大B公司自己做AI,都是九死一生——To B AI 平台的1.0 模式,已几乎宣告失败?

编辑导语:为什么许多大B公司自己做AI,都会面临九死一生的困境。本文对To B AI 平台目前的落地以及面临的困境和机会展开分析,未来To B AI 平台该如何发展?一起来看看。

一、大∠B公司内部做AI的不易

1. 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પ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τ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)

2. 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?

3. 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——

4. 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。

5. 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……

6. 鸟尽弓藏

ρ

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 AⓡI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?——

二、To B AI 平台的困境和机会

1. To B AI 平台 1.0 模式,已几乎宣告¼失败

Ù

1. ToB 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……

2. 从B公司规模角度,阐述To B AI 平台业务的难处

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Õ,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。

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。

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。

3. 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ToB AI 平台 2.0 模Δ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Ï(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ˆ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”,有增改∃。

#专栏作家#

hanniman,人人都是产品经理专栏作家,前图灵机器人-人才战略官/AI产品经理,前腾讯产品经理,9年AI背景,12年互联网经验;关注人机交互(特别是语音交互)在手机、机器人、智能Á汽车、智能家居、AR/VR੠等前沿场景的可行性和产品体验;擅长对创业团队管理、个人成长提出实战型的建议方案;知乎/简书/微博帐号,均为hanni∀man。

本文原创发布于人人都是产品经理,未经许可,不得转载。

题图来自Unsplash,基于CC0协议。

Leave a comment

Your email address will not be published.