AI
前一篇文章最后留下一个问题：当一套 AI 工作流已经能够稳定完成任务，工作流的经济性也被证明成立，企业应该怎样使用由此释放出来的能力呢？
很多 ROI 讨论会在这之前就结束，但从企业经营的角度看，效率留在组织内部，不过说明企业有了更多可支配的能力；它会不会变成客户价值、收入和竞争优势，其实还取决于企业接下来怎么分配它。
企业为什么要决定“谁更值得服务”？
为什么一些客户可以得到专人服务，一些客户只能使用标准化产品？
为什么企业要设置最低客单价？为什么有些需求值得定制回复，有些只能进入 FAQ、表单或自助系统？又为什么一些小客户明明存在真实需求，企业仍然选择不去服务？
这些问题，通常被归入市场定位、客户分层或销售政策。
其实，这背后还有一个更基础的约束：cost-to-serve，也就是企业为理解客户需求、协调内部资源、交付结果并提供持续服务所付出的成本。
在今年 Dreamforce 大会的前后，前亚马逊产品负责人及 AI 博主 Nate B. Jones 曾从这个角度讨论过 AI 之于企业的价值。
他转述 Salesforce 高管 Rohan Kumar 听到的客户疑问：一边是 AI 将改变一切的宏大叙事，另一边是客户看到的产品和服务几乎没有变化。
Nate 的观察是：
企业过去围绕“高昂注意力”建立了整套服务体系。
销售需要花时间理解需求，专业人员需要准备方案，多个部门需要协调信息，交付以后还要处理反馈和售后……但是，人工注意力是有限的，于是企业只能优先分配给预期价值更高的客户。
于是，大客户得到专人跟进，小客户进入标准流程；高价值项目可以定制，低价值需求只能自助解决；低于某个金额的账户，甚至不值得启动完整服务。
这些规则当然也包含品牌定位和战略选择的考量，但是，其中很大一部分，也是因为服务成本和人工注意力的约束。
如果服务一个客户需要大量人工协调，那么低于某个收入水平的客户就很难进入服务范围。如果理解需求和准备方案必须依赖少数高级员工，深度服务就只能留给少数高价值账户。
时间一长，这些成本选择会被写进产品、部门和销售制度，最后看起来像不可改变的市场规律。
其实未必，至少今天，已然未必。
很多企业所谓稳定的客户规则，可能只是过去成本结构留下来的“化石”。
当服务成本下降，边界会往哪里移动？
当 AI 开始承担部分需求理解、知识检索、方案准备、信息协调、内容生成和重复沟通，企业服务一个客户所需要的人工注意力，可能随之大幅下降。
这时，变化的不只是某个员工工作快了多少。
过去不值得处理的请求，可能重新变得值得处理；过去必须拒绝的小客户，可能进入可服务范围；过去只能提供标准答案的场景，也可能获得更高密度的回应。
Cox 在相关案例中认为：增长优先于裁员，并尝试把更多注意力投向中小客户。Duvo、Rohlik 等厂商的案例，也提出了另一种可能：一些过去因为成本过高而被放弃的工作，可以重新被执行。
这些案例只能支持一个有限判断：
AI 可能让部分原本成本过高的工作重新变得可执行。
但“可以执行”与“值得经营”之间，还有很长一段距离。
小客户进入服务范围，不代表他们一定有利可图。企业仍然要验证：降低的是哪一段 cost-to-serve？新增收入能否覆盖模型、人工和治理成本？服务质量能否维持？人工升级会不会把节省重新吃掉？客户是否真的愿意为结果付费？
如果前端理解需求的成本下降了，后端交付仍然高度依赖人工，服务边界未必真正扩大。如果自动化处理了大量请求，却把异常情况全部推给少数专家，企业得到的可能只是一个更拥堵的升级队列。
所以，可服务市场不只由客户需求决定，也受企业工作流能力约束。
工作流能力发生变化，原来的服务边界才有重新计算的可能。注意，是可能，不是必然。
那么，服务边界有了重新计算的可能以后，企业释放出来的这部分能力，又该怎样变成客户价值、收入和竞争优势？
下篇接着聊。