您的当前位置:首页 >常海 >赚钱的AI产品做对了什么?她陪伴陈道明八年 ,2亿身价不求名分,转身嫁王菲初恋成人生赢家 正文

赚钱的AI产品做对了什么?她陪伴陈道明八年 ,2亿身价不求名分,转身嫁王菲初恋成人生赢家

时间:2024-12-26 02:12:12 来源:网络整理编辑:常海

核心提示

提前AI产品赚钱,人们就兴奋。看组数据:剪映和CapCut,两个软件全球每月用户超过8亿。到2024年,赚钱增长了三倍多,总共差不多有一百亿人民币。你可能会想,两个软件和AI关系不大吧?实际上,像智能

提前AI产品赚钱,人们就兴奋。

看组数据:剪映和CapCut,两个软件全球每月用户超过8亿。到2024年,赚钱增长了三倍多,总共差不多有一百亿人民币。

你可能会想,两个软件和AI关系不大吧?实际上,像智能补光、智能降噪等一键操作功能,背后都运用了最新的模型技术。

如果把这种融合AI能力的产品放一边,那看看独立产品。到9月,可灵AI每月用户已经超过150万;虽然没有即梦的具体数据,但有市场分析师说,即梦价值是剪映的十倍。

我在刷抖音时,明显感觉到AI小应用变多了,看起来字节跳动正在用新的方法,围绕即梦这款产品,打造属于AI时代的抖音。

但是,问题来了:大公司做AI产品,都能从零到一完成商业化闭环,赚钱效率很快;为什么其他做模型的公司却很难赚到钱呢?这里有四个洞察,或许能帮你换个思路。

01

先思考一个问题:大型语言模型(LLM)和产品到底有什么区别?

简单来说,它们像工具箱和家具。大型语言模型,像一个装满工具的工具箱,里面有锤子、螺丝刀、扳手等。

AI产品像家具,是为了特定的用途和需求设计的。比如:椅子是用来坐的,桌子是用来放东西的。家具直接解决了用户的问题。

所以,大型模型是一个API接口,产品是用户直接用的东西。没有变成产品的大型模型,只是能力,这就是两者差异所在。

那么,为什么大模型不能直接变成赚钱的产品呢?

第一点,大模型能干很多活,但产品价值在于解决具体问题。剪映通过智能补光、降噪这些功能,让用户操作起来更简单,直接解决了拍视频的人的烦恼;即梦和可灵AI则是针对搞创意内容的人,给他们提供好用的工具,变成了市场需求。

相比之下,如果单纯提供一个工具箱,用户要自己思考怎么用,那,商业化路径就会被拉长。

第二点,单独的模型要生态和资源支持。什么意思?

模型只能提供能力,但家具得嵌入到用户的需求里,同样,AI产品的商业化得靠生态系统的帮助。

剪映依靠抖音,把AI能力用在短视频的制作、发布、分享上,用户拍的东西可以直接导入剪映编辑,形成了从创作到分发的完整流程。

即梦结合了短视频和直播电商场景,不仅让创作者更高效地创作,还能在商业场景中直接变现,是不是有自己的生态闭环?

相比之下,独立的大模型没有这样的生态网络,光靠模型能力,就算接触到了用户,也难产生持续的商业价值。

第三点,商业化路子得清楚。

工具箱再好,用户掏钱买它的欲望也没产品强,因为产品能解决实际问题。所以,想挣钱的AI产品,一开始就得想好怎么赚钱。

文心一言4.0一上来就做会员制,让付费用户享受更强的模型推理能力;Monica搞了个集成AI助手的全能工具,满足了一些人对各种模型的需求。

想想看,现在市面上工具太多了,单个模型性价比往往不高,有时候回答还不靠谱;集成平台的好处是,如果一个模型不好用,我可以换另一个,这种灵活性本身就值钱。

用户愿意为“选择的自由”和“更高效的服务”掏钱,这让Monica打出了特色。

反过来看,一些大模型公司在商业化上模模糊糊,还停留在“工具箱”阶段。用户不知道它能干啥,更不知道为啥要掏钱;这样下去,商业化路子就拖长了,市场窗口期一过,就很难抓住用户心了。

值得一提的是:大模型自己不懂用户需求,产品才是贴近场景的东西。

就拿智能降噪来说,背后用了极为复杂的模型技术,用户根本不会关心这些,他们在乎“功能好不好用”。若反过来看,这一能力恰巧为模型提供更多语料,如:提取清晰的人声、场景声和人生分离;这种技术反而会让模型能力进一步提升。

因此,大模型本身不能作为一个完整产品,只有把模型赋能到产品中,才能在市场立足。

02

既然模型要做成产品,那得知道模型和AI产品的差异是什么?

前几天,遇到了一个有趣的场看广告赚钱的软件景:我把Excel文件给了豆包,豆包立马解释里面的内容。然而,我在GitHub上下了一个模型后,把Excel给模型的API,它却告诉我:不好意思,没办法读取这个文件的内容。

我就纳闷,这是为什么?带着疑问去找答案,结果发现,豆包是挺大的模型产品,它后面有好多多模态的模型支持。

豆包拿到Excel文件后,会先把它转换成模型能懂的XML格式,然后再把信息输入模型里去做推理。这个过程是产品层面来完成的。

换句话说,大模型API是个接口,产品要在模型的基础上,加上一整套工程化的转换机制,让模型能直接和用户交流,这些限制是产品层面的,不是API自己的限制。

这就点明一个核心问题:

模型提供的是能力,而产品需要通过工程化,将这些能力变成用户看得见、用得上的功能。既然如此,那么,大模型为什么无法直接调用内容,还得转化一下呢?

一方面,一个请求里要来回调用很多次,模型可能在API内部被调用很多次,这种成本,API提供者扛不住。

一个常见例子是多轮对话:

用户在对话中问:“我这张信用卡什么时候还钱?”模型得先找出这个人的ID,再去银行的数据库里查信息,然后才能返回结果。

要是没有一套逻辑来控制,模型会因为信息不够,一直问用户,而不是直接去查;这就要产品这边,用外部的逻辑(比如条件判断和功能调用)来管每一步,保证用户只输入一次信息就能搞定。

通过这种逻辑控制,用户不用了解模型的底层机制,也能在一个自然的交互中获得结果。

另一方面,有时候模型也会出错,比如:把好多数据混在一起分析,这种反复检查的要求,通常做不到。

最常见的是处理PDF:‍

你上传一个很长的PDF文件给模型,想让模型总结里面的东西,模型可能因为文件太长、内容太复杂,直接报错,或者给你一些没用的内容。

这时候,如果产品层没有把PDF分成小块,提取每段的重点,再整合起来,挑出关键信息,那它给你的是一堆听起来对但没啥用的话。

所以,大模型自己不太稳定,要想控制它,必须通过工程化的手段来实现;这是大语言模型、这是大语言模型、技术和产品之间的差距。

03 我觉得,产品经理应该关注模型到产品中间部分。

为啥这么说呢?

就像我之前说的,大模型像工具箱,是超级大脑。工程师和产品经理得给大脑配上五官、身体和四肢,这样工具箱才能变成真正能帮用户的家具。

所以,产品经理对AI产品好不好用特别重要。

如果一个AI产品只是脑子聪明,操作复杂,用户可能就不会喜欢;反过来,如果操作简单,但核心能力不行,也满足不了用户需求。

很明显,要做好AI产品,不光要有好的大模型,还得有好的工程师和产品经理来帮忙。这个道理大家都懂,但具体怎么做呢?

俞军有个公式叫:用户价值 = 新体验 – 旧体验 – 替换成本。我觉得太理论。可以换个思路想:用户为啥愿意为AI产品掏钱?

答案有三点:

  1. 提高效率,比如用它能更快完成任务;
  2. 提供方便,操作起来不复杂;
  3. 满足个性化需求,根据具体情况提供定制方案。这样用户自然就愿意掏钱了。

这里有个经历:前段时间,有朋友说,橙篇这款产品功能挺多,挺复杂,但有个功能让他特别喜欢;要画流程图、折线图、饼状图,橙篇都能搞定;他甚至为此开了会员。

我说,这些功能Kimi和豆包也能做啊,你怎么不用它们?他说,他不知道。你看,这就是问题。

就算Kimi和豆包有相同甚至更强的能力,但它们缺少一个核心要素:针对性和明确性。橙篇通过清晰的功能设计,满足了用户的需求,这种新体验,用户马上就愿意掏钱。

所以,AI产品经理如何处理好模型和产品中间一环?

不妨换个思路想想,大模型适合用在哪些任务上,一个遗憾但幸运的事实是:现在大型语言模型(LLM)还不能做复杂的创造性活动,比如:批判性思维和深度头脑风暴。

因此,我们应该让模型多做些琐碎、重复看广告赚钱的软件、无聊的非创造性任务,而不是用它们取代人类独有的活动。

比如:总结可能被认为是创造性活动,不应该依赖LLM来做;而像搜索这种枯燥的活动,完全可以让LLM来处理;所以,有些特定任务就得让模型来干。

04

问题是,特定什么都包括哪些呢?我整理了一下,大模型擅长的活儿大概有这么几类:

  • 搜索和分类:简单、重复性高的场景,比如找信息、分邮件或者给客服问题分类;
  • 生成和预测:比如自动补全代码、预测销售趋势;
  • 还有交互类的,比如聊天助手、智能客服。

这些任务的共性:要模型帮忙提高效率,但不需要复杂的创造性思考,不过,不同的用户对这些任务的需求也不一样。

以普通消费者(ToC)搜索方面为例:

用Kimi Chat的人和用百度的人完全不一样,再看看用秘塔AI搜索和知乎AI搜索的人,也是两种不同的用户。

秘塔AI,专门搜索法律文献的软件。用这个软件的人,他们关心什么?是一些特别具体的法律信息。

再看看知乎,用知乎AI的人要找信源、观点和思考。他们搜索东西时,想要的只是结果吗?当然,结果是一部分,但还有一部分是过程性的东西,比如:AI能马上列出20个信源,这些信源是必须的。

所以,很多人在设计收费模式时,并没有具体考虑到用户的选择。他们会从很高的角度去想怎么设计一个通用的收费模式,比如:开会员。其实,没必要这样,因为现在已经没有什么通用模式了。

通用模式挺难,如果在信源显示上增加商业化手段,那会不会走出不一样的路呢?留给他们思考。

再来看看ToB企业用户:

企业用户更希望模型能融入他们的日常工作,直接提高效率,优化业务流程。坦白说,我觉得从企业服务团队的背景来看,主要有两种:

第一种是传统的企业服务团队。这些团队本来做的就是企业服务,现在想加上大模型的能力,跟上AI的潮流。他们发现,企业服务的核心没变,思路、客户和品牌还是按照传统的企业服务模式来。

对他们来说,大模型只是新工具,能帮他们和传统供应商竞争,还能有不同的评价和定价。

第二种是新兴的AI公司。这些团队通常用大模型的技术优势,尝试做企业生意,比如卖数字人、智能体这些新概念产品。

但问题是,这样做很容易变成一次性买卖,用户的信任是有限的,市场最终会理性,只愿意为实际价值买单。

所以,在企业服务这块,模型不是传统企业服务的分支,也不是简单地把AI加到企业服务里,而是企业服务里多了一种新技术。这意味着,企业服务的核心能力还得有,模型只能是个增强工具。

现在,一些没有企业服务能力的团队,可以通过大模型方案接触企业客户,但长期看,他们得补上其他企业服务的能力,才能真正赢得市场。客户买的不是模型,而是一个完整、强大的解决方案。

比如:一个SCRM软件加上AI会怎么样?一个SaaS加上AI会怎么样?

我已经看到一些变化,比如有赞。他们已经把模型能力融入SaaS产品;消费者可以通过对话式界面(LUI)或命令式界面(CUI)直接提需求,系统就能提供相应的功能或执行任务。

AI还能帮企业完成更复杂的任务,比如整理库存、优化客户关系,甚至预测销售趋势。

这才是企业产品和大模型结合的真正意义,简单讲,把模型融入工作流,成为企业服务的一部分。毕竟,甲方客户不买模型本身,他们买的是能直接提升业务价值的工具。

以上四点,关于大模型技术到产品化、产品到商业化,商业化到反哺业务,希望对你有启发。

总结

模型和产品结合才值钱。

2024年底,大模型、多模态技术已经发展到一定阶段,接下来是AI产品发力的时候,或许,谁能深耕特定场景和用户需求,谁就能在市场立足,你觉得呢?

本文由人人都是产品经理作者【王智远】,微信公众号:【王智远】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。

题图来自Unsplash,基于 CC0 协议。看广告赚钱的软件