生成式AI正在变革售后市场和现场服务，为提升效率和改善客户体验提供了新的方法。以下是如何实现盈利的关键步骤
原文：From pilot to profit: Scaling gen AI in aftermarket and field services
麦肯锡对50多家工业组织在过去15年的表现进行了分析，发现专注于服务的公司，其股东总回报（TSR）是专注于产品公司的1.7倍。在售后市场和现场服务中，服务涵盖了多种活动，包括传统模式（如设备安装、调试及零部件和消耗品的维修与供应）以及新兴模式，比如通过数字化解决方案实现数据货币化、长期资产租赁和支持协议，以及“X即服务”商业模式。
服务价值链是加速数字化和生成式AI技术整合的理想领域。许多服务型公司积累了大量与客户相关的数据，如资产历史记录、物联网（IoT）数据、技术文献、维护手册和服务请求，这些数据为深入分析和提取可操作的见解提供了丰富的资源。服务的可变性和复杂性使其成为应用AI技术的理想场景，AI能够以超越人类能力的精度预测结果。
专注于服务的公司已经意识到这一潜力，大多数公司开始试验生成式AI。麦肯锡的数字战略调查显示，70%的高绩效公司正在利用高级分析开发专有见解，半数公司正在部署AI以加速和优化决策流程。
在过去一年中，我们见证了许多组织在试点项目中展示生成式AI解决方案的潜力，但很少有公司能够将这些潜力转化为可衡量的损益（P&L）影响。与以往的技术驱动创新类似，许多公司似乎陷入了“试点困境”，无法从初始实验中扩展其数字化或生成AI战略。
数字化部署面临的挑战包括数据碎片化、系统老化、技术能力不足、缺乏专业知识、变革管理难题、业务案例不强和战略领导力不足。我们认为，售后市场和现场服务公司在扩展其数字和AI计划时，可能面临这些挑战，从而难以捕捉生成式AI的潜在价值。以下是帮助组织从试点到盈利的五个关键步骤。
1、重构服务流程
实现盈利影响的第一步是重新构思“如何提供服务？”。领先公司并不是将单一的数字解决方案简单地添加到现有服务流程中，而是从规划未来服务的整个旅程开始。这有助于他们理解如何为各种利益相关者创造价值，包括客户、服务提供商/合作伙伴、供应链、技术人员（无论是现场还是远程）、销售团队和后台人员。该过程还帮助公司识别出这些利益相关者需要改变工作方式的具体领域。
对核心流程、治理结构、KPI和人才需求的影响构成了这一新服务蓝图的基础。例如，一家工业公司在这一转型过程中意识到，AI驱动的服务愿景意味着需要取消一些岗位，转型其他岗位。此外，要充分发挥AI的潜力，公司需要在服务、销售、合同、供应链和财务职能之间建立更深层次的联系。这些改变至关重要，以确保与供应商的合同条款能够反映公司与客户之间重新调整后的风险，并且这一调整会影响到调度、报告和发票等环节。
实现盈利影响的第一步是重新构思“如何提供服务？”。领先企业并不是简单地将单一的数字解决方案添加到现有服务流程中，而是从规划整个服务旅程。这有助于他们理解如何为不同利益相关者创造价值，包括客户、服务提供商/合作伙伴、供应链、技术人员（无论是现场还是远程）、销售团队和后台人员。这个过程还帮助公司识别出各利益相关者需要改变工作方式的具体领域。
对核心流程、治理结构、关键绩效指标（KPI）和人才需求的影响构成了这一新服务蓝图的基础。例如，一家工业公司在转型过程中意识到，AI驱动的服务愿景意味着需要裁撤部分岗位，同时对其他岗位进行转型。此外，要充分发挥AI的潜力，公司需要在服务、销售、合同、供应链和财务职能之间建立更深层次的联系。这些改变至关重要，以确保与供应商的合同条款能够反映公司与客户之间重新调整后的风险，并且这一调整将影响调度、报告和结算等环节。
2、确定最具价值的生成式AI应用场景
虽然有许多生成式AI应用场景，但少数几个已成为早期的领导者，且对服务价值链产生了显著影响。以下是几个典型示例：
销售线索生成和招标响应
多家领先企业已经通过生成式AI优化潜在客户生成、客户资格认证和RFP响应，显著提升了服务业绩。例如，一家领先的水务设备厂家通过部署售后市场分析解决方案来优化销售和运营数据，显著改善了其运营。该解决方案帮助公司绘制客户群，为售后零件和服务生成了超过3.5亿美元的潜在客户，覆盖了45,000个客户，包含8,000个空白机会。该公司利用生成式AI联系客户，并以接近自动化的方式对潜在客户进行资格认证，极大地加快了创收速度。
一些组织现在正将生成式AI“虚拟销售代理”完全集成到其客户关系管理（CRM）系统中，这些代理能够自动准备个性化沟通，通过多种渠道（如电子邮件、短信等）向数百或数千名客户发送定制信息。
故障排除和客户自助服务
企业正在利用生成式AI支持的故障排除工具，提高远程解决率和首次修复率。成功的方法包括使用AI副驾驶更准确地识别问题并提出解决方案。这不仅改善了客户体验，还增强了座席的能力，提高了客服中心的效率，并通过远程解决和客户自助服务减少了技术人员的现场访问需求。例如，全球机械和设备供应商Ascendum部署了一款生成式AI解决方案，处理来自13,000多个文档的数据，帮助技术支持团队解决车辆问题。该系统将首次联系解决率提升了50%，并将典型的故障排除时间从30分钟缩短至不到一分钟。
计划排程和调度
生成式AI工具能够通过持续分析相关因素来优化需求预测，从而实现动态调度和与客户更清晰的沟通。这带来了更好的客户成果和更高的员工利用率。例如，一家领先的水处理公司通过采用数字调度解决方案，提升了运营效率，将技术人员的工作效率提高了40%，同时将加班时间减少了6%。
合同分析
生成式AI工具能够帮助公司在现有合同中发现提供新服务的机会，或者根据对现有客户偏好和行为的分析，为其提供额外产品。一家全球卡车OEM公司面临大量手工工作，每年需签署超过1,000份非标准合同。该公司为采购部门实施了“合同智能体”系统，能够将新合同与历史合同进行对比，发现差异并提出调整建议。新的“与合同聊天”功能帮助团队进行合同压力测试，并检查特定的优先项目，而合同仪表板则使用红绿灯逻辑显示保修、责任、期限等条款。新工具提升了合同处理效率，每年为公司节省了超过500万欧元。
3、整合AI应用场景以提升整体效益
将多个生成式AI应用和数据关联起来可以创造更大的价值。一家工业公司将五个应用场景结合在一起，从而改变了其设备维护方式。
- 生成式AI驱动的技术文档搜索功能和根本原因分析帮助技术人员确定最佳的纠正措施。
- 该工具还协助技术支持通过远程方式或客户自助服务解决许多问题。
- AI驱动的调度算法减少了多次拜访同一客户的需求，从而降低了旅行时间。
- 另一个AI助手跟踪任务执行情况，在需要时自动开具发票，并从供应商那里获取成本信息。
- 最后，该公司通过零件需求预测每项作业所需的零件，并确保发货前的可用性，从而最大限度地减少了重复访问。
4、建立强大的数据基础
生成式AI只有在良好的数据基础上才能发挥最大价值。将生成式AI集成到现有系统中对技术堆栈产生深远影响，需要确保系统的集成性、可扩展性和安全性。这可能涉及升级现有系统，确保老旧系统能够支持新一代AI功能，并构建满足高级AI用例数据需求的新基础设施。这些需求涉及多种数据源和数据类型，包括：
- 过程数据：用于维护、故障排除、关键故障模式和FMEA的文档，以及标准操作程序和工作说明。
- 物联网数据：来自设备传感器的数据，用于监控关键参数并预测异常情况。
- 设备历史数据：有关设备配置、配置更改、过去故障和维护记录的数据。
- 供应链数据：包括零件可用性、库存位置、运输时间和供应商交货期。
- 人力资源数据：涵盖现场服务团队和支持人员的技能、可用性和位置。
组织需要确保这些数据可用、准确且可访问，同时保护敏感信息、知识产权和AI模型，防止数据泄露或被非法使用。这需要有效的数据治理，严格执行数据收集标准、清晰标签和强大的网络安全措施。
5、持续挑战与创新：借助生成式AI抢占竞争优势
生成式AI能够为售后市场和现场服务带来可观的价值。麦肯锡预计，在未来12到24个月内，生成式AI将能够将内容创建成本降低80%，将运营效率提高30%，并实现四分之一的客户交互自动化。它将帮助企业提高10%到30%的收入和客户满意度，并提升相同幅度的服务生产力。那些能够在同行之前实施这些改进的服务公司，将在成本和质量方面占据巨大的竞争优势。
利用生成式AI实现这些影响需要创造力、冒险精神，并愿意审视整个流程，发现最有价值的机会。我们问生成式AI能否编写技术报告？答案是肯定的！我们问生成式AI能否与技术团队合作，快速解决复杂问题？答案同样肯定！我们还问，生成式AI和高级分析能否帮助安排复杂的技术任务？它们做到了！虽然这些任务具有一定的风险，且没有人工参与无法完全执行，但我们需要以开放的心态去思考如何释放这些潜力。
