作者 ｜ 云昭
每當一項新技術剛走進大眾視野的5年里，這個階段的新產品總是讓人視為“雞肋”一樣的存在，即便是閱產品無數(shù)的投資人，也難免莞爾一笑，吐出一句大實話：乏善可陳。
其實，這不止是用戶和投資界的反饋，AI產品創(chuàng)造者同樣也有慘痛的經歷。“我們的AI產品發(fā)布那天，我確信我們會改變游戲規(guī)則。所有那些不眠之夜，所有無休止的迭代，所有我傾注的心血，只為打造一款革命性的產品。一切都為了這一刻！”
“但隨后，一切都沉寂了，沒人使用它。”不僅數(shù)據異常冰冷：參與度低、采用率為零，就連反饋也像刀子一樣狠——“令人困惑”、“垃圾”、“不靠譜”。
1.90%的AI產品在用戶記憶中陣亡
各位不妨回想一下自己在手機或電腦端在用的AI應用，究竟還有哪些產品的AI功能讓你眼前一亮，并堅持使用超過了6個月？
從去年年初開始，我們就時不時在采訪中向對方拋出這個問題，我們得到的答案不超過這4款，看看是不是精準命中了你的答案：ChatGPT、豆包、Cursor、Notion。
ps：DeepSeek作為后起之秀，吃了發(fā)布時間晚的虧，所以不在此之列。
當然這并不意味著其他的AI產品有多大問題，比如前兩年年紅極一時的AI生圖工具Midjourney、主打音樂創(chuàng)作的Suno以及視頻創(chuàng)作的可靈AI都是備選項之一，但在適配體量和口碑聲量上遠不及前面提到的產品。
而就在在這僅有的4款之中，前兩款驚人地一致，全是“產模一體”（產品即模型），只剩下Cursor和Notion還算是有相對垂直的應用場景。
正如一位開發(fā)者所說：“Copilot/Aider/Claude Code都很棒，但我很難想到我使用的其他工具中，哪個是用LLM改進過的。”
為什么會這樣？在一切皆可AI的今天，除了Cursor和Notion備受推崇之外，其他的很多知名產品都在大眾的記憶中陣亡了。此外，有媒體甚至爆料，許多受訪的高級知識型工作者其實根本對ChatGPT“不感冒”。
不得不感嘆：歷史總是驚人的相似，仿佛我們回到了2022年，低代碼產品陷入的市場怪象：“老板們看了必須上，使用者試了試不想用。”
回到AI的語境之下，我們了解到一線的用戶是這樣回答的：
“現(xiàn)在90%的 AI 功能感覺都是附加的，毫無用處。”
“這還不包括價格。有些服務商甚至為了所謂的“AI 功能”而多收 50% 甚至 100% 的費用。”
“除了AI編碼功能之外，我其實很難想到哪個AI功能真正讓我喜歡。”
2.問題出現(xiàn)了：舊App開發(fā)封禁了大模型
近期，YC合伙人Pete發(fā)表了一篇博客：《horseless carriage》（無馬的馬車）并以Gmail郵件草稿功能為例，痛斥了目前AI應用在設計上的無用性！
Gmail 團隊打造了一輛“無馬的馬車”，因為他們著手將人工智能添加到他們現(xiàn)有的電子郵件客戶端中，而不是思考如果從頭開始設計一個包含人工智能的電子郵件客戶端會是什么樣子。
他們的應用是將人工智能塞進一個為日常人工工作設計的界面中，而不是一個為自動化日常工作設計的界面中。
解釋一下，這里的“無馬的馬車”，是指蒸汽機革命初期初代汽車的雛形，外表看起來依舊是一輛馬車，只不過沒有馬，后面多了一個蒸汽機而已。當時的人們看到之后沒法接受：寧愿選擇馬而不是蒸汽機。
Pete指出，初代的無馬馬車誕生于“舊世界思維”，它借鑒了馬車的樣子，本質上無異于用發(fā)動機取代馬匹，卻沒有重新設計車輛以應對更高的速度。在他看來，現(xiàn)在很多AI應用也一樣，都像Gmail的Gemini集成一般，毫無用處、令人惱火。
圖片
1803年蒸汽馬車設計圖
Pete具體指出，這項功能是讓Gemini生成了一封措辭合理的草稿，但可惜的是，這封郵件的語氣和其本人截然不同。
此外除了語氣問題以外，生成的郵件比本人親自寫的郵件都要長。很多人包括谷歌團隊都把問題甩給了AI，認為是AI還不夠聰明，無法寫出好的電子郵件。
但這其實并不是 AI 模型問題：Gemini是一個非常強大的模型，它完全有能力寫出好的電子郵件。問題在于，Gmail團隊設計的應用程序，它限制了模型的發(fā)揮。在他看來，AI 原生軟件應該最大限度地提升用戶在特定領域的影響力。AI 原生的Email應該最大限度地減少用戶花在發(fā)送和閱讀郵件上的時間，而AI 原生的會計軟件則應該最大限度地減少會計人員記賬的時間，就這么樸素的道理。
言外之意，Pete認為現(xiàn)在的AI應用開發(fā)只是在模仿舊的軟件開發(fā)方式，而這種舊世界的方式已經限制了大模型的能力發(fā)揮。
3.失敗的不是技術，而是與真人的聯(lián)系
微軟CEO納德拉在剛剛過去的LlamaCon上表示了類似的觀點。他認為，人工智能很有潛力，但是需要軟件和管理變革配套。現(xiàn)在的AI，就像是一架“沒有馬的馬車”。“變革不止是技術，還有人們對新技術的新方式。”他還引用電從被發(fā)現(xiàn)到應用于工廠生產經歷了50年的例子，表明，雖然距離AI真正改變生產生活不需要50年那么久，但距離AI被放進新的生產系統(tǒng)，還需要時間。
那么，在AI 適配的新系統(tǒng)被發(fā)現(xiàn)之前，我們需要了解除了技術之外的限制因素。
首先，“拿著錘子找釘子”往往會導致破產。很多AI項目出發(fā)點都是以技術為出點，因為開發(fā)者的確需要清楚大模型的能力的上下限，然而這往往會導致“拿著錘子找釘子”，不能識別并解決目標用戶的真實痛點。這個過程中，公司很容易忽略完整的用戶調查，進而阻止了最終用戶參與開發(fā)階段。這種情況下誕生的產品，要么過于復雜、要么與用戶無關。
一個明顯的例子是IBM的AI醫(yī)療項目Watson for Oncology，雖然獲得6200萬美元投資，但由于AI卻生成了不安全的治療方案，而且與腫瘤醫(yī)生的工作流程脫節(jié)，最后項目告吹了。
一位AI產品發(fā)布失敗的創(chuàng)業(yè)者總結了沉痛教訓：打造人工智能只是成功的一半，如果你不深入了解你的用戶——他們害怕什么，他們需要什么，是什么讓他們興奮——你就永遠無法贏得他們的信任。而信任才是最重要的。
screenshotone.com 的創(chuàng)始人 Dmytro Krasun 也給出了同樣的建議：如果不知道要向誰銷售你的產品，就不要生產它。
如果是B端產品，這種現(xiàn)象也更加嚴重。很多公司采用AI，僅僅是因為AI火，而不是首先確定AI的業(yè)務應用方向。
一個典型的例子就是很多人為自己公司開發(fā)智能體，總是誤以為“復雜才是高級”，追求長鏈路的復雜任務，從而導致項目失敗率和成本抖升。這種被稱為“閃亮物體綜合癥”的現(xiàn)象導致資源的無謂消耗，卻無法產生可量化的商業(yè)效益。這也是很常見的“技術目標和業(yè)務目標不匹配”，雖然解決方案可以正常運作，但卻無法解決市場上的根本問題。
其次，對于數(shù)據質量和治理的重視程度不夠。AI系統(tǒng)的有效運行依賴于高質量的訓練數(shù)據和決策數(shù)據。許多AI項目失敗的原因在于它們使用的數(shù)據不足，這些數(shù)據要么過時，要么存在偏見，從而降低信任度和可用性水平。
這里也有一個例子。亞馬遜此前開發(fā)了一個人工智能招聘系統(tǒng)，該系統(tǒng)從帶有男性偏見的歷史招聘數(shù)據中學習，從而產生了帶有性別歧視的建議。由于缺乏適當?shù)臄?shù)據治理監(jiān)督，亞馬遜最終不得不放棄該項目。
誠然，現(xiàn)在的大模型技術發(fā)展還處在早期階段，本身技術的研究還存在諸如安全、可解釋性等一些短板需要進一步補齊。但這并不是許多AI產品不受歡迎的主要原因，更多還是用戶需求的錯位理解以及企業(yè)落地過程中的工程環(huán)節(jié)等問題。
4.不要愛上你的產品，愛上解決用戶的問題
一款人工智能產品，不能引起用戶的共鳴，技術上即便再出色，也將毫無意義。為用戶提供信任、可用性和價值才是構建AI產品的關鍵。
開發(fā)AI產品，不妨提醒自己：不要迷失在尋找這項技術所能實現(xiàn)的可能性中。而是要時刻關心“為人而建”，
因為用戶并不關心你的算法，他們在乎的是它如何讓他們的生活更輕松。所以，了解他們的行為、他們的時間都花在了哪里，以及他們不喜歡工作流程中的哪些方面。不要只問他們想要什么，還要觀察他們做了什么。所有這些都將幫助你打造一款用戶樂于使用的產品。
此外，盡早關注數(shù)據質量。無論人工智能多么復雜，糟糕的數(shù)據都會導致糟糕的結果。在開始構建之前，投入時間和精力進行數(shù)據清理、數(shù)據整理和數(shù)據多樣化至關重要。這就像蓋房子一樣——你的數(shù)據就是地基。如果它出現(xiàn)裂縫或不平整，整個結構就會倒塌。并且不要忘記不時檢查您的數(shù)據；六個月前有效的方法今天可能就不起作用了。
最后，少即是多，快速證明價值。正如前文多提到的，追求復雜是一個典型的產品開發(fā)誤區(qū)。很多人認為推出一款擁有眾多炫酷功能的人工智能產品就能給利益相關者留下深刻印象。然而，事實并非如此，它非但沒有打動用戶、贏得他們的信任，反而讓他們感到困惑，甚至厭棄。所以，從一個小的、專注的場景開始，解決一個特定的問題。在取得第一個成功之后，再將其作為跳板進一步拓展你的產品。
而對于企業(yè)而言，還有一點值得補充，即設定明確的目標，即便是實驗性質的探索，同樣有必要。開始開發(fā)工作之前應該建立具體的以業(yè)務為中心的成功標準，這樣可以讓開發(fā)人員專注于解決具體問題，而不是為了追求尖端技術。
不要愛上你的人工智能，而要愛上解決用戶問題這件事。這才是讓你的產品收獲用戶的不二法門。
參考鏈接：
https://koomen.dev/essays/horseless-carriages/#a-better-email-assistant
