今天小編分享的财經經驗：為什麼說這些倒騰AI的方式會把自己搞死，歡迎閱讀。
文｜李智勇
近來看了些基于大模型的產品，真的是差點把自己看哭了。
倒不是悲天憫人，而是想起了過去十年裡被這些創意和產品折磨的日子。
這些產品是死路，但新的一波同學們可能太新，所以并沒有過去十年的記憶，因此在大量重復過去的故事。
這些創意在底層邏輯上并不會因為大模型就改變境遇，關鍵是内部結構的矛盾性，這些矛盾性在很多項目上并沒有因為大模型而縮小，其實是放大了。
這裡總結些典型的蘊含矛盾會搞死自己的模式，供感興趣的同學參考吧。
大模型做不了解決方案
長期做 AI 的同學大家都知道，上次的人工智能創業因為遲遲無法在產品上構建現金流，最後不管多有名的企業，不管起點是視覺、語音、NLP，最終大家的歸宿幾乎是一樣的：做解決方案。
在開始投标、需求打磨、開發、交付這條路之後，前面說的結構性矛盾就出現了。
對于這種重運營、渠道工作，在内要消耗大量的人力，在外則定價的時候基本沒啥發言權。
這難處就正好打在了創業公司的七寸上。
AI 創業公司人貴，不擅長精細化運營。
真幹上面這類工作要有點幹毛巾能擰出水（稻盛和夫）的本事才行，技術在不影響定價權的時候其實反倒是不關鍵。
創業公司如果有精細化運營的本事那就不是創業公司。
基本處在傻大黑粗幹想敢幹階段的創業公司和這個要求是矛盾的。
讓科技公司改成這樣，那差不多相當于讓悟空、八戒天天念經，有緊箍咒都不好使，何況還沒有，也沒這意願。
再加上人貴，于是就只能天天虧損。
一虧十年，其實是把一個本應技術產品驅動的活幹成了運營業務驅動的細致活的必然結果。
這和誰幹沒關系，套在這種結構裡面，誰進來都夠嗆。
大模型之後，這個模式的境地其實是變差了（還有經濟環境變差的原因）。
因為大模型上的支出其實是提高的，不管是模型本身，還是人員成本，但你定價一端并沒有變化，對精細化運營的要求也是有增無減。
有時候就會碰到幾十上百萬的項目四處找大模型的情況。
而為了拿到這些機會，模型的價格就一路下降。
這是個什麼路數呢？
一個公司傾盡全力大模型也不一定能幹好，所以随便那個領網域的模型也不可能僅靠一點預算就能幹出個有價值的結果。
一旦這類活啟動，那最後只可能是在這鏈條上的人一起想辦法把事情對付過去。
供給方賺個流水，還不一定賺錢。
消費方，花了錢拿到個不能用或者不好用的模型。（因為技術本身迭代很快，這麼做出的模型只可能越來越不好用）
然後在外部聲浪的助推下（比如 OpenAI 的新模型），這事一次一次發生，然後一次一次透支 AI 的預期。
在小模型或者互聯網的情況下，這路不怎麼賺錢大致還能走，在大模型的時代，這是條死路。（後面還跟着私有部署、長期運維等一系列事兒呢）
貼個圖，這事就适合用五力模型看，一想特别清楚：
單點工具沒有意義，SaaS 死在這兒了
過去十年還一個和 AI 雙生的巨大失敗是SaaS 的集體玩不轉。
現在甚至一度到要給自己放義勇軍進行曲進行激勵的程度。（到了最危險的時刻）
說原因的人很多，但一直不怎麼在點子上。
到點子上就會有點絕望，但絕望之為虛妄正與希望相同（魯迅）。
我們可以用一句話從結果先進行總結：
單點工具在國内玩不轉，沒人付錢。
比如過去 CRM 不好賣，換成大模型做的 CRM 就好賣了麼？
顯然不是。
為什麼不付錢呢？
這只能到工具的價值結構裡面去找答案。
如果你是生死攸關的工具，那就怎麼也得買，頂天不願意續費。
如果是改善型的工具，那差不多能用就得了，我幹嘛多花錢，别的錢還不夠呢。
（和 SaaS 對比，是過去這些年在數字化上花的錢，其實一點也不少）
我們總和外國比，但泥土不一樣，其實沒的比。
泥土不一樣還不是什麼經營理念，而是老外 IT、人都貴，弄 SaaS 是順勢而為。
我們要反過來逆勢整，肯定就沒人埋單，底層是需要創造更大的價值。
為什麼從 AI 說到 SaaS 了呢？
因為 SaaS 代表了一種 AI 落地的形式：單點的功能型工具。
如果把模型進行簡單包裝，弄成 XX 寫作、XX 助理，那命運和 SaaS 肯定一樣。
比 SaaS 還不如的是還随時得提防會不會被通用大模型碾壓。
通用大模型像一個巨大的從山而下的雪球，這種小工具要在它的路上，那稍微擋路肯定被碾死。
上述這種小工具不單是 SaaS 還有很多變種。
比如各種堆集到音箱後面的技能，做個繪本、放個鬧鍾等等不一而足。
這種小技能在有些應用商店裡一度上萬，但其實時間稍微一長，做的人都不記得為什麼做它了。
這事唯一有價值的可能是配合上一節說的，在報價的時候看着比較另類，輔助投标。
不是說單點工具不能做，但做的邏輯就變成快點做，快點賺點錢，并且不要在國内。
整體性產品不能從隐性成本高的地兒開始
單點工具不好做，那做 ERP 整體工具是不是就可以了？
這還有另外一個坑。
近來談 Agent 的人多了起來，但看着好像離這個坑越來越近。
整體性工具和直接用 chatGPT 最大的不同是什麼呢？
它重構生產關系。（Copilot 生產力，ERP 生產關系）
說生產關系大家可能沒感覺，可以再換個角度：重構資源流轉和利益分配的方式。
這事《創新者窘境》裡說的比較透徹：資源、價值觀、流程定義分配秩序，而分配秩序就定義了企業擅長幹什麼不擅長幹什麼。
這個價值觀最核心的部分可不是挂在牆上的以人為本什麼的，而是誰拿多少錢，誰花多少錢的根子。
它的變化影響一個組織裡面利益分配規則。
最簡單的導入機器人都會讓一部分人被淘汰，何況更頂級的整體性工具。
在這裡整體性工具的收益要對衝的是既有資源流轉體系。
如果是企業級工具，那無疑需要極為強勢的推動。
新公司來做實在不樂觀。
大家應該還記得流傳頗廣的華為上系統的時候削足适履一說，不支持的請離開。
模型本身就有不靠譜的地兒，再抗這麼重的領網域，有點像小樹苗當大梁用。
第一很難構建現金流，第二即使構建了估計也不可持續。
我如果就寫這也不行，那也不行，那估計會被噴：想那麼多事幹啥，幹就完了（義和團用金鍾罩鐵布衫抗洋槍差不多就這樣）。
所以要再寫下新的領網域究竟在那兒。
從混沌中摘取果實要看到真正創新之處
我們面臨兩類不同的業務情景：一類是變量數目其實定了；一類是究竟有多少變量還不知道（北大國發院王超老師管後者叫頑劣問題）。
比如我們蓋房子差不多是前者，但做大模型或者大模型的應用就是後者。
兩類結果都不确定但需要的思維方式其實不同。
前者還是要盡可能專業化，把細節搞很清楚，專業化，然後再下手。挖煤礦不尊重這種專業化，大概率吃不了兜着走。
後者就沒法這麼清楚和專業，要關注底層邏輯，然後結合到底相信什麼做判斷。（人類所知甚少的時候就什麼都是哲學，但科學昌明後很多哲學問題變成了科學問題）
AI 應用基本上是後者的狀态，需要在一片混沌中形成一個自己自洽的套路，然後從未來中撈一把，也許能抓到些什麼。
為了讓這個過程有點套路，我這裡提供一個底層邏輯的思維框架供參考：
第一是角色中心式計算視角。
不要再考慮單點工具了，在單點工具上 AI 并不比過去的技術進步多少。郵箱用不用 AI 其實沒那麼大區别，加個語音的互動的天氣功能和手戳兩下也沒太大區别。
這次 AI 核心特征是能夠理解概念，能夠自主形成判斷。
基于這個特征構建出的工具才是藍海裡的工具。至少是現有工具都幹不了的事。
過去是累積一圈的各種功能型工具，企業裡比如郵箱、電話會議、OA、代碼管理工具等，這次是要聯通。變成一個自主的 " 智能人 "。
把 AI 放在原來各個工具裡面，有點像電腦都出現了，還只是就用來當算盤或者打字。
第二是圖靈測試 2.0。
即使是角色中心式計算的視角，你還要看到底這事能不能幹，如果像上面說的和整個企業犯衝，那做的再好也形不成現金流。
這絕對是個產品視角，產品視角是個大綜合的視角，高于現有工具、產品，高于模型。
這時候要有技術視角的判斷，比如任何一個角色如果要細分可能要拆解成 100 個行為或者判斷，那現在的模型在這 100 判斷上表現怎麼樣。
如果考慮它偶爾抽風，精度基本還行，那技術供給是夠的。
更要有角色本身的判斷，比如這個角色的相關部分是否充分數字化了，别拿到的信息就不可能準，那模型再好也沒用。
基礎判斷沒問題，再快速驗證，然後 AI 代理的這個角色不單從與人溝通中無法識别是 AI，從現實反饋上也無法識别，那測試就算通過了。 ( 比如你想發 Offer，它真的發了 )
一定不要互聯網思維，不要單點極致口碑快。這些和 AI 思維衝突。
天時已經改變，換了人間，不要再老套路，如果不信可以回顧下智能音箱。
第三是智能原生應用
能夠承接角色中心式計算和通過圖靈測試 2.0 的一定是智能原生應用。
過去所有技術達不成這個目标。
那智能原生應用的核心特征是什麼呢？
簡單說可以叫：萬物皆數、實時反饋、中心決策。
數字化必須足夠充分，不管是項目還是統一性。
CEO 再英明神武你給他假的信息一樣昏聩。比如：坑爹的極致之一就是袁克定給袁世凱辦了個報紙，然後袁世凱這北洋領袖就這麼走了。
這裡最難的不是事本身，而是持續做到這點所產生的隐性成本。
如果上層應用沒打通，沒有一種持續确保措施，那數據天生會變混亂和不準。
實時反饋說的是信息的在時間軸上價值不等。
那個将軍能用兩年前的情報指揮戰鬥呢。
中心決策其實揭示了另一個智能原生應用的底層規律。
智能的效能 = 模型 X 信息完整度。
所以必然有個中心代表完整度，這還不單是模型決定的。
架構要按照這三點進行設計。
第四則是落地的時候要搞定從 1 到 10。
小結
不知道什麼時候開始流行了一種說法叫：幹就完了。假如未來是一片混沌，有無限可能，那幹就完了式的試錯其實大概率就是義和團的金鍾罩鐵布衫抗洋槍。并且因為可能太多，所以簡單試錯的挂了產生的經驗價值都沒想的那麼大。勇氣和堅持總是要的，但對于 AI 需要配一個底層的思考框架。而這套思考框架和過去互聯網完全不同，要盡快摒棄互聯網帶來的各種成功經驗和方法論。
