300 萬客戶，85% 回來使用。這個數字不僅僅是有趣的統計數字，它代表了 Intuit 這個財務軟體巨頭在 AI 代理領域的成功標杆。當許多企業還在試圖用聊天機器人取代客戶服務時，Intuit 已經找到了一條不同的路線：將 AI 與人類專家的智慧結合。

「單純的聊天機器人不是企業環境的答案，」Intuit 的 EVP 和 GM Marianna Tessel 在 VB Beyond the Pilot podcast 中表示，「有時候是 AI 和 HI（人工智慧）的組合給你更好的結果。」

從聊天機器人到專業代理

Intuit 是 QuickBooks、TurboTax、MailChimp 等廣泛使用的財務產品的母公司。去年六月，該公司成為首批全面投入生成式 AI 的主要企業之一，推出了 GenOS 平台（遠早於「SaaSpocalypse」恐慌迫使 SaaS 公司重新思考策略）。

然而，Intuit 很快就認識到，單純的聊天機器人並不是企業環境的答案。公司轉向了現在稱之為 Intuit Intelligence 的平台。這個儀表板式的平台特點是擁有專門的 AI 代理，涵蓋銷售、稅務、薪資、會計和項目管理領域。用戶可以使用自然語言與這些代理互動，獲取數據洞察、自動化任務和生成報告。

Intuit Intelligence 不僅僅是聊天機器人，而是針對特定業務功能定制化的專業代理系統。當企業處理金融數據、稅務合規和薪資管理等敏感任務時，單一的通用聊天界面遠遠不夠。專業化的 AI 代理能夠理解特定領域的術語、規則和最佳實踐，提供更準確、更相關的建議。

可量化的業務成果

Intuit 的成功不僅僅是理論上的，它帶來了具體的業務成果：

發票支付改善： 客戶報告發票 90% 全額支付，比以前快 5 天。這對現金流至關重要，特別是對於小型企業而言。更快的發票支付意味著更健康的營運資金和更好的業務流動性。

效率提升： 手動工作減少 30%。這意味著財務團隊可以將更多時間投入到戰略性任務中，而不是重複性的數據輸入和例行處理。30% 的效率提升相當於每個團隊成員每天獲得了額外的幾小時。

自動化任務範圍： AI 代理幫助完成多項任務，包括結帳、分類交易、運行薪資、自動發票提醒和發現差異。這些任務傳統上需要人工逐個檢查和處理，現在可以自動化完成，同時保持質量和準確性。

一個具體的案例：一位 Intuit 客戶在與 AI 代理互動時，詢問了一些金額不匹配的問題。起初他懷疑這是否是錯誤，但隨著深入調查，他發現了非常重大的詐騙行為。這不僅僅是節省時間的例子，而是展示了 AI 如何在預防欺詐方面發揮關鍵作用。

人類專家的關鍵作用

儘管 AI 技術先進，Intuit 仍然秉持著「人類始終可及」的原則，Tessel 說。平台設計的方式允許用戶在從 AI 代理得不到所需內容時，或想要與人類碰撞想法時，可以向人類專家提問。

「我不是在說產品專家，」Tessel 強調，「我說的是實際的會計專家或稅務專家或薪資專家。」

這裡的關鍵區別在於：Intuit 不是讓 AI 取代人類專家，而是創造了一個 AI 和人類專家共同工作的環境。用戶可以首先與 AI 代理互動，獲得初步建議和自動化，然後在需要時轉向人類專家進行驗證或深入討論。

平台的設計還會在「高風險」決策場景中建議人類參與。AI 會處理到某個程度，然後人類專家進行審查和分類其餘部分。Tessel 認為這提供了一層信心。「我們實際上認為它在合適的時候變得更需要、更強大，」她說。「專家仍然提供獨特的東西。」

這種方法的優勢在於它保持了 AI 效率和人類判斷的結合。在財務決策中，某些情況需要主觀判斷和經驗直覺，這些是目前的 AI 難以完全替代的。通過在關鍵點引入人類專家，Intuit 確保了決策的準確性和可追溯性。

AI-HI 結合的價值

Intuit 將 AI 和 HI（人類智慧）的組合稱為「客戶的大要求」，因為它提供了另一層的信心和信任。這個組合的成功基於幾個關鍵原則：

補充而非替代： AI 和 HI 不是相互競爭，而是互補的。AI 擅長處理大規模數據、模式識別和自動化任務，而人類專家提供上下文理解、主觀判斷和道德考慮。

分工明確： 平台清楚地界定了 AI 和人類專家的職貊範圍。AI 處理例行任務和初步分析，人類專家處理複雜案例和最終決策。這種分工確保了效率與品質的平衡。

漸進式參與： 用戶可以從 AI 開始，隨著需要深入時逐步引入人類專家。這種漸進式方法降低了使用門檻，同時在需要時提供了專業支持。

信任建構： 透過讓用戶知道在人類專家可及時，即使主要使用 AI，也增強了對整個系統的信任。用戶知道如果 AI 的建議有問題，他們可以轉向人類專家。

數據規模的重要性

Intuit 的成功很大程度上依賴其龐大的數據資產。Tessel 提到，每個客戶有 600,000 個數據點，這改變了 AI 能夠告訴你關於業務的信息。

這個數字揭示了企業 AI 成功的一個關鍵因素：數據規模和質量。Intuit 40 年來累積的小企業數據為其 AI 系統提供了獨特的優勢。這不是短期的數據集，而是長期累積的、真實的業務數據。

這種數據規模的好處：

模式識別： 大量的歷史數據允許 AI 識別出單憑直覺難以察覺的模式。例如，AI 可以識別出哪些客戶最容易延遲發票支付，以及什麼時候最可能需要催收。

預測準確性： 更多的數據點意味著更準確的預測。Intuit 的 AI 可以更好地預測現金流、收入趨勢和風險因素。

個人化： 大數據集允許高度個人化的建議。每個客戶都有其獨特的業務模式，AI 可以根據這些模式提供量身定制的建議。

韌性： 豐富的數據集使 AI 對異常值和邊緣案例更具韌性。當出現新的市場條件或業務模式時，AI 可以依賴豐富的歷史經驗來調整其建議。

Vibe Coding：下一代用戶體驗

Intuit 的下一步是為客戶提供執行下一代任務（如 vibe coding）的工具——但採用簡單的架構以減輕客戶的負擔。「我們正在測試的是這個想法：你可以在不意識到你在編碼的情況下完成編碼，」Tessel 說。

Vibe coding 代表了用戶與 AI 交互的一個重要轉變：從技術性指令轉向目標導向的對話。用戶不再需要了解技術細節，只需要描述他們想要實現的目標。

具體例子：經營花店的商家希望確保母親節時有正確的庫存數量。他們可以 vibe coding 一個代理，分析過去幾年的銷售數據，並在庫存不足時創建採購單。然後可以指示該代理在未來的母親節和其他大節日自動執行此任務。

這種方法的優勢：

降低技術門檻： 不需要編程知識，商家可以通過自然語言描述他們的需求。這擴大了 AI 技術的適用人群。

直覺性交互： 用戶使用他們日常的語言來描述需求，而不是學習特定的命令或界面。這使得 AI 變得更像一個專業助手，而不是一個複雜的軟體。

自動化學習： 系統會學習用戶的業務模式和偏好，隨著時間推移變得更智能。一個經過訓練的代理可以在未來自動類似的任務。

適應性： 當業務需求變化時，用戶可以調整代理的指令，系統會相應地適應。這提供了靈活性，同時保持了自動化的好處。

多層次的用戶需求

Intuit 認識到用戶群體的多樣性，採用了多層次的用戶體驗設計：

基礎用戶： 只想表達他們想要發生什麼，因為他們只想經營自己的業務。這些用戶不需要了解技術細節，只需要能夠描述他們的業務目標。

中級用戶： 想要一定的自定義能力，但不希望過於複雜。他們可能希望調整代理的參數，或查看建議的背後邏輯。

高級用戶： 希望深入技術細節，進行高度自定義，或集成現有系統。這些用戶可能對編程和 API 有一定了解。

這種多層次設計的好處：

包容性： 不同技術水平的用戶都能從 AI 中受益，不論他們的背景如何。

可擴展性： 隨著用戶技能的增長，他們可以探索更多的高級功能，而不需要切換到不同的平台。

持續價值： 即使是基礎用戶隨著業務增長，也能在平台上找到更多價值，延長了用戶生命周期。

對中小企業的啟示

Intuit 的經驗為希望實施 AI 代理的中小企業提供了幾個重要啟示：

從具體業務問題開始： 不要為了實施 AI 而實施 AI。從具體的業務問題開始，例如發票管理、庫存控制或客戶服務。確保 AI 解決的是真實的業務痛點。

結合人類專知： 不要試圖用 AI 完全取代人類專家。相反，創造一個 AI 和人類專家共同工作的環境。人類專家可以處理複雜案例和提供戰略指導，AI 處理例行任務。

重視數據質量： AI 的質量很大程度上依賴於數據的質量。確保你的數據準確、完整且相關。清理和標準化數據是成功 AI 實施的基礎。

提供漸進式體驗： 不要一次性將所有功能都推出。從最簡單的自動化開始，隨著用戶熟悉程度增加，逐步添加更複雜的功能。這降低了學習曲線，增加了採用率。

建立信任機制： 用戶需要信任 AI 的建議。提供透明的解釋、人類覆蓋選項和性能指標，幫助用戶建立對系統的信心。

專注於實際成果： 關注 AI 帶來的具體業務成果，例如時間節省、成本降低或收入增加。這有助於證明 AI 投資的價值，並獲得組織的繼續支持。

對 AI 產業的啟示

對於 AI 技術供應商和開發者來說，Intuit 的項目提供了幾個關鍵啟示：

領域知識至上： 成功的 AI 實施需要深入的領域知識。通用 AI 模型可以處理基本任務，但只有結合特定領域知識才能提供真正的價值。

人機協作模式： 最成功的 AI 系統不是完全自動化的，而是人機協作的。考慮如何設計系統，使人類和 AI 能夠有效協同工作。

用戶體驗簡化： 不要讓用戶學習新的技能或複雜的界面。相反，創造直觀的交互方式，讓用戶能夠用他們熟悉的語言和方式工作。

數據戰略： AI 成功的關鍵是數據策略。考慮如何收集、清理、標註和管理數據，以支持 AI 系統的訓練和運行。

信任和透明度： 用戶需要了解 AI 如何做出決定，並在需要時能夠質疑或覆蓋這些決定。提供解釋性和可追溯性的功能。

持續改進： AI 系統需要持續學習和改進。建立反饋機制，讓用戶能夠提供輸入，並根據反饋調整模型。

可立即執行的行動建議

對於希望學習 Intuit 經驗的組織，以下是具體的行動建議：

對企業決策者：

  1. 評估業務痛點： 確定哪些業務流程最耗時、最容易出錯或需要大量重複性工作。從這些領域開始考慮 AI 自動化。

  2. 識別領域專家： 找出組織中的關鍵專家，了解他們的知識和工作流程。確保 AI 設計考慮了他們的專業知識和需求。

  3. 制定數據策略： 規劃如何收集和清理支持 AI 系統所需的數據。確保數擅的質量、一致性和相關性。

  4. 建立人機協作框架： 明確界定 AI 和人類的角色、責任和交互方式。確保兩者能夠有效協同工作。

  5. 選擇合適的技術路徑： 考慮是開發自定義 AI 系統，還是採用現成的解決方案。根據組織的技術能力和資源做出決定。

對技術團隊：

  1. 從小規模試驗開始： 選擇一個具體的業務場景進行試點，而不是一次性實施全組織的 AI 系統。測試、學習、調整，然後擴展。

  2. 建立監控和評估指標： 定義成功的衡量標準，例如時間節省、錯誤減少、客戶滿意度等。持續監控 AI 系統的性能。

  3. 創建用戶反饋機制： 確保用戶能夠輕鬆地提供反饋，並將這些反饋整合到系統改進中。用戶的實際經驗是最有價值的數據。

  4. 考慮解釋性 AI： 確保 AI 系統能夠解釋其建議和決策。這幫助用戶理解和信任系統。

  5. 建立災難恢復機制： 確保在 AI 系統出現問題時，有手動覆蓋選項和恢復程序。保持業務連續性。

對業務用戶：

  1. 學習與 AI 協作： 了解如何與 AI 系統最有效地工作。這不僅僅是技術技能，還是改變工作方式的思維模式。

  2. 提供明確的指令： 學習如何以 AI 能夠理解的方式表達需求和目標。越清晰、越具體的指令，AI 的響應就越準確。

  3. 驗證和調整： 對於重要決策，驗證 AI 的建議並根據業務知識進行調整。AI 是助手，不是替代品。

  4. 持續反饋： 主動提供對 AI 建議的評價和改進建議。這幫助系統學習和改進。

  5. 探索進階功能： 隨著對系統的熟悉，探索更多高級功能和自選項。最大化 AI 帶來的價值。

未來發展方向

Intuit 表示，未來將繼續發展 AI 功能，重點放在簡化用戶體驗和擴展應用場景。隨著技術的發展，我們可能會看到：

更進步的自動化： AI 將能夠處理更複雜的任務，包括需要多步驟推理和創造思維的任務。

個性化程度提高： AI 將能更好地理解個別用戶的需求和偏好，提供高度個人化的建議和服務。

預測性功能： AI 將能更好地預測業務趨勢和風險，幫助企業做出更明智的決策。

無縫集成： AI 將能更好地與現有業務系統集成，創造統一的用戶體驗。

** ethical AI：** 隨著 AI 在財務決策中的作用增加，ethical AI 和算法公平性將變得更加重要。Intuit 可能會投入更多資源確保 AI 系統的公平性和透明度。

Intuit 的成功表明，未來的 AI 不僅僅是關於技術，更是關於如何技術與人類協作，創造真正的業務價值。85% 的重複使用率不是偶然，而是精心設計的 AI-HI 結合的結果。

本文資料來源：VentureBeat，「Intuit’s AI agents hit 85% repeat usage. The secret was keeping humans involved」，以及 Intuit EVP 和 GM Marianna Tessel 的 VB Beyond the Pilot podcast 內容。