AI 产品做出来不再是难题之后

AI怎么进入真实业务？怎么进入用户每天都在使用的软件？怎么获得第一批用户？怎么证明自己的价值？又怎么完成商业闭环？ 技术，在这里已经不是终点，而是默认前提。 桌边坐着小二十位背景完全不同的人：有长期做产品的，有软件工程师，有设计师，有内容和品牌从业者，有服务传统产业的人，也有刚刚开始做产品的年轻人。 有人已经用vibe coding上架过多款App，有人在公司内部做机器人和MCP，有人把内容生产变成自动化Workflow，有人正在做浏览器工具、个人AI助理，也有人拿AI服务传统企业。 他们未必对所有问题有一致答案。但两个小时下来，五个共识逐渐浮现。而在每个共识旁边，又出现了一些更值得继续追踪的独识。 过去做一个产品，中间隔着一条很长的链路：产品设计之后找UI，UI之后找前端，前端之后接后端，然后测试、部署、上线。很多想法甚至没有机会接受市场检验，因为第一关就过不去——没人把它做出来。 现场还有一类人很有代表性。他的技术知识并不属于典型的专精型工程师，反而是很多方向都了解一点，但没有在某一个技术栈上挖得极深。 过去这种状态有一个明显问题：你大概知道产品应该怎么做，也知道某个问题需要调用什么能力，但真正落到具体接口、框架和工程细节时，很容易卡住。 这意味着一种新的成本结构可能正在出现：局部执行知识越来越便宜；真正稀缺的，是知道应该让什么能力去解决什么问题。判断力未必在涨价，但它在总成本里的相对占比，正在上升。 未来优秀的Builder，未必是每一项技术都做到最深的人，反而可能是那个最知道该调用什么的人。这类人既不像传统产品经理，也不像传统程序员——他可以从问题定义，一直走到产品上线。 做AI设计的人，不只是写一句Prompt生一张图。真正工作的是：模型怎么连，节点怎么搭，参数怎么调，遇到bad case怎么补一个自定义节点，最后怎么让研发把这条工作流工程化部署。 现在有人把它改成：AI把核心信息抽出来，生成一张卡片，用户直接在卡片上完成决策和操作。整个过程都发生在员工原本就在使用的企业IM里。 用户不需要打开AI，不需要学习一个新的系统，甚至不需要意识到背后调用了模型。AI只是让原来的工作少了一次搜索、一次跳转、一次阅读和一次填写。 未来真正普及的企业Agent，未必长得像ChatGPT。它可能只是一张自动出现的卡片，一个已经填好的表格，一条被压缩好的摘要，一个按钮——甚至什么界面都没有。 会前的一段技术交流很有代表性。一支来自传统专业学科的研究团队正在做垂直领域Agent，面对的问题很典型：行业里有大量通用模型不认识的专有名词、专业文档和私有数据。 原因很现实：基础模型更新太快了。今天绑定某个模型做了一套微调，明天基础模型升级，你可能又需要重新处理。与此同时，很多所谓行业能力不足，其实并不是模型推理能力不够，只是它不知道你这个行业独有的知识。 真正麻烦的是：一个行业专有词到底怎么定义？哪些资料才是权威资料？公开互联网里根本没有的数据怎么办？行业知识发生变化之后，谁负责更新？不同组织之间的数据能不能混在一起？什么数据可以让模型看到，什么数据必须隔离？ 基础模型越来越强之后，这些不性感的基础工作，反而可能越来越值钱。这也是传统产业真正进入Agent时代时，一个容易被低估的机会：懂模型的人越来越多，真正懂行业知识如何被机器使用的人，可能依旧很少。 有人已经连续做出了多款App。有人做出了浏览器标签管理工具。有人做个人AI OS。有人做企业机器人。有人做内容工作流。有人在探索海外SaaS。甚至有人只是发了一条内测招募，就获得了几百条评论。 供给端看起来非常繁荣。但所有讨论最后都会逐渐回到几个问题：用户从哪来？为什么留下来？为什么愿意付钱？为什么续费？ AI首先极大降低的是产品供给成本。结果自然是：产品会越来越多。当越来越多人都可以做产品，能做就不再天然构成壁垒。于是过去藏在技术门槛后面的能力重新变得稀缺：用户洞察、分发、内容、增长、品牌、渠道、商业模式。 现场有一个消费产品案例特别典型。Builder做了一款带有陪伴属性的产品。最初只是随手在内容平台发了一次内测招募，帖子意外获得了大约500条评论，很多人表示希望试用。 这是一个听起来非常漂亮的数据。但真正进入内测群的人，大约只剩下150人。再往后，还有：激活、使用、留存、付费、续费——一层一层漏下去。 过去独立开发者的第一堵墙是不会开发。Cursor、Claude Code和各种Coding Agent正在迅速把这堵墙降低。于是越来越多人会提前撞上另一堵墙：不会分发、不会获客、不会把试用做成留存。 这也意味着，未来AI Builder社区最有价值的内容，可能不会一直是如何让Vibe Coding效果更好，而会越来越多地变成：怎么找需求？怎么做Product Hunt？怎么经营X/Twitter？怎么做SEO？怎么建私域？怎么定价？怎么测试PMF？ 他的观察非常直接：客户并不真的在乎你用了哪个模型、是不是Agent、参数量是多少。老板在乎的是：这套方案能不能解决问题？能不能多赚一些钱？能不能节省时间？能不能减少低价值人工？ 所以他并没有把AI独立包装成一个产品去卖，而是把AI变成自己原有专业服务的一部分。客户买的是战略、品牌、营销、增长、解决方案——AI只是帮助他把这些服务做得更快、更好的一层能力。 这条路径反而已经产生了真实收入。这带来一个非常值得记住的判断：AI，不一定要以AI产品的形式出售。甚至很多时候，客户越少感知AI，产品可能越容易成交。 假设一个客户原来每天卖100单，用了你的AI产品以后变成110单。理论上你帮客户增加了10单。问题来了：怎么证明这10单是你带来的？也许当天广告预算提高了，也许有促销，也许平台多给了一些流量，也许只是季节变化。 如果无法证明增量来自你的产品，所谓创造价值就很难真正变成商业价值。因为一旦归因不成立：定价困难，续费困难，销售困难，信任也困难。 未来真正成熟的商业AI产品，不能只回答我能帮你做什么，还要能够回答我怎么证明刚才这个结果，是我带来的。这甚至可能决定一个AI工具最终是Demo、功能，还是一门生意。 AI正在快速消灭把东西做出来的门槛。而当实现本身不再稀缺之后，过去隐藏在开发能力后面的那些问题，就开始一个接一个浮上来。