AI该如何与人类一起工作呢

筛选可行性用例

根据上面的用例，AI该如何与人类一起工作呢？

并不是所有“决策”都是适合机器做，机器做决策的特点是效率高速度快，但应变性弱。人类做决策的特点是灵活性高，但是容易产生疏忽和遗漏等问题。我们可以用场景决策矩阵判断，如下图：

按照场景和决策两个维度进行拆分，分成四个象限：

• 常规性场景+信息性决策：对细节要求不高，学习案例多，AI学习效果较好，AI只提供信息建议，辅助人类决策，出错的风险很低，特别适合AI来做；
• 细腻性场景+信息性决策：对细节要求极高，学习案例少，AI做出正确判断有难度，AI提供信息建议，由人类为主导AI辅助做决策，出错风险低；
• 常规性场景+行动性决策：对细节要求不高，学习案例多，AI学习效果较好，AI代替人类做行动决策，出错有一定风险性，适合人类为主导AI做辅助；
• 细腻性场景+行动性决策：对细节要求极高，学习案例少，AI做出正确判断有难度，让AI代替人类做行动决策有很大风险，建议人来做。

我们可以将上面的决策用例做一个基础的判定。排布在场景决策矩阵如下：

通过这样的分类方法，我们能很清楚的知道机器和人类应该怎样分工，案例中大部分决策用例都可以交给机器，但“询问进一步沟通的意图”是很关键的一步，如果全权交给机器，效果将大打折扣。

这样，我们就有了一张人与AI的分工图：

这时我们有了两条思路：

1. 第一条思路，如果AI效果好的话，那么全权负责整条链路，让人在最后一步把关，这样的好处是效率高；
2. 第二条思路，AI作为一个辅助工具，帮助客服自动化筛选客户信息，做好通话情况记录和打分，一定程度有效提升客服效率，而且结果也可控。

到底哪个方案好呢？

一方面需要根据实际的业务需求判断。例如，针对高端人群的产品，获取客资成本高，对于这些高端客户来说冷冰冰的机器人电话显得没有诚意，但是普通话不标准的销售人员也可能让人觉得是山寨推销。

另外一方面，我们需要将需求对应到不同的技术模块上，因为算法产品有一定不确定性，贸然使用不成熟的技术，也承担着巨大风险。作为产品经理，我们应积极与数据科学家和工程师沟通，或许他们也有更好的建议，对于产品经理来说，沟通永远都是第一要务。