公司|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？平台|效果|问题|业务|不知道

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。

文章图片

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 ”……

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。
【公司|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？】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】如何从“品类”角度做AI产品（2C）的需求定位
【重点】一文了解四足机器人
【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？
【重点】AI产品经理视角下的AI翻译机 in 旅游场景
【重点】进击的人工智能：产品视角解析“对话机器人”
【重点】如何从零开始搭建智能外呼系统
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】正式介绍“AI产品经理大本营”
【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】AI产品经理的定义和分类
【重点】AI产品经理的价值和未来 | 学习俞军老师分享有感
【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
AI产品经理能力模型的重点素质：人文素养和灵魂境界
最新“AI产品经理”求职动态及建议
深度报告 | AI新职位“人工智能训练师”
三、AI技术
【重点】 AI产品经理需要了解的语音交互评价指标
【重点】语音合成TTS | 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】用最通俗语言来聊聊“什么是机器学习”
【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】“AI芯片”通识_AI产品经理看这一篇就够了
NLP基本功-文本相似度 | AI产品经理需要了解的AI技术通识
看AI产品经理如何介绍“计算机视觉”（基于实战经验和案例）
多目标跟踪 | AI产品经理需要了解的CV通识（三）
填槽与多轮对话 | AI产品经理需要了解的AI技术概念
AI产品经理需要了解的数据标注工作入门
四、AI行业及个人成长
【重点】现在的BAT ，就是曾经的外企
【重点】【深度】工作5年以上，到底要不要进AI创业公司？
【重点】深度 | 人工智能让我们失业？不，这取决于我们自己
【重点】我们还没准备好和AI共生——柯洁和AlphaGo大战之观后感
【重点】AI产品经理视角下的V2X、车联网和自动驾驶
如何成长为高顶级产品经理的3个关键点
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）
“人工智能与法律”对AI产品经理有何实际借鉴意义
稻盛和夫的这些话，是鸡汤还是干货？
跨过这十个误区，提前2年告别职场小白
【重点】如何分辨明师并遇到他 | 周日换频道（7）
---------------------
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》。