随着现代科技不断在发展，对于AI在商业中的发展又该是如何的走向，又该如何调整部署？关于AIGC商业化的非共识认知你了解多少呢？或许可以看一看下面这篇文章，里边的内容或许可以为你解惑。
关于AIGC商业化的13个非共识认知：
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产品》。
某开发者做的AvatarAI，上线2天、收入1万美元（详见《一天赚一万美元，这个AI图片生成工具火了》。
这类产品，其实本质上都是“AI头像生成器”，提供的是个性化/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，这类产品都需要依附于某个成熟、强大的社交平台（类似QQ秀生长于QQ），才可能“长期”巨额盈利。
要想通过AIGC，自己来沉淀社交关系链到一定数量级，短期是不现实的。
最近“妙鸭相机”的微信搜索指数，已经在大幅下滑了：
当然，如果能够赚一波流的钱，也挺不错的了；但总有人希望更能稳定、长期的赚“系统”的钱。
PhotoRoom具体是做什么的？服务于二手电商卖家，去掉图片背景、并增加各种细分电商应用场景所需的背景和效果。
PhotoRoom的数据表现如何？去年12月的数据是：下载量4000万，月活MAU 700万，每天处理的图片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，每个月的增长基本上都在 50%以上（详见这篇报道）。
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，不仅是节省大量时间，还能提高卖家的销售转化率——针对各个细分场景，提供具有专业设计感的照片，用户使用后，平均提高了31%的转化率！
比如社交媒体（它还细分出了 Twitter、Instagram 等）、各种电商网站（具体再细分为 Ebay、Poshmark、Depop、Etsy、Shopify 以及亚马逊等各种类型的电商平台）、网络小店、杂志风格（再继续一大堆细分）、直接具有销售文案的图片以及各类风格类型模版，各种模版超过了1000个！整个优化生成的图片非常的有专业设计感，操作也是非常简单。
这个案例对咱们的“底层参考价值”在于，这是一个AIGC商业化的靠谱思路：
这里有一个非常微妙的地方：PhotoRoom的功能，既能节省用户时间，又能提升转化率，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）也有电话、短信等通信功能，但是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，重点指标也变成“占有用户时长”等等，而并不是打电话的通话质量等通信指标了！
也就是说，降本增效类指标也有用，但不是“决定成败”的关键，因为人类天然更愿意为开源付费，而不一定是节流，特别是在中国，特别是小B和大C。
传统互联网的各种网络营销功能，也会通过优化标题、图片来提高转化率，但有一个问题，就是总觉得颗粒度太大，做不到真正的“千人千面”。
为什么做不到呢？我认为，关键不是模型、算法、算力不够，而是因为真正要做到足够细分人群/场景的千人千面，需要对那个最细分领域具备深度know-how！
比如在9月2号的「AI日报」里，分享过某篇文章里的这几段话——
a）设计一个直播数字人，如果没有行业理解，很可能是一个端庄、颜值高、说话语气舒缓、手部有一些简单动作的产品，事实上直播完全不是这样的！
b）你必须知道大家平均在直播间停留的时间有多长、必须知道直播有忙时有闲时、必须知道什么时候全身出镜/什么时候半身出镜、必须知道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，甚至要跟这个行业相匹配的方式做对应的串联，这样才能保证大家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）很多专业领域，要知道哪个环节是容错率高的，哪个环节是容错率低的，这样才能保证是一个好的应用，否则就是一个泛泛的、拉平的东西。
d）做垂类的话，除了模型外，还要了解行业Know-How，否则是做不出来的。
另外，特看科技CEO乐乘最近分享过：
a）做了一个AI生成视频的系统，可以细分为脚本生成、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）客户向我们表达需求，或者选择一个参考视频案例，我们给客户生成结构化的脚本、是有语义标签的一套协议，比如分镜一是一个人在讲文化，分镜二是产品展示，分镜三又是讲其他什么，类似给一条视频打码，再加上客户给的一些产品视频，或者我们生成的图片素材，以及数字人，就可以以脚本为依据去，一键组装出一条视频来。
c）我们的脚本，来自过往平台里已经爆了的爆款视频，微调之后生成我们自己的语料库，它爆款概率和人比有优势（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，他们真的是深入行业了的，因为：
一方面，里面有一些核心关键词：复制爆款、公域引流、私域转化等等，这些，直接指向的就是“转化率”！
另一方面，里面有很多很多的细节——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；不是因为细节里有魔鬼，而是因为细节背后有认知，而且是能“从底通到天”的那种认知。
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，他们真的是深入行业了的，因为：
一方面，里面有一些核心关键词：复制爆款、公域引流、私域转化等等，这些，直接指向的就是“转化率”！
另一方面，里面有很多很多的细节——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；不是因为细节里有魔鬼，而是因为
细节背后有认知，而且是能“从底通到天”的那种认知。
为什么情感AI重要？这里涉及很多个认知点：
为什么说，情感AI可能反而是现阶段的低枝果实？
可能是因为，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、更容易被感知的价值。
比如，大众情商平均水平是60分、人性需求是至少75分，而ChatGPT默认有70分的水准——这里就有60分—>70分之间的低枝果实可以摘取。
在6月15日的AI日报中，分享过一个“医疗+ChatGPT”相关例子：研究者们原本期望ChatGPT能承担医生大量例行工作，如撰写医保理赔申诉或总结患者笔记，但实际上更多时候，医生们使用ChatGPT帮助他们，以更富同情心的方式与患者进行沟通（85%的患者表示医生的同情心比等待时间或费用更重要）。很多医疗工作者并不擅长写出深入浅出的医学手册。例如社工们针对酗酒者，让ChatGPT被要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导……
另外，在专业领域，ChatGPT类产品的准确度、稳定度，可能暂时只有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%，所以95%是可感知、可接受的那根线）。
why？因为虚拟人是文字、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李笛提到过，几年前开始，他们和MSN以及Lawson做了大量实验，实验内容就是让AI Being和人交流，最终目的是把商品准确地推送给人，同时让人能够更愿意接受消费的商品。“最终测试表明AI推荐的商品购买率达到68%，与绝大多数人类员工推荐的购买率差不多”。
要知道，互联网/移动互联网时代，常规的推荐系统或AI 1.0时代的人机交互系统，即使把推荐算法、NLP做到极致，购买率据说也不超过20%——这里面有多么大的增量空间！这是很多做AI的人，之前没意识到的认知维度。
多说一点，比虚拟人再进一步的本质形态，就是最近非常火的“Agent”；但这不是本文重点，这里只说一点：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”，类似复杂系统/鸟群——单个智能体可能很简单（不一定要超过单个人类），但整体有非凡的智慧（AI Agent 团队 >人类团队）。
AI产品设计=AI+人工+用户——用户拿到产品后，还需要完成“个性化”的设置过程（主动+被动），补齐最后的5～10分。
这背后详细的认知思考，以及5个具体案例（4个To C、1个To B），详见我之前分享的这篇文章《AI产品方法论之“由用户来完成AI产品设计的最后一公里”》
核心指标背后，其实有更重要的一层认知——品类。
只有“量”、没有“质”的产品，其实都是还没有真正“立住根”的，比如之前的智能音箱，都还不算真正成为一个“新品类”。
在《如何从“品类”角度做AI产品（2C）的需求定位》一文中我提到，“新品类，往往意味着新指标、新标准（交互/OS/硬件）以及新应用（杀手级）”。
很明显的，这些都还没有“立”起来，篇幅有限，本文主要先探讨一个重要问题，新交互标准是什么？——
今年Sam Altman就说过，
“我认为提示工程不重要，未来通过文字或者通过语音来进行交互……如果只是在提示最后加上一个非常傻的magic word，然后以是否知道这个magic word来作为工作好坏的标准，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。
网上很多关于CUI（有的用VUI或LUI）的探讨，大多是what层面的内容、有点绕。
这里分享一些我之前没公开说的相关“认知”：
AI 2.0时代，需要增加一个关键词，“关系”。
某个Agent，在这个场景里，和用户（或者其他Agent）之间，是什么关系？
定义了关系，其实就定义了约束条件和需求属性。——
比如老板/领导对下属，家长对子女，天然就有“优势地位”，同样的话，会比其他人份量更重；还比如，同样的话，夫妻之间可以说，但对外人，就得换个方式表达了。
1）使用AI时，把AI当成人
使用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。
这方面，网上有些同行也在说，就不多谈了。不过重点推荐一个1.5小时的干货视频——我的朋友文君讲的《从n走到n+1：未来5年，AI创业公司CEO和产品经理的生存法则》
他是连续创业者，中美两家AI公司的GPT战略顾问，原阿里巴巴早期移动端核心产品负责人。这是今年1月，在咱们“AI产品经理大本营”的成都闭门会上的分享，其中很多认知，直到今天，行业内都还没有人讲过的。
如何证明他的认知深度和口才？看最近他的这篇文章《什么是AI的“智能涌现”，以及为什么理解它对创业者、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”类产品体验时，应该怎么去思考呢？
完全跳过目前的技术局限性，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。
还包括，今后和自己身边的人对话时，可以让自己把他当成一个AI，去体会你们之间的对话过程，会自己冒出很多的feature思路和认知出来的。
高频、用户需求已经很明确、用app已经能够很好解决的需求，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，未来CUI习惯了，是否还需要GUI，不确定。或者说，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），可能是最近1、2年接触AI的朋友说的比较多；5～10年前第一批AI从业者，当时说的都是“CUI”（C-conversation，对话），个人认为更切中关键。
早期，2B的公司，不用那么考虑最终2C产品的体验好不好，反正我把工具提供给你，怎么用客户自己的事；
后来（5～8年前），我们给客户公司提供AI解决方案时，不仅需要考虑产品体验设计问题，甚至由于太超前了，所以需要引领客户（该怎么做），弊端就是，10家头部公司里面，可能只有1～2家认可你的非共识。
这里面背后原因，可能是因为曾经没有人（公司）可以hold整个端到端的落地打通，或者没办法把各种能力足够打散、原子化。
而大模型天生就是干这事的。
现象上，从需求侧来说，2B/2C的融合已经有所苗头。比如，我个人非常需要RPA+LLM的功能，但目前各家公司就是优先做2B，我就得等；但其实，我只是需要那些功能逻辑而已，本质来说，不是一样的吗?
所以未来可能是，LLM提供基座能力、中间层提供原子能力、用户完成最后一公里（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。
然后呢？
然后，是另外一片天空——机器和机器交互。
比如在另外一篇文章里提到的，“agent 如何被主 agent 发现，如何被合理调度，如何获取商业价值……以及，为了交付好的结果，应该如何主动去搜寻、评估和整合其他 agent。”
还有，机器和机器交互，所需要的数据格式标准（比如3D相关）、存储和传输等等基础设施，以及应用层面的很多东西， 都是非常非常有价值和商业前景的。
只不过，现在，大家还看不清。
不过，知道这一步还不够，还有一个非常非常重要的AI商业化认知：
在8月28日“AI早报”里，介绍过李智勇李总的相关分享——
去年12月，我在文章《AI落地的本质是管理咨询，服务能力和工程化能力才是商业模式跃迁的基础》中，摘录过某篇干货文章中的要点：
基于毛毛虫模式，还有一个非常有意思的引申认知——
在模式上，把AI看成传统的通信/IT行业，更容易让我们拨开迷雾、认清路径和边界。
上面文章《AI落地的本质是管理咨询，服务能力和工程化能力才是商业模式跃迁的基础》里还提到——
1）通信行业人才，更容易具备服务能力和工程化能力，因为也是一直服务于大B客户……给客户完整的、交钥匙级别的解决方案。（有软硬件集成、运营能力和大客户服务能力）
2）关键在于，服务能力和工程化能力一样，是创业团队要在之前的人生旅程中实践获得的。（hanniman评注：速成不来）
3）AI项目里边，其实只有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，都要帮助客户梳理流程，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，实际上是集体失败了》中，我还介绍了李智勇李总的相关思考：
1）……IBM System/360这类大型机就是这么干的。那时候人们不太知道什么是IT技术，和现在人们不知道人工智能到底干什么的类似。
2）那时候的大型机是一种复杂整合，从硬件到系统到应用。最终以一种方案的形式去解决大型机构的问题，比如银行、保险等。
3）在贵的领域完整整合新技术、创造此前没创造过的价值，然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业模式。
4）分析起来就用五力模型。一定不能用平台模式。所以前面才提到IBM System 360。
5）AI潜力的关键在于其背后的技术具有共通性。当累积到一定量之后，就具有变成系统型超级应用的机会。这在过去一样发生过。微软当年给IBM配套的时候，其实就是供应链的一环，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。
补充说明下，最近有位产品经理来找我做“1v1咨询”，他原本对未来的个人发展机会看不太清，但他早年在中兴工作过几年，所以我给他点出的4个机会之一，就是可以想想：
专栏作家
hanniman，微信公众号：hanniman，人人都是产品经理专栏作家，前图灵机器人-人才战略官/AI产品经理，前腾讯产品经理，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产品经理大本营的4年1000篇干货合辑）、200页PPT《人工智能产品经理的新起点》。
本文原创发布于人人都是产品经理，未经许可，不得转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。