当基础模型的智能程度足够时，用户的选择与留存，更多取决于产品外层的 “壳”—— 即针对具体场景的工程优化、功能设计、使用体验及服务稳定性。本文指出，AI 套壳产品的差异不在 AI 本身，而在于能否将复杂操作简化、让用户开箱即用、大幅提升效率，以及提供足够的 “放心感”。

我们产品的壁垒在于 AI 输出的质量。这个结论是不对的。这可能是我们自己的臆想。

这个逻辑并不复杂——如果 AI 的能力达不到我们目标用户对于质量的要求，那么我们的用户连豆包、Kimi、元宝、Deepseek 这种通用 AI 都不会去用，一定是试过之后就放弃的。

但事实是，这些国产通用 Chatbot 已经离不开他们的日常工作流了。

我们的竞争对手不是什么 SCISpace, Elicit 这种海外大玩家。 我们的竞争对手，是这些基数巨大的，还停留在使用豆包、Kimi 这种 Chatbot 习惯的用户，我们并没有在一个存量市场里和其他巨头厮杀着抢蛋糕。这是一个增量市场，大量用户在去年年底才刚知道豆包、Kimi（当时的投流大战），春节时才刚知道 Deepseek 而已。

难道我们做出的产品，在 AI 输出的质量上，会连那些国产 Chatbot 都不如吗，这说不通。这个逻辑说不通。

最关键的点不在于 AI 输出的质量能不能达到用户的要求，因为哪怕我们不做任何提示词优化，Gemini 也是天然强过国内用户能用到的这些模型，是天然更能满足用户要求的 base model。如果认为用户放弃我们的产品是因为我们的 AI 输出质量达不到用户要求，这一定不是一个诚实的答案，至少不是一个认真求索过得出的答案。

所以，真正重要的问题不是这个。

AI 应用产品，本质上就是套壳，AI 的核都是一样，差异全在那层壳。肖宏说，“壳有壳的用处”。 「壳」换一个说法就是——在 base model 外层，针对具体的场景和上下文，做出的工程优化。 这些工程优化，具体体现在：

• 能不能把原先在ChatGPT中多步才能完成操作简化到一步
• 能不能把原先需要学习才能掌握的用法，让用户开箱即用
• 能不能把原来一周才能完成的事情缩减到1个小时
• 能不能给用户提供比Chatbot更多的「放心感」
• 当然，也包括服务稳定性
• …

每一个套壳产品都是这样，换句话说，当 base model 本身的智能程度足够之后，AI Native 产品真正决定一个用户去留/转化的，已然不在 AI，依然在产品本身，依然在功能、体验、服务稳定性，这些最最基础的东西上。

而这些问题，都是有解法的——无非是多接触用户、理解用户的日常习惯，找到他们工作流中阻塞的地方，提取最大公约数，然后通过产品化的方式可靠地解决它，顺便牟取一些商业利益。

这都不是轻松就能做到的事情，但这是明确有解、有路径可以做到的事情。

并不一定要曾经泡在某个具体的行业里埋头苦耕，然后解决了某个前人没有解决过的科研问题并成功发表一篇文章的人，才有这个资格——有这样的经历当然更好，但这都不是做产品的必要条件，做产品是一个工程问题，工程问题有工程问题的解决方式。就好像不是只有出租车司机才有资格做打车软件。SU7 玻璃上做了防晒的功能，也并不因为雷军是一个爱护肤的女生。

事实上据我观察，硅谷的博士精英、大学的老师、读研的同学，对这个场景需求理解的差异很大；药学/计算机/法学/教育学的从业者，聊天时也各自也会被不同的功能打动。 每一个读过研的人就真的像他们自以为的那样懂这个场景了吗？我作为一个内心空白的旁观者，保留怀疑。

所以，「我们到底能不能提供满足用户要求的 AI 质量」这个让人迷茫、不具备实操的指导性的问题，其实应该转换成这个更加具备落地可行性的问题——我们的产品在功能、交互、服务稳定性、工程化层面，换句话说在「壳」的层面，是否做到了比 Chatbot 功能更好用、更省时间、更让人放心。

这和用户给出的反馈是一致的——反映功能缺失、交互糟糕、稳定性差的比例，远远大于吐槽内容本身质量的。 内容质量极大程度上取决于 base model 本身，而功能、交互、稳定性这些产品工程层面的事情，才是取决于我们自己。

我们不能把最核心的目标指向一个不可控的东西，并把遇到的挫折归结于它，觉得自己可能无能为力，然后对真正重要的事情视而不见。

AI 套壳，不在于 AI，在壳。