SaaS AI产品的成败得失
今天这篇文章是作者吴昊老师参与崔牛会主办的「SaaS+AI创新大赛」两场初赛评审的经历，以及在参与评审了29个toB软件融入AI大模型之后的产品，进行的思考总结。
近日，我有幸得到崔牛会邀请，作为评委参与了两场 SaaS+AI 创新大赛的初赛，共评审了 29 个 AI 产品。
在这篇文章中，我将分享：胜出案例的优秀之处、AI 应用三种常见失败原因，也介绍现场投资人爱问的问题，以及我对 AI 应用的总结。
01 胜出的案例
在这次比赛中，打分标准分别是：创新性（占比例最高）、实用性、市场前景、惊艳值（占5分）。我发现我们这些评委（主要是投资人和 IaaS 公司的代表）对 29 个 AI 产品的判断非常一致，说明在初期各家产品的差距足够明显。
在北京首场初赛中胜出的是 Wegic，一个利用大模型快速生成网站的产品，来自即时设计。Wegic通过现场演示展示了其惊人的生成速度和效果。这个产品展示了大模型在实际应用中的巨大潜力，尤其是在提高工作效率和降低开发成本方面。
这场第二名是考试星的主观题 AI 阅卷。传统的阅卷方式往往需要大量的专业人士、痛苦地消耗大量时间，而自动化阅卷大大提高了效率和准确性。他们结合了大模型技术和多年的行业积累，解决了主观题阅卷的痛点，展示了深厚的行业 Know-How。
这周三，第二场北京初赛中，aiPPT 夺得了第一名，这是一款利用大模型重新定义 PPT 生成功能的产品，来自知名 SaaS 公司爱设计。AiPPT 不仅能够快速生成 PPT，还能根据用户需求进行智能化调整，提升了PPT制作的效率和质量。
第二名是自动驾驶研发“千行”平台，该平台在多家车企中已得到应用，展示了大模型在自动驾驶研发中的显著效率提升。
02 失败案例的 3 个种类
在评审过程中，我也发现了一些常见的失败类型，可以用三个字总结——“浅”、“泛”、“浮”，都带三点水。
1. 浅——浅层应用。这些产品仅仅在表面上应用了大模型技术，没有深入挖掘行业需求和痛点。例如，有些产品仅仅实现了简单的文本生成或对话功能，没有结合深层次的行业 Know- How。这类产品在技术上缺乏深度，无法解决实际问题，因而将难以获得市场认可。
2. 泛——功能泛化。有些产品试图在一个产品中实现众多功能，缺乏聚焦。这样的产品往往功能繁多但不够深入，无法在任何一个领域中做到最好。这种泛化的策略不仅导致资源分散，还容易让用户感到困惑，无法提供明确的价值。
3. 浮——缺乏业务基础。有些产品没有扎实的业务基础，试图一蹴而就地实现功能全面的解决方案。这些产品在实际应用中往往难以获得竞争优势。特别是在竞争激烈的市场中，缺乏明确的业务基础和应用场景的产品难以立足。
03 投资人关注的问题
在评审过程中，占大多数的投资人评委们经常会提出一些与商业化相关的问题，包括：
1. 收费模式。如何为客户提供有价值的服务并收取费用？常见的收费模式包括按token收费或按新功能模块收费。投资人关心的是，新开发出来的能力能否收得到费用？抑或仅仅是为原有功能增加一点好看却不实用的色彩？
2. 市场定位。产品是替代的是廉价劳动力还是高端人群？替代高端人群的产品更具有市场价值。投资人希望看到产品能够解决高价值的问题，从而获得更高的市场回报。
3. 竞争壁垒。产品是否具有独特的竞争优势，是否容易被模仿？这些问题直接关系到产品的市场前景和投资价值。
04 我对 SaaS+AI 应用的认知
其实半年前，我对 AI 在 SaaS 产品中的运用还比较悲观。但这半年，我看到一些 SaaS 公司已经找到了正确的 SaaS+AI 的思路。我简单总结一下。
第一，总结 LLM 大语言模型的特性：
- 占有信息量大。占有海量信息和数据，能为用户提供丰富的信息资源。
- 逻辑判断能力强。能够做出全面的决策，帮助用户进行复杂的分析。
- 输出速度快。显著提高工作效率，节省用户的时间。
然而，大模型也存在一些不足：
- 准确性不足。在大赛中，我看到很多应用通过只允许输出原文段落或结合知识图谱等方式来弥补这个不足。
- 复杂创新能力的欠缺。大模型在处理一些复杂的创新任务时，仍然存在一定的局限性。
- 至于“不可解释”的问题，智能驾驶“千行平台”现场回答得很好：唯效果论。
所以，我们既不能把 LLM 当做以往信息系统中严密执行的程序，也不能把它当做完全独立的人类大脑。如果划一条线，最左边Java程序是 1，最右边人脑是 10，大模型的特性应该是7或8。
只有充分认识到LLM的特点，才能以长补短去应用它。
这次大赛中，我看到获胜的产品往往在这个“像程序还是像人？”的度上把握地很好。
例如，Wegic 和 aiPPT都在自动生成网站/PPT 后，允许用户在图形页面上调整。（这时候就别用 chat 对话来折磨 user 和 LLM 了，HP 和乔布斯早就发明了图形界面，为啥还要回到 Dos 界面！）
再比如，考试星的自动阅卷功能也不能保证AI不犯任何错误，在自动阅卷后系统将有疑问的评分单列出来，让“人”介入复审。
第二，分析这些 SaaS+AI 产品应用的场景。
微场景应用：很多优秀的应用都是从微小场景出发，通过在特定场景中的深耕，产品能够更好地满足用户需求，提供具体的解决方案。
我看到胜出的产品往往在其专业领域有多年积累。SaaS 公司在专业认知上的深度仍然是成功的关键。深厚的行业积累使得产品能够更好地理解和解决行业中的实际问题。
结合具体场景应用的产品往往能够提供更具针对性的解决方案，满足用户的实际需求。微场景应用的成功可以为将来大场景应用奠定基础，而行业内的积累则是产品持续改进和发展的关键。
所以当下从微场景突破，将来才有机会找到大场景和全场景。
至于所谓“AI原生”，我认为即便产品是新的，往往也来自有深厚积累的团队。例如：aiPPT来自爱设计、自动阅卷来自考试星。
To C 应用我不好讲，但对 to B 应用来说，一个对行业和业务没有积累的团队，只凭掌握了新技术，无法真正“原生”出一个新 AI 产品。
第三，AI 产品的商业价值：请多关注业务而非管理效率
最近半年我写了几篇文章，讲管理效率在中国不受大部分企业重视（除非是特大企业或给加班费的外企），中国企业在乎的是对营收和竞争力有帮助的事情。
即便加上新 LLM 技术，客户的价值倾向并不会受到影响。
所以我建议，SaaS+AI 应用应更多关注对客户营收、业务上的帮助。如：获客、转化率提升和高效的实施与服务，而不仅仅是提高管理流程的效率。产品的价值在于能够为客户带来实际的业务改进和收入增长。
商业价值的实现需要产品能够直接解决客户的业务问题，为客户带来实际的经济效益。通过提高业务效率和收入，产品才能在市场上获得成功。
05 尾声
这次大赛让我看到了 SaaS+AI 应用的广阔前景和潜在挑战。大模型的应用为 SaaS 产品带来了新的可能性，但如何结合具体场景和行业需求，将技术转化为商业价值，仍然是我们需要持续探索的问题。
通过评审这 29 个 AI 产品，我更加坚定了以下几点看法：
1. LLM 带来了新机会，长远看影响非常大，短期发展则有个必经的过程；
2. 因此不要 ALL in AI，而是要结合自己团队对业务和行业的理解，找到以前就痛，但以前技术解决得不好的点去突破；
3. 突破方向要与客户业务/营收有关，不要去做非刚需的功能；
4. 从微场景突破，不要上来就整个大的，to B 业务复杂，请多用迭代思维。
总体来说，对 AI 在 B 端的运用，我持保守乐观态度。循序渐进才是 to B 的创业法则。
考虑如何用“原生 AI”替代 SaaS，不如考虑先用“原生”思路改造了企业及其员工的工作方式再说。
