汽车经销的 AI：售后比销售更值得先做
汽车行业的 AI 内容，大半在讲智能座舱和自动驾驶——那是主机厂的事。
对经销集团和 4S 店来说，真正每天在消耗人力、且完全没被解决的，在售后：
- 保养到期了没人提醒，客户流失到路边店
- 维修项目说不清楚，客户觉得被宰
- 配件有没有货、多久能到，要打三个电话才问得到
- 二次进店率上不去，但说不出为什么
这几件都是数据现成、频次高、容错空间大的场景。而销售侧因为涉及价格承诺，反而是更需要谨慎的一端。
---
先分两端：销售 vs 售后
| 销售侧 | 售后侧 | |
|---|---|---|
| 主要内容 | 车型对比、配置解释、价格、金融方案 | 保养提醒、维修解释、配件、进度 |
| 风险点 | 价格与优惠承诺有效力 | 相对可控 |
| 数据现成度 | 中（很多在人脑子里） | 高（DMS 系统里都有） |
| 见效速度 | 慢（转化周期长） | 快（几周就能看到二次进店变化） |
| 建议顺序 | 第二步 | 第一步 |
---
售后侧：四个值得先做的场景
一、保养提醒与预约（最直接）
现状：靠人打电话或群发短信，接通率低、转化率低，且没有个性化。
AI 能改进的：
- 基于实际里程、上次保养时间、车型保养手册，判断该提醒什么项目
- 用客户能听懂的话说明为什么这次要做这几项
- 直接给可选的时间段，一步完成预约
为什么价值大：客户流失到路边店，通常不是因为价格，是因为没人在该提醒的时候提醒。
门槛：DMS 数据的完整性。先查一批真实数据，看里程和保养记录的缺失率——缺失率高的话先补数据采集，别急着上系统。
二、维修项目解释（最能改善体验）
这是我认为最被低估的一个场景。
现状：服务顾问口头解释"这个要换、那个要修"，客户听不懂，只能选择相信或者怀疑。大部分"觉得被宰"的投诉，根源是没解释清楚。
AI 能做的：把维修单上的项目，翻译成客户能理解的话——
- 这个部件是干什么的
- 为什么现在需要处理
- 不处理会怎样、能拖多久
- 这个项目包含哪些工序
必须配的三条：
1. 解释内容必须来自厂家技术资料或本店受控话术库，不能自由生成
2. 不涉及价格——价格另走受控通道
3. 不做"必须马上换"这类紧迫性表述，除非厂家资料明确如此
为什么第三条重要：紧迫性表述如果不实，就是诱导消费。由系统批量说出去，风险比一个顾问口头说大得多。
三、配件查询
现状：查有没有货、多久到，要问配件部。
AI 能做的：接库存系统直接查，把结果和预计时间一次说清。
这一件根本不需要模型——接口查询加模板回复。用大模型去做一个查库存的事，慢、贵、还可能编。
四、进度同步
车在修，客户不知道进展。
自动同步进度，哪怕只是"正在等配件到货，预计明天"。
和物业工单是同一个道理：大量不满的真实触发点不是"修得慢"，是"没人告诉我"。
---
销售侧：一条必须守的线
销售场景的核心风险和教育培训一样：说出去的价格和承诺有效力。
必须受控的几类：
| 类别 | 为什么 |
|---|---|
| 价格与优惠 | 说错一个数就是一次纠纷 |
| 金融方案 | 涉及利率、期限、费用，有明确的规范要求 |
| 交付时间 | 承诺的交期做不到，是实际违约 |
| 配置与参数 | 事实性陈述，必须与官方一致 |
| 置换与保值 | 涉及估价承诺 |
做法和教育场景一致：这几类走"受控话术表 + 检索"，系统只能返回表里的内容，不做自由生成。
可以放开的部分：车型特点介绍、配置的通俗解释、使用场景建议、购车流程说明。
区分判据还是那一句：这句话被截图发出去，公司要不要为它负责？
---
数据准备
启动前查三件事，从 DMS 里抽 200–300 条记录：
1. 保养记录的完整率——里程、日期、项目齐不齐
2. 维修单的项目描述规范度——是标准项目代码，还是各写各的
3. 客户联系方式和沟通偏好的有效率
第二项最关键。如果维修单上写的是自由文本且各店各写法，那"维修项目解释"这个场景做不了——系统解释不了一个它读不懂的项目名。
建议门槛：保养记录完整率低于 80%、或工单项目描述非标准化的比例超过三成，先补这两项。
---
怎么验收
口径沿用开源评测框架 RAGAS（docs.ragas.io），另加汽车场景特有的：
| 指标 | 建议门槛 |
|---|---|
| 保养项目判断准确率（对照保养手册） | 不低于 95% |
| 价格类受控合规率（涉价回答逐字来自受控表） | 100% |
| 数值一致率（里程、工时、期限） | 100%，程序化比对 |
| 维修解释的忠实度（能对应到技术资料原文） | 不低于 95% |
| 二次进店率变化 | 作为业务观察指标，不作为系统考核 |
最后一项特别说明：二次进店率受太多因素影响（价格、竞争、季节、车龄结构），把它当系统的 KPI 会导致归因错误。它应该作为业务侧的观察指标，而不是判断这个 AI 系统好不好的依据。
这是指标设计上的一个通用原则：考核系统要用系统能控制的指标，不能用它只是影响因素之一的业务结果。
---
一个务实的推进顺序
1. 配件查询——纯接口，两周上线，零风险
2. 进度同步——纯规则，价值立刻可见
3. 保养提醒与预约——需要 DMS 数据治理，但回报最直接
4. 维修项目解释——需要建受控话术库，是最能改善体验的一环
5. 销售侧放最后，且必须先把受控话术表做好
前两步不需要 AI，就是数据打通和自动化。先把它们做扎实，团队会看到实际改善，后面推进阻力小很多。
---
相关阅读
- 企业第一次做 AI，怎样选对项目并设计可退出的试点
- 企业做 AI 项目前需要准备哪些资料
- 企业 AI 项目怎么验收：七层验收标准与证据要求
- 企业知识库怎么做，才不会变成资料坟场
---
*本文说明的是方法与判断标准，不代表任何未公开项目的实施细节。文中引用的开源评测框架，出处已在正文标明，读者可自行核验。*