障和情感共鸣，从而在企业决策中获得更大的利益。无论是高端智能手机还是普通手机，它们在对话式人工智能的生态系统中均扮演着人机交互的关键接口角色。由于其广泛的覆盖范围和灵活性，这些设备不应被排除在系统之外。

误区十一 | 可以利用组织现有的系统和接受过预训练的机器人来实施超自动化

在尝试通过对话式人工智能实现自动化的组织中，普遍存在的现象是各类聊天机器人各自独立运作，缺乏与同伴或使用它们的组织之间的有效联系。这种现象不仅导致了时间和资源的浪费，也造成了客户和团队成员之间的疏离。高德纳公司针对此类即插即用的机器，提出了“简便但价值有限”的定义。

相对而言，采用更为复杂但价值更高的集成方案，能够根本性地提升组织的能力——从特定领域的有限渠道和响应能力，跃升至能够发挥虚拟助手功能的机器，从而具备数据驱动的决策制定能力、跨渠道工作能力和主观能动性。为了达到更高层次的超自动化，必须采取战略构建一个生态系统，以促进这种对话式人工智能的繁荣发展。在此过程中，您可能会发现，当前生态系统中的某些元素可以整合到升级后的生态系统中，但它们绝不会是演进过程中的核心要素。

对于已经部署并应用于特定流程的聊天机器人而言，它们似乎是实现超自动化的捷径；然而从长远来看，这将耗费更多的时间。在您将工作流程自动化的过程中，您会意识到这些机器人也需要升级。如果您必须征询机器开发人员的意见，最终的结果将陷入一个等待的循环：等待机器的迭代、测试，再等待它们的更新。这不仅浪费了宝贵的时间，也消磨了推动变革的热情。您真正需要的是可自定义的工具，以便于使用无代码方式灵活变更设计。这样，便能在组织内部进行测试并快速实施变更。唯有如此，方能有效实现超自动化。

误区十二 | 超自动化就是通过现有工作流程的自动化来改善运营

从表面上看，对话式人工智能最大的胜利似乎就是它可以代替人类执行单调的任务。这一作用确实不可否认。但它真正的价值，是将更好的任务实施方式变成自动化。举个例子，如果您收到美国国税局寄来的一封信件后，致电向他们了解相关情况。您遇到的第一个拦路虎，便是在自动化语音系统提供的庞杂选项中，确定自己属于哪种情况。随后，还需要在一层又一层的电话筛选问题里，反复地重演这一过程，看看是否能联系上相应的部门；而且很可能要等上几个小时才能最终得到答复。但如果是在使用智能数字工作者 (IDW) 的情形下，IDW 可以通过验证您的个人信息，同时交叉引用您最近的税务状况，从而推断出您致电的原因是就上周发送的信件进行沟通，整个流程是不是简单多了？IDW 甚至还能直接告诉您，他们已经在该信件发出之后，收到了您缴纳的税费；同时提供给您一个确认码，不到五分钟就解决了您所有的疑问。这种体验又如何？在集成对话式人工智能的生态系统中，设计和实现这种优于人力的体验可谓易如反掌。

误区十三 | 超自动化和任何其他的软件构建没什么区别

瀑布式软件开发流程多年来被发现有很多漏洞，已经完全跟不上时代了。如果您想在设计对话式人工智能解决方案的框架内应用瀑布模型，必定会无功而返。使用对话式人工智能创建超自动化生态系统是一个迭代的过程，需要通过灵活的快速、无代码设计工具来稳定部署全新的解决方案。即使是已经熟稔敏捷方法的公司，也应有所准备，因为迭代周期的快速发展有可能超过他们所习惯的程度。

误区十四 | 只需要上传组织存储的所有数据，再继续运作即可

超自动化的过程绝非如此简单。首先，储集海量的客户及业务数据一直以来也非易事；而要从数据堆里提取有价值的部分，更是一项艰巨的长期任务，需要采取全局战略予以实施。（即便如此，可能还是有人想通过即插即用的方法来解决这个问题。请注意，这些方法的最高准确度约为 40%，也就是说有大部分的数据会被浪费掉）。要准确提取数据的所有价值，需在一个框架内分类数据，使其成为可从整个生态系统各部分访问的活跃资源。这种场景可以有效提高上述工作的效率——即每当机器遇到超出其能力极限的问题，就向组织内的人类成员发起征询。人类不仅能帮助推动眼下的交互进程，还可以为机器提供指导，使其发展能独立解决问题的能力。