在AI技術的浪潮下，許多基于大模型的產(chǎn)品涌現(xiàn)而出，但并非所有創(chuàng)新都能帶來成功，有時大模型的出現(xiàn)還會放大AI創(chuàng)業(yè)公司的內部矛盾。這個時候，我們需要搭建與AI相配的底層思考框架。

近來看了些基于大模型的產(chǎn)品，真的是差點把自己看哭了。

倒不是悲天憫人，而是想起了過去十年里被這些創(chuàng)意和產(chǎn)品折磨的日子。

這些產(chǎn)品是死路，但新的一波同學們可能太新，所以并沒有過去十年的記憶，因此在大量重復過去的故事。

這些創(chuàng)意在底層邏輯上并不會因為大模型就改變境遇，關鍵是內部結構的矛盾性，這些矛盾性在很多項目上并沒有因為大模型而縮小，其實是放大了。

這里總結些典型的蘊含矛盾會搞死自己的模式，供感興趣的同學參考吧。

一、大模型做不了解決方案

長期做AI的同學大家都知道，上次的人工智能創(chuàng)業(yè)因為遲遲無法在產(chǎn)品上構建現(xiàn)金流，最后不管多有名的企業(yè)，不管起點是視覺、語音、NLP，最終大家的歸宿幾乎是一樣的：做解決方案。

在開始投標、需求打磨、開發(fā)、交付這條路之后，前面說的結構性矛盾就出現(xiàn)了。

對于這種重運營、渠道工作，在內要消耗大量的人力，在外則定價的時候基本沒啥發(fā)言權。

這難處就正好打在了創(chuàng)業(yè)公司的七寸上。

AI創(chuàng)業(yè)公司人貴，不擅長精細化運營。

真干上面這類工作要有點干毛巾能擰出水（稻盛和夫）的本事才行，技術在不影響定價權的時候其實反倒是不關鍵。

創(chuàng)業(yè)公司如果有精細化運營的本事那就不是創(chuàng)業(yè)公司。

基本處在傻大黑粗干想敢干階段的創(chuàng)業(yè)公司和這個要求是矛盾的。

讓科技公司改成這樣，那差不多相當于讓悟空、八戒天天念經(jīng)，有緊箍咒都不好使，何況還沒有，也沒這意愿。

再加上人貴，于是就只能天天虧損。

一虧十年，其實是把一個本應技術產(chǎn)品驅動的活干成了運營業(yè)務驅動的細致活的必然結果。

這和誰干沒關系，套在這種結構里面，誰進來都夠嗆。

大模型之后，這個模式的境地其實是變差了。

因為大模型上的支出其實是提高的，不管是模型本身，還是人員成本，但你定價一端并沒有變化，對精細化運營的要求也是有增無減。

有時候就會碰到幾十上百萬的項目四處找大模型的情況。

而為了拿到這些機會，模型的價格就一路下降。

這是個什么路數(shù)呢？

一個公司傾盡全力大模型也不一定能干好，所以隨便那個領域的模型也不可能僅靠一點預算就能干出個有價值的結果。

一旦這類活啟動，那最后只可能是在這鏈條上的人一起想辦法把事情對付過去。

供給方賺個流水，還不一定賺錢。

消費方，花了錢拿到個不能用或者不好用的模型。（因為技術本身迭代很快，這么做出的模型只可能越來越不好用）

然后在外部聲浪的助推下（比如OpenAI的新模型），這事一次一次發(fā)生，然后一次一次透支AI的預期。

在小模型或者互聯(lián)網(wǎng)的情況下，這路不怎么賺錢大致還能走，在大模型的時代，這是條死路。（后面還跟著私有部署、長期運維等一系列事兒呢）

貼個圖，這事就適合用五力模型看，一想特別清楚：

二、單點工具沒有意義，SaaS死在這兒了

過去十年還一個和AI雙生的巨大失敗是SaaS的集體玩不轉。

現(xiàn)在甚至一度到要給自己放進行曲進行激勵的程度。

說原因的人很多，但一直不怎么在點子上。

到點子上就會有點絕望，但絕望之為虛妄正與希望相同（魯迅）。

我們可以用一句話從結果先進行總結：

單點工具在國內玩不轉，沒人付錢。

比如過去CRM不好賣，換成大模型做的CRM就好賣了么？

顯然不是。

為什么不付錢呢？

這只能到工具的價值結構里面去找答案。

如果你是生死攸關的工具，那就怎么也得買，頂天不愿意續(xù)費。

如果是改善型的工具，那差不多能用就得了，我干嘛多花錢，別的錢還不夠呢。

（和SaaS對比，是過去這些年在數(shù)字化上花的錢，其實一點也不少）

我們總和外國比，但泥土不一樣，其實沒的比。

泥土不一樣還不是什么經(jīng)營理念，而是老外IT、人都貴，弄SaaS是順勢而為。

我們要反過來逆勢整，肯定就沒人埋單，底層是需要創(chuàng)造更大的價值。

為什么從AI說到SaaS了呢？

因為SaaS代表了一種AI落地的形式：單點的功能型工具。

如果把模型進行簡單包裝，弄成XX寫作、XX助理，那命運和SaaS肯定一樣。

比SaaS還不如的是還隨時得提防會不會被通用大模型碾壓。

通用大模型像一個巨大的從山而下的雪球，這種小工具要在它的路上，那稍微擋路肯定被碾死。

上述這種小工具不單是SaaS還有很多變種。

比如各種堆集到音箱后面的技能，做個繪本、放個鬧鐘等等不一而足。

這種小技能在有些應用商店里一度上萬，但其實時間稍微一長，做的人都不記得為什么做它了。

這事唯一有價值的可能是配合上一節(jié)說的，在報價的時候看著比較另類，輔助投標。

不是說單點工具不能做，但做的邏輯就變成快點做，快點賺點錢，并且不要在國內。

三、整體性產(chǎn)品不能從隱性成本高的地兒開始

單點工具不好做，那做ERP整體工具是不是就可以了？

這還有另外一個坑。

近來談Agent的人多了起來，但看著好像離這個坑越來越近。

整體性工具和直接用chatGPT最大的不同是什么呢？

它重構生產(chǎn)關系。（Copilot生產(chǎn)力，ERP生產(chǎn)關系）

說生產(chǎn)關系大家可能沒感覺，可以再換個角度：重構資源流轉和利益分配的方式。

這事《創(chuàng)新者窘境》里說的比較透徹：資源、價值觀、流程定義分配秩序，而分配秩序就定義了企業(yè)擅長干什么不擅長干什么。

這個價值觀最核心的部分可不是掛在墻上的以人為本什么的，而是誰拿多少錢，誰花多少錢的根子。

它的變化影響一個組織里面利益分配規(guī)則。

最簡單的導入機器人都會讓一部分人被淘汰，何況更頂級的整體性工具。

在這里整體性工具的收益要對沖的是既有資源流轉體系。

如果是企業(yè)級工具，那無疑需要極為強勢的推動。

新公司來做實在不樂觀。

大家應該還記得流傳頗廣的華為上系統(tǒng)的時候削足適履一說，不支持的請離開。

模型本身就有不靠譜的地兒，再抗這么重的領域，有點像小樹苗當大梁用。

第一很難構建現(xiàn)金流，第二即使構建了估計也不可持續(xù)。

我如果就寫這也不行，那也不行，那估計會被噴：想那么多事干啥，干就完了。

所以要再寫下新的領域究竟在那兒。

四、從混沌中摘取果實要看到真正創(chuàng)新之處

我們面臨兩類不同的業(yè)務情景：一類是變量數(shù)目其實定了；一類是究竟有多少變量還不知道（北大國發(fā)院王超老師管后者叫頑劣問題）。

比如我們蓋房子差不多是前者，但做大模型或者大模型的應用就是后者。

兩類結果都不確定但需要的思維方式其實不同。

前者還是要盡可能專業(yè)化，把細節(jié)搞很清楚，專業(yè)化，然后再下手。挖煤礦不尊重這種專業(yè)化，大概率吃不了兜著走。

后者就沒法這么清楚和專業(yè)，要關注底層邏輯，然后結合到底相信什么做判斷。（人類所知甚少的時候就什么都是哲學，但科學昌明后很多哲學問題變成了科學問題）

AI應用基本上是后者的狀態(tài)，需要在一片混沌中形成一個自己自洽的套路，然后從未來中撈一把，也許能抓到些什么。

為了讓這個過程有點套路，我這里提供一個底層邏輯的思維框架供參考：

第一是角色中心式計算視角。

不要再考慮單點工具了，在單點工具上AI并不比過去的技術進步多少。郵箱用不用AI其實沒那么大區(qū)別，加個語音的交互的天氣功能和手戳兩下也沒太大區(qū)別。

這次AI核心特征是能夠理解概念，能夠自主形成判斷。

基于這個特征構建出的工具才是藍海里的工具。至少是現(xiàn)有工具都干不了的事。

過去是累積一圈的各種功能型工具，企業(yè)里比如郵箱、電話會議、OA、代碼管理工具等，這次是要聯(lián)通。變成一個自主的“智能人”。

把AI放在原來各個工具里面，有點像電腦都出現(xiàn)了，還只是就用來當算盤或者打字。

第二是圖靈測試2.0。

即使是角色中心式計算的視角，你還要看到底這事能不能干，如果像上面說的和整個企業(yè)犯沖，那做的再好也形不成現(xiàn)金流。

這絕對是個產(chǎn)品視角，產(chǎn)品視角是個大綜合的視角，高于現(xiàn)有工具、產(chǎn)品，高于模型。

這時候要有技術視角的判斷，比如任何一個角色如果要細分可能要拆解成100個行為或者判斷，那現(xiàn)在的模型在這100判斷上表現(xiàn)怎么樣。

如果考慮它偶爾抽風，精度基本還行，那技術供給是夠的。

更要有角色本身的判斷，比如這個角色的相關部分是否充分數(shù)字化了，別拿到的信息就不可能準，那模型再好也沒用。

基礎判斷沒問題，再快速驗證，然后AI代理的這個角色不單從與人溝通中無法識別是AI，從現(xiàn)實反饋上也無法識別，那測試就算通過了。(比如你想發(fā)Offer，它真的發(fā)了)

一定不要互聯(lián)網(wǎng)思維，不要單點極致口碑快。這些和AI思維沖突。

天時已經(jīng)改變，換了人間，不要再老套路，如果不信可以回顧下智能音箱。

第三是智能原生應用。

能夠承接角色中心式計算和通過圖靈測試2.0的一定是智能原生應用。

過去所有技術達不成這個目標。

那智能原生應用的核心特征是什么呢？

簡單說可以叫：萬物皆數(shù)、實時反饋、中心決策。

數(shù)字化必須足夠充分，不管是項目還是統(tǒng)一性。

CEO再英明神武你給他假的信息一樣昏聵。比如：坑爹的極致之一就是袁克定給袁世凱辦了個報紙，然后袁世凱這北洋領袖就這么走了。

這里最難的不是事本身，而是持續(xù)做到這點所產(chǎn)生的隱性成本。

如果上層應用沒打通，沒有一種持續(xù)確保措施，那數(shù)據(jù)天生會變混亂和不準。

實時反饋說的是信息的在時間軸上價值不等。

中心決策其實揭示了另一個智能原生應用的底層規(guī)律。

智能的效能=模型X信息完整度。

所以必然有個中心代表完整度，這還不單是模型決定的。

架構要按照這三點進行設計。

第四則是落地的時候要搞定從1到10。

這點不展開了，大家參見：從1到10：AI產(chǎn)品和互聯(lián)網(wǎng)產(chǎn)品的核心差異

小結

不知道什么時候開始流行了一種說法叫：干就完了。假如未來是一片混沌，有無限可能，那干就完了式的試錯其實大概率會失敗。并且因為可能太多，所以簡單試錯的掛了產(chǎn)生的經(jīng)驗價值都沒想的那么大。勇氣和堅持總是要的，但對于AI需要配一個底層的思考框架。而這套思考框架和過去互聯(lián)網(wǎng)完全不同，要盡快摒棄互聯(lián)網(wǎng)帶來的各種成功經(jīng)驗和方法論。