2025伊始，万字长文刷新AI产品20个认知
2024 飞逝而过，我们踩着坑，跌跌撞撞
摸着技术摸着行业，也摸着用户前行
逐渐积累了一些新的小小认知。
一直希望与朋友们分享，
以致敬技术爆炸的 2024 年。
拖延症发作至今… 再不写就过点儿啦 😂
后文中，我努力体系一些，分为为三个篇章讲述：
行业篇
产品篇
个人篇
Ps. 由于个人视野与精力有限，难免存在片面观点…
如果存在错误，欢迎指正，敬请后台留言交流。
行业篇
1、产品迭代速度远不及技术爆发
ChatGPT 引爆了人工智能领域，2024 年技术层面百花齐放，而相比于 2023 年，产品的迭代明显跟不太上节奏。
今年是 AI SOTA 起伏跌宕的一年，AI 技术爆炸，而产品却线性增长。
资料来源：天津市人工智能学会、至顶智库
可能有下面的几个原因：
1、 产品的演进需要较长时间打磨
对于大部分公司而言，从发现新技术，调研与Demo，再到产品落地，
结合过程中沟通协调、迭代测试…
走到上线，全程保守需要 1-2 个月的时间。
而在这段时间之内，技术很可能已迭代了多版。
我们也能看到，一些大厂采用后发先至的策略，
以稳定的方案结合流量抢占市场…
2、AI技术与产品都处在快速发展的不稳定态
新的模型、算法层出不穷，
但如何将这些技术转化为稳定可靠的产品功能，
仍需要时间的沉淀。
首先，并不是所有的 SOTA 都适合落地，
其次，SOTA 技术落地到用户应用中，并不是简单的过程，
更别说一些 SOTA 包含宣发、营销等目的，
刷榜、刷数据…
比较稳定范式落地，也会面临很多问题，比如：
范式与用户的使用场景不匹配
范式部署代价（token 或者调用成本）高昂
即便范式有效，对于大厂而言，
需要耗费几个月的时间打磨好落地到产品。
落地之后紧接着发现：这个技术已经过时了。
我在与许多团队沟通的时候，他们表达：
评估是否采购新兴能力时，
对于技术被快速淘汰的疑虑大于新能力的渴望。
毕竟：又不是不能用
2、2024 从技术追赶进入应用深化
我从 aigc.cn 收集整理了全部的资讯与产品，
整理了 2023 年与 2024 年资讯词云，
一些有趣的变化：
1、技术焦点从 ChatGPT 和 模型向 模型应用转移，kimi、豆包、即梦等声量提升
2、2024 ，更讲“落地”、“场景”； 而并非去年更宏观的“产业”、"技术"、“发展”
2023 资讯词云
2024 资讯词云
总的来说，2024 大伙都更加务实，
无论是投资者还是创业者，不再宏大叙事，
转为探索的落地业务。
3、全球市场赢家通吃，国内多级竞争凸显
下面是基于 aibase 最新一期产品榜单整理的散点图，
对比国内与全球，
1、GPT市场份额毫无悬念的断崖第一，紧接着就是 canva 和 Gemini。
全球市场在 OpenAI 、 Google 等公司主导下，
体现出典型的赢家通吃局面，马太效应明显。
OpenAI 等大公司快速迭代和带来标准的统一，
在很长的一段时间，友商只能跟进。
2、产品丰富度上呈现显著断层，
这主要是因为面向全球市场的产品往往追求规模效应，
导致大DAU产品占据主导地位。
如果创业面向全球市场，“小而美”的策略或许仍然奏效。
而反观国内的市场，
却呈现了“百花齐放”的姿态，更加注重实用，
且不同于互联网 “BAT”竞争大格局，
细分领域都赛出了赛道黑马，
比如搜索（夸克 6700W）、
Chatbot（kimi、豆包）、
音视频（即梦、可灵）等，
但这些毫无例外，都是“资本加持”的产物…
对于创业者而言，
可能需要避开在内容生成层面卷，
而要考虑解决少部分用户，小细分场景，
把付费做起来，
先活下来，避免陷入同质化竞争。
两边的市场都呈现：从通用平台向垂直应用的演进，
可以看到 DAU 稍小的 AI 产品的增量都较为显著。
全球 DAU Top100 产品分布
国内 DAU Top100 产品分布
Ps. 如果想查看完整的交互图表，
请在后台留言 “全球” 或 “国内”，获取动态图表。
23 年我觉得：“垂类”空间挺大，
但随着AI基础模型的持续迭代，
纯依靠内容生成的创业优势正在被快速削弱，
创业团队优势会越来越少。
我在想，如果我还在继续创业，我可能会：
结合我之前的经历或者能明确接触到的专业群体，
绕开豆包简单 prompt 就能覆盖的内容，
找到明确的刚需场景，
通过独特交互，结合 LLM 能力，切非常小的场景打磨透，
先提供差异化的，内容优化的差异化体验，
把留存做起来，可能存在一定商业化空间。
而基于工作流的产品（用扣子、dify等产品快速搭建的小应用）
或纯套壳的产品，在友商的激烈竞争围剿下，
难以再积累 To C 优势。
所以可能不会再考虑生成更通用内容的产品。
AI 时代，想法更加不值钱了。
如果有通用的需求和场景，大厂只需要花一周就能把交互抄过来。
所以，只能找大厂ROI 不高的场景入手，找到小众但能给钱的群体，
先让公司活着（上线就必须要收费），再想办法融资。
4、面对用户基础需求，国内模型能力已追平甚至超越海外
原本对于国内外模型的限制，我很担心产品效果会打折扣，
事实上，我相当多虑。
在过去一年，我见证了国内模型能力的快速追赶。
从最初“接近GPT4 水平”，到现在在一些领域成为 “SOTA”
以文生图的场景为例，可灵、即梦、元宝等在亚洲人绘制上远超 Midjourney，
对东方美学的理解更为准确，
在古风、国潮等风格上尤为出色，
对汉服、古装等传统服饰的细节还原度更高。
样张来源：机器之心 2024年12月29日推文
样张来源：机器之心 2024年12月29日推文
样张来源：数字生命卡兹克 2024年12月19日推文
产品篇
5、用户的需求并没有改变
很多人认为 AI 的出现会改变一切，但我觉得：
用户的核心需求从来没有改变，反而因为…
有了 AI 之后，对内容质量和响应速度的要求更高了
是否使用 AI 或者 LLM ，是开发者的选择，
而不是用户的。
大部分用户根本不知道也不关心是否有 LLM 参与，
他们只希望更好解决他们的工作，
节省出时间来摸鱼。
比如:
文案创作依然聚焦于"生成-修改-优化"的核心流程
游戏原画依然围绕"构图-调色-细节"的基本需求
办公效率依然围绕"输入-处理-输出"的工作模式
这也解释了为什么很多纯堆功能的产品很难真正打动用户。
技术和能力只是噱头和手段
解决用户需求才是目的。
所以在规划和设计产品功能时：
与其追求大而全，不如做透一个功能，思考用户需要什么，再动手。
6、哪些产品值得用 AI 重做一遍
有句话说："所有产品都值得用 AI 重做一遍。"
但我觉得还有一句话更重要："选择比努力更重要。"
那究竟什么样的产品值得用 AI 重做？
一些功能稳定的产品，比如计算器、日历、天气这样的工具，
不需要急着 AI 化，优先级可以往后放。
我想，值得重做的产品，需要参考"三高一准"特征：
三高就是：高频刚需、高错误代价、高机械性
一准就是：AI 生成产物只需评价"准不准"，而不要评价"好不好"
满足以上特征的才需要考虑重做或者 AI 化。
首先是"高频刚需"：
写 PPT的时候，天天要改字体、调间距、换配色、改边距...
每次要交材料，都要全文替换标题、逐页检查段落、重新排版、统一页码...
每次处理表格，不是要求加粗就是斜体，今天改行高明天换背景色...
然后是"高错误代价"：
对账时，漏掉一笔收入或多记一笔支出，差个一分就要老命…
投标时，格式不规范被否，条款不完整被退，错过截止全寄…
分析时，一个指标算错，汇报时被发现，那就…
写材料，领导讲话引用错，那就… 不用多说…
以及"高机械性"：
写材料，找素材找半天，调格式调到吐，改表格改到眼晕...
回邮件，一些套话回复要组织语言，事项要加 TODO...
最关键的一点：
AI生成内容不可避免幻觉或者不稳定，如果结果需要用户评价“好不好”，
那完了，用户就会开始炼丹。
因为用户总会对“下一次”抱有很高的期待，我们的 Token 和算力就在燃烧。
所以我们可能会聚焦在“准不准”的场景，比如：
数据对不对，格式规不规范，内容全不全，逻辑通不通。
因为这样设计，
用户不用评价内容好不好，
价值就在那里，明明白白，
也能促进付费决策…
用 WPS 举个例子，下面场景抓得比较准确。
解决：写完 ppt 套自己公司模板的问题，
把半个多小时的调格式的时间节省下来，
内容不在“好不好”，而是格式“对不对”上。
虽然这个不一定是驱动付费的场景，
但这个能力可以是付费的重要原因。
7、商业化层面，做性价比高的功能
接着上面关于 “内容质量”的话题，
如果用户对内容有诉求，而且养成重试习惯
持续炼丹 带来 Token 成本上升。
而且这些场景海了去了…
有哪些能够更好评估优先级的办法呢？
在实践中我简单列了一个公式：
TE = 效率得分（越高优先级越高）
U = 用户覆盖率（或者渗透率）
C = 付费转化率（或者留存）
P = 客单价（或者付费意愿）
T = Token 消耗
简单来说，
在 token 相同的场景下，
要么能换用户量，
要么能换付费转化，
要么能换高单价。
三头总得保一头。
如果三头一个都保不了，那…
在商业化层面，可能没有太好的预期。
8、 在同样市场预期的产品中抉择
对于被淘汰的恐慌，以及损失厌恶的心态共同推动付费意愿。
就像这张图…
用户：帮我写一份产品周报AI：好的，请提供具体的更新内容和时间范围用户：上周我们优化了搜索功能，修了几个bugAI：产品周报时间：xx月xx日-xx月xx日
本周更新内容：1. 优化搜索功能2. 修复系统bug
工作详情：1. 搜索功能优化- 提升了搜索性能- 优化了搜索体验
2. Bug修复- 修复了系统存在的bug- 提高了系统稳定性结果：内容过于空泛，缺乏具体信息，基本没有参考价值换到文档写作场景，用户可能正在写一份工作报告或者方案，
他们不会也不该在写作过程中添加各种注释和标注。
如果要求用户像程序员那样写注释，反而会打断用户写作思路，增加不必要的负担。
比如：用户在文内写下，我计划在后面加一个比喻句…
这就很…怪。
所以，文档写作的 AI 需要更好，
更智能地理解用户的写作意图。
它需要分析用户已经写下的内容，
捕捉行文脉络，预判下文走向，
在用户需要的时候适时提供帮助。
这种辅助应该是无形的、自然的，
就像旁边有一个写作大神和你一起，
既不打扰你的思路，
又能在你需要的时候给出恰到好处的建议。
更为关键的是，AI 生成的内容必须在用户的掌控之下。
让用户可以一眼看出修改建议，并自主决定是否采纳。
这种"所见即所得"的体验，让用户始终掌握着写作的主动权，
避免了那种"AI 牵着鼻子走"的被动感。
掌控感对用户而言非常重要，
这也是我希望 AI 和用户达成的默契：
顺应用户的写作习惯，而不是强迫用户改变习惯去适应 AI。
一个精心准备的demo，往往掩盖了产品化过程中的诸多坑。
游戏有个概念叫 beautiful corner，
简单来说就是在理想环境下，
通过堆料证明效果，
在该场景中不计成本地展示。
真就怕…Demo 做个小半天，调优改造一个月。
最怕做成产品，就像过山车一样…高开低走。
首先是稳定性，
Demo 展示最优路径，环境可控，
万事俱备，而且大家都能接受存在一些 bug；
而实际场景下，用户输入千奇百怪，各种边界情况层出不穷，
用户的使用习惯更是难以预期…
其次是成本，
Demo 可以为了达到目标不计代价（甚至性能代价）；
而实际商业化应用，每一个Token 都要精打细算，
实际应用中，响应速度、并发数、成本控制…
Token、算力烧起来都是真金白银，每一项都是拦路虎。
比如：生成一张图要等 30s，用户能等么？
一天要烧几十万 Token，能撑得住么？
最关键的是价值，
Demo 未必能解决用户痛点，
即便解决了，用户也未必买单。
变现模式需要探索，
ROI 更是难以评估…
比如：这个功能确实挺好，但用户说：
"又不是不能用…而且为什么要花钱…"
所以，我们在做完Demo 之后，就开始往回收，
然后思考下面三个问题，尝试找到产品化的"必要性"。
如果没有这个产品，用户会痛么？
用户愿意为这个痛点付费么？
我们的方案比现有功能好在哪？
毕竟，技术再酷炫，不解决问题就是玩具
Demo 再惊艳，不赚钱就是负债。
16、不能把 AI LLM 当函数在使用 / 设计
去年，无论是内部还是外部，
一些产品经理把 LLM 当作函数在用，
用户的原文或者请求作为输入，
AI 生成的结果就是输出。
有的时候，甚至寄希望于一个 “完美的 prompt”解决所有问题。
实际上，prompt 越写越长，维护成本会直线上升；
而且promopt很难实现边界条件的处理，
当场景复杂的时候，真的就是调试和迭代变得极其复杂。
真就是…
一壶茶，一根烟，一调 prompt 搞一天。
一些复杂的场景，如果在实现层面没有用 扣子、dify 这些流，在程序上也要与开发达成流的概念，多次调用 LLM 完成一次请求。
比如一个客服场景，AI 要同时完成：
意图识别、情绪判断、话术生成…
结果就是一个超长 prompt，既要判断又要生成。
可以考虑拆解：
1、分类模型做意图识别
2、情感分析模型判断情绪
3、对话管理框架控制对话
4、RAG 召回专业内容
不能让 LLM 既当裁判员，又当运动员…
17、工程化优化方向要避开内容生成部分
工程化同时，需要关注 LLM 升级方向，避免被模型升级取代。
过去一年,我们在内容生成优化上吃了不少亏。
年初花大量精力优化内容质量，
下半年模型一升级，好家伙，我们的努力几乎被直接取代…
对于自家产品迭代，走了一些弯路不打紧。
最怕是… 友商后发先至，通过新模型 + 砸流量 + 砸资源
不但端了我们的饭碗，掀了我们的桌。
在内容生成这块跟大模型硬刚,性价比着实不高。
AI Con 上分享的结论
如果做 AI 应用，考虑在 大模型 内容层面以外的部分着力。
比如：
1、交互体验层面：
基于响应速度快的模型做好交互，
通过改善交互方式，提升 产品效果
2、专业领域知识整合
AI 难为无米之炊，对于数据源的拆段、向量化和召回等环节
也可以深入设计。
说白了，得在"内容生成"之外找差异化竞争点…
毕竟模型迭代太快，光靠堆 prompt 已经玩不转了…
个人篇
18、掌握 AI 能力边界才能更好设计产品
就像 1999 年的互联网那个时代，
那个时候的产品复杂度，需要的协作度还不庞大时
当时的产品经理需要技术出身（比如张小龙大佬），
对各种技术有深入理解时，开发主导，能设计出许多可靠好用的产品。
下面是简单罗列产品经理能力雷达，仅做示意。
今天的 AI 产品刚刚起步，产品经理可能也面临类似处境：
AI 技术还在快速迭代，能力边界也不稳定，
如果不了解底层原理，很容易陷入两个极端：
高估 AI 能力，设计无法实现的功能
低估 AI 潜力，错过创新机会
我在与各类公司伙伴沟通时发现，
一些产品经理高估了 AI 的能力，
低估了产品化过程中的困难。
似乎：
以为 AI 能完美理解所有用户输入
认为提示词优化就能解决所有问题
期待一个模型解决所有场景需求
忽视了 Token 消耗带来的成本压力
这些认知偏差导致产品设计走入新误区：
1、过度依赖单一模型能力
在模型解决不好需求的时候，
考虑的是调 prompt 而不是换模型或者换技术手段。
因为他们可能不了解新的技术手段…
2、低估运营和维护成本
对于不同的模型，接入代价不一样，
不同的技术方案要求的技术栈也不一样，
需要产品经理对方案有足够的了解，
才能更好与开发一同制定功能策略，
才能选择最适合的模型来解决具体问题，
而不盲目追求最新最强…
19、AI 时代催生新型复合岗位
国内 AI 产业蓬勃发展，同时催生挺多新岗位，
目前许多产品经理转型为 AI 产品经理，是一个大趋势，
我觉得，在 AI 产品迭代过程中，可能还会产生更多复合型的岗位。
以游戏行业为例，TA（技术美术） 和 TD（技术策划）
他们分别融合了 开发和美术； 开发和策划
他们是开发中最懂美术效果的人；
是美术中最懂写代码的人；
AI 行业的持续迭代，
需求与解决方案逐渐复杂，
必然也会产生横跨技术、模型和产品的 TPM。
能力融合是必然的趋势。
而且… 这个岗位在短期内可能不会消失。
去年，几个算法工程师和产品经理坐在一起，
可能就能打造出很很棒的 demo；
因为场景简单，需求明确；
过程中完全不需要一个“中间角色”来协调工作。
比如简单的图像识别，或者套壳、Agent 工作流，
大概几个小时，一个下午的时间对齐就能搞定。
但当 AI 应用逐渐走向工业化，
我觉得情况可能会有所改变。
当一个项目需要处理成百上千种边界场景 当一个功能要应对各种千奇百怪的用户输入 当成本控制成为项目成败的关键因素 当产品体验需要持续打磨和优化
这时，仅靠工程师和产品经理的直接沟通可能无法支撑。
需要一个角色来：
制定标准化的内容生产流程 搭建高效的工具链和管线 平衡技术实现和产品体验 控制开发和运营成本
TPM 既要理解引擎的能力边界，
又要知道怎么做出好看的效果。
两个领域都要精通（熟悉），才能创造价值。
这样的 TAIPM（Tech AI PM）
看似只是在写提示词，
实际要懂 NLP、懂业务、懂优化、懂成本...
看似只是在出功能方案，
实际要懂 RAG、要懂 PAL、 懂Ranking…
样样都不能少。
这个岗位和 prompt 工程师类似，但不一样。
举个例子：
优化对话质量
调整提示词和参数
处理异常回复
关注模型输出效果
模型选型：这个功能用什么模型更合适 API 成本压缩：如何控制API调用成本 AI 高并发方案：怎么处理高并发场景 内容管理：生成内容版本管理与评测 产品体验：持续优化 AI 感知
如果项目规模较小，
或者已经有非常成熟的解决方案可以直接使用，
那可能并不需要专职的AI技术策划。
但对于那些需要深度定制、规模复杂、
要求持续迭代的AI应用来说，
这个角色就变得不可或缺了。
最近翻看其他厂商的招聘JD，已有类似的趋势。
20、只要不被干下牌桌，就是胜利
这波 AI 浪潮来得太快，
GPT-4 刚出来，Claude、Gemini 又来整活，
国内模型往死里卷。
每天刷到的自媒体都在说：
"震惊！AI 要替代这个..."
"颠覆！AI 要颠覆那个..."
直播上各种贩卖焦虑：
"完了完了，这下真要失业了"
"再不学 AI，就要被淘汰了"
"XX行业要完蛋了..."
搞得贼儿焦虑…
不过，我看来，这就像一场大牌局：
有赌未为输。
有人梭哈 All in 搞 AI，
有人稳坐观望，
有人还在学规则，
或许也有人已经Out了。
关键只是：
手里有好牌不一定要马上出，
手里没牌也不一定就输了。
比如现在的 AI 岗位：
Prompt 工程师、AI 产品经理、模型训练师...
看着都挺不错。
但每个岗位背后，都需要扎实的功底，并不是说转就转。
要懂技术原理
要懂产品设计
要懂成本控制
要懂商业变现
与其盲目跟风，不如先摸清自己的底牌，
看看手里有什么筹码，等待合适的机会。
反正...
牌局还长着呢，
慌也没用。
毕竟...
市场有起有落，
风口有来有去，
能留在牌桌上，
就还有机会。
谢谢 WPS ，谢谢 Kelly。
2025，不要慌，不要慌，太阳下山有月光。