AI可以立即改變你的客戶成功策略。

內容要點：

AI影響力：GenAI徹底革新了客戶成功，提高了服務質量和效率。

數據策略：AI在客戶成功中的成功依賴于用于訓練的數據的豐富性。

成本效率：AI減少了對大型客戶成功團隊的需求，平衡了成本和客戶滿意度。

客戶成功（CS）似乎正處于GenAI首波影響的核心，最近的一些跡象包括Klarna部署AI客戶支持代理取得的顯著成果，以及許多初創(chuàng)公司（最著名的是Brett Taylor的Sierra）進入這一領域。

一個重要原因是客戶成功在產品知識和客戶需求之間起到了翻譯層的作用，這是大型語言模型（LLM）非常適合的工作描述，解決方案架構師在客戶工作流程和產品配置之間進行翻譯，成功的經理在產品路線圖和追加銷售機會之間進行翻譯，支持代理在客戶的痛點和產品文檔之間進行翻譯。

不夸張地說，客戶成功的北極星是其翻譯質量，即產品輸出和客戶需求之間的契合度，而在客戶成功的所有方面中，AI在提升翻譯質量方面最迅速的是支持部分。

讓我們探討AI在客戶成功中的一些方面。

AI支持：超越人類能力

如今，LLM能夠非常出色地完成基本的支持工作描述，因為它們24/7全天候可用，具備完美的產品文檔和路線圖知識覆蓋，能夠訪問所有客戶互動歷史，并能從客戶或產品經理的人類輸入中不斷學習，當然，LLM也有已知的缺點（如幻覺），但我敢打賭這些問題是可以解決的。

除了更好地完成人的工作外，今天的AI支持代理還可以做那些人類難以完成的工作：總結通過電話/電子郵件/聊天進行的數百次客戶支持互動，幫助產品團隊確定下一步構建的內容，跟蹤所有正在交付的功能，并主動通知曾經表達過相關痛點的客戶群體等。

到目前為止，我們只討論了支持，但很容易想象自然的跳躍到成功經理代理（類似于AI禮賓服務）甚至解決方案架構師共同指導客戶進行產品部署和配置，客戶成功的“代理化”。

構建一個AI原生的客戶成功功能

這對如何構建AI原生的客戶成功功能意味著什么？讓我們首先了解今天的客戶成功。除了最高級別的企業(yè)白手套客戶，客戶成功在很大程度上是對缺失的產品功能和可用性摩擦的臨時解決方案，也就是說，它是一個成本中心，應該積極限制其使用，以保持你的利潤率健康。

換句話說，最終狀態(tài)下，80%以上的客戶成功（CS）人員應由AI取代，剩下不到20%（負責最棘手的問題和最高生命周期價值的客戶）則由AI大幅增強（如同超級英雄的披風）。

AI提升客戶成功，降低成本

在AI之前，客戶成功領導者通過各種創(chuàng)造性的解決方案來解決這個成本中心問題，例如對中型市場/中小企業(yè)客戶利用CS的小時數設置限制并對超出部分收費，增加每個CS代表負責的客戶數量，建立在線幫助中心和認證以便客戶自助服務，在Slack/Discord上創(chuàng)建客戶社區(qū)以便互相解答問題等。

這些“規(guī)模化計劃”很有價值，但從未真正替代1對1 CS互動的質量，導致客戶不滿，這不可避免地導致CS團隊的未報告工時，因為不滿的客戶是續(xù)約風險……如你所知，每一次續(xù)約都很寶貴。在這個新興的GenAI范式中，擁有大量CS人員或冒著客戶滿意度差的風險的這種權衡是一種錯誤的兩難選擇。

例如，你可以通過AI代理向任何層級的客戶提供無限量的高質量1對1支持互動（如Klarna正在嘗試的那樣）。更深入地看成功管理，AI代理可以承擔更高階的任務，如為買家構建自定義儀表盤和指標，幫助他們理解其組織如何采用產品等。

更進一步是促進追加銷售（即根據客戶的使用情況推薦某些功能）并完成整個流程直到開票，這意味著，通過在客戶成功中利用AI，以較小的邊際成本，你的公司可以以最少的全職員工或努力全面服務下一個客戶。

數據質量是AI成功的關鍵

很難預測這一切的時間——進展有時看起來很慢，有時又快得讓人不知所措。明確的是，客戶成功中的AI只有在訓練數據質量高的情況下才會表現出色。你的AI在客戶成功功能上的表現與競爭對手的區(qū)別不在于你能雇用的CS人才的水平，而在于你為AI模型提供的數據的質量和豐富性。

任何人都可以要求GPT-5使用基本的產品和客戶信息生成一個通用的追加銷售演示文稿，然而，如果模型了解從Salesforce機會中的購買背景，從Segment實例中的使用指標，以及通過Hubspot數據與你的活動的互動情況，則可以創(chuàng)建改變游戲規(guī)則的追加銷售內容。

數據策略：AI驅動成功的基礎

你的AI在客戶成功策略中的很大一部分其實就是你的數據策略，為此，今天你可以開始做的最好的事情是確?？缜赖年P鍵客戶和產品數據按照企業(yè)數據最佳實踐（如每個數據源的單一真實來源、跨表格的唯一客戶ID、明確的數據來源等）進行記錄和存儲。

你的AI代理應能夠閱讀過去的支持票據、產品文檔、產品路線圖、定價層級、客戶的開票數據等，并找出如何服務這種關系。像所有事情一樣，這條路是曲折的，將從支持工具中的硬編碼邏輯開始，小步躍進到共同飛行員幫助人類完成更多工作，再到代理為人類完成工作，而人類僅設定策略并不斷訓練和優(yōu)化模型。

對客戶成功中AI的最終思考

最后，我想引用Benchmark的Matt Cohler的話，他是LinkedIn創(chuàng)始團隊的成員之一，也是一位風險投資家：“我們的工作不是看未來，而是清晰地看現在?！?/span>

我不能告訴你五年后甚至十年后AI在客戶成功中的樣子，但清晰地看現在讓我確信，它將受到AI的顯著影響：客戶會更滿意，業(yè)務利潤率會更好，產品團隊對客戶需求的翻譯也會是他們有史以來最好的。