以ChatGPT为代表的工具被冠以新一代工业革命的价值，但实际上能落地的场景，或能给企业真正带来降本增效的解决方案，并不多见，所以很多人开玩笑

说， 通用大模型只有通用，并没大用。

那么，到底哪些场景下企业客户真正对 AI 有需求呢？目前有哪些创业者已经在 ToB 场景赚到钱了呢？

最近也和不少行业前辈交流，获得了一些新的启发和落地案例，我希望通过拆解和整理出一个个 AI 能落地的场景，为企业内部降本增效提供参考依据。

另外，也希望为很多做 ToB 方向的创业者提供参考和支持。从企业真正有需求且愿意支付真金白银的场景中深入挖掘，这可能是寻找判断方向的较好方式。

今天分享的第一个落地场景，比较适用于集团型的顾问类/咨询类公司，故事的主角是一家行业头部的房产类平台--链家。

痛点：企业原来的核心矛盾

我们都知道，在购买房子时，需要从多个维度进行考虑。在存在较大信息差，且对大额消费缺乏专业度的情况下，我们可能会寻求房产顾问的帮助来辅助完成交易。这是行业的模式和业务的基础盘，意味着有现金流存在。

对于链家这样的公司或许多房产公司来说，如果希望进一步拓展业务规模，面临着很大的挑战。核心挑战在于最终产品的成交与员工的咨询水平密切相关。

对链家的二手房部门而言，他们之前很头疼：上万名员工分布在各个地区，但每个员工从入职到真正开单，过程中有非常多需要培训和精进的地方。

如何让员工快速掌握房地产销售的完整流程，并在咨询过程中切中用户的需求点，顺利出单，是链家最头疼的问题。

新员工从入职到开单，需要了解很多专业知识和行业知识。

专业知识包括房产相关的各种专业信息，比如户型，地段，学区，地铁等配套，以及政府规划等等；行业知识则类似于为什么要找中介，以及为什么选择链家而非其他平台等。

因此，要解决用户从咨询到转化的过程，包含复杂的决策逻辑。

面对客户各类问题，我们其实需要的是顾问式的咨询。在过程中，我们需要了解用户想买什么地段、什么价位的房子等信息，然后进行下一步的信息整理并推进。

而且每个问题背后都需要有专业知识的支持，帮用户更好的决策和判断，比如用户为什么要现在买，肯定不是一味的催促用户现在买最划算，这种简单的套路效果甚微。最好根据用户的需求来分析，比如用户需求是希望让孩子上好的学校，那在解决用户问题时，其实最好的方式就是结合孩子未来的上学规划的政策来进行推断，他需要提前几年买好房子因素，因为部分学区也不是你买了之后就能立刻入读，还有其他更多的政策要素。

所以，一个专业的、优质的咨询师，如评分要达成 90 分以上的，其实需要对以上所有问题都非常精细化地了解，并且能够应答如流。

这不仅仅是靠简单培训就能实现的，还需要大量的实战经验，即与用户进行交互。比如，用户提出问题，咨询师能够回答得很好，且顺利解决用户的顾虑并推进下去。

然而，在很多公司中，实际和客户1对1咨询的场景并不多。

如果有真正的意向客户或准客户，大概率不会轮到实习生来练手，一般也是老师傅带着，实习生或新人旁观，进行一定的操作。同时，实习生也需要自己去开拓业务。但这样的成长周期比较慢，因此一些公司为了提升员工的成长速度，会采用师傅/主管带徒弟的方式，并进行一些模拟训练。

这种训练方式虽然有价值，但也有诸多弊端：

1、精力消耗大：消耗很多高层的精力在类似的重复事情。

比如，师傅可能是店长或经理，自己日常也需要完成订单和签约，一旦培训下面的人，则会大量消耗师傅精力，导致自己的业务也受到影响。

2、成本高昂：随员工数量增加，人工评分成本也会急剧上升，给企业财务带来压力。

3、标准难统一：每个地区的标准都会有差异，最核心的是收到师傅的主观判断。除非当地的店长具备较高的素质，否则可能会限制门店的发展。因此，没有一整套公司体系下比较完善的解决方案。

4、效率低下：人工评分耗费大量时间和人力，难以应对大规模员工评分需求。

这其实是类似于所有顾问式咨询行业的痛点。

大型留学公司的留学顾问从咨询到成单，以及很多保险顾问从咨询到开单，都需要经历这样一个完整的流程。

但这个流程如何进行拆解和梳理，以达到一个非常好的结果，也是非常麻烦，需要消耗大量的人力资本。

方案：如何基于需求设计解决方案

那么，链家是否知道这个问题呢？

1.0模式，他们主要就是师傅带徒弟，也就是师傅一对一地指导徒弟完成讲解，通过演示、模拟训练等形式进行指导。但我们发现这样的成本非常高，会大量消耗师傅的时间，所以在管理成本或培训成本上居高不下。

2.0 版本的解决方案，就是将相关的业务外包出去，让第三方按照规定的要求来进行考核评分。虽然节省成本，但却难以标准统一化。

现在用了 AI 之后，我们发现它可以在这个场景上非常好地完成降本增效，最后达到了 95%的降本。那么，AI为什么会有这样的能力，以及具体怎么做的呢？我们来一步步拆解一下。

AI 出现后，我们发现它在交互方面有很大的优势，比如在语音交互上，它能够实现与客户非常真实的对话。从国内像字节豆包这样的产品中，我们就能发现它已经实现了这一点。

其次，AI 还能够基于内容进行相关分析。比如像各类LLM大模型，这样的语音工具，它已经内置了一个大脑，所以它可以按照我们设定的标准，完成对应标准背后的逻辑判断，帮助员工更好地进行提升和评分。

最后，AI 的成本比原人工低很多。假设一个经理的月薪是两到三万，那么他每天的成本就是上千块钱。他花在员工身上进行一对一辅导和培训的成本也非常高。但是如果换算成与 AI 对话，按照对应的 Token 来说，成本是可以大大降低的。、

所以，这也是为什么需要用 AI 来解决顾问或咨询师培训的问题。

那么在理论上验证后，真实的系统开发完善后是怎么样的：

经过三个月开发，为链家的12万名员工设计的AI智能评分应用-SmartScore于23年底上线。经过五个月运行，应用的可靠性得到验证，真实数据如下：

数据详解

1、准确度：从20000名销售中抽取2000份样本，多维度对比AI打分和人工打分数据，AI评分准确度提升30%。

?其中评分维度对比如下：

1、打分结果与实际情况的符合程度。

2、同一评分标准在不同时间或由不同评审者打分时的一致性。

3、评分结果的可理解性和透明度。

4、评分专家委员会综合对比

2、评分成本： 原本客户每次人工评分成本为15元，AI评分成本降至0.8元，评分成本下降95%。

3、专业能力提升： 上线AI评分系统前，90分以上的员工仅有1000人；现在，该数字已翻倍至2000人，显著提升了团队的专业讲解能力。

4、组织效率： 该系统能够实时考核和评分，24小时无间断服务，100%节约管理层时间。

备注：以上数据均已脱敏，仅用于展示AI打分与人工打分的对比效果。

模式：具体的交付模式和流程解析

来看一下具体的交付流程，最后呈现出来很简单，就是在小程序端，员工只需要进入相关小程序，输入语音或视频讲解内容，AI 会根据给到的标准维度，进行评分查看。考核维度和专业知识库都是链家提供的，经过数据清洗和维度对齐后，员工就可以基于标准对着机器实现快速评测。

这个功能不仅用于链家的二手房业务，还可以用于其他平台，如租房、物业服务、新房相关服务等，都可以用这种训练模式完成交付。

图：AI智能评分流程

图：AI智能评分后台管理页面

最后做一下延伸，类似场景不仅可以在链家这样的平台实现，在很多平台都可以迁移。

这种场景非常适合销售业务讲解的考核，如保险、房地产、留学咨询等顾问式销售业务讲解考核，可以用 AI 快速完成点评考核和提升。

对于新员工入职、客服、视频面试等场景，也可以通过这种方式进行考核，保证员工的专业度和回复的准确性，同时也可以提高 HR 的面试效率。

图：AI智能评分应用场景