不容错过：深入分析 GPTs 带来的赚钱产品机会
上周在「聚聚用研圈」的一个活动上分享了一些自己对 GPTs 的商业机会的思考。分享给大家。
前边两位老师的精彩分享更多是偏底层逻辑，我这边的分享会更偏应用层。我自己从年初开始研究ChatGPT，主要关注的是两个点：一个是它给个人带来的做产品赚钱的机会，一个是它给 B 端带来的机会。所以基本上从这个角度来说，我会比较关注 GPTs 的商业化机会。
另外两位老师的分享内容，可以查看「聚聚用研圈」的这篇文章。
GPTs 商业化的成功案例
AI 帮个忙是一个早期的套壳工具，可以看到这里面有非常多的工具，里面做了一些分类，像文字写作，面向教育工作者、职场效率这些，可以写周报、写文章，或者优化简历进。可以看右上角有一个“升级会员享八项权益”，这就是一个非常早期的套壳工具，利用工具去做收费。
Chatmind是国内首个被收购的原生 AI 应用，给它一个话题，它能够自动化生成简洁清晰的脑图。它是一个中国人做的，后来被X mind给收购了。我们可以看这个应用其实非常简单，它可能在前端做了一些优化，后端其实还是基于大模型的能力，不需要做很多的东西，上线之后很快被收购了，这是一个很好的商业化的例子。
Chatpdf 也是一个很简单的应用，上传一个 PDF 文件，就可以开始跟这个PDF 文件进行对话。比如可以把访谈的文章上传，让它生成总结，或者按照表格的形式生成一个用户旅程图。原始的ChatGPT 会有一个 token 的限制，就是输入的内容的限制会比较多。那 Chatpdf会用分块的方式把 PDF 分成几块，让大模型来处理，最后再来做汇总，其实就把这个问题给解决了。现在也是有非常多的成熟的解决方案，比如现在比较火的 RAG 检索生成的方案以及向量数据库。当然现在的 ChatGPT 本身也可以上传 PDF 了，但 Chatpdf 还是有生存的空间，因为它做的比较早，已经满足了一些用户的需求。
AI Excel 也叫 formula bot，可以生成Excel 公式、正则表达式、SQL 代码，其实也是大模型直接生成的，后端完全不用做什么。对用户来说他需要做的就是把需求给出去，对开发者来说他要做的其实也就是前端的一些工作。这个应用也是上线没多久就已经月入2万美元了。
GPTs hunter是直接跟 GPTs 相关的一个应用。OpenAI 发布 GPTs 以后，并没有发布 GPTs 的应用商店。现在大家发现GPTs 的方法其实还是比较原始，很多人是在 Twitter 上搜。有了这样一个空间，在官方出应用商店之前各种各样的第三方的 store 就出来了，GPTs hunter就是典型的一个 GPTs store。它目前已经有非常多的赞助，可以看到页面上有很多跟 GPT 相关的应用，还有一些 Chrome 的插件。这个其实做起来基础上也不复杂，就是把一些推特上的内容直接扒下来。它现在已经有了 3 万多个 GPTs在里边了。
GPTs的本质
prompt 的高级封装
我们可以发现前面总结的这几个应用稍微会不太一样，但都把它们归结为 GPTs，因为它们都是基于大模型的小应用。那 GPTs 的本质是什么呢？其实它本质就是对 prompt 的高级封装， prompt 其实就是对这个大模型的命令。这里面有一些结构化的 prompt，然后利用大模型的各种能力。像 Chatmind、ChatPDF，它们是利用大模型最基础的语言理解能力。Chatmind 是把大模型的产出结构化、可视化，chat Excel是利用大模型的数据分析能力。
但 GPTs 又不仅仅只有 prompt ，它其实是 prompt + 大模型能力 + 私有数据（行业数据+行业know how）。私有数据包含行业数据和行业know how。行业数据我们可以把它看成是一个死的数据，行业know how是一个偏流程化的东西。
我以自己创建的“10 万+标题生成器”为例。这是一个创建标题的GPT s。我自己在写公众号的时候，发现起标题非常重要，标题能够吸引用户进来，一个好的标题能够直接决定文章有多大的阅读量。其实 ChatGPT 非常擅长取标题，但是在这之前，我们需要告诉它一个好的标题是什么样的，它才能根据这个好的标题的特征去生成标题。我在这之前做了一个研究，找了 288 篇10 万+标题的文章，让ChatGPT分析这些标题有什么特征。我首先告诉它一个“6 种说服策略”的框架，让它对这 288 个标题打标签，它们分别属于哪个策略？最终结果是最靠前的是情感，情感里面用的最多的是恐惧，例如“震惊！ChatGPT将代替我们所有人的工作”这样的标题就是用的恐惧。
所以相当于在生成之前，我先通过分析产生一个 know-how，告诉这个know-how这 10 万+标题包含了6 种说服策略，然后用这 6 种说服策略建一个 GPTs，让它按照这 6 种策略给用户生成标题。这就是我怎样利用我自己的私有数据，利用大模型的能力去建 GPTs。
还有一个例子是一个算命的工具，这是一个“八字算命，精准排盘”的GPTs。如果要想生成这样一个 GPT s，需要的肯定是八字命理的行业知识，然后上传这些知识，根据用户的输入的八字给出回答。
所以 GPTs 不仅仅是 prompt，它还需要基于大模型的能力以及私有数据。而把各个 GPTs 区分开的一个核心壁垒，就是私有数据，也是各家自己内部在做的事情。不同的公司的私有数据是完全不一样的，他们生产出来的东西也就不一样。
GPTs的商业机会
刚才最开始介绍的几个 GPTs 其实都是 toC 轻应用，利用私有数据创建各种效率化的工具。比如刚才介绍的“10 万+标题生成器”，分享出来之后有了非常多的转发，大家觉得这个东西还挺好用的，尤其是一些自媒体的同学。
toC 的轻应用有一些具体的应用，就是利用行业 know how来创建应用。再举个例子，有个“面试高手”的GPTs应用，能够辅助这个用户去面试。用户把简历传上去，它可以给简历提意见，还可以模拟面试。这里面它需要的是 HR 对筛选简历的理解，或者是需要用研同学对什么是好简历的理解。
以及现在的 character.ai 很火，里面有一个很有意思的玩法，就是建立自己的数字分身。我把自己在互联网上的各种私有数据，微信聊天记录、微博等等都发给它，它就可以模拟我的说话语气，产生基于我这个人知识的各种各样的对问题的回答，这也是利用私有知识去建立这个应用。
toC 社区其实就是一个提供 GPTs 的生产和分发的平台。有的人会觉得这个不是一个很好的机会，因为 GPTs 官方的 store 应该是推迟发布了，大家会觉得官方的 store 出来之后，第三方的就没有存在的必要了。但在我的观点来看不是这样的，我们知道除了安卓和苹果的应用商店，各家手机厂商都有自己的应用商店，包括腾讯的应用宝、百度的手机助手，从工具的角度来说它们是有空间的。
toC 工具社区的典型就是各种国产的套壳工具。Poe 是Quora做的一个第三方平台，相当于一个 GPTs store，里面有官方机器人，也有各种各样的热门机器人。它其实也是一个对 prompt 的简单封装。这次 OpenAI 的CEO 被驱逐，可能就是因为在他们的董事会里面有 Quora 的CEO，他可能觉得 GPTs 出来之后会对 poe 有影响，这是之前在推特上很流行的一个猜测。
另外还有 flowGPT，是一个 300 万月活的社区，它不仅使用OpenAI 的大模型，还有其他各种开源的大模型。它其实就是各种prompt，用户可以做各种各样的事情，在里面做角色扮演，然后提升效率。并且它在往社区向发展，在做 GPTs 的生产和分发。有了这样的生产和分发之后，创作者就有动力在上面生产内容、回答用户的问题、跟用户沟通，用户能够在里面进行交流。这时候它就不仅仅是一个工具，它形成了一个社区，有了用户社交网络的壁垒，就不会轻易的被官方的GPT store给打压了。
「通过私有数据、语言理解、多轮对话和少量推理，改造现有 tob流程。」这个是现在各个国产大模型的公司在做的事情，比如智谱AI，上海的 MiniMax，华为的盘古大模型。
toB 的解决方案举两个例子，第一是自动执行重复任务。AI可以帮助简化工作流程，特别在项目管理等SaaS应用中有用。第二是分析数据并预测未来趋势。AI在CRM等SaaS应用中有很高的价值，可以帮助识别销售机会和提高客户留存率。现在有非常多的自动做数据分析的应用，比如微软在Github上面开源了很多自动做数据分析的模块。极客公园之前的一篇文章里说的比较好，引用到这里：「尝试找到这样的 PMF（Product Market Fit，产品市场匹配）后，如果只做这种 To B，其模型能力包含语言理解、多轮对话和少量的推理，这个模型并不需要很大，100 亿到 1000 亿的模型，就相对够了。相应地，需要在几百张卡的基础上，把语言理解、多轮对话做好，并且有一定的推理能力，再加上 AI Agents，基本上能完成客户在很多场景下的需求了。」