AI技術的進步，給人們的工作場景帶來了很大變化，越來越多企業(yè)開始嘗試將AI技術融入到業(yè)務中，許多AI產品也應運而生。那么，產品經理要怎么尋找到可以和AI結合的場景？這篇文這里，作者介紹了大模型產品從0到1的落地經驗，一起來看。

從2月份 OpenAI 發(fā)布以來，AI 已經席卷了各個應用場景，工作和生活。我們可以看到市場上越來越多的產品在 AI 化，有報告顯示 76% 的 SaaS 公司正在使用或者測試將 AI 融入到他們業(yè)務中。22% 企業(yè)正在考慮如何將 AI 和業(yè)務場景結合，進行下一步的 AI 迭代升級。以前做不到的場景能力現(xiàn)在也變得可行。

此外，市場上很多 AI/AIGC 產品經理崗位的需求，也旺盛了起來。

這一整個行業(yè)的技術變革對創(chuàng)業(yè)者和產品經理都提出了一個重要挑戰(zhàn)：

• 你的業(yè)務/產品和 AI 之間有什么關系？
• 如何設計出你的下一代 AI 產品？

從市場目前的應用數據量來看，市場目前并不是“只在找釘子，而找不到應用場景”的階段。也不是“AI 不只是在第一階段，還沒法證明價值”。根據麥肯錫的報告，已經有非常多的企業(yè)和產品落地 AI 應用。

不過這并不意味著 AI 的整合應用，一切都已經成熟。

Alex Singla 指出：

要邁出下一步，讓生成式人工智能從實驗變成業(yè)務引擎，并確保獲得豐厚的投資回報，企業(yè)需要解決一系列廣泛的問題。這些問題包括：確定組織內生成式人工智能的具體機會、治理和運營模式應該是什么、如何最好地管理第三方（如云和大型語言模型提供商）、管理各種風險需要什么、了解對人員和技術堆棧的影響，以及清楚如何在銀行近期收益和發(fā)展規(guī)模所需的長期基礎之間找到平衡。這些都是復雜的問題，但卻是釋放真正巨大價值的關鍵所在。

作為 AIGC 產品經理，今天給大家介紹一下整體大模型從 0 到 1 的落地經驗。分為：

1. 怎么找到可以和 AI 結合的場景
2. 如何做 AI 的可行性驗證
3. 算賬，引入AI 后，企業(yè)掙不掙錢
4. 尋找潛在客戶 POC（proof of concept） 演示
5. 落地應用并規(guī)?；?/li>

這 1-5 步想要跑得快，就需要有人熟悉 AI 大模型 + 垂直用戶場景。所以對產品經理和企業(yè) CEO 來說，也提出了新的挑戰(zhàn)。

一、怎么找場景

這一步是產品基本功，我們需要朝外看，先看行業(yè)的用戶，需要完成哪些任務，核心痛點是什么。這里面哪些可以使用 AI 大模型技術能完成。

創(chuàng)新之父克里斯坦森有一個「任務理論」，他介紹了這么一個經典例子：

20 世紀 90 年代中期，底特律的兩位顧問造訪克萊頓·克里斯坦森教授在哈佛商學院的辦公室，深入學習顛覆性創(chuàng)新理論。鮑勃·莫埃斯塔和他當時的合伙人瑞克·佩迪正在發(fā)展一項利基業(yè)務，為面包店和零食公司提供建議。

莫埃斯塔分享了為一個快餐連鎖品牌打造的方案：販賣更多的奶昔。這家連鎖公司花了數月，極盡細致地研究這個問題。幾個月后，營銷人員付出了很多努力，奶昔的銷量卻一點兒變化也沒有。

因此，教授教他們從另外一種角度來思考問題：這些消費者的生活中出現(xiàn)什么樣的任務，才會促使他們來到這家餐廳“雇用”奶昔呢？

以這個視角為出發(fā)點，營銷團隊選了一天，在餐廳里站了18個小時來觀察顧客：人們是在何時購買奶昔的？他們穿著什么樣的衣服？是獨自一人嗎？除了奶昔之外，他們還會買其他食品嗎？他們是在餐廳里把奶昔喝完，還是開車帶走呢？

原來，很大一批奶昔是在上午9點之前賣出的，買者則是獨身來到快餐店的人。這些人大多只會購買一杯奶昔，他們不會待在餐廳把奶昔喝完，而是鉆進自己的車里開車帶走。因為清早的消費者都有一項需要完成的任務：他們不得不百無聊賴地花很長時間開車上班，因此想要用什么東西讓旅途變得有趣一些。

原來，這項任務的競爭者有許多，但沒有一位能把任務完成得無懈可擊。有的消費者雇用香蕉來完成任務，但香蕉幾口就吃完了。還有的消費者購買了甜甜圈，但是面包屑太多，讓他們手指變得黏黏的，弄臟衣服和方向盤。貝果面包則又干又沒味，讓開車的人不得不一邊用膝蓋轉方向盤，一邊往面包上涂抹奶酪和果醬。還有人購買士力架。但他覺得，早餐就吃甜點實在太罪惡了，所以再也沒有這樣做過。”但是奶昔呢？它可以算是諸多選項中的最優(yōu)項。用纖細的吸管喝完一杯濃稠的奶昔需要花很長時間，而且奶昔還能幫助抵擋上午10點左右襲來的饑餓。

由此可見，這種奶昔能比其他競爭者更好地滿足需求。在消費者的眼里，其他競爭者不僅包括其他連鎖店的奶昔，還包含香蕉、貝果、甜甜圈、早餐棒、思慕雪和咖啡等。

研究團隊還發(fā)現(xiàn)：這些奶昔和消費者之間的共同點與他們的個人狀況沒什么關系，這些消費者的共同點是他們必須要在早上完成一項任務。

每個人的日常生活中都會出現(xiàn)需要完成的任務，這個時候，我們便會雇用產品或服務來完成。

此外，從任務的視角去理解用戶，你會發(fā)現(xiàn)什么才是你真正的競爭對手。你關注的其實更應該是客戶在解決任務中的替代方案，而不是你以為的對手。

「任務」的定義

那到底什么是用戶需要完成的任務呢，其定義是指：

• 一項任務是指個人在特定背景下想要實現(xiàn)的進步。
• 成功的創(chuàng)新可使用戶取得理想的進步、解決困難、實現(xiàn)未完成的夢想。這些創(chuàng)新可以完成缺少有效解決方法或不存在解決方法的任務。
• 任務絕不僅僅涉及功能，社會和情感因素也占有很大比例，而這兩者，有時甚至要比功能因素更重要。
• 任務是在日常生活中出現(xiàn)的，因此背景對于其定義至關重要，這也是創(chuàng)新任務中不可或缺的一個環(huán)節(jié)。用戶特征、產品特征、新科技和流行趨勢，這些都不是創(chuàng)新任務的關鍵環(huán)節(jié)。
• 需要完成的任務是不斷發(fā)展和重復出現(xiàn)的，幾乎不可能是獨立存在的“事件”。

任務比「需求」的概念要清晰，容易定義很多。因為需求是模糊、寬泛、且無處不在的。

你可以列出你的行業(yè)場景中，目標用戶需要完成哪些任務，然后進行挑選，優(yōu)先尋找 quick win（快速贏） 的解決方案。quick win 的特征是：

• 博弈方少，項目阻力小。
• 大家普遍吐槽不愿意做的事情。
• 可以短平快的切入，客戶快速感知價值。
• 你能夠悄悄地贏，同時也意味著你可以悄悄地輸（可選，這點取決于對事情成功率的把握）。

還有一種做法，是看現(xiàn)在 AI 產品/競品集成場景有哪些，哪些是可以遷移復制到自己的業(yè)務中的。不過這種類型的遷移，有可能是一片競爭血戰(zhàn)，因為大家都看得到。比如電商場景里的聊天對話。對于產品來說，切入點很重要，大家可以多思考還有哪些場景可以和 AI 做整合（可以輕松地悶聲發(fā)財）。

二、大模型可行性驗證

有了場景后，接下來需要你對大模型基本原理有一定的了解和大致判斷，哪些場景任務是有可行性的。準備一些測試數據，選擇一個大模型平臺進行實驗，可以是百川、OpenAI，或者微軟 OpenAI。

以下以微軟 OpenAI 能力舉例，拋磚引玉。實驗主要分為三個部分進行實驗：

1. 寫 Prompt —→ 此步驟是最重要的（如果效果不理想，那么就增加 example）。
2. 調節(jié)參數，主要考慮穩(wěn)定性和模型最大 token 數量。
3. 輸入測試數據，查看對話效果，并且不斷調整 1 和 2 步。

最終基于可行性實驗，需要驗證的是：

1. AI 在此場景下是否能夠解決問題。
2. 需要什么版本的大模型能較好地解決你客戶的問題，（因為模型成本會非常不一樣）。
3. 效果是否滿意。
4. 效果是否穩(wěn)定。

通過找場景 + AI 平臺驗證，現(xiàn)在你已經知道了哪些場景有明顯優(yōu)勢，哪些在 AI 的技術下仍然不夠成熟?；谏厦鎴鼍暗奶卣?，可以挑選出可行的場景。

三、算筆賬，AI 業(yè)務到底掙不掙錢

接下來就是業(yè)務場景的 ROI 了，俗稱算筆賬。

你的這個場景到底在 AI 的加持下，掙不掙錢。因為大模型的 API 調用是線性增長的，你調用的越多，你的成本越貴。

下圖是微軟 Azure OpenAI 的收費模式，根據你實際調用的 token 數進行收費。其中 Prompt 指的是向模型輸入的 token 數量；Completion 指的是模型輸出的 token 數量。token 數量多少在 Azure 上會列出，所以不用擔心不知道怎么計算 token。

如果你的場景里面，單次調用的成本要壓在 0.0015刀以內，那么你的這個場景肯定是不掙錢，也不適合大模型的。我們需要在回歸到第一步里面，找到用戶花代價較大的場景價值中，用大模型實驗。

因為在成本的計算中，你需要考慮，現(xiàn)在用戶花多少代價解決這個問題，你能幫助他減少多少。減少的這部分，你能收多少錢，能否覆蓋大模型的成本費用（如云成本）和你的開發(fā)費用。

算賬成本可以分為：

• 大模型成本；
• 云成本，一般分為存儲成本，帶寬成本，機器成本（如 GPU）等；
• 三方服務 API 調用成本；
• 人工 QA 成本（AI 一般少不了這部分，不然你無法做準確率的驗證）；
• 研發(fā)開發(fā)成本。

四、如何評價 AI 的工作，響應速度、準確率、穩(wěn)定性？

通過以上實驗，你已經可以知道 AI 的能力。但是怎么去評估 AI 的工作，響應速度、準確性、穩(wěn)定性、魯棒性，需要多少數據集進行驗證？這就是接下來如何把 AI 工作量化和下一步規(guī)模化的時候需要關心的部分。

上圖是艾瑞咨詢列出得大模型服務能力評估體系。非常的全面。不過我們實際在使用的過程中，不會這么使用。右側其實是產品怎么去找場景、價值；左側目前業(yè)界常用的 AI 也是準確率（可以進一步拆分為 Precision 和 Recall。你可以通過構建一些測試數據集，來驗證你的場景在 AI 大模型下的準確率。這里會需要進行人工驗證。

五、完成產品 MVP 和工程化工作

完成了場景的可行性驗證，接下來我們需要考慮產品化。有人會問：“如何設計 AI 原生體驗產品？”“AI 是一個 feature 還是一款產品？“

這其實很好回答，回到你的用戶故事中去。在用戶需要完成某個任務的場景中，用戶是怎么解決他的問題的，他的流程是怎么樣的。流程里面你的業(yè)務/產品扮演什么角色，是一個端到端的解決方案，還是里面某個環(huán)節(jié)部分，如何融入到客戶的用戶故事中去，是一個 App/Web/API？

AI 的應用設計，產品經理需要著重考慮三個方面：

• 客戶體驗：AI 的用戶體驗和及時反饋常做的不好，用戶是否有及時反饋
• 規(guī)?；耗壳按竽Ｐ偷恼{用有 Rate limit 限制。一個Region GPT-4，8k token 的服務調用限制是20K/min。你需要考慮如果你有海量的數據和用戶，需要怎么解決 Rate limit 限制
• 數據隱私和安全：做企業(yè) SaaS 服務的基本繞不開數據隱私的話題，業(yè)界比較好的案例可以參考 Notion 和微軟 Azure 的安全能力，基于各個企業(yè)自己的安全機制來處理此部分。

https://www.notion.so/help/notion-ai-security-practices

接下來根據這些關鍵信息，去全局地設計的產品。又回歸到傳統(tǒng)的產品設計了。

AI 是一次技術的升級，它可能全部顛覆以前傳統(tǒng)的方法，也可能是傳統(tǒng)方法的加持。但是不管如何，對于產品經理來說，整體的設計流程并沒有改變。但是里面多了一個重要變量：AI。

此外，大家如果做大模型項目/應用的時候需要注意，如果 AI 整合進業(yè)后務，有可能會去顛覆一個行業(yè)。作為產品經理和創(chuàng)業(yè)者，除了產品方案本身，其實我們還要考慮很多對行業(yè)、對企業(yè)組織運營的影響。推薦大家閱讀本專欄相關創(chuàng)新的文章。

為我投票

我在參加人人都是產品經理2023年度評選，希望喜歡我的文章的朋友都能來支持我一下~

點擊下方鏈接進入我的個人參選頁面，點擊紅心即可為我投票。

每人每天最多可投30票，投票即可獲得抽獎機會，抽取書籍、人人都是產品經理紀念周邊&起點課堂會員等好禮哦！

投票傳送門：https://996.pm/YNx1o