6. AI native产品需要积累新的数据，这让大家会站到同一起跑线. “微信里接AI bot”成为小风口。

　　9. “一定是要改变工作流”，将作为“AI-native”的一个check标准。

　　只模拟感知能力，对劳动力的释放是极其有限的”，经济效益价值也就极其有限。

　　1）社群X里，是怎样的用户画像？愿意花2000多元/年、盯着“搞钱”的老板/个体，他们是商业嗅觉最敏感、离钱最近的人。

　　3）而且，从实际效用来看，我们有很多重复性的工作，确实是应该、且可以被RPA辅助完成的。

　　（降本增效的）工具”属性，才能在商业化的时候，算得过账来——让客户看清楚，因为AI，带来了多少增量价值，然后才愿意分成多少比例。

　　（实习生/兼职）的感觉……那就真的要能端到端的产生价值。那就真的要把机器人或RPA视为“必须拼图”之一，因为要有实际的生产力效用。

　　，还不是特别好用，也正好说明，其中还有空间和机会。不过，现有RPA上手和教学都比较不方便的，原因可能是，本质还是在编程。

　　从用户预期来说，我只是希望能自动完成整个交互操作过程而已——如果能根据我的“录屏”就搞定，那才是amazing！

　　某开源项目，根据截图，可自动生成交互图和代码，使用GPT-4V的API来完成任务。

　　一款由GPT4驱动的截图管理工具，可将截图转化为视觉备忘录，并基于内容和GPT问答。

　　未来线/元宇宙社交产品形态，核心差异化的点，不仅是人和AI社交，更在于“AI和AI交互、人去看（消费）

　　“谁能想到，居然会有这么多人，喜欢观察游戏角色而不是朝他们开枪，玩家纷纷涌入这款观察为主的放置游戏......”

　　b）如果是财经新闻，会报道你持有的股票或你感兴趣的领域；如果是体育新闻，会是你最喜欢的球队。

　　24小时的AI频道，这是未来一定会成为现实的产品形态机会，里面有很多机会的。

　　而且Sora刚出来，整体的“完成度”就比较高，其他公司要想整体追上OpenAI，短期太难。

　　类似汽车、火车、飞机、自动驾驶早期的事故会死人，LLM虽然还不一定是这种类型的事故，但也可能造成严重的犯罪、经济、政治安全事故。

　　1）随着AI调用量不断增加，看似小概率的黑天鹅事件，慢慢就变成“必然”一定会发生的事情了。

　　当年，有两家AI公司的聊天机器人同时接入QQ群聊，因为涉及黑天鹅内容，而一起下线

　　本来就要更加不可控、有更多未知的风险，而且还有更多主观恶意、非故意性质的安全问题。

　　但全新的AI创业公司，短期可能会“难以达到及格线”，一旦出事，可能第二天就被封；

　　1）大概，会有一波AI应用层的产品发布（因为去年年中，很多团队才跑起来，6~18个月，总该发布了），有更大概率出现“调用量短期快速增长”的情况，那么出问题概率就更大。

　　（注：这里只是说用户量或使用量，并不一定就是真正成功的产品出现，类似过去十年的智能音箱。）

　　比如大模型隐蔽的后门漏洞风险。提到关键词，模型瞬间“黑化”，这可能是比提示词注入攻击还要严峻的安全问题，现有安全机制无法防御。

　　4）更隐蔽的原因在于，虽然揭露这些安全隐患的初衷，是为了防范，以及最近有不少LLM安全相关的解决方案公司和平台。但是，所有这些，其实同样也升级了作恶者的认知和技能点。

　　1）对于我们自身的AI产品，需要提前考虑、设计一些体验流程环节，尽量减小事故发生后，对用户和公司的影响。

　　2）对于我们个人职场发展来说，如果能提前关注、储备一些相关的认知和产品设计思路，有可能反而是个冒头的机会。

　　“安全”作为自己的差异化职业规划tag，一点点地深挖和积累——这相关的人才，是非常非常稀缺的。如果你能有自己的认知和建树，今后在大厂里面，会非常容易拿高薪。

　　五、现阶段AI落地，B端实施不是刚需，但咨询是刚需（类似的，C端使用不是刚需，但尝鲜是刚需）

　　1）最近某家AI公司提到，他们的解决方案里，不仅包括技术方案，还包括“咨询服务”。

　　2）我在文章“关于AIGC商业化的13个非共识认知”里提到的第12个点，“现阶段做AI，要对标的不是互联网，而是通信/IT”，底层是相通的。

　　该创始人的几个产品和服务网站，其实都是通过ChatGPT辅助、一个人完成的。

　　“最原始的出发点一般是：如何叠加 AI 的能力，直接或间接提高产品收入、如何整合 AI 的能力，直接或间接提高团队的人效。”

　　更特别的在于，不仅是咨询，最好还有方案设计、技术开发，即整套“交钥匙”方案。

　　i，“给企业做AI落地咨询”这个方向，肯定有很多人会去做的，当然，现在还算早期。

　　iii，核心团队里，如果有产品基因的负责人主导，或者通信行业背景的人，会比较好；而不是技术负责人主导。

　　之前提到过，在AI-native产品设计中，对“数据”的认知和实操，会被拉得非常高。

　　“产品经理越来越多需要想的事情是，怎么通过两个数据集去开发一款产品，定义好了数据集，其实产品就定义完成了。一个是训练数据，一个是测试数据。训练数据决定了模型能提供什么能力，测试数据决定了模型的实际可用程度……功能是通过数据定义出来的，这才是 AI Native 的方式。”

　　也就是说，如果我要训练这样的Agent，我是会需要从零开始积累这些过程数据。

　　5. 这个本质变化导致了，即使其他人想copy我的这个Agent，不仅不可能有我自己的效果好，而且我如果愿意，是可以每天进化的，因为我每天的文章，都可以贡献新的数据。

　　这也是我之前所说的，这种方式下，AI-native产品是真的可以“每天”进化的。

　　1. 从AI作为Agent/助理的角度，其实是容易想到，把AI作为聊天软件的一个“联系人”去对待的。

　　而且这种国民性的IM，本身就有海量的、用户和“长尾”场景！是创新价值涌现的温床。

　　“有一家 SaaS 公司，客户和使用群体文化水平不高，他们还做了一个企业微信，用户平时其实很少需要打开 SaaS 去复杂操作，只需在微信里说一句话，后台就会自动完成kaiyun体育全站 Kaiyun登录网页操作。”

　　典型目标用户是，需要外部激励和组织帮助的个人、面临时间管理挑战的职场人士和家长。

　　最初是美国一家公司火了，名叫Magic，然后国内一批抄袭者，但后面都没做起来。

　　，虽然各家公司鼓吹AI，但本质（大部分比例）就是在用人工提供1对1的服务，这样当然收入覆盖不了成本。

　　因为LLM/ChatGPT首次突破了价值瓶颈（不仅带来理性价值，还有感性价值、可极大增强用户心理粘性），使得“AI+人工”的模式有机会ROI跑正。

　　我初步命名为“AI协作咨询师”，不仅可以给高客单价的、原本就有90分位能力的咨询“专家”引流，还可能让本来不具备咨询能力的、原本只有70分位的普通人赋能，使其也能给用户提供80分的咨询服务。

　　1. “一定是要改变工作流”，将作为“AI-native”的一个check标准。

　　（某些自动化操作），为什么非得让我学一点点操作那个界面？其实本质和coding是类似的。

　　作者简介：黄钊hanniman，前腾讯PM，前图灵机器人-人才战略官/AI产品经理，11年AI、14年互联网经验；垂直于AI产品经理的第一社群“AI产品经理大本营”（6年）和自媒体“hanniman”（9年）；作品有《AI产品经理的实操手册》《黄钊的AI日报》。