|
随着现代科技持续在发展，针对AI在商场中的发展又该是怎样的走向，又该怎样调节安排？关于AIGC商场化的非共识认知你认识多少呢？或许能够看一看下面这篇文案，里边的内容或许能够为你解惑。 
关于AIGC商场化的13个非共识认知： AIGC的核心指标，不是节省了多少时间/人力（效率属性），而是加强了多少“转化率”（利润属性）。不是技术不足，而是缺乏深度的“行业know-how”。情感AI，可能反而是现周期的低枝果实。针对转化率的提高，虚拟人很可能会有“巨大”的增量空间。关于Agent：日前主流的“单体智能”思路有隐患，可能的突破口是“多体智能”——类似繁杂系统/鸟群，单个智能体可能很简单（不必定要超过单个人类），但整体有非凡的智慧（AI Agent 团队 >人类团队）。AI制品办法论之“由用户来完成AI制品设计的最后一千米”。品类！——此刻并无到AI 2.0 的“iPhone时刻”（那只是行业大佬的PR用语）“场景-用户-需求”之外，必须增多一个关键词，“关系”——定义了关系，就定义了约束要求和需求属性。运用AI时，把AI当成人；设计AI时，把人当成AI。将来AI企业，方向定位将不是根据To C/To B来划分，而是根据To 人/To AI 来划分。AI商场模式，不是短期、一下子能够搞定的——要么是打井模式（足够深、打穿为止）、要么是毛毛虫模式（持续跃迁）。现周期做AI，要对标的不是互联网，而是通信/IT。将来真正的AI 2.0/元宇宙社交制品形态，核心差异化的点，不仅是人和AI社交，更在于“AI和AI交互、人去看（消费）这些AI产生的内容”——那不是“游戏”，而是“生活”。1、背景：去年Lensa日入300万美金、今年妙鸭爆火，但昔日脸萌们的本质隐患，并未处理
去年12月，Lensa日收入300万美元（详见《Lensa！ChatGPT之后，又一个有破圈能力的AIGC制品》。 
某研发者做的AvatarAI，上线2天、收入1万美元（详见《一天赚一万美元，这个AI照片生成工具火了》。
这类制品，其实本质上都是“AI头像生成器”，供给的是个性化/炫耀价值，核心是“社交”两个字——虽然确实短期容易爆、吸金能力很强，但问题在于，这类制品都必须依附着某个成熟、强大的社交平台（类似QQ秀生长于QQ），才可能“长时间”巨额盈利。
想要经过AIGC，自己来沉淀社交关系链到必定数量级，短期是不现实的。
近期“妙鸭相机”的微X搜索指数，已然在大幅下滑了： 
当然，倘若能够赚一波流的钱，亦挺不错的了；但总有人期盼更能稳定、长时间的赚“系统”的钱。
2、一个非常有价值的案例：PhotoRoom
PhotoRoom详细是做什么的？服务于二手电商卖家，去掉照片背景、并增多各样细分电商应用场景所需的背景和效果。 
PhotoRoom的数据表现怎样？去年12月的数据是：下载量4000万，月活MAU 700万，每日处理的照片300多万张；基于订阅费9.99美金/人/月，2020年8月突破100万美金ARR，每一个月的增长基本上都在 50%以上（详见这篇报告）。
问题是，PhotoRoom仅仅是给用户节省了时间，就能让用户这么心甘情愿的付钱吗？NO。
PhotoRoom的价值，不仅是节省海量时间，还能加强卖家的营销转化率——针对各个细分场景，供给拥有专业设计感的照片，用户运用后，平均加强了31%的转化率！
例如社交媒介（它还细分出了 Twitter、Instagram 等）、各样电商网站（详细再细分为 Ebay、Poshmark、Depop、Etsy、Shopify 以及亚马逊等各样类型的电商平台）、网络小店、杂志风格（再继续一大堆细分）、直接拥有营销文案的照片以及各类风格类型模版，各样模版超过了1000个！全部优化生成的照片非常的有专业设计感，操作亦是非常简单。
这个案例对咱们的“底层参考价值”在于，这是一个AIGC商场化的可靠思路： 切细分场景、切细分用户；AIGC出的东西，要能显著有助于其商场活动——不仅能节省时间，还要能加强客户商场路径上的转化率；基于2，因此一起始就能够收费！（由于用户算的过账，整体是值得的）要做到3，创始团队必须对该行业具备深度know-how（就能够拿着锤子敲钉子了）3、AIGC的核心指标，节省了多少时间、人力（不是效率属性），而是加强了多少“转化率”（利润属性）
这儿有一个非常微妙的地区：PhotoRoom的功能，既能节省用户时间，又能提高转化率，到底哪个指标是最core的？？
回忆下那个经典的对比案例：智能手机（iPhone）亦有tel、短信等通信功能，然则其真正决定成败的差异化价值，其实是娱乐/社交/购物等等其他功能，重点指标亦变成“占有用户时长”等等，而并不是打tel的通话质量等通信指标了！
亦便是说，降本增效类指标亦有用，但不是“决定成败”的关键，由于人类天然更愿意为开源付费，而不必定是节流，尤其是在中国，尤其是小B和大C。
4、相针对传统互联网制品，AIGC怎样能“大幅”提高转化率呢？分享4个可能性（关键词）
1. 不是技术不足，而是缺乏深度的“行业know-how”！
传统互联网的各样网络营销功能，亦会经过优化标题、照片来加强转化率，但有一个问题，便是总觉得颗粒度太大，做不到真正的“千人千面”。
为何做不到呢？我认为，关键不是模型、算法、算力不足，而是由于真正要做到足够细分人群/场景的千人千面，必须对那个最细分行业具备深度know-how！
例如在9月2号的「AI日报」里，分享过某篇文案里的这几段话——
a）设计一个直播数字人，倘若无行业理解，很可能是一个端庄、颜值高、说话语气舒缓、手部有有些简单动作的制品，事实上直播完全不是这般的！
b）你必要晓得大众平均在直播间停留的时间有多长、必要晓得直播有忙时有闲时、必要晓得什么时候全身出镜/什么时候半身出镜、必要晓得直播间里的人的分工和配比，模型训练要结合主播的语气/风格，乃至要跟这个行业相匹配的方式做对应的串联，这般才可保准大众看到的是一个真实的东西。否则就会出来一个傻傻的主播。
c）非常多专业行业，要晓得哪个环节是容错率高的，哪个环节是容错率低的，这般才可保准是一个好的应用，否则便是一个泛泛的、拉平的东西。
d）做垂类的话，除了模型外，还要认识行业Know-How，否则是做不出来的。
另一，特看科技CEO乐乘近期分享过：
a）做了一个AI生成视频的系统，能够细分为脚本生成、画面生成、声音生成和组装编辑四个层面，对应视频的三个维度和故事线。 
b）客户向咱们表达需求，或选取一个参考视频案例，咱们给客户生成结构化的脚本、是有语义标签的一套协议，例如分镜一是一个人在讲文化，分镜二是制品展示，分镜三又是讲其他什么，类似给一条视频打码，再加上客户给的有些制品视频，或咱们生成的照片素材，以及数字人，就能够以脚本为依据去，一键组装出一条视频来。
c）咱们的脚本，来自过往平台里已然爆了的爆款视频，微调之后生成咱们自己的语料库，它爆款概率和人比有优良（10条里，跑爆的概率有两到三条）
我虽然没怎么做直播，但做IP/社群6年，有不少经验教训，能一眼看出，她们真的是深入行业了的，由于：
一方面，里面有有些核心关键词：复制爆款、公域引流、私域转化等等，这些，直接指向的便是“转化率”！
另一方面，里面有非常多非常多的细节——真正的牛人，不是那种抽象词汇满天飞，而是非常“乐于”诉说细节的；不是由于细节里有魔鬼，而是由于细节背面有认知，况且是能“从底通到天”的那种认知。
另一方面，里面有非常多非常多的细节——真正的牛人，不是那种抽象词汇满天飞，而是非常“乐于”诉说细节的；不是由于细节里有魔鬼，而是由于 细节背面有认知，况且是能“从底通到天”的那种认知。
2. 情感AI，可能反而是现周期的低枝果实
为何情感AI重要？这儿触及非常多个认知点： “情感”是比NLP更底层的东西。AI/设备人在（多模态）表达时，人“必然”会被动的有“情感体验”，这不是以人的意志为转移的。“真正的情商是理性的……一个有情商的人，会让别人如沐春风。”针对有情感亲密度的对象，咱们更容易信任他的举荐（转化率更高）。总之，“情感”很可能是将来AI真正的突破方向之一，将来会有非常多的“黄金机会”——效率最优，升级为情感最优。……为何说，情感AI可能反而是现周期的低枝果实？
可能是由于，一方面，“情商”本身是更稀缺的素养，另一方面，情感价值，是用户侧更加普世、更易被感知的价值。
例如，大众情商平均水平是60分、人性需求是最少75分，而ChatGPT默认有70分的水准——这儿就有60分—>70分之间的低枝果实能够摘取。
在6月15日的AI日报中，分享过一个“医疗+ChatGPT”关联例子：科研者们本来期望ChatGPT能承担大夫海量例行工作，如撰写医疗保险理赔申诉或总结病人笔记，但实质上更多时候，大夫们运用ChatGPT帮忙她们，以更富同情心的方式与病人进行沟通（85%的病人暗示大夫的同情心比等待时间或花费更重要）。非常多医疗工作者并不善于写出深入浅出的医学手册。例如社工们针对酗酒者，让ChatGPT被需求以五年级的阅读水平重写时，它产生了令人信服又充满安慰性指点……
另一，在专业行业，ChatGPT类制品的准确度、稳定度，可能暂时仅有6、70分、反而达不到95分的商用标准线（人类平均水准是92～98%，因此95%是可感知、可接受的那根线）。
3. 为了提高转化率，AIGC的最佳制品形态，可能是“虚拟人”
why？由于虚拟人是文字、声音、图像（表情/动作）等多模态信息的集大成者，是最自然的情感沟通形式。
小冰CEO李笛说到过，几年前起始，她们和MSN以及Lawson做了海量实验，实验内容便是让AI Being和人交流，最后目的是把商品准确地推送给人，同期让人能够更愿意接受消费的商品。“最后测试显示AI举荐的商品购买率达到68%，与绝大都数人类员工举荐的购买率差不多”。
要晓得，互联网/移动互联网时代，常规的举荐系统或AI 1.0时代的人机交互系统，即使把举荐算法、NLP做到极致，购买率据述亦不超过20%——这儿面有多么大的增量空间！这是非常多做AI的人，之前没认识到的认知维度。
多说一点，比虚拟人再进一步的本质形态，便是近期非常火的“Agent”；但这不是本文重点，这儿只说一点：目前主流的“单体智能”思路会有隐患，可能的突破口是“多体智能”，类似繁杂系统/鸟群——单个智能体可能很简单（不必定要超过单个人类），但整体有非凡的智慧（AI Agent 团队 >人类团队）。
4. 除了制品侧的优化，还必须“由用户来完成AI制品设计的最后一千米”
AI制品设计=AI+人工+用户——用户拿到制品后，还必须完成“个性化”的设置过程（主动+被动），补齐最后的5～10分。
这背面仔细的认知思考，以及5个详细案例（4个To C、1个To B），详见我之前分享的这篇文案《AI制品办法论之“由用户来完成AI制品设计的最后一千米”》
5、品类！——此刻并无到AI 2.0 的“iPhone时刻”（那只是行业大佬的PR用语）
核心指标背面，其实有更重要的一层认知——品类。
仅有“量”、无“质”的制品，其实都是还无真正“立住根”的，例如之前的智能音箱，都还不算真正作为一个“新品类”。
在《怎样从“品类”方向做AI制品（2C）的需求定位》一文中我说到，“新品类，常常寓意着新指标、新标准（交互/OS/硬件）以及新应用（杀手级）”。
很显著的，这些都还无“立”起来，篇幅有限，本文重点先探讨一个重要问题，新交互标准是什么？——
6、新交互：CUI？Beyond Prompt
今年Sam Altman就说过，
“我认为提示工程不重要，将来经过文字或经过语音来进行交互……倘若只是在提示最后加上一个非常傻的magic word，而后以是不是晓得这个magic word来做为工作好坏的标准，这实在是太蠢了。”
说到新交互的本质，V神的这句话，是比较精炼的：human describes, AI builds, human debugs。 
网上非常多关于CUI（有的用VUI或LUI）的探讨，大大都是what层面的内容、有点绕。
这儿分享有些我之前没公开说的关联“认知”：
1. 过去互联网/移动互联网时代，典型的思考格式是“场景-用户-需求”（什么场景下，怎么样的典型用户画像，有什么痛点需求）
AI 2.0时代，必须增多一个关键词，“关系”。
某个Agent，在这个场景里，和用户（或其他Agent）之间，是什么关系？
定义了关系，其实就定义了约束要求和需求属性。——
例如老板/领导对下属，家长对子女，天然就有“优良地位”，一样的话，会比其他人份量更重；还例如，一样的话，夫妇之间能够说，但对外人，就得换个方式表达了。
2. 运用AI时，把AI当成人；设计AI时，把人当成AI
1）运用AI时，把AI当成人
运用ChatGPT时，初阶是当成“搜索/工具”来获取信息，更有价值的方式，是把她（AI）当成一个人，是为了“激发”自己的灵感。 你得到反馈信息的质量多高，其实是取决于自己输入的数据质量的（思路、提问能力和认知水平）不要用搜索的惯性去认知和运用ChatGPT/AI 2.0制品、不要简单的一问一答。最好不是期望它直接给你答案、而是用交流（我觉得对这个问题，balabala，你觉得怎样？）这方面，网上有些同行亦在说，就不多谈了。不外重点举荐一个1.5小时的干货视频——我的伴侣文君讲的《从n步行到n+1：将来5年，AI创业机构CEO和制品经理的存活法则》
他是连续创业者，中美两家AI机构的GPT战略顾问，原阿里巴巴初期移动端核心制品负责人。这是今年1月，在咱们“AI制品经理大本营”的成都闭门会上的分享，其中非常多认知，直到今天，行业内都还无人讲过的。
怎样证明他的认知深度和口才？看近期他的这篇文案《什么是AI的“智能涌现”，以及为何理解它对创业者、从业者、普通人都价值巨大》视频回放及文字记录。
下面重点说第2点：
2）设计AI时，把人当成AI
在设计“XXX+ChatGPT”类制品体验时，应该怎么去思考呢？
完全跳过日前的技术局限性，直接去回想/体会，自己平时工作/生活中，是怎么跟一个活生生的人在对话交互的。 例如，你在培养实习生（或自己被培养）的时候，你是怎样给ta说明需求、指出思路/原则，而后按照他的结果反馈，再去指点ta调节？倘若好好体会这些细节，是会非常非常好的、直接有助于自己的AI制品设计的。倘若忘记了当时的场景和对话内容，怎么办？直接去看微X聊天记录！都会特别有收获的。还包含，今后和自己身边的人对话时，能够让自己把他当成一个AI，去体会你们之间的对话过程，会自己冒出非常多的feature思路和认知出来的。
3. “什么状况下用默认 GUI，什么状况下用CUI？”
高频、用户需求已然很知道、用app已然能够很好处理的需求，默认用app/GUI；
低频长尾、用户需求模糊的场景，更适合用CUI。
当然，将来CUI习惯了，是不是还必须GUI，不确定。或说，在ARVR世界里，可能会很自然的统一交互体验。
ps，多说一句，提“LUI”（L-language，语言），可能是近期1、2年接触AI的伴侣说的比较多；5～10年前第1批AI从业者，当时说的都是“CUI”（C-conversation，对话），个人认为更切中关键。
7、将来AI企业，方向定位将不是根据To C/To B来划分，而是根据To 人/To AI 来划分
初期，2B的机构，不消那样思虑最后2C制品的体验好欠好，反正我把工具供给给你，怎么用客户自己的事；
后来（5～8年前），咱们给客户机构供给AI处理方法时，不仅必须思虑制品体验设计问题，乃至因为太超前了，因此必须引领客户（该怎么做），坏处端便是，10家头部机构里面，可能仅有1～2家认可你的非共识。
这儿面背面原由，可能是由于曾经无人（机构）能够hold全部端到端的落地打通，或没办法把各样能力足够打散、原子化。
而大模型天生便是干这事的。
现象上，从需求侧来讲，2B/2C的融合已然有所苗头。例如，我个人非常必须RPA+LLM的功能，但日前各家机构便是优先做2B，我就得等；但其实，我只是必须哪些功能规律罢了，本质来讲，不是同样的吗?
因此将来可能是，LLM供给基座能力、中间层供给原子能力、用户完成最后一千米（按需、自己攒一个“趁手”的工具）。
用户侧，就这么打通了。2B、2C，融为一体。
而后呢？
而后，是另一一片天空——设备和设备交互。
例如在另一一篇文案里说到的，“agent 怎样被主 agent 发掘，怎样被恰当调度，怎样获取商场价值……以及，为了交付好的结果，应该怎样主动去搜寻、评定和整合其他 agent。”
还有，设备和设备交互，所必须的数据格式标准（例如3D关联）、存储和传输等等基本设备，以及应用层面的非常多东西， 都是非常非常有价值和商场前景的。
只不外，此刻，大众还看不清。
不外，晓得这一步还不足，还有一个非常非常重要的AI商场化认知：
8、AI商场模式，不是短期、一下子能够搞定的——要么是打井模式（足够深、打穿为止）、要么是毛毛虫模式（持续跃迁）
1. 打井模式
在8月28日“AI早报”里，介绍过李智勇李总的关联分享—— AI是打深井式纵向挖掘，不管场景体积，AI必须从头到尾整合完才可创造价值。例如做招聘的数字员工，倘若不可把招聘全场景完全覆盖，就不创造超于正常员工的价值。这是一条指数曲线，制品的价值在跨过某个阈值（拐点）才会一下子翻上去。而倘若打井不出水，会渴死做对应制品的人。
2. 毛毛虫模式
去年12月，我在文案《AI落地的本质是管理咨询，服务能力和工程化能力才是商场模式跃迁的基本》中，摘录过某篇干货文案中的要点： AI项目的商场模式是持续跃迁变化的，而跃迁的基本其实是服务能力，持续抓住客户和潜在客户新的需求，常常上一代制品便是下一代制品的需求源自和敲门砖。非常多AI项目落地，本质便是管理咨询机构；所有的管理咨询都是从简单的事情入手，给客户处理了问题，客户体验很好，会自动提出新问题来。AI圈知名创业者和思想家鲍捷博士的比喻，AI项目好比毛毛虫，小时候的商场模式是吃叶子，成长变成蝴蝶的商场模式是吸花蜜，虽然蝴蝶很美，然则需求毛毛虫去吃花蜜是不可能的。好的AI项目，是持续在区别商场模式的外在形态间跃迁的。基于毛毛虫模式，还有一个非常有意思的引申认知——
9、现周期做AI，要对标的不是互联网，而是通信/IT
在模式上，把AI看成传统的通信/IT行业，更易让咱们拨开迷雾、看清路径和边界。
上面文案《AI落地的本质是管理咨询，服务能力和工程化能力才是商场模式跃迁的基本》里还说到——
1）通信行业人才，更易具备服务能力和工程化能力，由于亦是始终服务于大B客户……给客户完整的、交钥匙级别的处理方法。（有软硬件集成、运营能力和大客户服务能力） 实质场景中，各样限制要求，把学术论文天马行空的问题，变成为了有海量知道前提的问题，这便是所说工程化。倘若单纯宣传自己算法领先，或运用全新技术架构，必定要小心；缺少真实的业绩，才会这般宣传，恰恰说明实质上并无什么可领先的地区。况且越新的技术架构，越不适合做为客户服务制品，由于其不稳定，这亦是缺乏工程化能力和经验的表现。hanniman弥补：其实10年前，圈内人就晓得，纯算法的领先时间窗，仅有半年。2）关键在于，服务能力和工程化能力同样，是创业团队要在之前的人生旅程中实践得到的。（hanniman评注：速成不来）
3）AI项目里边，其实仅有5%是AI，其他都是业务梳理和场景工程。……这真的跟SaaS项目很类似，都要帮忙客户梳理流程，整理业务边界。
类似地，在上周推送《始于2010年前后的AI 1.0 创业浪潮，实质上是集体失败了》中，我还介绍了李智勇李总的关联思考：
1）……IBM System/360这类大型机便是这么干的。那时候人们不太晓得什么是IT技术，和此刻人们不晓得人工智能到底干什么的类似。
2）那时候的大型机是一种繁杂整合，从硬件到系统到应用。最后以一种方法的形式去处理大型公司的问题，例如银行、保险等。
3）在贵的行业完整整合新技术、创造此前没创造过的价值，而后再围绕着这个基点完善售前、产研、供应链、售后等各方面，这就构建了起点上的商场模式。
4）分析起来就用五力模型。必定不可用平台模式。因此前面才说到IBM System 360。
5）AI潜能的关键在于其背面的技术拥有共通性。当累积到必定量之后，就拥有变成系统型超级应用的机会。这在过去同样出现过。微软当年给IBM配套的时候，其实便是供应链的一环，等到Windows平台化之后，产业中心就转移。PC厂商被边缘化，大型机没落。
弥补说明下，近期有位制品经理来找我做“1v1咨询”，他本来对将来的个人发展机会看不太清，但他早年在中兴工作过几年，因此我给他点出的4个机会之一，便是能够想想： （参考前面内容）在通信行业，你自己是不是有有些深度累积、能够沉淀出来的？（认知、办法论）AI行业，是不是有和“通信”的结合点机会？通信行业，是不是有跟AI强关联的切入点？怎样复用、借力之前的通信行业经验，找到更适合自己的定位和路径？专栏作家
hanniman，微X公众号：hanniman，人人都是制品经理专栏作家，前图灵设备人-人才战略官/AI制品经理，前腾讯制品经理，10年AI经验，13年互联网背景；作品有《AI产品经理的实操手册》（AI制品经理大本营的4年1000篇干货合辑）、200页PPT《人工智能制品经理的新起点》。
题图来自Unsplash，基于CC0协议。
该文观点仅表率作者自己，人人都是制品经理平台仅供给信息存储空间服务。
| 
发表于 2024-8-20 13:04:00
