去年，AI大模型的爆火，也让很多厂家都步入大模型应用的开发中。AI创业，在这个时候也是一个好赛道。作者总结了一些创业过程的实操细节和思路，希望对你有所启发。

23年，以OpenAI领头的大模型赛道风靡一时，一时间国内、国际诸多玩家纷纷入场。巨头们主要以底层能力入手开始卷，做自己的大模型，而在广袤的应用层，人人都有机会做自己的大模型应用。于是起心动念，开始在闲时研究相关内容。

说来简单，实际促使我实际开始动手去做的，还有一个关键的信念/观点——场景闭环是成败关键。

随着OpenAI开放了GPTS，网上出现一个段子说“每个人都在做自己的GPTs，同时没有人愿意用别人的GPTs”，除了用户自制的对话应用的确良莠不齐的因素外，我认为还有一个关键因素是，清一色基于聊天界面的应用很难打造品牌爆款，背后的原因是简单的聊天页面无法完整闭环场景。

比如常见的AI创作小红书文案的场景，通过优化后的prompt的确可以让AI在给定的语境下生成一段看似符合小红书常见帖子的文案，但如果想专业运营好一个小红书账号，你还会面临：

• 生成的帖子文案千篇一律，口吻不符合自己账号调性
• AI生成的内容一眼假，缺少留存点
• 做账号时经常需要做营销内容与转化内容，不同类型的内容有不同的文案诉求
• 生成内容后，没有完整的数据闭环，依然需要其他工具管理账号
• 不同定位的账号需要不同类型的专业知识库

而以上这些问题，都是你在一个与AI的聊天框中无法解决的。这也是为何GPT3.5面世时各路媒体纷纷报道世界变了，但一年多后的今天，你可能觉得世界变化似乎并没有那么大的原因。

聊天框+插件在一定程度上强化了AI能处理的场景，比如搜索引擎在可预见的将来就一定会被取代，因为AI在阅读、搜索、归纳信息的效率上是人所不能比的。

但同时，缺少细分行业的业务流程逻辑，也意味着单一的对话应用必然无法在各个领域都取得良好表现，反而是那些已经在垂类领域有认知积累的玩家，有机会在此技术革命中取得更好的口碑，比如AI+数据库查询，AI+客户管理系统，AI大批量面试，AI优化在线文档，都是有商业价值且能切实提高效率的场景。

图为阿里云AI+数据库管理的应用，意味着不会sql的同学也可以按需查询所需数据

言归正传，决定去做后，便开始考虑要做的定位与场景。

一、市场细分与定位

做大模型市场的定位时，细分市场的第一刀是2c&2b。

在2b的企业服务侧，大模型存在的形态，或是与原有场景深度结合，或是基于会话能力创造出了新的可行产品。比如营销获客领域，一键生成的内容与批量发布形成了新型的内容平台管理，由人生产内容更新为机器生产内容，让矩阵运营流量平台账号的成本更低，效率更高（当然，流量平台后续一定会对此相应进行监管）；

• 比如客户跟进领域，基于平台提供的客户上下文信息，大模型可以以销售个性化的口吻生成跟客话术推荐，并在通话后智能总结通话摘要；
• 比如客户服务领域，基于知识库的大模型，在信息的提取与理解方面已经超过了大部分客服，只需要简单的一份pdf文档，就能训练一个掌握全部信息的客服（以目前的技术水平，实际场景中仍然有无法识别并发送知识库图片、无法帮助客户操作等弊端）。

已经落地的案例中也可以看到，大模型能力必须与使用场景深度结合才能更好地发光发热，单纯具有生成小红书文案的能力不足以支撑一个完整的产品，但如果可以批量管理数千个小红书账号内容的自动生成与数据管理，这才是合格的商业化产品。

相比2c，2b市场更要求完整产品交付，也对应需要更高的启动成本，所以这部分市场我没有考虑。接下来，我们再看下2c的市场。2c的市场太大了，我们的目的是找到潜在的切入点，如果机械按照“社交、电商、游戏、内容…”等领域去做细分无疑是很呆的，对我们的目标也没有任何建树。所以我这里仅仅基于做平台/做场景粗粗分类。

第一块2c的市场是做大模型底层建设。这是大厂们的首选，无论是基于品牌、商业竞争、企业价值等角度，国内企业一定要有自己的大模型，并基于自己的大模型搭建平台。典型如百度的文心一言，字节的coze（豆包/cici），第一步是训练属于自己的大模型，第二步是基于自研大模型做平台发展GPTs。

第二块市场属于各种细分场景，将大模型的开放能力包装一下，形成自己的应用。

最直白的的做法是把会话、画画等能力接入进来，以别人的能力做自己的品牌，如果你在微信小程序搜AI，可以看到不少这样的应用——因为某些限制，只是简单把国外的能力拿过来，其实也是有较大需求市场的。

另一种更专业的做法则是专注于某种场景提供服务，比如KIMI，早期定位于“快速阅读整理资料”的场景，把文章发过去后即会快速阅读给出总结，随着扩展的需要，目前又拓展了网络搜索、超长上下文的能力，去承载更多应用。

细分后，我的目标也就基本框定在了“2c市场中的细分场景”这一部分。最终产品初步定位为小程序精品GPTs的市场，同时在产品架构上支持原始GPT能力与数个内置的场景化GPTs，这样选的原因包括：

• 基于小程序主要是基于增长的考虑。大模型的核心魅力之一在于“对于自定义输入内容所带来的未知输出的期待”，而这种游戏性很适合做裂变增长，比如年前在年轻人群中火过的“哄哄模拟器”，把哄女朋友的场景做成了文字闯关小游戏，就是个很好的增长案例。
• 缺少诉求极其强烈的使用场景。个人直接做2c的微型项目，最稳妥的方式就是自己就是这个领域的深度用户，否则就需要付出数倍的努力去做用研。当下的我并没有某个强烈且愿意稳定付费的细分场景，所以需要在多种细分场景上试。当然，这也会导致更高的维护成本，以及错过真正高价值场景的风险。

1.0版本中，我选择了“起名”的场景。大模型的语义理解与内容生成能力很适合做一个发散性的起名助手，且相比直接用通用对话AI起名，独立的小程序意味着可以增加“起到满意名字的添加备选”“分享我的备选列表给家人”“管理家庭备选列表及投票”“查看备选名字重复率”等延伸诉求。且起名虽然极其低频，但在国内广大的基数下，依然有可观的市场。

二、版本、定价与增长

由于是个人项目，我没有打算贴钱做用户量，要做就从第一天开始自负盈亏（当然，基础的时间、工具投入还是要的，我预了大概出去玩一趟的机票钱来做这件事）。

大模型选型上，我使用了GPT3.5，因为4.0的价格实在太贵了（而国内大模型仍处于追赶阶段，效果较差）…3.5的定价是输入0.0005刀/1000tokens，输出0.0015刀/1000tokens；而4的定价则是输入0.01刀/1000tokens，输出0.03刀/1000tokens。

不要以为这个价格很便宜，随着用户与AI聊天的记录增多，每次对话时AI都会将之前的对话记录阅读一遍，看似AI只回复了几十个字，但其实已经消耗了几千tokens。按照用户每次对话消耗2000输入tokens+1000输出tokens的量来预估，AI每次回复会消耗2000/1000*0.0005+1000/1000*0.0015=0.0025刀，约人民币2分钱，于是初步定价4.9元/15次起名机会，相比传统人工起名的收费显得很良心，我也有一定空间来做免费体验等转化功能。

1.0版本的搭建大概用了半个多月时间（使用低代码工具自己搭建的，不需要写代码且效率更高），上线了基础的起名、收藏起名记录、付费、看广告获得免费次数的功能，算是实现了基础的闭环。目前主要的增长渠道还是小红书的推广，通过内容引流，去获得免费流量，上线一个月也做到了几百月活，获得了一部分付费与广告收入。

中间微调过两次策略，第一次是发现用户付费率很低，进一步去看数据，发现几乎每个进来的用户都会去对话起名，但大部分用户用完赠送的聊天次数后没有进一步的转化动作，考虑场景足够刚需，于是下调了赠送的体验次数；第二次是发现一位用户在两天内看了170条广告（来获取免费次数），于是下调了看广告赠送的次数且增加了最大免费次数。

至此，一阶段的场景验证已经基本完成，验证了在细分场景下的确有做一些轻应用的空间。下阶段则要进一步验证增长与收入模型，目前的推广手段还比较单一，依赖公域平台的内容流量，下个阶段希望则通过拓展场景，去获得口碑或裂变式增长。

三、小结

下笔写来简单，实操过程中实则有很多细节，要花费心力去优化解决，比如如何申请openai的API，如何代理API，如何将AI起的名字存入表中等等。本篇重点在过程中的思路而不在实操，因此刻意忽视了执行的落地细节。

总体来说，现阶段大模型的能力足够支撑我们做一些创新产品，如果场景的确可以为用户/企业带来实打实的价值，也可以带来一定的商业回报。当然，还是那句话，创业有风险，所以如果你希望做自己的项目，还是建议在闲暇时间兼职做，不要一头莽进创业者队伍。在实际投入时间精力之前，也可以通过AI聊天产品做一些基本的验证，确保这个场景的确有价值，再考虑产品化。