打造中国最大的
AI信息汇总平台


Back to the Future,大模型时代 AI 产品的设计与应用

Back to the Future,大模型时代 AI 产品的设计与应用插图

在大模型时代下,AI产品要怎么做?AI应用需要什么样的产品经理?做好AI产品需要具备哪些能力以及准备?本文从八个维度的重点内容展开,希望能带给你一些启发。

Back to the Future,大模型时代 AI 产品的设计与应用插图1

大模型时代的产品要怎么做?AI应用需要什么样的产品经理。

今天可能没有多少创业机会了,但还有很多做生意的好机会。时代在呼唤更多的全栈技术全栈产品,属于个体开发者的好时代终于又回来了。

本文内容,重点关注以下问题:

  1. AI 产品的几个阶段
  2. 数据不是壁垒,结合数据提供差异化体验是壁垒
  3. 做 AI 产品要沉淀什么数据?
  4. 怎么保证现在做应用的投入不是无用功?
  5. Perplexity 的产品设计能力
  6. Adobe 取消收购 Figma 是人机交互方式发生的变化
  7. AI 的能力什么时候会发生跳跃性变革
  8. 产品经理需要 Back to the Future

一、AI 产品的几个阶段:AIGC → Copilot → Insight → Agent(自动化)

通过搭一个乞丐版产品理解用户意图,然后把过去几年客户的最佳实践和成功手册、交付案例、客服知识库……给到AI训练,看能否给到用户运营方案的建议。

总结下来大概是这 6 个能力:理解用户意图、提供用户运营方案建议、生成营销创意、自动化执行、自动化监督、自动化归因。

二、数据不是壁垒,把数据作为 context 喂给大模型,让大模型更懂你、提供差异化体验是壁垒

最开始构建 AI 产品的时候是从用户视角出发,提供解决具体问题的场景功能;

其次是能够看到用户在各种各样场景下沉淀的数据,比如看过的视频、文章、问过的问题,这些都是 LLM 不会有的用户的私有数据。

从过去的经验看,数据肯定不是壁垒,但有了数据后,把它作为 context 传给LLM,让这个 LLM 更懂你,这个差异化体验是壁垒。

比如,让 LLM 帮你起个标题是在编,但把商品信息一起给到 LLM,效果就不一样了。

所有不甘于只做 AI 工具的应用,都需要考虑数据沉淀下来的 AI 资产,让产品能够基于资产,更个性化地服务用户。

三 、做 AI 产品要沉淀什么数据?

需要沉淀的数据不是什么交易额,而是用户在解决某个场景问题在最近某段时间(如一个月内)有多少最佳实践的问答对,比如在小红书上怎么设置店铺的优惠券 —— 需要足够多的最佳实践整理成的问答对。

所以最终我可能不是一个卖软件系统的公司,可能是一个智能运营系统的运营商,通过无数最佳实践和最佳实践的总结,去不断录入、运营这个系统,让它变得越来越智能。

大厂的数据很多,但不是真的强。很多数据不是结构化的,并不能直接拿来给大模型用,那么,今天做 AI 产品的问题是,怎么通过你的产品设计,让用户生产模型能用的数据?怎样依托数据的循环、和独有数据的积累完成产品设计?

一是通用大模型,用户的使用数据对通用大模型来说目前没有太大的提升,还是通用大模型自己的能力;这部分主要用来理解用户意图,满足60分的基础就可以。

二是行业领域通识,在这层做微调(投喂),可以让这个 AI 产品在特定行业领域里理解用户意图、对话与交互的能力会更强;

三是加入对用户场景的业务理解(比如写prompt、界面优化)。

在现阶段,做 AI 应用就主要在二和三不断优化。

四、怎么保证现在对做应用的投入不是无用功?

1. ToB 应用的视角

不要去搞独立的东西,比如电商客服的应用、写文案的应用,独立的东西大模型很可能最后会把它覆盖了。

B端场景的优势在于能交付一个工作流并给到用户结果,有闭环的、活的、每天都在发生的数据。

需要对用户现在要解决的工作流程的理解,比如用户要造一把椅子,他是怎么搞的?他要去运营消费者,他是怎么搞的?要对他内部作业流程有理解。

这么多年 toB 领域的皇冠是谁?做一些ERP的!这不就是企业的工作流吗?

所以飞书、钉钉和企业微信,大家最后的组织能力谁强?

强的肯定是对他服务的客户组织协作流和工作流的理解。

所以第一拼的是你对作业流程的理解,如果你能把这个理解通过AI交付一个工作过程,然后这个工作过程还是能直接给你结果的,你这个是个好产品。

如果你只是给人家生成某个东西,你最后就不是一个好产品。

2. ToC 应用的视角

ToC 产品更多是关注单点的价值创造和体验的优化。

现在的模型厂商其实特别像芯片厂商,AI 应用公司就像消费电子公司。

我们思考组织问题的时候,会想我应该花大钱去招一个算法工程师、还是招一个很会做增长的同学?

后来我们想到这个问题的背后,是你到底要学什么公司?我们不应该学高通、不应该学英伟达,我们应该学小米、学大疆、学苹果。

本质上 toC 的公司更像是消费电子公司,要关注供应链,上半年买不到GPT-4,因为就 OpenAI 不卖,或者限量卖的,但是微软卖,微软说你充20万我就卖给你,这个就像典型的供应链管理问题。

我们要关注定价,OpenAI的成本,LLM 降价了,开完发布会降到三分之一了,我们是跟着变吗?好像不对,你应该是价格不变,但是给更多东西。

新一代的小米手机,高通变牛逼了它还是应该卖这样的价位。

我们要关注品牌,让大家想到应用的时候就想到你。

要关注渠道,关注毛利率,有规模化了之后,可以维持好毛利率,才能有钱去投研发、投广告,让更多人用起来,形成正向循环。

是不是非得有 LLM 能力才能做出超级应用来?换个问法,有了LLM能力就能做出超级应用吗?也不是。超级应用本来就很难,消费电子也是全方位竞争,不如关注我们能关注的事。

苹果的 Day1 也没有造芯片,它先用的Intel,然后花了20年的时间才把那个芯片换成自己的MC芯片。所以消费电子是一个全方位的竞争,不要觉得 LLM 牛逼才是一切。

私有数据很重要,给LLM足够多的上下文特别重要,浏览器插件是个好形态,看用户过去说过什么东西、查过什么东西、存了什么东西……(当然即便这样可能还是不能赢)。

五、Perplexity 的产品设计能力

Perplexity 底层搜索用的是 Bing 的API,结果处理用的是 GPT 的API,是一个纯粹的套壳。他的用户是Google的万分之一,但是在这个品类里他会经常被提起,这证明了他作为产品设计维度上是有一定想象空间的。

一、它的搜索框是一个text area,它是多行的,而Google是单行的。

背后的暗示是,Google搜索可能需要用户输入一个短语、或者简短的一句话;而perplexity是可以输入很长一段话,它帮你拆解这件事,帮你做好检索,它更符合人类对于问题的想象。

二、它很AI Native,没什么负担。

Google搜索出来的结果,会带有大量的链接,即使有生成式的答案,链接永远在主要的位置。Perplexity的设计是先出很长一段的答案,链接的形态是一个个附注小标,答案来自这些地方,你可以自行去溯源。

从产品设计的角度,它没有传统搜索竞价排名的负担、或者卖广告的负担,他可以重新定义自己的产品设计,背后的商业逻辑是它的搜索可以直接面向用户收费。

六、Adobe 取消收购 Figma 是人机交互方式发生的变化

四五年前出现了一个新公司 Figma,专门只面对用户界面设计,他做了几件事:

  • 用户界面设计工具比Photoshop好用;
  • 开放了生态,专门有人去做icon的插件或者某种风格的插件,所以变得极其简单,还有人专门做切图后和前端代码的结合(有很多现成的东西你去拼一拼就能搞出来);
  • 开放了多账户,程序员和设计师可以在这里协作(以前是设计了一张图 → 传图 → 拿图片切图,现在可以直接在Figma协作)。

所以 Adobe 慌了。整个 IT 行业越来越重视用户界面,越来越重视用户体验,Figma 占据了它的 30%,而且可能会越来越多,所以两年前,当 Figma 只有 1 亿美元收入的时候,Adobe 拿了 200 亿美元要买它。

这是一个在增长的市场,而且功能占 Adobe 很大比例,这个收购价格在商业上是合理的。

但两周前 Adobe 反悔了,说监管不同意,不买了,可以交10亿美金的罚款。

为什么呢?

体验设计最主要的几个环节,一是有想法,有人给你设计风格;二是有想法,设计完风格后需要不断加功能,这时候需要做重复性的界面设计;三是产品成熟后不需要什么体验设计,顶多在某个功能里加个小icon。

今天,全球互联网的投资人不怎么投钱了,不怎么搞增长了,大家都说我不在快速增长期,在相对成熟期,整个行业的需求没这么多了。

第二个原因是,AI 出现后大家发现直接聊天给指令就能生成结果了,可能未来界面交互就不太需要了。核心还是人机交互发生了变化。

七、AI 的能力什么时候会发生跳跃性变革

开源的模型能够实现私有化部署了,应用场景会更广泛。

如果大模型幻觉可控,PMF会进一步上升。

Context Window 的突破,如果能够支持更多的上下文,也能发送更长的 prompt,RAG也会更好做一些,可以不用类似 embedding 的方式。

八、产品经理需要 Back to the Future

产品经理最早是宝洁定义的一个职位,是非常经典的传统商业定义的职位,当时解决的问题是,我需要一个人同时去负责从品牌到渠道到定价到供应链的所有问题 —— 所以有了个职位叫产品经理。

在过去20年互联网浪潮里,互联网产品经理已经被高度分工化和职能化了,有了交互设计师、UI……各种精细化的岗位,一个人的活拆成了20个人干。

但在今天,做AI应用的产品经理,可能需要回到Day1去思考。

一、他需要很懂(写prompt谁都能干),他需要知道技术的边界在哪、理解现在的模型哪些能干哪些不能干,需要对技术有理解。

二、他需要对成本有理解,卡很贵、算力很贵、LLM很贵、推理很贵……传统互联网可以免费,但做AI应用,他可能在很早阶段就要去想成本问题、想供应链问题。

三、他还需要懂市场,从市场的角度,要定义比如「逆光也清晰」这个市场需求,要怎么实现?拉动底层驱动的工程师说我们要调出这样的效果,逆光也清晰的效果。

总的来说,这也解释了为什么独立开发这么厉害,他们是复合型人才,他们能搞明白所有的问题,然后把东西快速理出来。这是AI时代下对产品经理的要求 —— 其实又回到了宝洁当时的定义。

就像二十年前一个人写出 foxmail 的张小龙。

欢迎免费使用GPT对话,感受ChatGPT的魅力!AI爱好者 – 最具实力的中文AI交流社区平台 (aiahz.com)

ChatGPT国内版本,无需梯子,也能体验Chatgpt-AI爱好者 (aiahz.com)

长按扫描二维码进群领资源

OpenAI|ChatGPT新功能,搜索Bing获取答案插图3
赞(0) 打赏
未经允许不得转载:AI爱好者 » Back to the Future,大模型时代 AI 产品的设计与应用

评论 抢沙发

欢迎来到AI爱好者

我们旨在打造一个最具实力的中文AI交流社区平台,致力于为所有AI爱好者,创业者和使用者提供优质服务. 我们的宗旨是为广大用户提供免费解决方案,您可以通过问答形式提出与AI相关的任何问题.

AI社区AI工具

安全服务战略合作伙伴:麒麟盾 SCDN

觉得文章有用就打赏一下文章作者

非常感谢你的打赏,我们将继续提供更多优质内容,让我们一起创建更加美好的网络世界!

微信扫一扫打赏

登录

找回密码

注册