变局之下，产品创新的道与术

关注并将「人人都是产品经理」设为 ★ 星标

每天早上更新，与你一起成长

今天从三个维度切入分享：

最后会隐去敏感数据和部分信息，和大家分享在雪球做的一个创新业务案例，与其中的具体逻辑。

技术变革对产品形态的影响

技术已经成为显著的生产力之一，驱动着许多行业、产品和服务的变化。

而关于技术的本质，我们可以这么理解：技术其实是借助了能力，帮助我们更有效地转化能量，从而满足需求。

在当前AI 2.0时代、数字化时代的节点上，大家可能都对这点有所感触。

今天，我们身边充斥着各式各样的信息，这类信息可以形成线上化、数字化的能量转化，其中需要讲究效率。很多时候，我们为B端企业赋能，所带去的结果就是企业的降本增效，而降本增效，更多在讨论的，就是效率问题。

再说需求满足。

大家对马斯洛需求层次理论都很熟悉，其最底层为“生存”，“生存”意味着一个生命体需要延续生命。

同理，B端企业也需要活下去，在市场环境发生变化的情况下，企业提出的产品要求不再单纯地追求活跃、留存；现在，企业更在意的是利润，因为利润才能决定企业的存亡。

所以当下，技术成为了根本话题之一，它驱动着我们更好地借助能力转化能量，从而满足各式需求。

当前，技术已经成为了新的生产力，而这背后伴随着人类的社会化进程。

从早期农业化时代借助太阳能、顺应自然环境、维持个体生存；到工业化时代借助化学能、改造环境、形成群体规模；再到数字化时代，数据信息演变为一种能量，这个时候，我们更讲求创新、创造新空间，比如元宇宙、虚拟现实等概念的出现。

不同发展阶段可能会有起伏波动，虽然这带来了各种各样的变化，但背后的本质依旧与技术这一根本话题脱不开关系。

其一，即追求能量效率的提升，其二，各种技术、材料的借助有效地拓展了我们的能力边界，助推了存续目标的实现。

像当下这个阶段，通过借用AI、物联网等技术，数据得以成为一种生产资料，进而驱动了创新和社会发展。

如果再将AI进行细分，可以将其分为两种：

再来谈数字化。

数字化可以大致分为三个阶段：IT信息阶段、DT数据阶段与AI智能阶段。

不同企业、行业、阶段，其数字化节奏可能会产生差异，数字化发展路径也会有所不同。

比如教育、金融领域的数字化步伐可能会更快，而一些生产型的企业则可能还在IT或DT阶段。

这背后与技术变化息息相关，从CPU到GPU，再加上云计算、移动互联网等基础能力建设，从1960开始，数据量便基于新技术推动呈量级的增长，这驱动了我们借助数字化、智能化去发现更多新机会。

下图展示了一个技术成熟度曲线，它划分出了五大阶段，从技术萌芽期、期望膨胀期，到破灭低谷期，随后步入稳步恢复期和高效成熟期。

比如今天所推崇的AI 2.0，就已经在市场的助推下到达了期望膨胀期，随着后续找到更多的落地机会与可能性，它便会回归理性与冷静。

等AI 2.0熬过了破灭低谷后，它才会更具有普及性，才能找到更多应用可能性，产生更好的商业机会和商业回报。

大多数技术都会经历这样的一个过程，比如先前的AI 1.0、云计算、深度学习等，都逐渐经历了破灭低谷期，进而更加普遍地应用于各行各业，产生更好的结果。

生成式AI对不同行业的不同环节的影响不同，麦肯锡就进行了分析。比如教育行业的供应链管理环节，可以借助数字化、人工智能技术实现更好的落地，银行业、金融业则可以在客户管理、产品研发、软件应用等领域或环节借助人工智能手段做出更有效的落地。

所以可以看到，AI、数字化是相对泛化的一个话题，而其落地的过程中存在着许多机会，产品经理便需要思考可以在哪些环节、行业做好落地。多了解这方面的信息，有助于产品经理未来的规划、判断与产品设计。

AI系统、大语言模型也推动着C端用户和B端企业更高效率的数字化。比如下图所拆分的技术结构，最底层面向终端用户及客户，上面则为基础技术能力。

而现在，中间增加了一个“模型层”。原先，基础的技术能力可以形成各式应用面向用户，而现在模型层的添加则带来了一些变化，它驱动着C端用户和B端企业数字化的更好落地。

生成式人工智能则将引领一个潜在的新周期，现在，许多产品都值得用人工智能技术再重做一遍。

红杉资本也做了预测，预测说到，到2030年，文本、代码、图像、视频、3D、游戏等都可以通过AIGC生成。

技术变革对产品形态也带来了影响。

像现在所提及的AI 2.0、数字化，很大程度上依赖于底层芯片、底层算力等基础能力，如果没有底层算力或芯片支持，很多时候，我们的场景或应用可能会很难落地。

虚拟人这一概念背后也融入了AI与数字化技术能力，这一概念目前主要落地在营销、客服、教育等场景。像智能客服，许多用户可能无法分辨对面的客服是真人还是虚拟人。在客服领域，AI的应用落地效率还是较快的。

前段时间，不少大模型获得了通用牌照，这背后衍生出了许多机会，比如拥有相关技术储备的企业可以提供智能解决方案，团队或公司便可以在智能解决方案框架内产生商业机会和产品服务。其中，许多小型企业可能会拥有更多新的可能性。

产品数字化/智能化转变

产品数字化和智能化的转变过程主要在于模型和场景的落地。比如现在最头部的AI——OpenAI / Character.AI，既是模型又是产品应用。这一现象背后和技术的发展历程息息相关，现在，AI还处于早期的技术创新期，没有完善的产品形式，所以产品大多是“直给”至用户。比如微软的Copilot是一个输入窗口，大模型直接触达到了用户。

这其中隐藏着一定机会，因为技术或模型训练到一定程度之后，会驱动产品进行深化，形成更多交互过程，从而使得用户更好地进行操作和交互。

在数字化、智能化的发展阶段中，又出现了Maas（Model as a service）这一技术结构，这便是我们现在所说的大模型。

大模型的本质是什么？

是通过超大规模的能力处理非结构化的数据和信息。

这其实也为大模型是否适用于自身场景提出了前提；首先，我们需要思考自身是否有超大规模数据；其二，信息是否是复杂的、非结构化的。如果没有这两个前提，盲目应用Mass层可能会浪费大量算力。所以Mass的应用需要结合具体行业、具体场景而定。

产品底层技术结构也会发生变化。

最早，许多产品虽然也会应用AI技术，但AI技术栈架构相对简单，即应用层、操作系统层、芯片层。随着AI技术的变化与发展，现阶段的AI技术栈还增加了模型层。而到了未来的AI技术发展阶段，分层会更加细化，比如增加中间层、算法层等，我们可以通过算法来调用更多模型，实现更好的应用场景落地。

部分产品经理可能会认为这部分职责应由技术团队承担，但在未来，许多技术可能会被替代，技术与产品之间的工作边界也可能会变得更模糊。用户和客户本身并不关心企业内的分工协作，所以如果产品经理可以有相应的储备和积累，并积极运用技术，那么产品经理在交付、设计和规划上，可能会得到更好的结果。

而在未来，我们需要考虑四个方面的储备和积累，分别是数据、算力、模型与场景。

其中，有两方面是产品经理团队可以重点关注的。

一个是数据，虽然在未来，许多数据可能是非结构化的，但我们可以从中寻找规律，从而更好地把握。比如在智能化营销中，客户画像是什么样的？不同行业、不同品类的客户画像标签、维度又该如何设计？这些问题，其实与数据直接相关。

另一个是场景，场景是产品经理工作中天然需要面对的一个“对象”，只有找场景，才能找到机会，找到落地的可能性。

举个例子，Notion是一款个人笔记软件，它在接入了ChaGPT的模型能力后，产品实现了引爆，并实现了一个月1000万美元ARR收入。

而这个增量背后的原因，其实就是产品团队找到了更好的应用场景、更好的数据，使得模型可以更好地应用，进而驱动产品找到了好的商业机会和商业回报。

所以，产品经理们还是要重点关注数据和场景，进而找到产品或业务上的新的可能性。

AI在产品落地中，除了思考怎么用模型之外，还需要考虑应用场景。

像一些跑得比较快的产品或业务，便结合了大模型，在算力消耗的基础上训练模型质量。而小公司可以考虑借力，找到好的机会场景，做面向于垂直行业和专业领域的小模型。像营销、金融、游戏等行业，便已经有企业着手布局了。

有分析公司也调研了不同行业对AIGC的接受度，与AIGC在行业中的可变革程度，如下图。

AIGC在不同行业中的赋能情况也有一定差异，如下图便介绍了哪些行业、哪些领域与哪些应用场景是值得借助人工智能技术做好落地的。

除了发现技术的变化和不同，产品经理还需要寻找相对确定性的东西。

现在做产品，我们需要建立完整的链路，一端面向用户和客户，一端面向企业，用户和客户端追求体验，企业端则追求利润。这个过程中，我们要通过产品包含方方面面，需要挖掘用户或客户需求，为其创造价值。这时，就可以借助人工智能技术创造个性化价值了，比如人工智能可以更有效地分析用户是谁，随后借助数据能力进行分解，并形成对应性、匹配度更高、个性化更强的价值给到用户。

这个过程中，我们还要创造增量价值，这样，产品才能有更强的竞争力。比如企业端，我们可以选择做机会成本更高的事情，同时还要思考能否降成本，扩大规模，进而降低边际成本。

同样的，我们可以借助数据。数据是天然的规模效应的基础，当生产资料堆积得越多，所萌发的机会、预期回报就会越多。我们可以结合数据去产生产品价格。这里会涉及到产品定价的问题，比如用什么样的商业模式进行收费计费。

这些链路中的关键名词，是产品经理需要囊括考虑的，某些环节里，我们可以借助数字化和智能化技术，更好地跑动闭环。

在今天，我们借助数字化或智能化技术，主要帮助客户或用户解决三方面问题：增效、降本和促新。

很多企业可能会将降本和增效放到一起，但其实这是两个不同的场景。对企业，我们更多讲求的是降本，而对人员，我们则讲求增效，这是不同的路径。不一样的路径可能有不一样的结果实现过程，这就要求产品进行提前思考。

数字化也有许多细分层面，包括工具数字化、分析数字化和流程数字化。

从时间跨度上来看，企业的不同发展阶段中，数字化需求也有所不同。

比如在扩张期，企业的数字化需求以降本和增强灵活性为主，同时还需考量决策的科学性，这个时候，企业需要应用辅助决策的人工智能技术或应用。

而在转型期，企业则需要深度洞察市场并挖掘商机，需要赋能新产品与新业务，可能会考虑引入新工具，支持新业务的拓展。

不同垂直行业领域的情况可能不太一样，大家可以再进行研究。

今年上半年，生成式AI的创业项目也走向了许多细分方向，比如生产力工具、AI助手等。而大量项目都集中于应用层，因为这一层的落地机会可能性更多。大家也可以关注这方面的发展，并和其他团队交流碰撞。

下图展示了生成式AI的应用路线图，大家可以关注不同层次的生成式AI具体可以在哪些方面进行落地。

变局下的产品规划到落地

最后和大家分享一个创新项目实例。

在当时，我们查看了大量人工智能产业链图谱，也在寻找应用机会，过程中看到，大量应用更多还是由企业自己搭建、并面向企业内部的，比如部分金融类应用。

而不少上市公司都有比较强烈的一个诉求，即投资者关系管理，于是我们从几个角度对投资者关系管理系统进行了规划。

首先，选赛道。

在雪球这类投资者社区中，会产生大量的非结构化信息与数据，而这些信息十分受到上市公司一侧的关注。在确定方向之后，我们还通过判断公司实力、市场实力、产品实力和执行能力来展开规划。

从产品的角度来看，过程中有几个重点指标需要关注，比如鱼塘比、PMF、投资回报率等。

而大致的规划可以从看市场、看自己、选赛道、谋策略、定行动这五个部分进行展开。

在“看市场”的时候，我们已经开始借助数字化、人工智能等技术进行筹备。比如我们看到了上市公司注册制等行业政策背后的市场机会，进而进行分析判断，看哪些领域的增长可能性更高，哪些市场或行业会在投资者关系管理工具使用上、在客户关系维护上有更强的诉求。

比如饮料制造、景点旅游、电子制造等行业的增速便相对可观。同时上市企业、利润、市值等情况的细分，也可以帮助我们圈定客户群体。

客户需求亦可帮助我们进行规划。

需求大致可分为两类，一类为通过数字化、技术化帮助公司内部实现提效，一类为自身的直接需求。

我们可以从这两类中找到最核心的需求点，从而考虑如何帮助客户解决真实的需求与问题。

行业内的竞争关系也同样需要关注，这有助于我们进一步细分产品的未来切入点。需求场景可以大致分为几类：效果需求、治理需求、影响力需求和监管需求。

当时我们也形成了一些产品规划与计划想法，比如市场规模预估、目标客户/潜在客户分析等。最终在国内市场，我们圈定出了1500多家目标客户，同时对这部分客户进行预测，比如重点客户有多少、潜力客户有多少。

这个客户规模其实并不算大，所以如果想保证利润，就需要做高客单价。同时如果产品想实现可持续发展，我们还需让客户持续付费。最终，我们测算出客单价的区域为50万到100万之间。

以上，就是一个相对完整的规划和分析过程，一端连接客户，一端连接企业。再进一步，即结合规模、利润、市场增速等选择细分赛道，之后定位产品的目标客户、价值主张、差异化所在、产品边界等。最后则思考如何实现和落地。

过程中虽然更多是从产品角度出发，但在具体的实施过程中，我们也用到了许多技术手段，帮助我们更好地匹配和满足客户需求。

最终，我们形成了更具体的可落地的内容。比如将需求分为两类，一类为资本需求、一类为影响力需求，这两种需求背后隐藏着两种不同的价值，所面向的细分客户群体也有所不同；比如搭建商业模型，包括偶发性收入、ARR收入等；比如续约率，通过服务改善减少客户流失。

同时，我们也细分了场景，如高需、高频场景，这些场景可能就是产品的工作重点与落地区域。后续，我们形成了面向客户或研发团队的整体规划。

这个过程其实用到了许多人工智能的相关技术，比如利用人工智能解构社区内的投资者评论、上市公司评价等信息，将其抽象为客户所能理解的内容。最终形成的产品功能结构图中，底层也借助了算法、模型等人工智能技术用于支撑。

以上就是案例分享。最后送给大家一句话：

变局之下，在不确定中寻找确定。