編輯導語：為什麼許多大B公司自己做AI，都會面臨九死一生的困境。本文對To B AI 平台目前的落地以及面臨的困境和機會展開分析，未來To B AI 平台該如何發展？一起來看看。

一、大B公司内部做AI的不易

1. 需求定義

比如，對于任何一家出行服務商，都會面臨“性騷擾”、“疲勞駕駛”等安全問題。

如何定義——什麼叫騷擾？

• 性别屬性：常規來說，我們默認會認為是“男司機對女乘客（騷擾）”，那有沒有可能，是“女司機對男乘客”？還有“男司機對男乘客”、“女司機對女乘客”……
• 對話内容：如果男司機對女乘客說，“小姐”——僅僅說了這2個字，算不算騷擾？如果司機說了疑似騷擾内容，但乘客沒有任何反應（甚至語氣或表情上識别出“開心”），那算不算騷擾？……

提出問題，甚至抱怨，是容易的，但如果真的要解決問題，必須有機會近距離的接觸海量用戶數據、用心體會各種複雜交互場景；這裡面會有無數的細節，需要産品經理們去洞察。正如《智能制造：從工業中來，到工業中去 | 甲子光年》中提到的，“思想和靈魂需要在做的過程中逐漸領悟到（know-how）”

2. 方案嘗試

即使初步找到了幾個看似正确的問題（需求）定義，接下來，往往需要用機器學習來“識别”出海量數據背後的這些“模式”。

回到出行服務商的例子，不論是定義“性騷擾”or“疲勞駕駛”，實際情況中，可能需要嘗試10～20個“假設”、涉及30～40個“緯度”，誰能一開始就知道，哪個“假設”是對的？沒人能先知式的判斷；所以，需要試錯。但是，為了獲取這麼多假設/緯度的數據，僅僅在産品（app）裡完成埋點，就花了半年……

運氣好的話，團隊能夠發現更好的AI産品落地方法。比如，如何識别司機疲勞？

• 常規大樣本的處理方法，實際中效果并不好。
• 真正work的是“PM 算法”——PM來觀察真實世界中的小樣本case，總結出“連貫動作的特征集合”
• 也就是說，小樣本AI應用的邏輯，和大樣本不一樣了！

運氣不好的時候，（大概率的）很可能做了半年後，還不知道哪個假設是對的，就别談最後的問題解決效果了……

遇到這種情況，怎麼才能保證團隊不被砍掉、可以繼續做下去呢？

3. 組織架構

先說結論：必須讓同一個人來負責“AI産品團隊”和“業務産品團隊”。

否則，如果是不同利益導向的團隊，很可能會“屁股決定腦袋”，不願意AI團隊過度的來解決某些業務問題。

這倒不是說，業務團隊本身多麼主觀錯誤，而是因為，一方面，業務團隊可能不知道“如何能把AI工具用好”；另一方面，更重要的是，某些問題在被AI解決之前，難道業務部門不知道嗎？其實，不僅業務部門知道，甚至大老闆們也非常清楚，但是，他們都還沒有必須這樣做的決心——

4. 公司決心

對于很多AI落地feature點，AI團隊覺得是很好的嘗試機會（idea），但業務團隊并不這麼認為，因為站在其現有視角和利益背景下，那個問題真的不是必須要改的，不能怪他。

也許，隻有到了生死存亡的時刻，公司才有決心“必須要用AI來解決這個業務問題”，“必須讓一個人來統管業務和AI團隊”。

比如，安全、監管、質檢、隐私等等。出行服務商在被輿論和政府責備之前，難道不知道有性騷擾或駕駛疲勞問題嗎？各種聊天機器人在因“涉黃、涉政、涉暴”而被下線之前，難道不知道有風險嗎？各種工業、制造業中的效率問題，難道之前不存在嗎？都是存在的，但是，沒有足夠痛的時候，企業會有各種簡單粗暴的方式去解決，比如堆人工，比如堆知識庫/關鍵詞。有鳥槍還可以用，總覺得不用換炮。

5. 效果如何

如果以上4點都ok了，真的會有非常明顯的效果。用戶、政府、公司都很滿意。（比如前述出行服務商，其“性騷擾”相關的投訴，可能降低了50%）

但是，還有個現實案例是，通過不斷的試錯、叠代，等這套真的有效的AI系統正式上線時，不僅時間已經過去了2年多……連合作業務方的團隊都換了3撥人了……

不過，即使效果不錯，但這個模式，可能還有其他的弊端……

6. 鳥盡弓藏

這種降本增效類問題，被花大精力解決後，還會有另一個問題，就是團隊可能得去找下一個釘子了……這也許就是2B AI業務的宿命。2C AI可能會不一樣，但也會更難。

從以上信息可以看出，即使大B企業内部就有懂AI且懂業務的負責人，并由他來lead AI降本增效類項目，都是九死一生、費力耗時（可能得2年），其他To B類AI創業公司，作為行業/企業外部的人，要想真的做出效果，難度實在是太大。

那麼，To B AI 平台方向公司該認知并應對呢？——

二、To B AI 平台的困境和機會

1. To B AI 平台 1.0 模式，已幾乎宣告失敗

1. ToB AI 平台 1.0 模式的概述：奢望一個通用的AI平台，來給不同行業提供AI服務（主要是深度學習），随着行業、客戶數的提升、數據越來越多、工具效率越來越高、成本越來越低，整體平台收益就越來越好……

2. 這個模式目前還沒成功落地的原因，不僅因為某同行朋友所說“客戶側-産品難以标準化；供給側，算力算法等變量太多，也很難穩定标準化”，還有一個關鍵原因在于，就是前文說的——即使客戶自己有懂AI且懂業務的負責人，都是九死一生，你作為行業/企業外部的人，要想真的做出效果，幾乎是不可能完成的任務。

3. 資本桎梏給企業以心魔：本來，如果隻重點做1、2個（細分）行業，企業也許還能活得輕松一點，但很多AI企業早期接受了對賭協議，必須在幾年之内上市；結果把自己搞得真心難受。

4. 即使某幾家這個模式的AI上市公司，業内其實都知道，其當前業務質量和利潤還不夠好。

• 簡單來說，如果隻是開放AI技術接口，很難真正做大做強。
• 有觀點認為，如果某些公司遲遲不能上市，對于國家形象和從業者信心來說，是不可接受的……

2. 從B公司規模角度，闡述To B AI 平台業務的難處

大B公司：

1）背景

隻有在頭部（大）客戶，才能看到最為複雜的環境下、最大規模的生産中需面對的所有困難。

2年前，某領域第一企業核心數據項X的日數據量，比其他所有公司加起來還多，這種數量級的差别，不論是需求認知還是找解決方案，優勢都是不言而喻的。

而且，AI領域應用落地還有一個特點：即使真的有用，但是在體驗側的效果，别人（C用戶或競争對手）也很難快速發現。因為它可能是某個系統維度的提升。

2）難度

還是如前文提到，即使客戶自己有懂AI且懂業務的負責人，都是九死一生，作為行業/企業外部的人，要想真的做出效果，幾乎是不可能完成的任務。

3）可行性

退一步說，即使To B AI平台公司有做這個事情的能力和決心，一旦真的是非常核心、有價值的事情，大企業是不願意給你做的。特别現在數據、隐私問題這麼敏感，一旦有事，那就可能直接game over了。——做這些AI項目，内部研發的成本不一定比外部低，還沒有數據安全風險，為什麼不自己搭團隊來做？

而且，即使一開始采購外部的AI服務/工具，2年後還是可以換自己的團隊。

到最後，大公司還願意給To B AI平台公司做的，往往都是自己不願意、價值不大的那些部分了。

中B公司：

國情不同，中國的中等企業數量不夠多；支撐不起現在這些AI明星公司的規模。

小B公司：

數量多，但付費能力低。補貼還來不及呢……可能唯一好點的方向，是電商領域的小B。

3. To B AI 平台的未來機會

幾點個人想法，供大家參考——

1. 等待創新性的ToB AI 平台 2.0 模式出現。

2. 如果還想去做中小企業的生意（AI賦能），産品形态可能是，平台自身隻提供80～90%的部分，然後由客戶企業自身的AI落地團隊來完成最後一公裡（詳見《AI産品方法論之“由用戶來完成AI産品設計的最後一公裡”》）。——而這，其實是需要從業者甚至整體國民的“AI通識”水平足夠高才行的。

3. 如果是相對舊的傳統領域，創業公司機會可能不大（除非接受大B企業的戰略投資）。這是因為，如前文所說，隻有在頭部（大）客戶，才能看到最為複雜的環境下、最大規模的生産中需面對的所有困難。前面這篇文《智能制造：從工業中來，到工業中去 | 甲子光年》，就是典型。

4. 新領域，可能有增量機會。比如我之前在社群裡提到的幾個方向：“車”相關、機器人（2C/2B）、AR/VR/元宇宙/虛拟人、5G等等。

5. 也許，也許，未來AI産業就沒有我們所以為的、超大規模的橫向To B模式。

總結來說，To B AI領域，創業公司如果想做平台，1.0模式可能已希望不大；後續，要麼有創新性的2.0模式出來，或者應用更加好的AI産品方法論，要麼在傳統領域找到合适的大B企業戰投，或者在新領域尋找增量機會。

注：本文2022年2月首發于“AI産品經理大本營”，有增改。

#專欄作家#

hanniman，人人都是産品經理專欄作家，前圖靈機器人-人才戰略官/AI産品經理，前騰訊産品經理，9年AI背景，12年互聯網經驗；關注人機交互（特别是語音交互）在手機、機器人、智能汽車、智能家居、AR/VR等前沿場景的可行性和産品體驗；擅長對創業團隊管理、個人成長提出實戰型的建議方案；知乎/簡書/微博帳号，均為hanniman。

本文原創發布于人人都是産品經理，未經許可，不得轉載。

題圖來自Unsplash，基于CC0協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部