行业层解决 80%,为什么剩下的 20% 才是产品

“行业模型已经能处理大部分问题，为什么还要为每家店单独训练？”这个问题触及 AI 客服的产品边界。通用与行业能力解决语言和品类共性，真正让系统在某家店稳定工作的，却常是商品、规则、话术、客群和系统之间的局部差异。

先澄清口径：本文标题中的“80%/20%”是未来对话用于解释结构的量级判断，不是测量值、模型准确率、客户承诺或行业统计。它表达的是“共性占多数，差异占少数”，不能写成“行业模型准确率 80%”。如果没有真实数据，不应把这个比例做成效果数字。

一、为什么多数问题可以共享

同行业客户确实拥有大量共性。服饰都要处理尺码、版型、面料与搭配；户外都要理解徒步、越野和通勤场景；家居都涉及尺寸、材质、安装和售后。把这些共性沉淀进行业层，可以提高新客户的冷启动起点，减少重复学习。

领域自适应研究支持“目标领域数据仍有增益”。Gururangan 等人在四个领域和八项任务中发现，通用预训练后继续使用领域语料和任务语料，能在高、低资源条件下改善下游表现¹。这说明基础模型的广泛能力与行业适配不是互斥关系。

行业层还可以复用分类体系、商品属性模板、风险规则、连接器和评测方法。它的意义不是包办一切，而是让每个客户不必从语言和行业常识开始。

二、为什么少数差异会决定能否上线

如果客服只是回答少量 FAQ，共性覆盖可能已经足够。实时自主场景却要求系统连续完成理解、检索、决策、表达和必要动作。只要一个必要环节在客户特定规则上失败，整个任务就可能失败。

NIST 的串联系统可靠性模型指出，当系统依赖多个必要组件时，整体可靠性受每个组件制约；在独立假设下，系统可靠性是各组件可靠性的乘积²。AI 链路不一定满足简单独立假设，但机制提醒仍然成立：少数关键边界可以控制端到端结果，不能用大量简单正确题把它平均掉。

未来对话把实时客服的自主完成目标设在 95%+。这个数是针对“以秒计响应、不能依赖持续人工兜底”的产品门槛，不是学界公认的统一行业标准，也不是本文对公司效果的声明。把 80/20 结构与这个门槛放在一起，结论不是“80% 等于数学上的零”，而是：只解决多数共性，仍可能无法满足自主岗位的运营要求。

三、那部分差异究竟是什么

客户差异可以拆成五类。

他的货：SKU 属性、尺码、材质、工艺、卖点和组合关系。公开类目知识不能替代品牌自己的商品事实。 他的规则：活动叠加、会员权益、发货、退换与赔付边界。规则可能与行业常识相反，且有版本和生效时间。 他的话术：品牌人格、必须说与不能说、对敏感问题的固定表述。 他的客户：常见异议、消费能力、隐性需求表达和渠道习惯。 他的系统：CRM、订单、库存、工单、支付和供应链接口，每家状态与权限都不同。

其中有些差异应放在模型，有些应放在知识、配置、工作流或权限。真正的产品能力不是“把一切都微调”，而是能识别差异类型，并把它放进可维护的载体。

四、为什么提示词与知识库不能独自关闭差异

提示词适合快速表达规则，RAG 适合提供实时事实；它们都是必要工具。但规则数量增加后，会出现冲突、版本和长上下文问题。TACL 的“Lost in the Middle”研究显示，关键信息在长上下文中的位置会显著影响模型表现³。知识存在于上下文，并不等于模型会稳定利用。

更稳定的高频行为模式可能需要训练。参数高效微调如 LoRA 通过少量增量参数适配任务，降低了为不同任务保存独立适配的资源成本⁴。但训练也不是万能答案：库存会过期，金额规则需硬校验，客户专有信息需要隔离。关闭差异依赖训练、检索、规则、工具和评测的组合。

五、为什么“长尾”会拥有高损失

少数问题不一定低价值。客服分布常呈现“高频简单、低频复杂”，但复杂问题可能集中在高客单、投诉、隐私或售后边界上。若用问题数量加权，系统可以靠大量“查物流”获得高平均分，却在少量高损失场景中失败。

因此应按期望损失评估：

期望损失 = 发生概率 × 单次影响。

低频的大额误赔、错误功效承诺或隐私泄露，优先级可能高于高频格式错误。所谓“最后 20%”的产品价值，一部分来自覆盖剩余流量，另一部分来自控制不成比例的风险和收入机会。

六、从共性到专属的三层结构

可以把系统理解为：

1. 通用层提供语言与广泛推理；
2. 行业层沉淀品类共性；
3. 店铺层吸收客户独有的稳定行为；
4. 实时库提供商品、活动、用户和订单事实；
5. 硬规则与权限控制不可冒险的动作。

三层模型是能力分层，实时库与控制层是事实和行动分层。把它们画成金字塔很容易，难的是证明每层的增量。应通过消融实验比较通用基线、行业适配、店铺适配与完整系统，观察每一步是否改善目标场景。

七、这部分差异何时构成产品

只有当关闭客户差异的过程可重复，才称得上产品。判断标准包括：

• 同行业新客户的冷启动起点是否提高；
• 从签约到跨过目标门槛的总人天是否下降；
• 数据清洗、标注、训练、评测与发布有多少可自动完成；
• 旧客户经验是否在授权边界内提高行业层；
• 新店铺层是否保持数据隔离；
• 基座升级后是否能自动回归，而非逐店手工重做；
• 稳态维护人天是否随客户增加失控。

如果每家店都靠专家驻场写规则，所谓最后 20% 仍是项目交付；如果差异通过标准流水线进入店铺模型、知识、规则和评测，并让下一位客户更快达标，它才被产品化。

八、为什么平台未必愿意做 per-customer

平台型产品依赖高度统一的服务边界。为每个客户深度适配，会增加数据权利、版本、支持和责任成本。因此，大平台通常更擅长提供通用基础能力，客户特定层可能由垂直供应商或企业自己完成。

但“平台结构上永远不会做”是过强断言。平台可以提供微调、知识库和 Agent 工具，也可能向垂直方向扩张。更稳健的竞争判断是：谁能以更低人天、更好数据治理和更强真实评测关闭客户差异，而不是假设某类竞争者永不进入。

护城河不能建立在别人“不愿做”的静态判断上，而应建立在自身学习与交付曲线可测量地领先。

九、客户数据既是优势也是责任

客户专有数据可能带来适配收益，也包含隐私、订单和商业策略。跨客户沉淀必须基于授权、脱敏和可证明的隔离。数据表方法建议记录数据集的动机、组成、采集、处理、用途与维护⁵；店铺层同样需要数据卡，说明哪些数据进入了训练、知识或评测，终止合作后怎样处理。

如果数据来源和用途说不清，专属层不是资产，而是风险。

十、怎样做一场实证验证

可以选同一行业的若干新客户，记录：

1. 只有通用模型时的基线；
2. 加行业层后的增量；
3. 加店铺知识、规则后的增量；
4. 加店铺训练后的增量；
5. 完整系统上线后的端到端结果；
6. 每阶段投入的人天、周期与维护成本。

测试集应覆盖高频、长尾和高损失场景，使用时间外样本，并对主观结果双人标注。只有店铺层相对行业层稳定提高结果，且单位适配成本随客户数下降，才能支持“剩余差异是产品”的命题。

十一、80/20 框架的正确用法

它适合回答三个结构性问题：

• 为什么行业层是起点而不是终点；
• 为什么每个客户仍需专属适配；
• 为什么单位客户适配成本是商业模型的关键。

它不适合回答：

• 行业模型的准确率是多少；
• 某客户达到了什么效果；
• 所有行业的共同问题恰好占多少；
• 剩余问题都必须用训练解决。

把边界说清，反而让这个框架更有解释力。

十二、不要让结构判断替代客户研究

即使接受共性与差异的分层，也不能假设所有客户差异都重要。部分话术只是历史习惯，不影响用户结果；部分规则可以通过流程标准化消除，而不是训练进模型。项目启动时应让业务方区分“必须保留的竞争差异”“可以统一的流程差异”和“应当淘汰的旧做法”。

这一步能防止专属层无限膨胀。模型越贴合现状，不一定越好；如果现有人工流程低效，盲目学习只会把低效自动化。店铺模型应对标经过确认的目标服务标准，而不是平均历史行为。

十三、最后部分也需要退出机制

某类长尾若长期样本太少、风险过高或训练收益不稳定，正确产品决策可能是永久保留人工，而非追求全自动。退出机制包括明确转交、收集必要信息、把上下文完整交给坐席，并跟踪等待与解决结果。

因此，“最后 20% 是产品”不等于“最后 20% 必须全部由模型回答”。产品也包括知道哪些边界不应自动化，以及怎样让用户在边界处仍获得连贯服务。

每次决定自动化一个长尾场景，都应先说明样本是否充分、错误是否可逆、结果能否被监控、失败时谁接管。无法满足这些条件时，清晰的人机交接比勉强提高覆盖更专业，也更符合实时服务的整体目标。

结语

行业层解决共性，店铺层处理差异；多数问题提供规模，少数关键问题决定能否独立上岗。标题里的 80/20 不是统计结论，而是一种产品结构语言：提醒团队不要把剩余差异当成可忽略尾部。

真正的壁垒不是“存在那 20%”，而是能否把它低成本、合规、可验证地关闭。接着可读三层模型架构理解技术分工，也可读per-customer 并非项目制检验其单位经济性。

Footnotes

1. Gururangan et al., “Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks,” ACL 2020。ACL Anthology ↩

2. NIST/SEMATECH, “Series Model,” e-Handbook of Statistical Methods。乘积公式有独立性和必要组件等假设，不能无条件套用。NIST ↩

3. Liu et al., “Lost in the Middle: How Language Models Use Long Contexts,” TACL 2024。ACL Anthology ↩

4. Hu et al., “LoRA: Low-Rank Adaptation of Large Language Models,” ICLR 2022。arXiv ↩

5. Gebru et al., “Datasheets for Datasets,” Communications of the ACM, 2021。ACM ↩