編者按：在大語(yǔ)言模型（LLMs）相關(guān)技術(shù)高速發(fā)展的今天，哪些基于 LLMs 的產(chǎn)品真正值得我們投入精力開(kāi)發(fā)？如何從用戶體驗(yàn)和市場(chǎng)接受度的角度評(píng)估這些產(chǎn)品的潛力？

今天為大家分享的這篇文章，作者的核心觀點(diǎn)是：優(yōu)秀的產(chǎn)品應(yīng)該將 GenAI 無(wú)縫集成到現(xiàn)有工作流中，引入 AI 不僅要能為用戶提供高價(jià)值、變革性的體驗(yàn)，同時(shí)還需兼顧用戶的使用習(xí)慣，最好不要增加用戶的學(xué)習(xí)成本。

正如本文所強(qiáng)調(diào)的，在追求技術(shù)創(chuàng)新的同時(shí)，我們不應(yīng)忘記用戶的實(shí)際需求和使用習(xí)慣。本文所介紹的內(nèi)容為我們對(duì) GenAI 產(chǎn)品的思考提供了新的視角，提醒我們?cè)诋a(chǎn)品的設(shè)計(jì)、開(kāi)發(fā)過(guò)程中應(yīng)始終將用戶體驗(yàn)置于核心位置。

我們相信，隨著 AI 技術(shù)的不斷進(jìn)步，未來(lái)會(huì)涌現(xiàn)出更多創(chuàng)新應(yīng)用場(chǎng)景。但無(wú)論技術(shù)如何發(fā)展，以用戶為中心的產(chǎn)品理念始終是成功的關(guān)鍵，也應(yīng)當(dāng)是產(chǎn)品的初心。

?

作者 | Alexey Evdokimov

編譯 | 岳揚(yáng)

?

目錄

01 What You Will Find Below

02 質(zhì)量標(biāo)準(zhǔn)高或質(zhì)量監(jiān)控成本高的應(yīng)用可能會(huì)失敗 ??

03 專業(yè)型 Copilots 正成為市場(chǎng)寵兒?

04 僅僅能略微帶來(lái)便利的 LLMs App 是行不通的??

05 將 LLMs “巧妙”整合入原有工作流的 Apps 更受市場(chǎng)歡迎 ?

06 集成 GenAI 的產(chǎn)品更適合于 B2B2C 而非 B2C

07 Summary

?

最近我一直在思考，在我腦海中涌現(xiàn)出的眾多生成式 AI 產(chǎn)品構(gòu)想中，哪些是值得我們深入探索的。為此，我初步設(shè)計(jì)了多個(gè)不同版本的 prompts ，向 ChatGPT 詢問(wèn)有關(guān)當(dāng)前 AI 產(chǎn)品（涵蓋消費(fèi)者端 B2C 及企業(yè)端 B2B）成功與失敗的根本原因。

這是我從 GPT-4o 獲得的模型響應(yīng)\[1\]（點(diǎn)擊題注鏈接可以查看）。我認(rèn)為在多個(gè)版本 prompts 的回答中，這一個(gè)最為出色。如果 GPT-4o 的回答已經(jīng)讓你足夠滿意了，那么你可以隨時(shí)選擇跳過(guò)后續(xù)內(nèi)容。;-)

?

查看完整答案：??https://chatgpt.com/share/a08c7c15-726b-4dd8-b96b-395b80a96edd??

然而，這種膚淺的回答并未觸及生成式 AI 的獨(dú)到之處。原因很簡(jiǎn)單：這是一個(gè)新興領(lǐng)域，GPT-4o 訓(xùn)練數(shù)據(jù)中關(guān)于 GenAI 產(chǎn)品成功要素的信息尚不充分。

在這種情況下，可能不如直接使用 Google 搜索來(lái)得快捷和全面。以下是我認(rèn)為最具吸引力的深度內(nèi)容：

• Aniket Deosthali 所著的《Winning the AI Products Arms Race》\[2\]中，作者不僅深入分析了基于 GPT 的產(chǎn)品，也從不同角度對(duì)傳統(tǒng) AI 產(chǎn)品進(jìn)行了全面、深入地探討。他基于 “Consideration x Context” 框架提出的 “AI Survival Curve”，尤為引人注目。
• 哪些 AI 產(chǎn)品創(chuàng)意（AI product ideas）值得我們?nèi)ヌ剿髂?？\[3\]本文著重探討了如何根據(jù)技術(shù)可行性選擇可能成功的 GenAI 產(chǎn)品創(chuàng)意。我特別喜歡他們對(duì) AI performance 的明確定義，這也是他們分析的基礎(chǔ)。高性能（High performance）無(wú)疑是通往成功的關(guān)鍵。

這兩篇文章都強(qiáng)調(diào)，數(shù)據(jù)質(zhì)量不佳（即缺乏充分、優(yōu)質(zhì)的上下文信息）是導(dǎo)致眾多 AI 項(xiàng)目“折戟沉沙”的關(guān)鍵原因之一。 毫無(wú)疑問(wèn)，“向大語(yǔ)言模型輸入的數(shù)據(jù)越優(yōu)質(zhì)，模型產(chǎn)生的響應(yīng)結(jié)果就越出色”。然而，在實(shí)際應(yīng)用中，許多目標(biāo)任務(wù)的處理與解決并不依賴于海量數(shù)據(jù)；很多時(shí)候，僅需一條簡(jiǎn)潔的提示詞和一份精煉的文檔，生成式 AI 就能高效、高質(zhì)量地完成工作。

與傳統(tǒng)的人工智能相比，GPT 系列模型的預(yù)訓(xùn)練特性，無(wú)疑是一種巨大的優(yōu)勢(shì) —— 傳統(tǒng)人工智能往往受限于必須對(duì)每類具體任務(wù)進(jìn)行訓(xùn)練。我們需要充分利用這一優(yōu)勢(shì)。

01 What You Will Find Below

我提供了另外一種不同的視角，探討哪些基于 LLM 技術(shù)的產(chǎn)品具有開(kāi)發(fā)價(jià)值。

• 本文的預(yù)設(shè)條件為：如前文所述，許多產(chǎn)品構(gòu)想即便在缺乏大量?jī)?yōu)質(zhì)數(shù)據(jù)的情況下也能付諸實(shí)踐。
• 此外，我沒(méi)有將那些可能制約產(chǎn)品質(zhì)量的技術(shù)約束??納入考量范圍。

本文的重點(diǎn)集中于用戶的行為模式（user behavior） 之上。在分析過(guò)程中，本文將著重于挖掘 LLM 產(chǎn)品的獨(dú)特之處，而非泛泛討論創(chuàng)新產(chǎn)品普遍遵循的規(guī)律。

“哪些生成式人工智能（GenAI）產(chǎn)品值得我們投入精力開(kāi)發(fā)？”這個(gè)問(wèn)題非常寬泛，即便我們將那些使用了其他技術(shù)但沒(méi)有使用大語(yǔ)言模型（LLMs）的產(chǎn)品，如語(yǔ)音轉(zhuǎn)文本(TTS)、文本轉(zhuǎn)語(yǔ)音(STT)、diffusion transformers 等排除在外也是如此。因此，

• 我決定將這個(gè)問(wèn)題的解答分為兩部分。第一部分聚焦于用戶對(duì)產(chǎn)品的態(tài)度，即市場(chǎng)接受度，相關(guān)內(nèi)容在本文中詳述。后續(xù)將要發(fā)表的第二部分內(nèi)容，會(huì)深入探討針對(duì)產(chǎn)品創(chuàng)意的商業(yè)分析（business analysis of product ideas），特別是競(jìng)爭(zhēng)態(tài)勢(shì)方面（competition aspects）。
• 在撰寫(xiě)這兩篇文章的過(guò)程中，我僅著眼于兩種商業(yè)模式：直接面向消費(fèi)者(B2C)與通過(guò)企業(yè)間接服務(wù)消費(fèi)者(B2B2C)。這也就意味著，我并未涉及企業(yè)間交易(B2B)的產(chǎn)品或是企業(yè)內(nèi)部的研發(fā)成果；因?yàn)檫@些產(chǎn)品往往更多地受制于企業(yè)自身的需求和政策導(dǎo)向，而非終端用戶的實(shí)際需求，這類產(chǎn)品能否在市場(chǎng)上立足，取決于另一套迥異的標(biāo)準(zhǔn)體系。

本文將探討基于 LLMs 的軟件產(chǎn)品（面向終端用戶的 APP）的一系列相關(guān)議題：

• GenAI App 的成功程度，與用戶能接受的錯(cuò)誤范圍有何種聯(lián)系？
• 專業(yè)的 AI copilot 需要哪些獨(dú)特功能，才能在與 ChatGPT 這類熱門(mén) AI chatbots 的競(jìng)爭(zhēng)中脫穎而出？
• 我們?cè)鯓硬拍芟脩裘鎸?duì)新技術(shù)時(shí)的習(xí)慣性抵觸心理，促使他們主動(dòng)擁抱變化？
• 一個(gè)由 LLMs 驅(qū)動(dòng)的“全面（whole）”產(chǎn)品應(yīng)具備哪些要素？
• 除了產(chǎn)品本身的完整性（completeness），GenAI 產(chǎn)品要實(shí)現(xiàn)市場(chǎng)突破，還需考慮哪些重要因素？

接下來(lái)，我們將剖析兩類可能遭遇滑鐵盧**的應(yīng)用??，以及兩類有望經(jīng)受市場(chǎng)考驗(yàn)的應(yīng)用?。

02 質(zhì)量標(biāo)準(zhǔn)高或質(zhì)量監(jiān)控成本高的應(yīng)用可能會(huì)失敗 ??

LLM 的推理結(jié)果不可預(yù)測(cè)且難以評(píng)估：

??點(diǎn)擊查看完整版PPT??

即便產(chǎn)品初期受到用戶好評(píng)，但不同用戶群體或同一用戶在不同情況下，對(duì)產(chǎn)品的評(píng)價(jià)可能天差地別。更重要的是，隨著知識(shí)庫(kù)的不斷擴(kuò)充，原先表現(xiàn)良好的場(chǎng)景也可能出現(xiàn)效果下滑的情況。即使切換到所謂“更高質(zhì)量”的 LLMs，也可能因此出現(xiàn)性能下降。

因此，持續(xù)監(jiān)控基于 LLMs 的應(yīng)用的性能質(zhì)量，是確保其成功的關(guān)鍵所在。

若一款產(chǎn)品無(wú)法讓人可以有效監(jiān)督其性能表現(xiàn)，而僅憑模型的自我評(píng)估又不能夠避免出錯(cuò)，那這款產(chǎn)品很可能難以在市場(chǎng)上立足。 （實(shí)際上，很難找到能放手讓 LLMs 去評(píng)估自己輸出質(zhì)量的實(shí)際案例。）

歸根結(jié)底，這種情況取決于用戶對(duì)產(chǎn)品出現(xiàn)錯(cuò)誤的容忍程度：

• 當(dāng) LLM App 的輸出質(zhì)量遠(yuǎn)超用戶所能容忍的程度時(shí)，使用模型本身或另一套模型來(lái)進(jìn)行評(píng)估，或是干脆放棄對(duì)其進(jìn)行監(jiān)控，都是可行策略。
• 在那些對(duì)錯(cuò)誤零容忍的領(lǐng)域（比如出現(xiàn)1%的錯(cuò)誤率都不可被接受的產(chǎn)品），開(kāi)發(fā)基于 LLMs 的應(yīng)用似乎沒(méi)有太多意義。然而，即便考慮到修復(fù) LLM 出現(xiàn)的錯(cuò)誤所需的人力成本，只要產(chǎn)品能夠盈利，那么使用 LLM 依然是個(gè)較為劃算的選擇。
• 還有一種折中的情況：用戶對(duì)產(chǎn)品錯(cuò)誤的容忍度與當(dāng)前產(chǎn)品的實(shí)際表現(xiàn)大致相等。這時(shí)，雖然仍需人工干預(yù)，但出手干預(yù)的應(yīng)當(dāng)是終端用戶，而非產(chǎn)品所在公司的員工。下一章節(jié)將專門(mén)探討這一主題。

03 專業(yè)型 Copilots 正成為市場(chǎng)寵兒?

大語(yǔ)言模型缺乏系統(tǒng)性思維能力，在全面把握復(fù)雜上下文時(shí)存在局限。它們往往在處理罕見(jiàn)、超出數(shù)據(jù)訓(xùn)練范疇或系統(tǒng)設(shè)定之外的情況時(shí)捉襟見(jiàn)肘。因此，LLMs 的輸出結(jié)果需要進(jìn)行人工復(fù)查（參照前文討論過(guò)的模型評(píng)估機(jī)制）。理想情況下，產(chǎn)品使用者應(yīng)擔(dān)當(dāng)起人工評(píng)估者（human evaluators）。

不過(guò)，要讓這一模式奏效，用戶對(duì)輸出質(zhì)量的預(yù)期必須合理，不能抱有不切實(shí)際的期望。終端用戶應(yīng)當(dāng)把 AI 視為助理伙伴（assistant），而非必須無(wú)條件提供優(yōu)質(zhì)服務(wù)的外部供應(yīng)商（external provider）。

基于這些考慮，市場(chǎng)開(kāi)始擁抱 “AI copilots” 這一理念。盡管有些人可能傾向于將 “AI copilots” 簡(jiǎn)單等同于一般的 “AI assistants” ，但在我看來(lái)\[4\]， “AI copilots” 實(shí)則是 “AI assistants” 家族中的進(jìn)階成員。它們的作用遠(yuǎn)不止于提供信息（inform）和給出建議（advise），還能在其設(shè)計(jì)的產(chǎn)品中，獨(dú)立完成一系列復(fù)雜操作。

大多數(shù) “AI copilots” 的功能都非常豐富，它們大多嵌入于多功能產(chǎn)品（multi-purpose products）中，與其說(shuō)是一款單一的應(yīng)用程序（applications），這些產(chǎn)品更像是一個(gè)開(kāi)放平臺(tái)（platforms）。舉個(gè)例子???♀???，Github 是一款所有程序員的“平臺(tái)（platform）”，而 Microsoft Office 365 則是服務(wù)于所有辦公室職員（office workers）及知識(shí)工作者（knowledge professionals）的“平臺(tái)”，兩者均配備了 “AI copilots”。同時(shí)，諸如 Windows 和 iOS 這樣的操作系統(tǒng)也在嘗試引入“AI copilots” 。

AI Copilot. Image created by the author with ??Recraft.ai??

盡管 “AI copilots” 市場(chǎng)看似已經(jīng)非常飽和，但我堅(jiān)信仍有足夠的空間讓創(chuàng)新產(chǎn)品嶄露頭角。不過(guò)，初創(chuàng)公司所開(kāi)發(fā)的 “AI copilots” 不應(yīng)盲目追求與 GitHub Copilot X 或 Shopify Sidekick 等行業(yè)巨頭一樣以多功能為目標(biāo)。

真正的機(jī)遇在那些專注于特定垂直領(lǐng)域的 “AI copilots”，它們能夠比任何通用型（general-purpose） “AI assistant” 更高效地為專業(yè)人士提供幫助。 雖然實(shí)現(xiàn)這一目標(biāo)絕非易事，但值得一試。

試想一下，專門(mén)為培訓(xùn)講師（如培訓(xùn)專家（experts）和課程開(kāi)發(fā)者（course creators））打造的 “AI copilots”。這樣的工具應(yīng)比 ChatGPT 更勝一籌，不僅能夠提升課程質(zhì)量，還能大幅減少所需的工作量：

• 應(yīng)當(dāng)體現(xiàn)培訓(xùn)講師（trainer）獨(dú)有的專業(yè)素養(yǎng)（expertise）與教學(xué)風(fēng)格（teaching style）。
• 當(dāng)其目標(biāo)不再局限于課程策劃（session planning），而是涵蓋學(xué)習(xí)資料（learning materials）與學(xué)生作業(yè)（student assignments）時(shí)，“AI copilots” 應(yīng)具備生成多種形式的內(nèi)容的能力，而不僅僅限于文本形式。
• 為了實(shí)現(xiàn)工作流程的真正簡(jiǎn)化，終端用戶不應(yīng)局限于復(fù)制粘貼 “AI copilots” 的輸出結(jié)果。反之，“AI copilots” 需與 LMS（Learning Management Systems）、即時(shí)通訊軟件（messengers）或其他課程發(fā)布工具（course delivery tools）無(wú)縫對(duì)接，提供“一站式”的解決方案。

若想在競(jìng)爭(zhēng)中勝過(guò)那些在自家已有平臺(tái)內(nèi)嵌入通用 AI 助手（universal AI assistants）的科技巨頭，專有領(lǐng)域的 “AI copilots” 必須為其目標(biāo)用戶群體提供價(jià)值更高的體驗(yàn)。其具備的優(yōu)勢(shì)（benefits）不應(yīng)只是微小的、逐步的增加（incremental），而應(yīng)該是具有重大影響、能夠帶來(lái)根本性變化的（transformative）。

下文將闡述為什么會(huì)有這樣的觀點(diǎn)。

04 僅僅能略微帶來(lái)便利的 LLMs App 是行不通的??

盡管基于生成式 AI 的 App 聲稱能帶來(lái)耳目一新的用戶體驗(yàn)，但是我們卻不能忽視一個(gè)事實(shí)：多數(shù)用戶往往不愿改變自己的使用習(xí)慣，無(wú)論這種抗拒是有意識(shí)的還是來(lái)自于潛意識(shí)。 在我看來(lái)，“conversational UX design” 所帶來(lái)的好處被過(guò)分吹捧，而依托大語(yǔ)言模型實(shí)現(xiàn)的“個(gè)性化（personalization）”與“貼合用戶需求（adaptation to user needs）”，其表現(xiàn)可能讓人難以預(yù)料，有時(shí)甚至還會(huì)讓人感到厭煩。

想象一下??在目前眾多由 LLMs 驅(qū)動(dòng)的應(yīng)用場(chǎng)景中，用戶需要輸入文字或語(yǔ)音指令（text or voice commands），進(jìn)而可能經(jīng)常陷入漫長(zhǎng)的對(duì)話交流。這種基于聊天的交互模式（chat-based interface）雖然很新穎，但對(duì)于那些習(xí)慣于動(dòng)動(dòng)鼠標(biāo)??點(diǎn)擊操作的普通用戶而言，無(wú)疑構(gòu)成了一定的學(xué)習(xí)門(mén)檻。 語(yǔ)音交互（voice chat）看似彌補(bǔ)了部分不足，但在不少用戶看來(lái)，它甚至比文本聊天更加難以掌握。

還存在另一個(gè)障礙，要獲取優(yōu)質(zhì)的大語(yǔ)言模型輸出結(jié)果，往往需要多次迭代優(yōu)化。這并不純粹歸咎于模型本身的不完善，而是由于用戶在逐步細(xì)化自身需求時(shí)，自然而然地產(chǎn)生了迭代需求。 為了理解為什么會(huì)出現(xiàn)這個(gè)問(wèn)題，不妨比較一下傳統(tǒng)工作流與新興工作流的差異：

• 傳統(tǒng)模式（沒(méi)有 AI assistant 協(xié)助）：終端用戶能夠立刻將靈感或新要求納入工作草稿（draft）中，因?yàn)閷?duì)作者來(lái)說(shuō)，定位及編輯特定部分的操作相當(dāng)便捷。
• 新型的“人機(jī)協(xié)作”模式：每出現(xiàn)一個(gè)新需求（new requirement），都會(huì)觸發(fā)整個(gè)工作草稿的全面更新，且改動(dòng)部分隨機(jī)分布、不可預(yù)知，不易追蹤。這種轉(zhuǎn)變可能會(huì)令用戶感到不適，因?yàn)橄啾扔脩粲H自動(dòng)手創(chuàng)作，這樣會(huì)被迫投入更多精力在閱讀與校對(duì)之上。毫無(wú)疑問(wèn)，對(duì)多數(shù)寫(xiě)作者而言，創(chuàng)造的樂(lè)趣遠(yuǎn)勝過(guò)閱讀的體驗(yàn)。

面對(duì)這些難題，新興的 AI 應(yīng)用要想贏得大眾的認(rèn)可，就必須展現(xiàn)出令人難以抗拒的優(yōu)勢(shì)。

如果只是節(jié)省了10%-30% 的工作時(shí)間，那遠(yuǎn)遠(yuǎn)不足以吸引用戶去嘗試使用該應(yīng)用。這是因?yàn)槿藗儍?nèi)心深處對(duì)于打破固有習(xí)慣有著天然的抵觸。要克服這種惰性，這款應(yīng)用帶來(lái)的效率提升必須是顛覆性的 —— 不應(yīng)只是“小打小鬧”般的工作效率提升，而需要成倍地減少工作量。

更重要的是，最好不能僅僅是單純地節(jié)省時(shí)間。試想一下，如果有一款應(yīng)用能夠幫助用戶蛻變成他們心中向往的模樣。比如，借助基于 AI 技術(shù)的應(yīng)用，就能讓一個(gè)演講能力平平之人，一躍成為具有深遠(yuǎn)影響力的思想領(lǐng)袖。

05 將 LLMs “巧妙”整合入原有工作流的 Apps 更受市場(chǎng)歡迎 ?

真正成功、有效的 Apps 能夠?qū)⒋笳Z(yǔ)言模型與其它功能完美結(jié)合，形成一個(gè)“完整的產(chǎn)品（whole product）”。該理念最早由杰弗里 · 摩爾（Geoffrey Moore）在其著作《Crossing the Chasm》\[5\]中提出并廣為流傳。他認(rèn)為唯有那些能夠從頭到尾（end-to-end）全流程滿足用戶需求的產(chǎn)品，才能快速贏得廣大主流用戶（mainstream users (the majority)）的青睞。而那些僅僅提供核心功能的產(chǎn)品，亦即所謂的“通用產(chǎn)品（generic products）”，往往只能吸引那些喜歡自行搭建解決方案的創(chuàng)新者（innovators）和“早鳥(niǎo)”（early adopters）。

Image source: ??thinkinsights.net??

打造智能化的“whole product”（譯者注：根據(jù)前文所述，是指將大語(yǔ)言模型與其它功能完美結(jié)合的產(chǎn)品）往往需要巧妙地采取 ‘smart’ （智能）方法來(lái)整合 AI 技術(shù)。這不僅意味著要在單一應(yīng)用中無(wú)縫融合 LLMs 的各項(xiàng)功能，還應(yīng)在不同應(yīng)用間建立數(shù)據(jù)傳輸通道。

以個(gè)人知識(shí)管理（PKM）工具為例，如 Obsidian，這些往往都是專為“老鳥(niǎo)”設(shè)計(jì)的 “core products” （譯者注：如前文所述，僅僅提供核心功能的產(chǎn)品，亦即所謂的“通用產(chǎn)品（generic products）”），這類產(chǎn)品用戶熱衷于自己動(dòng)手，通過(guò)各種插件（plugins）和集成其他組件、系統(tǒng)（integrations）來(lái)個(gè)性化滿足自己的使用需求。

然而，個(gè)人知識(shí)管理系統(tǒng)（PKM）的潛力遠(yuǎn)不止于此，這類產(chǎn)品的用戶是那些需要經(jīng)常創(chuàng)作新內(nèi)容的內(nèi)容創(chuàng)作者和博主，即便靈感枯竭，他們也必須保持持續(xù)的內(nèi)容產(chǎn)出。針對(duì)這一用戶群體，PKM 若能整合 AI-driven 的功能，便能蛻變?yōu)橐粋€(gè) “whole product”。想象一下??，一款智能系統(tǒng)（intelligent system）能夠深入分析個(gè)人知識(shí)庫(kù)（personal knowledge base），主動(dòng)為用戶提供文章、視頻或社交媒體帖子等內(nèi)容的創(chuàng)作靈感或內(nèi)容主題建議。更進(jìn)一步，這款工具還能與我們協(xié)同工作，共同打磨出高質(zhì)量的產(chǎn)品。

當(dāng)然，有些用戶也可以通過(guò)將自身知識(shí)庫(kù)與諸如 TextCortex 和 NotebookLM 等通用 AI 解決方案集成，實(shí)現(xiàn)類似的效果。不過(guò)，這種自己動(dòng)手的方案（DIY approach）在功能完整性上還是有所欠缺。

這類解決方案往往看起來(lái)有些麻煩：一方面，我們得在一個(gè)地方向知識(shí)庫(kù)中添加“知識(shí)（knowledge）”；另一方面，卻要在另一個(gè)平臺(tái)上進(jìn)行分析、挖掘有價(jià)值的知識(shí)。

此外，這類配置操作往往需要依賴文本搜索（text queries） —— 這無(wú)疑是一項(xiàng)既費(fèi)時(shí)又高度消耗腦力的操作。反之，一個(gè)精心設(shè)計(jì)的 PKM 應(yīng)用，只需用戶輕點(diǎn)按鈕、遵循預(yù)定計(jì)劃或是依據(jù)特定事件就能激發(fā)高價(jià)值內(nèi)容的挖掘。這種用戶體驗(yàn)設(shè)計(jì)（UX design）大大減少了用戶的腦力消耗。

因此，在技術(shù)產(chǎn)品從對(duì)新技術(shù)持開(kāi)放態(tài)度，愿意承擔(dān)風(fēng)險(xiǎn)的“早鳥(niǎo)”向主流市場(chǎng)用戶（mainstream market）推廣的過(guò)程中，產(chǎn)品的簡(jiǎn)單、易用和功能完整程度是首要考慮因素。將 LLMs 的能力融入到用戶已熟知并信賴的產(chǎn)品之中，就能夠滿足這些條件。

然而，并非所有的集成解決方案（integrated solution）都行得通。在我看來(lái)，最成功的“smart” AI 解決方案，都是那些能夠完美融入現(xiàn)有工作流的方案，終端用戶無(wú)需任何多余操作就能享受 AI 帶來(lái)的便利。也就是說(shuō)，無(wú)需增加新按鈕，也不必新增選項(xiàng)欄 —— 集成 AI 只是為了增強(qiáng)用戶的現(xiàn)有體驗(yàn)。

1. 以某一個(gè)教育應(yīng)用（educational app）為例，用戶僅需點(diǎn)擊熟悉的“Next（下一步）”按鈕，就可以繼續(xù)學(xué)習(xí)下一個(gè)話題或完成下一項(xiàng)作業(yè)。這一操作的底層邏輯，可能會(huì)觸發(fā) AI 生成的個(gè)性化學(xué)習(xí)內(nèi)容或?qū)W習(xí)作業(yè)，而這一切都在悄無(wú)聲息中進(jìn)行。學(xué)生們可能根本不會(huì)注意到這一點(diǎn)，但他們很可能對(duì)學(xué)習(xí)內(nèi)容能如此貼合個(gè)人需求而感到滿意。
2. 相比之下，在目前市場(chǎng)上普遍存在這種 AI 集成模式：在應(yīng)用界面的一角突然跳出一個(gè)獨(dú)立的聊天機(jī)器人（chat assistant），與主要應(yīng)用功能幾乎無(wú)關(guān)。這種功能看似有用，但并不能構(gòu)成競(jìng)爭(zhēng)優(yōu)勢(shì)，換句話說(shuō)，它難以成為影響用戶堅(jiān)定選擇使用某款產(chǎn)品的關(guān)鍵因素。
3. 再舉一個(gè)例子，從用戶接受程度來(lái)看，這種方案仍然不夠理想，相較于前兩種情況，這種解決方案比第二種好，但還是比第一種差。通常，基于 AI 的功能是通過(guò)在用戶熟悉的菜單欄中加入新選項(xiàng)的方式集成到現(xiàn)有應(yīng)用的。這絕非最佳解決方案，因?yàn)?strong>用戶往往對(duì)陌生選項(xiàng)持謹(jǐn)慎態(tài)度，因此這類解決方案的普及率依然停留在 20%-40% 之間。

第三種解決方案示例：Notion 菜單欄中的 AI actions 選項(xiàng)

06 集成 GenAI 的產(chǎn)品更適合于 B2B2C 而非 B2C

現(xiàn)在我們來(lái)看看另一種情況，即沒(méi)有現(xiàn)有的盈利產(chǎn)品作為基礎(chǔ)，而是從零開(kāi)始，試圖通過(guò)整合 LLM 技術(shù)來(lái)提升產(chǎn)品能力。依我之見(jiàn)，如果想要推出一款以 LLMs 為核心功能的全新 B2C 產(chǎn)品，將會(huì)面臨重重困難。下面，我們將探討其中的兩大核心問(wèn)題：

• 數(shù)據(jù)安全與用戶隱私問(wèn)題。為了保證產(chǎn)品的好用、易用，LLM 技術(shù)需要高質(zhì)量數(shù)據(jù)的支持。然而，在 B2C 領(lǐng)域，這卻成了一個(gè)棘手難題。直接使用用戶數(shù)據(jù)可能會(huì)引發(fā)許多消費(fèi)者對(duì)個(gè)人隱私的擔(dān)憂??。另一種途徑是依賴開(kāi)發(fā)人員提供的數(shù)據(jù)，但這需要構(gòu)建一個(gè)龐大而全面的數(shù)據(jù)集，才能滿足各類用戶的多元化需求。無(wú)疑會(huì)大幅增加產(chǎn)品開(kāi)發(fā)費(fèi)用，并使產(chǎn)品開(kāi)發(fā)過(guò)程變得更為復(fù)雜。
• 大型科技巨頭處于難以超越的領(lǐng)先地位。諸如 Meta、Google 和 Apple 這樣的科技巨擘，在 B2C 市場(chǎng)上占據(jù)著幾乎不可撼動(dòng)的地位。在某些 LLM 能夠賦能的產(chǎn)品領(lǐng)域，即便這些巨頭比初創(chuàng)企業(yè)晚一步進(jìn)入某些細(xì)分市場(chǎng)，憑借其數(shù)以億計(jì)的現(xiàn)有用戶基礎(chǔ)，依然能享有巨大的“先發(fā)”優(yōu)勢(shì)。此外，它們的產(chǎn)品正是用戶日常數(shù)字化生活的中心地帶，這種用戶規(guī)模上的優(yōu)勢(shì)，是任何初創(chuàng)公司即便砸下重金進(jìn)行市場(chǎng)營(yíng)銷也難以企及的。

在經(jīng)過(guò)精心設(shè)計(jì)的 B2B2C 應(yīng)用中，上述挑戰(zhàn)被大大緩解，這類應(yīng)用的目標(biāo)是助力其他企業(yè)（特別是中小型企業(yè)（SMBs））迅速為 B2C 市場(chǎng)開(kāi)發(fā)出真正有價(jià)值的 end-to-end 產(chǎn)品：

• 數(shù)據(jù)安全與用戶隱私問(wèn)題的解決。在 B2B2C 模式中，優(yōu)質(zhì)數(shù)據(jù)來(lái)源不再是單個(gè)的 B2C 模式的消費(fèi)者，而是轉(zhuǎn)向了 B2B 模式的客戶群體。這些企業(yè)出于自身利益考量，有更大的動(dòng)力去妥善處理用戶隱私問(wèn)題，這一點(diǎn)我們將在后續(xù)進(jìn)一步探討。
• 利用現(xiàn)有客戶群的競(jìng)爭(zhēng)策略。在理想狀態(tài)下，每個(gè) B2B 模式的客戶都已擁有自己穩(wěn)定的客戶群體。此時(shí)，融入 LLMs 技術(shù)的 B2B2C 產(chǎn)品便能夠幫助這些 B2B 模式的客戶，或是增加從其客戶身上獲得的收益，或是減少服務(wù)交付過(guò)程中的成本開(kāi)銷。

不過(guò)，基于私有部署 LLMs 的 B2B 產(chǎn)品同樣能有效規(guī)避上述這些問(wèn)題。不過(guò)，關(guān)于 B2B 解決方案的詳細(xì)討論，不在本文討論范圍之內(nèi)。

此外，一款 B2C 產(chǎn)品要想取得成功，就必須擁有龐大的用戶群體，因此不應(yīng)該要求用戶具備特定的技能資質(zhì)或很高的產(chǎn)品使用積極性。 這恰恰與基于 LLMs 的應(yīng)用程序的典型弱點(diǎn)相悖，這類應(yīng)用往往會(huì)給用戶帶來(lái)不熟悉且復(fù)雜的體驗(yàn)（如第 4 節(jié)所述）。

當(dāng)用戶具有相對(duì)較高的產(chǎn)品使用積極性時(shí)，上述弱點(diǎn)就更容易被克服。但在 B2C 領(lǐng)域，這種情況通常只適用于約 10%-20% 的用戶 —— 那些創(chuàng)新者（innovators）和“早鳥(niǎo)”（early adopters），這使得該類產(chǎn)品在市場(chǎng)大受歡迎顯得不太可能（在第 5 節(jié)對(duì)此情況進(jìn)行了探討）。

相反，在 B2B2C 模式中，更多潛在用戶表現(xiàn)出高度的積極性，因?yàn)閷?duì)他們而言，這不僅關(guān)乎如何“增效”，還關(guān)系到產(chǎn)品的利潤(rùn)增長(zhǎng)。

順便說(shuō)一下，雖然 B2B 模式的客戶可以直接與 LLMs 進(jìn)行交互，但他們服務(wù)的終端用戶仍然可以享受和以前一樣流暢自然的產(chǎn)品使用體驗(yàn)，無(wú)需直接面對(duì)復(fù)雜、上手麻煩的 LLMs。

07 Summary

集成 LLMs 技術(shù)的產(chǎn)品可能在輸出質(zhì)量（output quality）上面臨重重挑戰(zhàn)，且無(wú)可避免地會(huì)在質(zhì)量評(píng)估上遭遇困境（可回顧本文第 2 節(jié)介紹的內(nèi)容）。能否有效應(yīng)對(duì)或規(guī)避這些問(wèn)題，與用戶的錯(cuò)誤容忍度（error tolerance）密切相關(guān)。特別是 “AI copilots” 的使用者往往具有較高的錯(cuò)誤容忍度，因此針對(duì)這類系統(tǒng)進(jìn)行大量研發(fā)投資是完全合理的（內(nèi)容詳情請(qǐng)參見(jiàn)本文第 3 節(jié)）。

對(duì)于那些已確立市場(chǎng)地位的產(chǎn)品開(kāi)發(fā)者而言，通過(guò)整合 LLMs 技術(shù)來(lái)增強(qiáng)產(chǎn)品價(jià)值，同時(shí)兼顧用戶的使用習(xí)慣，是一種更為明智的選擇。 這種策略有助于產(chǎn)品集成 AI 后順利“跨越鴻溝（cross the chasm）”，并贏得更多用戶的青睞（若想深入了解這一概念，請(qǐng)閱讀本文第 5 節(jié)）。

然而，遵循用戶已經(jīng)習(xí)慣的交互模式、布局、流程等傳統(tǒng)產(chǎn)品設(shè)計(jì)理念并非始終可行，對(duì)于創(chuàng)新產(chǎn)品（novel products）而言，這也未必是硬性要求。 由 LLM 深度賦能（LLM-powered）的應(yīng)用程序，很可能會(huì)使用“對(duì)話式的產(chǎn)品界面”，要求用戶改變他們的使用習(xí)慣。在這種情況下：

• 人工智能應(yīng)當(dāng)為用戶提供顛覆性的價(jià)值（transformative benefits）（詳見(jiàn)本文第 4 節(jié)），或者
• 產(chǎn)品應(yīng)遵循 B2B 或 B2B2C 的商業(yè)模式，而非傳統(tǒng)的 B2C 模式。在此種情況下，B2B 模式的客戶將轉(zhuǎn)變成為 GenAI 功能的核心用戶，因?yàn)樗麄冇袆?dòng)力提升團(tuán)隊(duì)的工作效率，進(jìn)一步提高盈利能力（詳情請(qǐng)閱讀本文第 6 節(jié)）。

誠(chéng)然，要在短短一篇文章里全面介紹所有影響產(chǎn)品成敗的關(guān)鍵因素，即便是限定在某一技術(shù)領(lǐng)域（LLM）和兩種商業(yè)模式（B2C與B2B2C）的范圍內(nèi)，也是難以做到的。

Thanks for reading!

Hope you have enjoyed and learned new things from this blog!

Alexey Evdokimov

AI pragmatist with background in Research (PhD), Education, Software Development and Product Management. I use GenAI for refining my pieces, not for ideation ;)

??https://medium.com/@alexeye42??

END

參考資料

[1]??https://chatgpt.com/share/a08c7c15-726b-4dd8-b96b-395b80a96edd??

[2]??https://www.reforge.com/blog/ai-products-arms-race#the-ai-survival-curve-where-lucrative-opportunities-live-93801b235d73??

[3]??https://www.visma.com/blog/which-ai-product-ideas-are-worth-exploring/??

[4]??https://www.blobr.io/post/ai-chat-ai-assistant-ai-copilot-ai-sidekick-guide-ai-definition??

[5]??https://www.blinkist.com/en/books/crossing-the-chasm-en??

原文鏈接：

??https://ai.gopubby.com/what-llm-powered-products-are-worth-developing-ux-and-adoption-perspectives-d9efcf444d50??