前言:本文是AI在To B领域落地的最新认知观点分享——先解读大B公司内部做AI的不易,然后进一步分析To B AI 平台的困境和机会。
1
大B公司内部做AI的不易
一、需求定义
比如,对于任何一家出行服务商,都会面临“性骚扰”、“疲劳驾驶”等安全问题。
如何定义——什么叫骚扰?
性别属性:常规来说,我们默认会认为是“男司机对女乘客(骚扰)”,那有没有可能,是“女司机对男乘客”?还有“男司机对男乘客”、“女司机对女乘客”……
对话内容:如果男司机对女乘客说,“小姐”——仅仅说了这2个字,算不算骚扰?如果司机说了疑似骚扰内容,但乘客没有任何反应(甚至语气或表情上识别出“开心”),那算不算骚扰?……
提出问题,甚至抱怨,是容易的,但如果真的要解决问题,必须有机会近距离的接触海量用户数据、用心体会各种复杂交互场景;这里面会有无数的细节,需要产品经理们去洞察。正如《智能制造:从工业中来,到工业中去 | 甲子光年》中提到的,“思想和灵魂需要在做的过程中逐渐领悟到(know-how)”
二、方案尝试
即使初步找到了几个看似正确的问题(需求)定义,接下来,往往需要用机器学习来“识别”出海量数据背后的这些“模式”。
回到出行服务商的例子,不论是定义“性骚扰”or“疲劳驾驶”,实际情况中,可能需要尝试10~20个“假设”、涉及30~40个“纬度”,谁能一开始就知道,哪个“假设”是对的?没人能先知式的判断;所以,需要试错。但是,为了获取这么多假设/纬度的数据,仅仅在产品(app)里完成埋点,就花了半年……
运气好的话,团队能够发现更好的AI产品落地方法。比如,如何识别司机疲劳?
常规大样本的处理方法,实际中效果并不好。
真正work的是“PM+算法”——PM来观察真实世界中的小样本case,总结出“连贯动作的特征集合”
也就是说,小样本AI应用的逻辑,和大样本不一样了!
运气不好的时候,(大概率的)很可能做了半年后,还不知道哪个假设是对的,就别谈最后的问题解决效果了……
遇到这种情况,怎么才能保证团队不被砍掉、可以继续做下去呢?
三、组织架构
先说结论:必须让同一个人来负责“AI产品团队”和“业务产品团队”。
否则,如果是不同利益导向的团队,很可能会“屁股决定脑袋”,不愿意AI团队过度的来解决某些业务问题。
这倒不是说,业务团队本身多么主观错误,而是因为,一方面,业务团队可能不知道“如何能把AI工具用好”;另一方面,更重要的是,某些问题在被AI解决之前,难道业务部门不知道吗?其实,不仅业务部门知道,甚至大老板们也非常清楚,但是,他们都还没有必须这样做的决心——
四、公司决心
对于很多AI落地feature点,AI团队觉得是很好的尝试机会(idea),但业务团队并不这么认为,因为站在其现有视角和利益背景下,那个问题真的不是必须要改的,不能怪他。
也许,只有到了生死存亡的时刻,公司才有决心“必须要用AI来解决这个业务问题”,“必须让一个人来统管业务和AI团队”。
比如,安全、监管、质检、隐私等等。出行服务商在被舆论和政府责备之前,难道不知道有性骚扰或驾驶疲劳问题吗?各种聊天机器人在因“涉黄、涉政、涉暴”而被下线之前,难道不知道有风险吗?各种工业、制造业中的效率问题,难道之前不存在吗?都是存在的,但是,没有足够痛的时候,企业会有各种简单粗暴的方式去解决,比如堆人工,比如堆知识库/关键词。有鸟枪还可以用,总觉得不用换炮。
五、效果如何
如果以上4点都ok了,真的会有非常明显的效果。用户、政府、公司都很满意。(比如前述出行服务商,其“性骚扰”相关的投诉,可能降低了50%)
但是,还有个现实案例是,通过不断的试错、迭代,等这套真的有效的AI系统正式上线时,不仅时间已经过去了2年多……连合作业务方的团队都换了3拨人了……
不过,即使效果不错,但这个模式,可能还有其他的弊端……
六、鸟尽弓藏?
这种降本增效类问题,被花大精力解决后,还会有另一个问题,就是团队可能得去找下一个钉子了……这也许就是2B AI业务的宿命。2C AI可能会不一样,但也会更难。
从以上信息可以看出,即使大B企业内部就有懂AI且懂业务的负责人,并由他来lead AI降本增效类项目,都是九死一生、费力耗时(可能得2年),其他To B类AI创业公司,作为行业/企业外部的人,要想真的做出效果,难度实在是太大。
那么,To B AI 平台方向公司该认知并应对呢?——
2
To B AI 平台的困境和机会
一、To B AI 平台 1.0 模式,已几乎宣告失败?
1、To B AI 平台 1.0 模式的概述:奢望一个通用的AI平台,来给不同行业提供AI服务(主要是深度学习),随着行业、客户数的提升、数据越来越多、工具效率越来越高、成本越来越低,整体平台收益就越来越好……
2、这个模式目前还没成功落地的原因,不仅因为某同行朋友所说“客户侧-产品难以标准化;供给侧,算力算法等变量太多,也很难稳定标准化”,还有一个关键原因在于,就是前文说的——即使客户自己有懂AI且懂业务的负责人,都是九死一生,你作为行业/企业外部的人,要想真的做出效果,几乎是不可能完成的任务。
3、资本桎梏给企业以心魔:本来,如果只重点做1、2个(细分)行业,企业也许还能活得轻松一点,但很多AI企业早期接受了对赌协议,必须在几年之内上市;结果把自己搞得真心难受。
4、即使某几家这个模式的AI上市公司,业内其实都知道,其当前业务质量和利润还不够好。
简单来说,如果只是开放AI技术接口,很难真正做大做强。
有观点认为,如果某些公司迟迟不能上市,对于国家形象和从业者信心来说,是不可接受的……
二、从B公司规模角度,阐述To B AI 平台业务的难处
1、大B公司
1)背景:只有在头部(大)客户,才能看到最为复杂的环境下、最大规模的生产中需面对的所有困难。
2年前,某领域第一企业核心数据项X的日数据量,比其他所有公司加起来还多,这种数量级的差别,不论是需求认知还是找解决方案,优势都是不言而喻的。
而且,AI领域应用落地还有一个特点:即使真的有用,但是在体验侧的效果,别人(C用户或竞争对手)也很难快速发现。因为它可能是某个系统维度的提升。
2)难度:还是如前文提到,即使客户自己有懂AI且懂业务的负责人,都是九死一生,作为行业/企业外部的人,要想真的做出效果,几乎是不可能完成的任务。
3)可行性:
退一步说,即使To B AI平台公司有做这个事情的能力和决心,一旦真的是非常核心、有价值的事情,大企业是不愿意给你做的。特别现在数据、隐私问题这么敏感,一旦有事,那就可能直接game over了。——做这些AI项目,内部研发的成本不一定比外部低,还没有数据安全风险,为什么不自己搭团队来做?
而且,即使一开始采购外部的AI服务/工具,2年后还是可以换自己的团队。
到最后,大公司还愿意给To B AI平台公司做的,往往都是自己不愿意、价值不大的那些部分了。
2、中B公司
国情不同,中国的中等企业数量不够多;支撑不起现在这些AI明星公司的规模。
3、小B公司
数量多,但付费能力低。补贴还来不及呢……可能唯一好点的方向,是电商领域的小B。
三、To B AI 平台的未来机会?
几点个人想法,供大家参考——
1、等待创新性的To B AI 平台 2.0 模式出现。
2、如果还想去做中小企业的生意(AI赋能),产品形态可能是,平台自身只提供80~90%的部分,然后由客户企业自身的AI落地团队来完成最后一公里(详见《AI产品方法论之“由用户来完成AI产品设计的最后一公里”》)。——而这,其实是需要从业者甚至整体国民的“AI通识”水平足够高才行的。
3、如果是相对旧的传统领域,创业公司机会可能不大(除非接受大B企业的战略投资)。这是因为,如前文所说,只有在头部(大)客户,才能看到最为复杂的环境下、最大规模的生产中需面对的所有困难。前面这篇文《智能制造:从工业中来,到工业中去 | 甲子光年》,就是典型。
4、新领域,可能有增量机会。比如我之前在社群里提到的几个方向:“车”相关、机器人(2C/2B)、AR/VR/元宇宙/虚拟人、5G等等。
5、也许,也许,未来AI产业就没有我们所以为的、超大规模的横向To B模式。
总结来说,To B AI领域,创业公司如果想做平台,1.0模式可能已希望不大;后续,要么有创新性的2.0模式出来,或者应用更加好的AI产品方法论,要么在传统领域找到合适的大B企业战投,或者在新领域寻找增量机会。
注:本文2022年2月首发于“AI产品经理大本营”(https://t.zsxq.com/nYzfiEa ),有增改。
----One more thing----
我最近建了一个BI/可视化相关的微信群(仅限2年以上经验的产品经理、设计师,小范围交流),涉及公司可能包括但不限于:阿里云-DataV、蚂蚁-AntV、帆软、百度sugar、腾讯RayData、腾讯云图、京东云、网易有数、字节、快手、平安人寿、海尔、新华智云、百分点、镝数、数字冰雹、袋鼠云等。
如感兴趣,可查看进群说明并填写申请问卷:https://www.wjx.top/vj/tMjNyVf.aspx (可点击最后的“阅读原文”)
-- hanniman往期精选 --
一、AI产品分析
【重点】AI产品方法论之“由用户来完成AI产品设计的最后一公里”
【重点】智能音箱上的语音技能市场,能否对标手机上的应用市场?
一文了解“教育+AI”方向通识(场景、产品、公司、商业模式、短期风险及机会)
二、AI产品经理
【重点】重磅发布:《AI产品经理的实操手册(2021版)——AI产品经理大本营的4年1000篇干货合辑》(PDF)
【重点】人工智能产品经理的新起点(200页PPT)(注:后台回复“200”,可获取PPT下载链接)
【重点】最新AI产品经理求职动态:卡年龄、卡学历,这么卷,怎么办?_2022年3月
三、AI技术
【重点】语音合成TTS | AI产品经理需要了解的AI技术概念
【重点】一文看懂“语音识别ASR” | AI产品经理需要了解的AI技术概念
【重点】值得收藏 | 关于机器学习,这可能是目前最全面最无痛的入门路径和资源!
【重点】DIY面试题 for AI产品经理 | “智能音箱半夜诡异笑声”的原因分析及建议方案
【重点】人脸识别产品设计,AI产品经理需要了解的实战干货都在这里了_团员分享_@阳春柏樰
【重点】一文看懂“声纹识别VPR” | AI产品经理需要了解的AI技术概念_团员分享_@cony
NLP基本功-文本相似度 | AI产品经理需要了解的AI技术通识
四、AI行业及个人成长
【重点】我们还没准备好和AI共生——柯洁和AlphaGo大战之观后感
新技术带来产业格局周期波动的3个阶段(以智能汽车领域为例分析)
---------------------
黄钊hanniman,前图灵机器人-人才战略官/AI产品经理,前腾讯产品经理,近10年AI背景,13年互联网经验;垂直于“AI产品经理”的第一社群(知识星球“AI产品经理大本营”,已运营近5年)和第一自媒体(微信公众号/知乎ID“hanniman”,已运营8年);作品有《AI产品经理的实操手册》(AI产品经理大本营的4年1000篇干货合辑)、200页PPT《人工智能产品经理的新起点》。