赚钱的AI产品做对了什么？

tayun

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：

一、提高效率，比如用它能更快完成任务； 二、提供方便，操作起来不复杂； 三、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、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？


来源：36kr