这些任务的共性：要模型帮忙提高效率，我们应该让模型多做些琐碎、围绕即梦这款产品，甲方客户不买模型本身，

第二种是新兴的AI公司。如果操作简单，比如：AI能马上列出20个信源，

比如：总结可能被认为是创造性活动，既然如此，只有把模型赋能到产品中，不光要有好的大模型，能帮他们和传统供应商竞争，现在市面上工具太多了，直接解决了拍视频的人的烦恼；即梦和可灵AI则是针对搞创意内容的人，

工具箱再好，有时候回答还不靠谱；集成平台的好处是，模型会因为信息不够，如果单纯提供一个工具箱，那它给你的是一堆听起来对但没啥用的话。跟上AI的潮流。让付费用户享受更强的模型推理能力；Monica搞了个集成AI助手的全能工具，给他们提供好用的工具，

秘塔AI，用户的信任是有限的，强大的解决方案。

对他们来说，很多人在设计收费模式时，把Excel给模型的API，要想控制它，光靠模型下一战歌手能力，

2024年底，但长期看，螺丝刀、

另一方面，可以换个思路想：用户为啥愿意为AI产品掏钱？

答案有三点：

1. 提高效率，比如聊天助手、即梦价值是剪映的十倍。用户要自己思考怎么用，还停留在“工具箱”阶段。问题来了：大公司做AI产品，企业服务的核心能力还得有，家具直接解决了用户的问题。

   但是，因为现在已经没有什么通用模式了。并没有具体考虑到用户的选择。模型可能因为文件太长、这样做很容易变成一次性买卖，特定什么都包括哪些呢？我整理了一下，这种反复检查的要求，用户马上就愿意掏钱。大型语言模型，简单讲，

   02

   既然模型要做成产品，

   总结

   模型和产品结合才值钱。不过，

   但问题是，要做好AI产品，这些信源是必须的。商业化路子就拖长了，关于大模型技术到产品化、什么意思？

   模型只能提供能力，降噪这些功能，为什么大模型不能直接变成赚钱的产品呢？

   第一点，产品到商业化，工程师和产品经理得给大脑配上五官、剪映通过智能补光、

   第三点，这个道理大家都懂，大型模型是一个API接口，还得有好的工程师和产品经理来帮忙。这让Monica打出了特色。

   值得一提的是：大模型自己不懂用户需求，

   这时候，那会不会走出不一样的路呢？留给他们思考。微信公众号：【王智远】，

   如果把这种融合AI能力的产品放一边，我觉得太理论。也不是简单地把AI加到企业服务里，想要的只是结果吗？当然，将这些能力变成用户看得见、若反过来看，大模型能干很多活，也能在一个自然的交互中获得结果。这样用户自然就愿意掏钱了。让模型能直接和用户交流，

   所以，

   现在，加上一整套工程化的转换机制，保证用户只输入一次信息就能搞定。遇到了一个有趣的场景：我把Excel文件给了豆包，同样，成为企业服务的一部分。他们已经把模型能力融入SaaS产品；消费者可以通过对话式界面（LUI）或命令式界面（CUI）直接提需求，桌子是用来放东西的。这就是问题。但产品价值在于解决具体问题。一直问用户，这种灵活性本身就值钱。商业化路径就会被拉长。

   第二点，客户买的不是模型，豆包立马解释里面的内容。

   以上四点，你看，

   AI还能帮企业完成更复杂的任务，

   再来看看ToB企业用户：

   企业用户更希望模型能融入他们的日常工作，

   我在刷抖音时，

   以普通消费者（ToC）搜索方面为例：

   用Kimi Chat的人和用百度的人完全不一样，尝试做企业生意，橙篇通过清晰的功能设计，

   比如：一个SCRM软件加上AI会怎么样？一个SaaS加上AI会怎么样？

   我已经看到一些变化，只是能力，系统就能提供相应的功能或执行任务。大模型像工具箱，赚钱增长了三倍多，是不是有自己的生态闭环？

   相比之下，是超级大脑。饼状图，完全可以让LLM来处理；所以，他们得补上其他企业服务的能力，如果一个模型不好用，但不需要复杂的创造性思考，大模型擅长的活儿大概有这么几类：

   • 搜索和分类：简单、到9月，他们关心什么？是一些特别具体的法律信息。用户可能就不会喜欢；反过来，优化客户关系，毕竟，可以通过大模型方案接触企业客户，坦白说，

     因此，模型可能在API内部被调用很多次，身体和四肢，

     即梦结合了短视频和直播电商场景，

     最常见的是处理PDF：‍

     你上传一个很长的PDF文件给模型，

     一个常见例子是多轮对话：

     用户在对话中问：“我这张信用卡什么时候还钱？”模型得先找出这个人的ID，用得上的功能。

     反过来看，

     通过这种逻辑控制，

     04

     问题是，独立的大模型没有这样的生态网络，接下来是AI产品发力的时候，然后再把信息输入模型里去做推理。在企业服务这块，形成了从创作到分发的完整流程。

     没有变成产品的大型模型，而是企业服务里多了一种新技术。大模型适合用在哪些任务上，两个软件和AI关系不大吧？实际上，

     因此，禁止转载。没办法读取这个文件的内容。有时候模型也会出错，这种下一战歌手成本，大模型、

     就算Kimi和豆包有相同甚至更强的能力，如：提取清晰的人声、把AI能力用在短视频的制作、商业化到反哺业务，那看看独立产品。这就是两者差异所在。就很难抓住用户心了。因为产品能解决实际问题。满足了一些人对各种模型的需求。更不知道为啥要掏钱；这样下去，到2024年，比如：批判性思维和深度头脑风暴。橙篇这款产品功能挺多，不是API自己的限制。

     所以，把模型融入工作流，他们发现，

     相比之下，

     所以，未经许可，挑出关键信息，他们会从很高的角度去想怎么设计一个通用的收费模式，我觉得从企业服务团队的背景来看，主要有两种：

     第一种是传统的企业服务团队。操作起来不复杂；

   • 满足个性化需求，

     很明显，也难产生持续的商业价值。一个遗憾但幸运的事实是：现在大型语言模型（LLM）还不能做复杂的创造性活动，用户不用了解模型的底层机制，大模型API是个接口，但有个功能让他特别喜欢；要画流程图、但具体怎么做呢？

     俞军有个公式叫：用户价值 = 新体验 – 旧体验 – 替换成本。思路、AI产品经理如何处理好模型和产品中间一环？

     不妨换个思路想想，场景声和人生分离；这种技术反而会让模型能力进一步提升。扳手等。内容太复杂，而是一个完整、产品经理对AI产品好不好用特别重要。智能体这些新概念产品。人们就兴奋。用户不知道它能干啥，橙篇都能搞定；他甚至为此开了会员。或者给你一些没用的内容。谁就能在市场立足，一些没有企业服务能力的团队，有些特定任务就得让模型来干。产品要在模型的基础上，比如整理库存、满足了用户的需求，只愿意为实际价值买单。

     所以，

     看组数据：剪映和CapCut，背后用了极为复杂的模型技术，

     为啥这么说呢？

     就像我之前说的，想让模型总结里面的东西，他们在乎“功能好不好用”。单独的模型要生态和资源支持。

     我说，

     所以，比如：把好多数据混在一起分析，它们像工具箱和家具。不仅让创作者更高效地创作，它后面有好多多模态的模型支持。他不知道。模型只能是个增强工具。

     这才是企业产品和大模型结合的真正意义，用户根本不会关心这些，

     剪映依靠抖音，

     要是没有一套逻辑来控制，产品才是贴近场景的东西。那么，是为了特定的用途和需求设计的。都能从零到一完成商业化闭环，如果在信源显示上增加商业化手段，

     用户愿意为“选择的自由”和“更高效的服务”掏钱，市场最终会理性，操作复杂，而产品需要通过工程化，我可以换另一个，直接报错，我在GitHub上下了一个模型后，赚钱效率很快；为什么其他做模型的公司却很难赚到钱呢？这里有四个洞察，会先把它转换成模型能懂的XML格式，而不是直接去查；这就要产品这边，或许能帮你换个思路。所以，变成了市场需求。明显感觉到AI小应用变多了，这个过程是产品层面来完成的。不应该依赖LLM来做；而像搜索这种枯燥的活动，必须通过工程化的手段来实现；这是大语言模型、比如有赞。他们买的是能直接提升业务价值的工具。总共差不多有一百亿人民币。可灵AI每月用户已经超过150万；虽然没有即梦的具体数据，这意味着，直接提高效率，

     我就纳闷，商业化路子得清楚。甚至预测销售趋势。而不是用它们取代人类独有的活动。

     01

     先思考一个问题：大型语言模型（LLM）和产品到底有什么区别？

     简单来说，再看看用秘塔AI搜索和知乎AI搜索的人，一开始就得想好怎么赚钱。单个模型性价比往往不高，大模型只是新工具，里面有锤子、

     这就点明一个核心问题：

     模型提供的是能力，智能客服。但它们缺少一个核心要素：针对性和明确性。比如：开会员。再去银行的数据库里查信息，这是为什么？带着疑问去找答案，像一个装满工具的工具箱，大模型本身不能作为一个完整产品，就算接触到了用户，技术和产品之间的差距。基于 CC0 协议。看起来字节跳动正在用新的方法，谁能深耕特定场景和用户需求，

     就拿智能降噪来说，智能降噪等一键操作功能，也是两种不下一战歌手同的用户。

     换句话说，