这期 Eye on AI 讲的是一笔没有人记账的成本：一家 B2B 公司每拿出 1 小时真正替客户解决问题，前后要搭进去将近 3 小时——找对人、交接、把上下文再讲一遍、等别人回话。调查里 42% 的公司一项协调指标都不追。12
更麻烦的是顺序：AI 不是先把这笔账降下来，而是先把它放大——更智能体的自动化制造了更多交接，而不是更少。调查里 AI 用得最顺的那批公司，报告的协调问题反而更多。
嘉宾丹·奥康奈尔是 Front 的 CEO，Front 卖的就是协作平台。所以这期节目他同时在讲两件事：一份第三方执行的调查报告，以及他为什么这样卖软件——卡片右下角替他标清楚了哪句是官方文件、哪句是节目里的说法。3
后半篇是按整集音频逐句翻译的中文全文，只保留译文，不压缩、不摘要、不删减。
要点整理
开场：这份调查问的是什么
主持人克雷格·S·史密斯开场就把范围划清楚：这一期不聊语音客服、不聊呼叫中心那套，而是聊一个更宽的词——客户运营。2
嘉宾丹·奥康奈尔先自我介绍：Front 是一家客户运营平台，"那个唯一的平台，让人和智能体在同一个地方协作，替企业解决客户问题"。公司体量一亿美元出头，9,000 家客户，专门服务那些在客户服务上有"复杂性"的企业——通常从支持团队开始，再延伸到客户服务、客户运营、客户管理、客户成功，甚至销售。
他特意强调了"客户运营"这个词是有意选的：平台关注的是多个面向客户的团队怎么各自把问题解决掉，所以它既跟传统工单系统、帮助台竞争，也跟 Gainsight、Vitally、ChurnZero 这一类客户管理和客户成功平台竞争。
平台长什么样：Autopilot 与 Copilot
结构上，他把它比作一个收件箱："它跟你今天在用的东西非常像，比如 Gmail、Outlook，甚至 Slack。"所有渠道的对话——网页、语音、邮件、短信——都汇进这个收件箱，由人做分类、分诊、回复。语音那块，Front 跟任何一家话务中心并排存在，并且打通。3
平台里有两个自主的角色：Autopilot（网页或邮箱上的自主智能体，做对话的起点，解决不了就升级或路由给人）和 Copilot（给服务客户的人打下手的自主队友）。他预告下个月会发布"AI 队友"——可以在对话里 @ 智能体让它们做事，而不是打开一个侧边栏去用。
十年前那家公司：TalkIQ
主持人提到他做过 TalkIQ。奥康奈尔的回答是：那是他做的一家实时语音识别公司，后来卖给了 Dialpad；Dialpad 把转写能力装进了自己的电话与话务中心业务里。
回头看那一段，他的说法是"我们其实差不多是在一家公司里做了四家创业公司"：自己的语音识别模型、自己的机器学习、自己的 AI 工具链。原因是那个年代工具链、大语言模型和前沿实验室都还不存在。4
模型策略：不是一件事一个模型通吃
现在 Front 的做法分三层：确定性规则、传统机器学习与自然语言处理（做分类这类活）、以及在前沿模型真正合适的时候才引入。他给的理由是每个决定上永远有三个约束——成本、质量、延迟——"你通常想三个都优化，但你通常只能拿到三个里的两个"。
采购上，今天 Front 跟 Anthropic 和 OpenAI 都有合作，不用开源，只做实验。他对"规模会把前沿模型价格压下来"这个论点持保留态度；如果没有把握它会那样走，就得考虑开源微调甚至自建模型这条路。
从砍成本转向净收入留存
被问到"企业 AI 的早期用例大多是削减成本"，他的回答是已经变了。两年前大家兴奋的是"把绝大部分支持工作自动化掉，就可以裁掉支持团队"；现在的判断是人不会消失，被自动化的是补救性、重复性的活，人则被重新投到更高价值的任务上。2
他还提到自己在做的另一项调查（面向创始人、CEO 与支持负责人，当时收到约 20 份回复）：绝大多数回复关注的不是削减成本，而是净收入留存与扩张。他的原话是，市场上那种"你买了 AI、它就解决你所有问题、所以你要裁人"的说法，真去跟操盘的人聊，他们说的不是这个。
用对话数据预测流失
聊到数据，他回到语音识别的根上：如果你在支撑客户对话，能实时理解它们，那你几乎能理解一家企业的所有问题——营销信息有没有引起共鸣、销售有没有讲到某个功能、客户喜欢什么不喜欢什么。3
对流失预测，他给的口径是"方向对，而不是完美"：没有模型会被公司里每个人接受，你要的是它在方向上准确。而且要看两样东西的交叉——客户的产品使用模式，以及这个客户在跟客服打交道时说了什么——还要跨人、跨交互地关联起来。
协调税：每 1 小时解决，近 3 小时协调
这是整期的重心。奥康奈尔说他们做了一项调查，700 位受访者，来自客户支持、客户服务和客户管理负责人，发现在团队之间的交接之间、在他们为解决问题而沟通的方式之间，有大量协调没有被测量过——他们把它叫做"协调税"。
主持人复述的数字是：每 1 小时解决，对应约 3 小时协调。他当场追问这个数字的来源，嘉宾确认是受访者自报。
官方报告的表述是：典型 B2B 公司每 1 小时解决客户问题，要花近 3 小时协调；这不是表现最差的公司，是中位数；近 70% 的公司至少是 2 小时换 1 小时。1
报告对"协调时间"的定义包括：找到对的人、把别人拉进来、内部会议与消息、等待交接、把上下文再讲一遍；而"解决问题的时间"包括从系统里找出数据与账户历史、真正实施方案。3
没有人测量它
调查里略多于 40% 的公司不测量协调。主持人问是太难测还是没有人负责；嘉宾的回答是两者都是——"人们不知道自己不知道什么。而如果你不测量它，就没有任何人对它负责"。
官方报告的数字更细：42% 的公司一项协调指标都不追踪，37% 追一项，15% 追两项，只有 5% 把交接、协调时间、重复劳动三项全追。1
更好的软件没有让它变好
报告里还有一层：用更先进运营平台的公司，73% 的请求能在 1 小时内解决，用基础工具的是 56%——但"真正动手解决问题"的时间占比，无论系统多先进都停在原地。他们只是更快地跑完了一个低效流程。3
AI 继承了这个缺口，然后放大了它
93% 的公司在客户运营里用了 AI；71% 在过去三个月遇到过至少一次重大 AI 问题，对四分之一的公司来说这类问题每天都在发生。报告强调，最主要的失败不是自动化本身，而是协调失败：AI 给团队增加额外工作、交接时丢上下文、把请求路由给错的人。1
嘉宾在节目里给的机制解释是：智能体式体验确实能解决更多事，但也制造更多工作；更多工作意味着更多交接、更多接触、更多上下文共享。所以"对工具最满意的公司，协调问题反而更多"。主持人提到的满意度数字是 5 分制的 4.5 或 4.6。
代价是最好的人
超过三分之一的公司过去一年因为"协调倦怠"流失过一名顶尖员工；在本身协调多于解决的公司里，这个比例是 47%。发生倦怠离职的公司，用 AI 顶替人力的比例约为其他公司的两倍——42%，对照 22%。1
嘉宾在节目里给的共同线索是：最好的员工想要能解决明确问题、带来效率的工具，但每一个新工具都带来真实的复杂度——要学新东西、要学新的工作方式，而且"AI 给了你超能力，你应该能扛更多"这种期待会把请求堆到他们身上。
具体的协调动作是什么
主持人要求把这个词落到具体动作上。嘉宾举的例子很实在：一张工单进来，第一个人回答不了，他要去企业里找到另一个人；那个人需要一个能来回沟通的平台，需要拿到这个请求的全部上下文和历史，最好还能看到这个客户有多大、联系过多少次、以前有没有就这件事联系过。2
报告里 64% 的公司过去三个月至少发生过一次面向客户的协调失败——不是内部抱怨，是客户那一侧直接感受到了。1
组织图先于软件
主持人的问题是：在你买软件之前，怎么先把组织图修好？嘉宾的回答是：起点是有一个非常清楚的、每天都会发生的问题——支持对话、客户服务请求那种——然后让多个面向客户的团队共用同一个目的地。
对"六套软件缝起来"这条路，他给了一句很直接的话："有人以为他可以搞个大模型，加上一些 MCP 服务器和 API，把它绑起来。这行不通。"
可观测性成了采购条件
他说一两年前大家没有这些功能，那时急着解决的是"把 AI 放到用户手上"。现在买家的期待变了：它为什么做这个决定、成本是多少、对我的底线带来什么影响。他把这称为市场的演进，并认为这是"非常合理、非常正当"的期待。
平台会收敛，职能会变少
他的判断是：人们不会继续买点状解决方案然后指望自己缝起来，这个宇宙会慢慢塌缩成更少的几套软件，而这些软件会变得更智能体化、更无头化。
往五年后看，他给的图景不是支持部门消失，而是界线模糊、具体职能变少、单个小团队承担多个传统角色。这些岗位上的人有大量客户理解与行业知识，可以转去做追加销售、做有风险的账号，而不是被一句"我不需要支持人员了"处理掉。
AI 对 AI，与人的位置
主持人给了两个例子：给 FDA 提交临床试验材料的一摞文件由 AI 生成，邮件发过去没有人读，对面用 AI 解析——"总有一天你不再需要那份文件，可以只是 AI 对 AI 说话"；以及 G2 那类点评库正在把软件采购变成模型自动完成、只留一个批准动作。
嘉宾的回答是："我完全相信我们会有智能体去联系其他智能体来解决问题，甚至更进一步，直接进到对方那边把问题解决掉。问题在于时间尺度——我不认为那是未来两三年的事。"他同时不相信每家公司都会变成一人管的一堆智能体。节目最后主持人确认"回我的会是你，不是 AI"，嘉宾说："我保证会是我本人。拼写和语法错误一并奉上。"
数字来自哪里
这份报告由 Front 委托、Savanta 独立执行：665 位 B2B 客户服务、运营与客户管理负责人，资深经理及以上，公司规模 51–5,000 人，覆盖科技/IT、制造、运输与物流、金融服务、咨询与专业服务、旅行与酒店六个行业，受访者在美国、英国、加拿大或爱尔兰，公司服务 B2B 或 B2B/B2C 混合市场，且已在使用专门的客服或运营平台。1
需要标出的一处差异：节目里嘉宾口述是"700 位受访者"，官方报告写的是 665 位。本期图片与正文一律以官方报告的 665 为准。
Front 自己的数字（官方 About 页）：9,300+ 家企业、300+ 名员工、5 个办公点、130+ 个集成，2025 年 ARR 突破 1 亿美元，累计融资 2.04 亿美元（Sequoia、Salesforce Ventures、Battery 等）。奥康奈尔 2024 年 4 月 15 日入职、5 月 1 日正式任 CEO，此前是 TalkIQ 的 CEO、Dialpad 的首席战略与 AI 官。5
逐句全文翻译
以下是本期整集音频的逐句中文翻译，只保留译文。说话人标注为「主持人」（克雷格·S·史密斯）与「丹」（丹·奥康奈尔）；开场那段是节目的原声剪辑，标注为「片头」。按原始顺序，不压缩、不摘要、不删减。
片头：我们特别兴奋，觉得 AI 会把所有这些问题都解决掉。可 AI 干不了的事情多了去了，那些事得交给人。于是我们要交接的事更多了，要共享的上下文也更多了。
片头：你可以在总部或者总部附近，只留一支很小的直属团队，让他们被这一整套 AI 工具武装起来。用更小的团队，做多得多的事。
片头：绝大多数人关注的不是削减成本，而是怎么真正把净收入留存做上去。市场上有一种说法：你买了 AI，它就能解决你所有问题，那意思就是你可以裁人。其实不是这么回事。真正的问题是，我们怎么交付一种出色的客户体验。
丹：我是丹·奥康奈尔，Front 的 CEO。很高兴来这里，克雷格。我记得很多年前我在 Dialpad 的时候我们聊过一次。我加入了 Front。我们是一家客户运营平台。意思是，我们要成为那个唯一的平台，让人和智能体在同一个地方协作，替企业解决客户问题。我们已经是一家一亿美元出头体量的公司，9,000 家客户。
丹：我们专门跟那些在服务客户这件事上有"复杂性"的企业合作，重点是让多个面向客户的团队都用上我们的平台。这通常从支持团队开始，也会延伸到客户服务、客户运营、客户管理、客户成功，甚至销售。很高兴来这里聊。
主持人：什么叫做客户运营？因为我跟很多人聊过客户服务、语音、语音加呼叫中心的混合形态，但听上去你说的是更宽的东西。你能把这个词——客户运营平台——拆开讲一下吗？
丹：可以。我们是有意用这个词的，因为我们的平台真正关注的是：今天在服务客户的多个团队，怎么让他们各自的问题都被解决。所以我们直接跟传统的工单系统、也就是帮助台平台竞争。
丹：你的听众可能知道，当你给一家企业发邮件，或者在网上跟它聊天，背后有一个平台在支撑这段对话的开始，以及人们实际怎么把这个问题解决掉。
丹：所以我们既跟今天的传统帮助台和聊天机器人公司竞争；同时，就像我说的，当我们聚焦"多个面向客户的团队"时，我们也在跟市面上的客户管理和客户服务成功平台竞争。
丹：也就是 Gainsight 那一类、Vitally 那一类，还有 ChurnZero。我们真的相信一件事：我们要站在你的客户对话发起的地方——不管是在网页上、在语音里、在邮件里，还是在短信里。
丹：我们会尽力把这些对话里能自动化的部分都自动化。如果我们能提供一个 AI 优先的体验，我们就会给。但我们也清楚，有些高价值的关系、有些对话，你不想一上来就让 AI 去处理。
丹：你想让人先上。所以我们是那个唯一的平台，人和智能体都在上面交付服务、替那些客户解决问题。
主持人：假设我是一家鞋类制造商，或者一家大型鞋类零售企业。我上了 Front 这个平台，那我是不是会有不同的依赖方——比如客户服务、前台或者接电话的人，然后它再把事情转给一个大模型来回答？
主持人：那是一种。另一种是客户体验团队，也就是真正跟客户打交道的人。你能不能把这个平台的结构画一遍？
丹：最好的部分是，它跟你今天在用的东西非常像，比如 Gmail、Outlook，甚至 Slack。它感觉像是一个工作区。而这个工作区就是一个收件箱。所有渠道的对话都汇进这个收件箱。
丹：所以你会看到客户发来的消息。这些消息可能是短信；可能是通过我们提供的集成接进来的语音通话、电话通话；也可能是邮件。而在这些对话里发生的事情是：要么有智能体式的工作流已经尝试解决过这个问题、然后被升级转交；要么它们被转交，是因为这是一段高价值关系，你想让人真正先处理。
丹：把我们想成那个工作区、那个收件箱就好。然后我们帮人们把这些对话分类、分诊，再回复——前提是这些对话是以客户为起点的。
丹：语音这块，我们会跟任何一家话务中心并排存在。
主持人：我明白。但是是打通了的？（丹：对。）
主持人：好。
丹：我们会是那个唯一的工作区，企业在这里管理、分诊、回复这些客户对话。
主持人：好。那有没有一个智能体系统在盯着这个收件箱、判断该给谁——因为我能想象，对一家大公司来说，靠人盯着这件事会非常累。
丹：有。我们有两个做法。一个是我们叫 Autopilot（自动驾驶）的东西：它是一个自主智能体，你可以把它配置在网页或者邮箱上，它会自动成为对话的起点。如果有人在网上跟一家企业聊、想得到支持，Autopilot 会去回答这个问题。
丹：如果它自己解决不了，它会把问题升级，或者路由给一个人，由那个人去跟客户接触。而这一切都在同一个平台里。平台之内，我们认为有巨大的机会去部分地自动化人们的工作流或者项目，直接带来生产力和效率。
丹：所以我们还有一个 Copilot（副驾）。它是一个自主的队友，负责帮你做事。这些任务的焦点，都是怎么帮你——正在服务客户的这个人——更快、更好地为客户做事。
主持人：嗯。那这个跟 TalkIQ 有什么不同？我印象里那是 Dialpad 的产品之一，对吗？
丹：对，是语音那块。TalkIQ 是我做的一家语音识别公司。主持人：哦，太好了。那就是你卖给 Dialpad 的那家。丹：没错。如果你回想语音这一块，它解决的是：我们怎么理解客户对话？
丹：也就是怎么做实时转写。后来它被 Dialpad 收购了。Dialpad 是一家话务中心业务，也做电话系统，它把这套技术拿过去，说：既然我们在支撑电话通话——不管是销售通话还是支持通话——我们就要有转写，要理解这些对话里在发生什么。
主持人：嗯。这两个系统背后的工程差别很大吗？
丹：嗯，我觉得十年前做语音识别给我的教训是——回头看那段路很有意思，我们其实差不多是在一家公司里做了四家创业公司。我们在做自己的语音识别模型，在做自己的机器学习。
丹：我们得自己做围绕 AI 的工具链。那个年代，开发者今天能用的那些平台和工具还不存在。所以我回头看会觉得好笑：它只是一家聚焦语音识别的创业公司。
丹：但那家创业公司内部，大概有四到五家创业公司，原因很简单——那是工具链、大语言模型和前沿实验室都还不存在的时点。主持人：嗯，它们可能
主持人：已经存在了，只是在各自的路上还非常早期。那时候我们会拿开源模型来做微调，也学着去搭自己的模型。所以当我快进十年、看今天这个世界时，我觉得很有意思也很有启发——今天的市场上，人们又在为开源兴奋，把它当作控制成本的办法，同时希望在输出质量上得到相近的水平。
主持人：我们看到有人开始想：该不该做自己的模型？要不要做更小的模型？因为像摘要这类基础任务，你并不总是需要最强大的前沿大模型。
主持人：所以从十年前的我，看到今天，再看它怎么影响产品和工程、怎么影响真正关乎投入的研发决策，是件很有意思的事。
主持人：嗯。所以你是在搭一些各司其职的组件，对吧？有些更小的模型去处理简单任务。这些都在平台后面。那你会不会也用前沿模型——或者说，你们是不是在试 Kimi 3？就是当下最强的开源、或者开放权重模型。主持人：眼下是的。
丹：我笑的是这个时点——每一周，大模型战场上都换一次说法。我觉得有意思的地方在于，我们采取了几种不同的路子。一是有确定性规则。今天市场特别兴奋的是：怎么把最大最好的模型用到几乎每一个任务上？
丹：可你并不是每个任务都需要市场上最大的模型，比如基础任务。所以我们有确定性规则；我们有传统机器学习；我们有传统的自然语言处理模型去做分类。然后我们非常审慎地决定：什么时候引入前沿模型？
丹：还有这些最前沿的模型，什么时候用来做复杂的事情。我觉得这就是大多数公司在走的路。我相信绝大多数公司都由非常聪明、非常能干的人管理，他们清楚：不是一件事一个模型通吃。
丹：那意味着你必须想清楚：什么自己做？什么时候用前沿实验室的较小模型？什么时候用最大最好的模型？这些都是我们的工程、产品和设计团队公开讨论、辩论的事情。
丹：我认为每个决定上永远有三个约束：怎么控制成本？怎么交付出色体验，也就是怎么考虑质量？以及怎么控制延迟？
丹：这就是三个最大的问题。你通常想三个都优化，但你通常只能拿到三个里的两个。
主持人：嗯。而你们用开源来降本，不只是给自己降，也给客户降，对吧，好把这个交付出去。
丹：我们今天跟 Anthropic 和 OpenAI 都有合作。我们今天不用开源。这些是我们会实验、测试的事情。
主持人：那可能是我们会走的一条路。我们对自己现在的合作关系很满意。我觉得前沿实验室一直在给我们惊喜，做出能做很多事的极好模型。但话说回来，随着规模上去——作为一个 CEO 和领导者——成本就进来了。
主持人：所以你总是想要交付。我在产品上真正聚焦的是：怎么交付最好的产品？怎么让我们的客户在使用我们的产品时获得出色体验，最终愿意为它付钱？
丹：所以当业务规模化，问题就变成：你怎么考虑毛利率？你怎么建一个持久、高效、可扩展的业务？这些是我们一直在谈的。
丹：市场上有一种论点：因为规模，前沿实验室的价格会随时间降下来。
丹：我对这件事长期是否成立有怀疑。所以如果我们没有把握它会那样走，那就得想：要不要走开源这条路？要不要微调模型？
丹：还是做自己的模型和方案？我觉得我们处在一个非常有意思的时刻，这些问题正在被地球上几乎每一家企业拿出来想清楚。
主持人：嗯。中国开源和美国闭源之间的这场仗，看得很过瘾。我知道政府和 OpenAI、Anthropic 都在警告。
主持人：大意是别让这些中国开放模型主导市场，因为那样你在某种程度上就要受制于中国公司，哪怕它们是开源的。
主持人：可是成本差距这件事，真的很难反驳。
主持人：你说过，企业 AI 的早期用例大多是关于削减成本、加快任务。现在还是这样吗，还是我们已经往前走了？
丹：嗯，我觉得已经变了。这些市场有意思的地方就是事情一直在演进。你看两年前，人们特别兴奋：我们能把这绝大部分支持工作自动化掉，那意味着我们可以裁掉支持团队。
丹：然后你突然意识到：这些大模型、这种智能体式体验，可以带来非常好的体验，其实提升了人接下来要从事的工作的层次。而且有一点也很清楚——我们的信念是，人不会消失。
丹：这也是为什么我们真正聚焦在：怎么搭一个平台，让人和智能体一起服务客户。我不认为这件事全是关于削减成本。对某些企业来说，"我们能不能建一个更持久、更高效的企业"当然是头等大事。
丹：有什么可以自动化？但我不认为那一定意味着我们必须裁人。我确实认为话题在转向：人会怎么看待未来的招聘，而不是我需不需要砍掉现在的人。
丹：所以这是我们看到市场在演进的一部分。甚至就在这周还有这样一种情绪：说 AI 会取代大量劳动力、会冲击人的那种炒作，很可能是错的；这些是带来效率的工具，而如果我们真的提效了，那多半意味着我们应该……
丹：有更多的人，增长由此而来。我觉得这就是各处正在发生的事：确实存在某些职能需要更少人的机会，但那意味着你可以把这些人重新投向更高价值的工作，尤其是对那些还在增长的企业。
主持人：企业是在用 AI 来提高留存或者扩大队伍，而不是
主持人：减少人头吗？
丹：嗯，我觉得很大程度取决于——特别是在我们所在的客户体验市场。我们卖给支持侧的买家和客户管理侧的买家。我其实正在做一项挺有意思的调查，你会看到绝大多数参与调查的人，关注的并不是削减成本，而是怎么真正把 NRR 做上去。
丹：也就是净收入留存和扩张。所以很有意思的是，市场上有这么一种观念：你买了 AI，它解决你所有问题，那意思就是你裁人。但你真的去跟这些操盘的人聊——不管是 CEO、支持侧的买家，还是客户管理侧的买家——他们会告诉你：其实不是这个。
丹：真正的问题是，我们怎么交付一种出色的客户体验。如果我们能交付这种体验，那就意味着我们会更好地留住这个客户，也很可能有把这个客户做大的机会。所以我觉得这件事非常有意思。
丹：这项调查我做的是面向创始人、CEO 和支持负责人的，我已经收到大概 20 份回复。看到这种动态非常有意思，因为我觉得它跟市面上有时流传的说法略有不同——
主持人：他们上彭博之类的。
主持人：人们关注的是客户留存和扩张，而不是减人头。但那是不是意味着他们其实没在减人，只是把职责挪了位置？
主持人：或者说，人工坐席只是靠着 AI 工具变得更快更好了？
丹：嗯，我觉得两者兼有。显然有些企业是非常成本导向的……我不是说——我不认为存在一个没人考虑成本的世界，也不认为存在一个没人问"那是不是意味着某些职能可以少一点人"的世界。
丹：但总的来说我们发现的是：人们想先把那些补救性的、重复性的任务自动化掉，然后把手上有的人重新投到更高价值的任务上。这就是绝大多数企业正在发生的事情，而不是每家企业都说：看，我插上 AI，那我做这些事的人就可以少得多。
丹：所以，同样，这是组合：成本对每个人都是头等大事，尤其在买软件的时候，他们要看到价值。然后他们想的是建一个持久、高效的企业。有时候那意味着把一些成本挪一挪。
丹：但从我们的角度看，这是把人重新配置，而不是简单粗暴地替换掉。
主持人：用这样一个平台的好处之一，是你收集到大量数据，你可以拿这些数据做各种预测，其中之一是客户流失。
主持人：你会看数据里的哪些信号来预测流失？
丹：回到十年前我为什么会爱上语音识别——如果你在支撑客户对话，能实时理解它们，那你几乎能理解一家企业所有的问题。你能弄清你在解决什么问题。
丹：你能弄清营销信息有没有引起共鸣。你能弄清你的销售团队有没有讲到某些具体功能。然后你手上有来自客户的全部信号——他们喜欢什么、不喜欢什么——用来更好地指导你的路线图。
丹：我当时有个想法：如果你能理解这些对话，那你不仅能识别情绪是正面还是负面，你还能开始去标出潜在的流失，或者潜在的购买意图。所以这些是我们在 Front 天然会去想的事情：如果我们支撑着所有这些跟客户的对话，而客户在里面告诉我们什么是对的、什么是错的、他们对正在打交道的企业有什么不满，那我们就应该能帮企业把这些信息打包起来。
丹：同样，这又回到语音识别的根上：实时理解这些客户对话。这些对话里有大量数据。而现在多亏了大模型，我们有了很强的能力，把非结构化数据变成结构化的，在这上面做预测，再去帮企业做更好的经营决策。
主持人：所以对流失来说，那大概是你最想预防的主要事项之一。
主持人：在客户旅程里你能多早看到这个客户需要特别关注，才能防止他走掉？这种预测多久会错一次？我是说，它有多准？
丹：嗯，任何时候你建——按我的经验，任何时候你建预测模型，它们都不可能绝对完美。比如说我们会做推断式的客户满意度：我们推断一个人跟人或者跟智能体交互之后，体验是很好还是不太行。
丹：从这里你学到的，是你要的是方向对，而不是完美。我这么说的原因是：没有任何模型会被公司里每个人接受，也不会被做它的人和公司里的数据科学家接受。
丹：但你需要的，是它在方向上准确。这一点是我真的会去帮人们理解的部分：你要它方向对，而不是完美。当然，你永远可以接入越来越多的信号。
丹：我们聚焦在怎么理解客户对话，也就是客户在体验这件事上说了什么。
主持人：嗯。
丹：对。我们还没有把产品层面的细节从客户那儿拉进来。因为如果你要识别潜在流失或者追加销售，你就需要把产品使用情况，跟这个人在就这款产品找客服时说的话结合起来看。
丹：这两样东西，我认为对预测模型、尤其是流失预测，非常重要：你是否理解这个客户的使用模式？以及这个客户在跟你讲他对产品的体验、或者他怎么使用支持时说了什么。
丹：然后你要把它跨过去看，不只跨一次交互，也不只跨公司里的一个人。
主持人：嗯，也就是——如果你和我在同一家企业，我们在同一个平台上写作，我们会想知道丹说了什么、克雷格说了什么，
丹：然后在上面开始做关联。
主持人：这个平台会触发、推动、或者建议多少主动触达？
主持人：还是说有一个智能体层，会独立地去做主动触达？
丹：有的，我们有一个智能体层，我们叫它 Copilot。如果你在那个收件箱或者工作区里，我们的 Copilot 就是那个帮你把事情做完的助手。我们真正关注的——我认为你在几乎每一个软件里看到的第一代 Copilot 都是这样——
丹：那些 Copilot 是你要去的一个目的地，对吧？你在一个平台里，右手边有个边栏，用户点进去，跟智能体对话让它做事。而我们现在真正聚焦的是：怎么把这个智能体层完全编织进平台，让它像一个替你做事的队友。
丹：所以我们下个月有一个很有意思的发布，会引入"AI 队友"这个概念：你可以在对话里 @ 它们，让它们替你做事。跟打开一个侧边栏去用 Copilot 相比，这是一种自然得多的用法。
丹：我认为这是一个相当新的概念。我想我们会看到它在几乎每一个软件里铺开，也就是：人们想要的是被编织进软件里、像队友一样工作的智能体，而不是某一个需要人跑过去的目的地。
主持人：嗯。Slack 就在做这个。或者刚刚做完。
主持人：跟我讲讲你说的"协调税"是什么意思，给第一次听到这个词的人下个定义。
丹：好。我们做了一项调查，700 位受访者，来自客户支持、客户服务和客户管理负责人。我们发现，在团队之间的交接之间、在他们为解决问题而沟通的方式之间，有大量协调是没有被测量过的。
丹：也就是那个乱糟糟的部分。我们把它叫做协调税。就是协调工作、共享正确上下文里那个乱糟糟的部分。所以我们想把它测量出来，我们想做一项调查去尽量理解：企业有没有测量它？
丹：他们有没有尝试测量它？他们到底有没有意识到它？再说，一说到 AI，我们就特别兴奋，觉得 AI 会把所有这些都解决掉。可 AI 干不了的事情多了去了，那就得交给人。
丹：所以如果我们有更多 AI 智能体做更多的事，而且有时候必须把事情交出去，那我们就有更多东西要交接、更多上下文要共享。所以我们真的想做一项调查，尽量理解企业是怎么想这件事的。
丹：以及它对参与的员工在倦怠上有什么影响。这确实是——就像我说的，信息量非常大，看到一些受访者的回答、看到人们分享的东西，非常有意思。
主持人：嗯，你说从调查看，大概每 1 小时解决，对应 3 小时协调。这让我非常震惊。然后你就会开始想：你是不是
主持人：在给这些员工增加工作量？他们大概是在工作中用 AI 的，但管理 AI 并不是他们的主要工作——又或者，这正是在形成的新工作。
丹：嗯，
丹：我觉得这就是问题所在。你可能注意到我一直在笑——我们当时同样震惊、同样意外。而且，看到这种反应和洞察来自市场里的领导者，很有意思；我确实认为它凸显了一件事：当你上 AI 的时候，你必须非常非常清楚它要解决的是什么问题。
丹：然后你还必须能清楚地理解它带来的可衡量的影响。我觉得客户支持这个市场最好的地方在于，这些企业、这个市场让我喜欢的地方，就是他们极度量化。他们手上有你能想到的每一个指标。
丹：他们知道进来的每一张工单每小时、每美元的成本是多少。他们知道自己响应得多快。所以我认为这是一个非常适合 AI 的市场：输出清晰，影响可衡量。而当话题变成"怎么把工作流部分自动化"时，这件事就稍微难一点。
丹：我认为每家企业都会说：我要提升生产力和效率。我们自己内部也这么做。我们玩很多工具。现在我们在实验阶段，所以我们乐于尝试不同的东西。我们相信工作有另一种做法。
丹：但到了某个时点，账要算回来：我用这个工具花了我多少钱？它带来的可衡量的影响是什么？如果你无法展示可衡量的影响，那问题就回到供应商这边。
丹：所以，我喜欢我们这个业务和这个产品的一部分原因就是：我们所在的市场非常可测量。我们解决一个非常清楚的客户问题。预算本来就在。然后我们有一个平台，能清楚展示这就是我们带来的 ROI 和影响。
丹：而正如我说的，并不是市面上每一款软件都能做到这一点。
主持人：嗯。这个"1 小时解决对应 3 小时协调"，是自报的还是从数据里来的？
丹：那是——嗯，是调查受访者自报的。
主持人：嗯。
丹：我觉得有意思的是，你会看到有些企业先开始追踪自己的协调税——不是全部。你点出的其实是：过去人们并没有关注它。而我认为 AI 正在清楚地凸显的，就是这些真正理解"这些工具的影响到底是什么"的机会。
丹：这个税在哪里？我从哪里能对这笔税、这种协调产生正向影响，让人轻松一点？
主持人：调查显示，略多于 40% 的公司不测量协调。
主持人：是因为太难测，还是因为没有人对它负责？对我来说，这看起来是个巨大的精简机会——如果你花 3 小时才能拿到 AI 给你的东西，也许你用一支团队本来也能做到。
丹：当然。我觉得两者都是。人们不知道自己不知道什么。而且如果你不测量它，就没有任何人对它负责。所以我认为那项调查非常好、非常有意思的一点是：它让很多客户看到，嘿，有一个问题正在发生。
丹：它发生在几乎每一家企业里——就像我说的，地球上几乎每一家企业。所以事情是这样：我们要么意识到它，要么没意识到；然后我们并不真的去测量它。我认为这既给领导者提供了一个很好的机会去想怎么提升企业效率，也点出了一个非常清楚的问题。
丹：因为我认为，如果你不去想怎么解决它，你就会把 AI 朝这个问题上扔过去。而那项调查说的是——我得引用一下《价格猜猜猜》里的鲍勃·巴克，不对，是另一个节目——它会告诉你：你打算把智能体朝这个问题上扔过去。
丹：它们很可能会制造出更多工作量。然后你得再想办法解决那个，并把它更好地协调起来。
主持人：嗯。这件事——尤其是这个协调税——看上去是技术发展并融入经济早期阶段的现象，按理说总该被解决掉。那会是 AI 来解决吗？你们在做这件事吗？
主持人：因为就像我说的，那是一个巨大的机会。如果你能解决那种协调，那就能打开堵点。你们在做吗？还是说那是……
主持人：AI 系统会随着自身发展，随着时间自己解决掉的东西？
丹：嗯，我想说两件事。我们非常聚焦在这上面。我们想让我们任何跟 AI 相关的功能都有清楚的可测量性和可观测性。人们应该清楚地知道——一直到——为什么 AI 给出了这个建议，或者做了某项任务？
丹：然后，同样，进入 ROI 那一层：能证明这就是我们交付的价值。我认为你在市场上看到的是：非常多的企业明白，这既是机会，也是市场上买家的期待——如果他们在交付 AI，那这些功能就必须有可观测性、治理和可测量性。
丹：我觉得一年前、两年前，我们很多人并没有这些功能。那时我们急着解决的问题是"把 AI 放到用户手上"，你去对别人兜售那个梦想和它的影响——我认为这很真实。
丹：但你会突然看到市场围绕期待演进：我看到了机会，我相信它的能力。但现在你得去向我展示：它为什么做这个决定？它的成本是多少？
丹：对吧，它对我的底线带来了什么影响？所以我认为这是市场的演进。我认为客户有这种期待是非常合理、非常正当的。
主持人：嗯。调查显示，AI 优先的组织对自己技术的满意度打得很高。我记得是 5 分制的 4.5 或 4.6。
主持人：同时又报告了更多协调问题。你怎么解释这两件事？是因为他们认为协调问题是暂时的，还是他们确信这会被解决？
丹：嗯，我认为它凸显的是：我们对智能体式体验非常兴奋。而我们今天发现的是，有时候那种智能体体验确实能解决更多事情，但同时也会制造更多工作。而如果它在制造更多工作，那就意味着更多交接、更多接触、更多上下文共享。
丹：所以，同样，我认为这就是我们看到的市场演进的一部分，挺有意思的。时间长了，我们必须走到那个被解决的位置，对吧？你希望工作是协调好的。
丹：它必须是高效的。它不应该为了把企业的问题解决掉而制造出更多工作。我觉得用这种方式去做调查、去听客户说，是很有意思的——
丹：嘿，我们在用 AI，我们把它放到不同的地方。我们发现它有时会制造额外的交接，部分原因是它一开始可能做了更多的事。所以它在产生人们想要的影响，但同时它也有这种未被服务的副作用，也就是因为它的好处而显现出来的协调税。
丹：也就是更多交接、更多在发生的事。但同样，我们必须交付价值，得想清楚怎么解决它——不只是我们，是每一家企业。
主持人：嗯。说到协调，为了让它更具体一点，你说的是哪种协调？是大家开会去定义一个交给 AI 的问题？还是人们……
主持人：有哪些协调任务？
丹：好。你可以这样想：一个客户请求进来，比如一张支持工单进到收件箱。理想情况下 AI 已经处理掉、解决掉了，人不需要介入。我们就假设人需要介入。
丹：再假设第一个人回答不了这个问题。那他们接下来要做的，很可能是到企业里去找另一个人来帮忙回答。而那个人需要一个平台，能来回沟通，把这个客户的问题解决掉。
丹：他们还需要拿到这个客户请求的全部上下文和历史。而且更有利的是，能拿到这个客户的全部历史，理解这个客户有多大、他们联系过多少次。
丹：他们以前有没有就这件事联系过？所以当我们谈任务和交接时，这些都是每天都会在企业里出现的具体例子。
丹：这个问题谁来做？我该把它升级给谁？他们拿到所有联系信息了吗？他们有账户历史吗？这个客户是不是快续约了？这些全都汇进这笔协调税和这些交接里——所有这类每天冒出来的问题。
主持人：嗯。不过再说一遍，这看起来是短期内就会被解决的事，因为它一旦变得刺眼……
主持人：因为你描述的很多事情，都可以由一个智能体系统来处理，或者一个能把完整报告发给相关方、让他们快速做决定的系统来处理。
主持人：你说过，AI 在有完整客户上下文的时候表现最好。
主持人：但大多数公司没有那个。
主持人：顺序是什么？
主持人：在你买软件之前，你怎么先把组织图修好，好让你能穿过去？
丹：嗯，我认为起点是有一个非常清楚的切入点。比如说我们真正聚焦在——就像我说的——支持对话，或者围绕客户的对话，不管那是你的运营团队还是客户服务团队。
丹：这些是每天进到一个团队里的请求。每家企业都在处理进来的这些请求。他们需要一个单一的目的地、一个平台去管理这些请求、去回复客户。所以我认为确实从这里开始，也就是你必须有一个清楚的问题。
主持人：那对于没有这个的公司，你怎么修？
丹：好。
丹：我觉得我们平台很好的地方在于：我们是让多个面向客户的团队共用同一个平台——前提是你认同我们的愿景。我们的愿景是：你希望有一个平台，让你面向客户的多个团队在跟客户接触时，都拿到所有必要的联系信息。
丹：所以挑战一直是：如果一家企业不是这么做生意的，那它就得去应付所有这些冒出来的协调问题。你有四套不同的软件都想解决一个客户问题。你管着一个聊天机器人。
丹：你管着一个工单系统。你大概还在用 Slack。天知道你的客户管理团队在用什么，你的销售团队在用另一个东西。然后你还想：我相信我能让这六套软件真的协同起来。
丹：我会翻个白眼说：那是个梦。有人以为他可以搞个大模型，加上一些 MCP 服务器和 API，把它绑起来。
丹：这行不通。所以我们从那个共同的愿景出发：我们认为有一种更好的方式，能围绕一个客户，为多个很可能与之打交道的团队共享上下文。而且不只是多个团队——未来还是多个智能体，对吧？
丹：如果我们想未来，很可能是一个智能体在做一些工作，同时有一个智能体坐在你旁边，帮你克雷格更快更好地做事。而即便是那个智能体，也需要拿到全部上下文。
丹：所以，我们的想法就是——这正是我们如此聚焦于做"面向客户团队的平台"的原因——我们怎么把这些必要信息全都给他们？这是这个客户当前或过去发生的全部对话。
丹：这是账户历史。这是续约数据。这是产品使用情况可能长什么样。这就是我们对平台的愿景，因为我认为，在围绕面向客户的问题上帮助推动更好的协调，有着巨大的机会。
主持人：嗯。那项调查——你是在试图解决所有这些问题的。调查里有没有什么是你之前没想到、然后意识到"这是我们需要解决的问题"的？我是说，协调是不是其中之一，还是你本来就意识到了？
主持人：然后你会怎么着手去做？
丹：嗯，我认为你刚才分享的那个发现是最让我们意外的。我们谈协调税的时候通常就是从这里开始——就是那 3 小时。对我来说，那是这项调查最大的收获。
丹：我认为它凸显了，在企业内部共享上下文、推动效率，这个问题实际有多大。而我认为，同样，这个问题会变成一个机会。
丹：所以，同样，不是说回到我们自己——但我认为这就是我们为什么会那样想。
丹：我的信念是：未来人会聚合到更少的系统上去做事。我认为有一个非常真实的机会，就是做一个面向客户的平台，成为那个把团队和智能体统一起来、去服务和解决客户环境的单一平台。
丹：所以我相信世界会这样展开。我不认为人们会继续买点状解决方案、然后指望自己能把一切缝起来。我真心相信，这个宇宙会慢慢开始收敛、塌缩成更少的几套软件。
丹：同样，也许随着时间推移，这些软件会变得更具智能体属性，或者更加无头化。
主持人：嗯。那这个——调查、或者那些协调问题——有没有反过来影响你们的路线图？
丹：有的。我认为它凸显的是：任何时候你发布一个东西，你都必须有清楚的、可测量的影响。你必须让人们更容易拿到共享上下文。所以我们最初是做共享收件箱起家的：你可以在邮件之上做类似 Slack 的对话。
丹：你再也不需要转发一封邮件了。所以我认为它凸显了：这里有一个巨大的机会，既能把面向客户的团队聚到一起、统一起来，围绕客户问题协作，又能给他们提供全部共享上下文和信息，让他们尽可能高效地做成这件事。
主持人：嗯。往五年后看，
主持人：支持部门作为一个独立的公司部门还会存在吗？还是它已经扩散进销售部门、或者工程部门之类，变成大家都在帮忙管理 AI 智能体服务客户？
丹：嗯。我认为它会继续移动、继续模糊，界线会模糊。我们今天在工程、产品和设计上也能看到这种移动。随着这些角色移动、职责移动，我会说，是变成更单一的小团队，或者单一角色承担多个传统职能。
丹：我认为支持也是这样。而且，我认为这在市场上体现在几件不同的事情上：人们在收敛到更少的平台，好让团队对齐。我认为当这发生时，随之而来的问题就是角色会怎么开始模糊或演化。
丹：同样，你听我说过：如果 AI 能把所有补救性的事情都做掉，那对你的支持人员意味着什么？可能有一种声音说，我不需要支持人员了。也会有另一种企业说：这些支持人员拥有大量的客户理解和行业知识，留住他们、让他们演化、把他们放到另一个面向客户的角色上，对我们更好。
丹：也许是去做追加销售，也许是去做有风险的账号，什么都可能。但我确实认为，会存在的具体职能会更少。我认为这些职能会演化成——我们必须学会管理并搭建自己的智能体来解决问题。
丹：而那些智能体需要跨职能工作。它们需要跨团队工作。它们需要跨人工作。
主持人：嗯。你知道，一两个月前有人跟我讲了一件很迷人的事，我们当时在聊
主持人：一款软件，或者说一家公司，它的软件帮新药设计临床试验。而要向 FDA 提交，有大量文件要准备。
主持人：提交这些、把试验送审。然后他们说，
主持人：你拿到
主持人：这一摞文件，你用邮件把它发给 FDA。
主持人：这些文件是 AI 生成的，你用邮件发给 FDA，没有人读。他们有一个 AI 去解析它，然后怎样怎样。他们说：总有一天你不再需要那份文件了，可以只是 AI 对 AI 说话。同样的，
主持人：同样，我昨天跟一家叫 G2 的公司聊，那是一个软件点评网站。他们说软件采购正在越来越自动化。你可以进到一个通过 MCP 连到 G2 数据库的前沿模型——抱歉——
主持人：你跟这个大模型聊推荐。它能拿到那些点评。到某个时点，那次采购基本上就是自动化的。也许它会整理好，等一个批准。
主持人：同样地，你觉得会不会有那么一天：大型企业会有智能体系统，可能在跑，也可能出了问题，它们会直接跟 Front 说它们遇到了什么问题，不是通过人工坐席，而是直接跟你们的软件说，你们的软件把问题解决掉。我是说，在人类下面会有这样一层织物（fabric），
主持人：人类像你说的那样，去做追加销售或者更需要
主持人：人的接触的地方，在必须由人接触的地方；但很多事会是 AI 跟 AI 在谈。
丹：我完全相信，在我们有生之年会出现这种情形。时间尺度才是争论所在。我完全相信我们会有智能体去联系其他智能体来解决问题，甚至更进一步，直接进到对方那边把问题解决掉。
丹：我觉得问题在于时间尺度是什么。同样，我不认为那是未来两三年的事。这是我个人的看法。
主持人：我个人认为所有事情都比它最后呈现出来的样子要难一点。但我确实相信那一点。我也不相信，比如说，存在……
丹：你看，我个人不相信每家公司最后都只需要变成一个由一堆智能体运行的、一人管的生意，或者干脆变成一家"完全智能体化"的公司——我指的是完全自主。
丹：我认为让商业真正迷人、真正好玩的地方，是你能和人一起把东西做出来。我认为这正是人类经验独特、好玩和困难的地方。我认为我们买软件时也是一样——很多时候，
主持人：以我过去做销售的经验，
主持人：是的，你想买一款能解决你问题的软件。显然，你也往往是在向那个跟你打交道的人买。
丹：以及那个人带你走过的那段旅程。我认为那是一种非常独特、很难复制的体验。如果你开的是一张 5 万美元的软件支票，或者一百万美元的软件支票，不管你在卖什么，我认为你会想知道，在那些事情上跟你交谈、跟你打交道的是一个人。
丹：对，对。所以每次我听到"我们能不能做成智能体公司，就搭一堆智能体、让智能体跟智能体谈"，我就会想：那我们要做什么？我认为那是人类经验中很大的一部分。Front
主持人：是一个——你知道，显然是个很常见的词——人们怎么找到你们？如果你去谷歌搜 front，你很可能会搜出一堆
主持人：不是你家的东西。
主持人：那么，人们最容易关注到你们的方式是什么？
丹：你可以找到我们——当然你可以去 front.com。如果你搜 front，我们确实买了品牌词，所以你大概会看到我们的广告。你可以在 LinkedIn 上找到我们。
丹：我们有一个很棒的 YouTube 频道，展示一些东西。我们做一些思想领导力内容，也演示产品。你可以在 Front HQ 找到我们，在 YouTube 和其他常规社交平台上。
主持人：我
丹：回复请求很快。所以如果人们想直接跟我聊，我一直很乐意。
主持人：好，太好了。而且回你的会是你，不是一个
丹：AI，对吧？我保证会是我本人。拼写和语法错误一并奉上。
主持人：好。
丹：好。
References
- 1The Coordination Tax（Front 官方报告）
research.front.com
- 2Eye on AI 官方单集页
aneyeonai.libsyn.com
- 3Front 官方博客《The Coordination Tax》
front.com
- 4
- 5Front 官方 About 页
front.com
Comments