賺錢的AI產品做對了什麼？
提前AI產品賺錢，人們就興奮。
看組數據：剪映和CapCut，兩個軟件全球每月用戶超過8億。到2024年，賺錢增長了三倍多，總共差不多有一百億人民幣。
你可能會想，兩個軟件和AI關係不大吧？實際上，像智能補光、智能降噪等一鍵操作功能，背後都運用了最新的模型技術。
如果把這種融合AI能力的產品放一邊，那看看獨立產品。到9月，可靈AI每月用戶已經超過150萬；雖然沒有即夢的具體數據，但有市場分析師說，即夢價值是剪映的十倍。
我在刷抖音時，明顯感覺到AI小應用變多了，看起來字節跳動正在用新的方法，圍繞即夢這款產品，打造屬於AI時代的抖音。
但是，問題來了：大公司做AI產品，都能從零到一完成商業化閉環，賺錢效率很快；爲什麼其他做模型的公司卻很難賺到錢呢？這裡有四個洞察，或許能幫你換個思路。
01
先思考一個問題：大型語言模型（LLM）和產品到底有什麼區別？
簡單來說，它們像工具箱和傢俱。大型語言模型，像一個裝滿工具的工具箱，裡面有錘子、螺絲刀、扳手等。
AI產品像傢俱，是爲了特定的用途和需求設計的。比如：椅子是用來坐的，桌子是用來放東西的。傢俱直接解決了用戶的問題。
所以，大型模型是一個API接口，產品是用戶直接用的東西。沒有變成產品的大型模型，只是能力，這就是兩者差異所在。
那麼，爲什麼大模型不能直接變成賺錢的產品呢？
第一點，大模型能幹很多活，但產品價值在於解決具體問題。剪映通過智能補光、降噪這些功能，讓用戶操作起來更簡單，直接解決了拍視頻的人的煩惱；即夢和可靈AI則是針對搞創意內容的人，給他們提供好用的工具，變成了市場需求。
相比之下，如果單純提供一個工具箱，用戶要自己思考怎麼用，那，商業化路徑就會被拉長。
第二點，單獨的模型要生態和資源支持。什麼意思？
模型只能提供能力，但傢俱得嵌入到用戶的需求裡，同樣，AI產品的商業化得靠生態系統的幫助。
剪映依靠抖音，把AI能力用在短視頻的製作、發佈、分享上，用戶拍的東西可以直接導入剪映編輯，形成了從創作到分發的完整流程。
即夢結合了短視頻和直播電商場景，不僅讓創作者更高效地創作，還能在商業場景中直接變現，是不是有自己的生態閉環？
相比之下，獨立的大模型沒有這樣的生態網絡，光靠模型能力，就算接觸到了用戶，也難產生持續的商業價值。
第三點，商業化路子得清楚。
工具箱再好，用戶掏錢買它的慾望也沒產品強，因爲產品能解決實際問題。所以，想掙錢的AI產品，一開始就得想好怎麼賺錢。
文心一言4.0一上來就做會員制，讓付費用戶享受更強的模型推理能力；Monica搞了個集成AI助手的全能工具，滿足了一些人對各種模型的需求。
想想看，現在市面上工具太多了，單個模型性價比往往不高，有時候回答還不靠譜；集成平臺的好處是，如果一個模型不好用，我可以換另一個，這種靈活性本身就值錢。
用戶願意爲“選擇的自由”和“更高效的服務”掏錢，這讓Monica打出了特色。
反過來看，一些大模型公司在商業化上模模糊糊，還停留在“工具箱”階段。用戶不知道它能幹啥，更不知道爲啥要掏錢；這樣下去，商業化路子就拖長了，市場窗口期一過，就很難抓住用戶心了。
值得一提的是：大模型自己不懂用戶需求，產品纔是貼近場景的東西。
就拿智能降噪來說，背後用了極爲複雜的模型技術，用戶根本不會關心這些，他們在乎“功能好不好用”。若反過來看，這一能力恰巧爲模型提供更多語料，如：提取清晰的人聲、場景聲和人生分離；這種技術反而會讓模型能力進一步提升。
因此，大模型本身不能作爲一個完整產品，只有把模型賦能到產品中，才能在市場立足。
02
既然模型要做成產品，那得知道模型和AI產品的差異是什麼？
前幾天，遇到了一個有趣的場景：我把Excel文件給了豆包，豆包立馬解釋裡面的內容。然而，我在GitHub上下了一個模型後，把Excel給模型的API，它卻告訴我：不好意思，沒辦法讀取這個文件的內容。
我就納悶，這是爲什麼？帶着疑問去找答案，結果發現，豆包是挺大的模型產品，它後面有好多多模態的模型支持。
豆包拿到Excel文件後，會先把它轉換成模型能懂的XML格式，然後再把信息輸入模型裡去做推理。這個過程是產品層面來完成的。
換句話說，大模型API是個接口，產品要在模型的基礎上，加上一整套工程化的轉換機制，讓模型能直接和用戶交流，這些限制是產品層面的，不是API自己的限制。
這就點明一個核心問題：
模型提供的是能力，而產品需要通過工程化，將這些能力變成用戶看得見、用得上的功能。既然如此，那麼，大模型爲什麼無法直接調用內容，還得轉化一下呢？
一方面，一個請求裡要來回調用很多次，模型可能在API內部被調用很多次，這種成本，API提供者扛不住。
一個常見例子是多輪對話：
用戶在對話中問：“我這張信用卡什麼時候還錢？”模型得先找出這個人的ID，再去銀行的數據庫裡查信息，然後才能返回結果。
要是沒有一套邏輯來控制，模型會因爲信息不夠，一直問用戶，而不是直接去查；這就要產品這邊，用外部的邏輯（比如條件判斷和功能調用）來管每一步，保證用戶只輸入一次信息就能搞定。
通過這種邏輯控制，用戶不用瞭解模型的底層機制，也能在一個自然的交互中獲得結果。
另一方面，有時候模型也會出錯，比如：把好多數據混在一起分析，這種反覆檢查的要求，通常做不到。
最常見的是處理PDF：
你上傳一個很長的PDF文件給模型，想讓模型總結裡面的東西，模型可能因爲文件太長、內容太複雜，直接報錯，或者給你一些沒用的內容。
這時候，如果產品層沒有把PDF分成小塊，提取每段的重點，再整合起來，挑出關鍵信息，那它給你的是一堆聽起來對但沒啥用的話。
所以，大模型自己不太穩定，要想控制它，必須通過工程化的手段來實現；這是大語言模型、這是大語言模型、技術和產品之間的差距。
03
我覺得，產品經理應該關注模型到產品中間部分。
爲啥這麼說呢？
就像我之前說的，大模型像工具箱，是超級大腦。工程師和產品經理得給大腦配上五官、身體和四肢，這樣工具箱才能變成真正能幫用戶的傢俱。
所以，產品經理對AI產品好不好用特別重要。
如果一個AI產品只是腦子聰明，操作複雜，用戶可能就不會喜歡；反過來，如果操作簡單，但核心能力不行，也滿足不了用戶需求。
很明顯，要做好AI產品，不光要有好的大模型，還得有好的工程師和產品經理來幫忙。這個道理大家都懂，但具體怎麼做呢？
俞軍有個公式叫：用戶價值 = 新體驗 - 舊體驗 - 替換成本。我覺得太理論。可以換個思路想：用戶爲啥願意爲AI產品掏錢？
答案有三點：
這裡有個經歷：前段時間，有朋友說，橙篇這款產品功能挺多，挺複雜，但有個功能讓他特別喜歡；要畫流程圖、折線圖、餅狀圖，橙篇都能搞定；他甚至爲此開了會員。
我說，這些功能Kimi和豆包也能做啊，你怎麼不用它們？他說，他不知道。你看，這就是問題。
就算Kimi和豆包有相同甚至更強的能力，但它們缺少一個核心要素：針對性和明確性。橙篇通過清晰的功能設計，滿足了用戶的需求，這種新體驗，用戶馬上就願意掏錢。
所以，AI產品經理如何處理好模型和產品中間一環？
不妨換個思路想想，大模型適合用在哪些任務上，一個遺憾但幸運的事實是：現在大型語言模型（LLM）還不能做複雜的創造性活動，比如：批判性思維和深度頭腦風暴。
因此，我們應該讓模型多做些瑣碎、重複、無聊的非創造性任務，而不是用它們取代人類獨有的活動。
比如：總結可能被認爲是創造性活動，不應該依賴LLM來做；而像搜索這種枯燥的活動，完全可以讓LLM來處理；所以，有些特定任務就得讓模型來幹。
04
問題是，特定什麼都包括哪些呢？我整理了一下，大模型擅長的活兒大概有這麼幾類：
這些任務的共性：要模型幫忙提高效率，但不需要複雜的創造性思考，不過，不同的用戶對這些任務的需求也不一樣。
以普通消費者（ToC）搜索方面爲例：
用Kimi Chat的人和用百度的人完全不一樣，再看看用秘塔AI搜索和知乎AI搜索的人，也是兩種不同的用戶。
秘塔AI，專門搜索法律文獻的軟件。用這個軟件的人，他們關心什麼？是一些特別具體的法律信息。
再看看知乎，用知乎AI的人要找信源、觀點和思考。他們搜索東西時，想要的只是結果嗎？當然，結果是一部分，但還有一部分是過程性的東西，比如：AI能馬上列出20個信源，這些信源是必須的。
所以，很多人在設計收費模式時，並沒有具體考慮到用戶的選擇。他們會從很高的角度去想怎麼設計一個通用的收費模式，比如：開會員。其實，沒必要這樣，因爲現在已經沒有什麼通用模式了。
通用模式挺難，如果在信源顯示上增加商業化手段，那會不會走出不一樣的路呢？留給他們思考。
再來看看ToB企業用戶：
企業用戶更希望模型能融入他們的日常工作，直接提高效率，優化業務流程。坦白說，我覺得從企業服務團隊的背景來看，主要有兩種：
第一種是傳統的企業服務團隊。這些團隊本來做的就是企業服務，現在想加上大模型的能力，跟上AI的潮流。他們發現，企業服務的核心沒變，思路、客戶和品牌還是按照傳統的企業服務模式來。
對他們來說，大模型只是新工具，能幫他們和傳統供應商競爭，還能有不同的評價和定價。
第二種是新興的AI公司。這些團隊通常用大模型的技術優勢，嘗試做企業生意，比如賣數字人、智能體這些新概念產品。
但問題是，這樣做很容易變成一次性買賣，用戶的信任是有限的，市場最終會理性，只願意爲實際價值買單。
所以，在企業服務這塊，模型不是傳統企業服務的分支，也不是簡單地把AI加到企業服務裡，而是企業服務裡多了一種新技術。這意味着，企業服務的核心能力還得有，模型只能是個增強工具。
現在，一些沒有企業服務能力的團隊，可以通過大模型方案接觸企業客戶，但長期看，他們得補上其他企業服務的能力，才能真正贏得市場。客戶買的不是模型，而是一個完整、強大的解決方案。
比如：一個SCRM軟件加上AI會怎麼樣？一個SaaS加上AI會怎麼樣？
我已經看到一些變化，比如有贊。他們已經把模型能力融入SaaS產品；消費者可以通過對話式界面（LUI）或命令式界面（CUI）直接提需求，系統就能提供相應的功能或執行任務。
AI還能幫企業完成更復雜的任務，比如整理庫存、優化客戶關係，甚至預測銷售趨勢。
這纔是企業產品和大模型結合的真正意義，簡單講，把模型融入工作流，成爲企業服務的一部分。畢竟，甲方客戶不買模型本身，他們買的是能直接提升業務價值的工具。
以上四點，關於大模型技術到產品化、產品到商業化，商業化到反哺業務，希望對你有啓發。
總結
模型和產品結合才值錢。
2024年底，大模型、多模態技術已經發展到一定階段，接下來是AI產品發力的時候，或許，誰能深耕特定場景和用戶需求，誰就能在市場立足，你覺得呢？