如何在產(chǎn)品創(chuàng)造中利用和把握AI？或許可以來看看這篇文章。本篇文章的分析對(duì)象——Rows 電子表格，就嘗試將AI作為促進(jìn)增長(zhǎng)的一種產(chǎn)品手段，其創(chuàng)始人還總結(jié)了3個(gè)矩陣。一起來看看本文的分享。

在過去的 30 年里，我們經(jīng)歷了 4 個(gè)互聯(lián)網(wǎng)演進(jìn)的階段：00 年代初期的 web 網(wǎng)絡(luò)、04 年后的社交媒體、06-09 年的移動(dòng)互聯(lián)網(wǎng)以及 10 年代初的共享經(jīng)濟(jì)。隨著 AI 熱度的增加，很多并無所謂 “AI-基因“ 的產(chǎn)品也帶上了 AI 的帽子開始為自己增加價(jià)值。

然而，在產(chǎn)品創(chuàng)造中如何利用和把握 AI，Rows 電子表格的增長(zhǎng)負(fù)責(zé)人給出了從“找場(chǎng)景-想方案-定價(jià)格”的 Gen-AI 產(chǎn)品創(chuàng)業(yè)三部曲。

思考：

我們嘗試基于文章內(nèi)容，提出更多發(fā)散性的推演和深思，歡迎交流。

很多場(chǎng)景下，我們無法判斷 AI 給出答案的真實(shí)性，也很難將重要的決策交給 AI 來完成，用戶往往還是最終信息的判斷者和決策者，在 AI 還未成長(zhǎng)為完全態(tài)的階段，易于判斷和低的矯正成本，是相對(duì)適合的用戶場(chǎng)景。

關(guān)于產(chǎn)品的定價(jià)：基于利潤(rùn)和收入的不同目標(biāo)下，我們對(duì)于定價(jià)的側(cè)重會(huì)不同。Rows 等絕大多數(shù)產(chǎn)品基于調(diào)用成本如 token 數(shù)來定價(jià)，但正如我們上一篇文章所說，定價(jià)的底層是對(duì)用戶支付意愿即對(duì)產(chǎn)品價(jià)值的衡量。走進(jìn)、感知用戶，仍然是不變的產(chǎn)品要素。

AI-Powered 產(chǎn)品分析

1. 產(chǎn)品：

Rows ，在線 AI 電子表格。

2. 創(chuàng)始人：

Torben Schulz 和 Humberto Ayres Pereira。他們是同窗好友，過去曾在 Previous Experience 一起工作，此后繼續(xù)在波爾圖大學(xué)繼續(xù)學(xué)業(yè)，專注于電氣工程和計(jì)算機(jī)科學(xué)領(lǐng)域。

本文觀點(diǎn)的主要提出者——Henrique Cruz ，是 Rows 現(xiàn)任增長(zhǎng)主管，他在產(chǎn)品管理和營(yíng)銷方面擁有超過 5 年的經(jīng)驗(yàn)。在加入 Rows 之前，Henrique 曾在 Kaizen Institute Consulting Group、 Talkdesk 、 Veniam 這 3 家企業(yè)任職，主要負(fù)責(zé)產(chǎn)品管理、營(yíng)銷和進(jìn)入市場(chǎng)策略等。

3. 產(chǎn)品簡(jiǎn)介：

Rows 于 2016 年創(chuàng)立，致力于為商界人士提供更易用的工具和更好看的圖表。面對(duì) Excel、 Google 占領(lǐng)的電子表格市場(chǎng)，Rows 集成了不同的 Web 應(yīng)用程序，可以輕松的從社交媒體、數(shù)倉、廣告平臺(tái)等地方進(jìn)行數(shù)據(jù)導(dǎo)入和處理，不需要編寫代碼。同時(shí)，它提供了更加自動(dòng)化的能力，比如可以定期更新表格、單擊幾下就可以將電子表格導(dǎo)出為自己的 Web 應(yīng)用程序。

4. 融資歷史：

2018 年獲得 800 萬美元 A 輪融資，Accel Partners 和 Zalando 聯(lián)合創(chuàng)始人 David Schneider 等著名投資者投資。

2021 年獲得 1600 萬美元 B 輪融資，柏林著名風(fēng)險(xiǎn)投資家 Lakestar 領(lǐng)投，先前的投資機(jī)構(gòu) Accel 和 Cherry Ventures 也參與了本輪融資。

Rows 作為一個(gè)典型的 PLG （產(chǎn)品驅(qū)動(dòng)增長(zhǎng)）產(chǎn)品， AI 被其作為促進(jìn)增長(zhǎng)的一種產(chǎn)品手段。如何找到 AI 與產(chǎn)品的契合點(diǎn)從而幫助產(chǎn)品更好的獲取用戶以及占領(lǐng)市場(chǎng)，創(chuàng)始人提出了以下的 3 個(gè)矩陣。

矩陣 1：解決什么問題

“我應(yīng)該應(yīng)用人工智能來解決什么問題”？這是我們很多人在過去幾個(gè)月問自己的問題。不是所有的問題都適合用 AI 解決， 有以下特征的問題會(huì)更適合：

1. 易于驗(yàn)證

不需要太多人為判斷來評(píng)估解決問題的質(zhì)量，可以快速評(píng)估其準(zhǔn)確性，比如使用 AI 編寫 SQL 查詢來解決特定的工作就是個(gè)適合的場(chǎng)景。一個(gè)不太好的例子是，要求 AI 寫一篇關(guān)于 17 世紀(jì)荷蘭經(jīng)濟(jì)的文章。除非你是該領(lǐng)域的專家，不然很難確定論文的準(zhǔn)確性。

2. 迭代成本低

AI 輸出的結(jié)果可以快速迭代。例如， AI 非常適合總結(jié)亞馬遜商品的評(píng)價(jià)，我們可以在其中快速修改提示——比如要求將總結(jié)呈現(xiàn)變成要點(diǎn)呈現(xiàn)。一個(gè)不太好的例子是，讓 AI 作為旅行社，要求它對(duì)比不同平臺(tái)飛往夏威夷的機(jī)票價(jià)格并完成購(gòu)買，一旦判斷錯(cuò)誤， 成本太高。

低迭代成本是 ChatGPT 的界面如此受歡迎的原因之一。聊天界面鼓勵(lì)我們與人工智能迭代交互，用戶可以很輕松的丟棄低質(zhì)量的輸出并引導(dǎo)對(duì)話轉(zhuǎn)向有用的內(nèi)容。因此，只要 AI 能夠快速迭代到 50% 的正確率，用戶可以在這種便捷的輸出下接受 50% 的錯(cuò)誤率。

矩陣 2：完成 AI 解決方案的分類

現(xiàn)在我們每天都可以接收到大量 AI 產(chǎn)品的新訊息，是否有可行性？有多大的市場(chǎng)空間？在海量的信息中我們并不容易直接得到。Rows 提出了對(duì) AI 解決方案分類的四象限方法：

1. 橫坐標(biāo)：作為什么存在

1）AI 構(gòu)建產(chǎn)品（AI-Native）

AI 是產(chǎn)品創(chuàng)造背后的驅(qū)動(dòng)力。沒有人工智能，就不能獨(dú)立存在的產(chǎn)品，比如ChatGPT。

2）AI 改進(jìn)產(chǎn)品

產(chǎn)品可以獨(dú)立存在，而 AI 改進(jìn)了現(xiàn)有產(chǎn)品的核心用法。這就是包括 Rows 大多數(shù)產(chǎn)品的玩法。移動(dòng)互聯(lián)網(wǎng)時(shí)代的人們?cè)谂f場(chǎng)景中玩新游戲。

2. 縱坐標(biāo)：如何構(gòu)成解決方案

1）大模型套殼

這種方式被稱為“所見即所得”（ What You See Is What AI Gets ）。該解決方案本質(zhì)上是對(duì)于大模型的直接套用。輸入通常為用戶輸入和附加上下文，用戶看到的輸出就是模型的輸出。

這是最常見的人工智能解決方案類型。在 AI 構(gòu)建產(chǎn)品中， AI 頭像生成就屬于這種類型。在 AI 改進(jìn)產(chǎn)品中，比如 Canva Magic Eraser、Notion AI、或 Rows 中的 OpenAI 集成，都屬于這種解決方案。

2）增強(qiáng)模型

AI 模型的輸出經(jīng)過進(jìn)一步處理、分析和計(jì)算，為用戶提供獨(dú)特的東西。

ChatGPT 的 Wolfgram 插件就是一個(gè)很好的例子。用戶可以問一些需要數(shù)學(xué)計(jì)算的問題， Wolfgram 會(huì)結(jié)合 ChatGPT 及其自身的智能模型來為用戶提供答案。

這也是 Rows 的其中一個(gè)產(chǎn)品——AI Analyst背后的方法。用戶可以發(fā)送表格的元數(shù)據(jù)（例如表頭、字號(hào)），并使用 AI 構(gòu)建基本分析模型，描述需要研究的問題、表格公式等。模型會(huì)獲取該輸入并進(jìn)行更正、計(jì)算、轉(zhuǎn)換、格式化并將其傳送到用戶的表格中。

矩陣 3：AI 定價(jià)方法

在產(chǎn)品開發(fā)過程中，良好的商業(yè)化方法是產(chǎn)品可持續(xù)發(fā)展的必要條件。有非常多種商業(yè)化方法，比如將 AI 產(chǎn)品與免費(fèi)服務(wù)綁定，作為一個(gè)付費(fèi)組件進(jìn)行購(gòu)買、亦或是單獨(dú)作為付費(fèi)產(chǎn)品進(jìn)行購(gòu)買。

稻盛和夫曾說，“定價(jià)就是定生死”，產(chǎn)品決策定價(jià)后，會(huì)對(duì)業(yè)務(wù)產(chǎn)生非常大的影響。Rows 的 AI Analyst 是免費(fèi)使用的，發(fā)布后的 2 個(gè)月內(nèi)，帶來了超過 40 萬的新用戶，使用這個(gè)功能的大多數(shù)人，認(rèn)為這個(gè)免費(fèi) AI 電子表格可以與 Excel 的效果相媲美，也愿意分享產(chǎn)品給他人，由此引發(fā)了病毒式傳播。

Rows 的創(chuàng)始人基于利潤(rùn)的考慮，選擇了成本定價(jià)法。由于當(dāng)前大多數(shù) AI 解決方案都涉及對(duì)第三方模型的 API 調(diào)用，因此 API 的調(diào)用成本可以幫助我們更好的判斷應(yīng)該如何收費(fèi)。我們可以將調(diào)用成本以及 AI 解決方案的定價(jià)視為兩個(gè)因素的組合：

1. 使用頻率：用戶在每個(gè)計(jì)費(fèi)周期（例如每月）使用 AI 解決方案的次數(shù)。
2. 使用成本：每人每次使用的成本。

隨著使用頻率和使用成本的增加，產(chǎn)品成本也會(huì)增加，免費(fèi)使用可能就意味著虧損。對(duì)于 Rows 的兩個(gè) AI 產(chǎn)品：

1. AI Analyst：位于刻度的左下角。該功能的深度用戶每周可以通過分析幾十張表格，并提出幾十個(gè)問題來獲得很多價(jià)值，但幾乎沒有人需要太頻繁的使用這個(gè)功能。因此這個(gè)功能的的使用深度相對(duì)較小。
2. OpenAI 集成：位于右上角。用戶可能會(huì)很頻繁的用這個(gè)功能，比如每周標(biāo)記數(shù)百個(gè)客戶票證、翻譯客戶評(píng)論或生成數(shù)百個(gè)關(guān)鍵字創(chuàng)意。再加上 OpenAI 的嚴(yán)格速率限制，Rows 不太可能免費(fèi)提供 OpenAI 集成的能力。

還有另外一個(gè)視角， Ian Clark 有超過十年幫助軟件和互聯(lián)網(wǎng)公司實(shí)現(xiàn)其產(chǎn)品盈利的經(jīng)驗(yàn)，他提出售賣價(jià)格應(yīng)該與成本無關(guān)，與用戶的支付意愿才相關(guān)。公司應(yīng)該保持對(duì)用戶的持續(xù)關(guān)注以評(píng)估其支付意愿的變化，只要找到了認(rèn)可產(chǎn)品價(jià)值的用戶，就可以通過盈利策略的設(shè)置，讓每個(gè)人都能支付合理的價(jià)格。

在這個(gè)視角下，相應(yīng)的定價(jià)方法也有很多，例如“ Van Westendorp ”定價(jià)模型（荷蘭經(jīng)濟(jì)學(xué)家 Peter van Westerndorp 在 1976 年引入的一種幫助確定消費(fèi)者價(jià)格偏好的技術(shù)）。我們可以詢問顧客你的產(chǎn)品的合理或便宜的價(jià)格是什么，以及昂貴和過高的價(jià)格是什么。通過從每個(gè)顧客那里得到的多個(gè)數(shù)據(jù)點(diǎn)，可以估算出整個(gè)客戶群的需求曲線。

以上兩個(gè)視角是基于利潤(rùn)和收入規(guī)模兩個(gè)目標(biāo)的不同做法，創(chuàng)始人也應(yīng)該根據(jù)公司的不同狀態(tài)、用戶類型、以及公司目標(biāo)綜合考慮定價(jià)方式。

最后，讓我們重新站在歷史的長(zhǎng)河中想象。

1995 年。網(wǎng)景（ Sense 說：網(wǎng)景 Netscape 公司的 Netscape Navigator 曾經(jīng)是和微軟IE抗衡的瀏覽器，后被美國(guó)在線收購(gòu)）剛剛進(jìn)行了 IPO，現(xiàn)在在歷史進(jìn)程上被視為“改變互聯(lián)網(wǎng)的 IPO ”。當(dāng)時(shí) CNET 采訪 24 歲的馬克·安德森 ( Marc Andreessen )，他回答了一句話，成為了過去 30 年科技界最重要的一句話之一：

“網(wǎng)景的秘訣在于我們正處于一個(gè)爆炸式的市場(chǎng)之中?！?/strong>