AI 落地,技术并非关键,真正门槛是理解业务与行业 Know-how。 为什么许多 AI 产品在内测时表现良好,一旦交付客户后就会 “翻车” ?
在「DeepTalk」第三个系列话题栏目「AI 落地实战」对话中,崔牛会创始人 & CEO 崔强,与北森联合创始人 & CEO 纪伟国,围绕 “AI 产品上线第一仗:从内测到客户交付的那些坑” 这一主题展开了深度对话。
纪伟国认为:第一,AI 产品在从 0 到 1 阶段,最大的挑战是难以有效匹配客户业务场景,因此 AI 产品经理应当在一线围绕客户业务场景做产品,并根据客户需求快速迭代;
第二,AI 产品成功的关键是以客户为中心理解客户业务,以及将行业 Know-how 融入产品;
第三,AI Agent 最终会走向客户的自定义,未来客户化工作将可能较重;
第四,在 AI 产品的打磨中,耐心非常重要,要确保产品成熟后再进行规模化销售。
以下是经牛透社编辑整理的对话内容:(有删减)
01
AI 上线第一仗
崔强:现在大家看到 AI 在 ToB 领域比较热,但接下来可能会较快进入一个理性的状态,其中一个常见问题是:大家没有找对场景,所以交付后才会出现各种问题。
北森的 AI 产品,已经有相对规模化的收入了。北森在 AI 实践中,包括前段时间发布的 AI Learning,在产品的交付过程中,经历了哪些关键挑战,有哪些经验?
纪伟国:2023 年下半年,北森做过很多 AI 产品,却收不上钱来。因此,我们在 2024 年,做了以下几个假设和转变:
第一,必须做能收费的 AI 产品;
第二,能收费的 AI 产品,应该是一个端到端的场景,能把客户某个问题端到端地解决掉才行。
所以,当时我们在战略上选择了 7 个 Agent:AI 招聘助手、 AI 面试官、AI 员工助手、AI 做课、AI 陪练、AI 领导力教练、AI 测评。
在这个过程中,我们也对北森的 IPD 研发流程做了微调。
这么做的主要原因,是 AI 产品的复杂性远低于软件产品,研发成本也低很多,而且面向的都是非常具象化的场景。所以,首先我们把研发分成几段,并且要求快速迭代,将迭代周期缩短为两到三周。
第二,产品经理到一线围绕客户做产品,把交付分为 “从 0 到 1” 和 “从 1 到 N” 两个阶段。一旦产品内测成功,就进入 “从 0 到 1” 的可用性验证阶段。这个阶段都是产品经理自己销售和交付,紧贴客户业务场景落地,可以让产品经理看到产品在客户侧的真实应用反馈,要确保 “1” 的实现:即产品在客户那里能用起来,并且可以通过评审,进入 “从 1 到 N” 的阶段。
在 “从 1 到 N” 阶段,前线人员可以基于客户画像筛选匹配的客户进行销售,做一定的交付支撑,确保早期客户的应用效果和应用粘性;
大概到了 50家~100家 客户,确认了市场空间、竞品价格、目标客户、目标场景、交付和营销方式等方面,才会进入规模化销售阶段。
在 “从 0 到 1” 阶段,最大的一个挑战是AI 产品做出来之后,到客户那里仍然会出现很多未知的场景,客户在应用时会发现产品和业务场景匹配不上,产品就会 “翻车”。
而且产品在交付给客户后,还需要快速迭代。北森的 AI 面试官,做到了两周一次迭代。
要应对以上挑战,关键是产品经理要上前线,围绕客户业务场景做产品,并根据客户的需求和反馈快速迭代产品。
崔强:怎样判断客户愿意为一个 AI 应用场景付费?
纪伟国:在产品的设计和定位上,它应该是一个独立收费的AI产品,解决了某个独立的、高价值业务场景(如 AI 面试官)问题,而不是一个原来产品功能的延伸或叠加。
因为叠加在原有产品里的功能点、价值点通常都比较小,很难让客户愿意单独付费。
崔强:在 AI 产品内测过程中,一般会遇到哪些问题?
纪伟国:还是以 AI 面试官为例。北森是从校招场景开始的,但切入之后发现,只有做了才能知道客户的业务场景,而且这些业务场景大都和大模型的关联不多,例如:客户要测纹身,色盲,客户会测试对比等等。
北森的 AI 面试官,大概 50% 的研发都和大模型没有太大关系,更多的是围绕客户业务场景,为了解决业务问题而填补客户需求上的空缺。
崔强:这里面其实技术门槛并没有那么高,真正的门槛是从客户的业务场景中理解客户需求。
纪伟国:是的。
第一,理解客户的业务场景是很难的,每个客户都有很多需求,只有客户够多,才能知道哪些是共性需求。所以,第一大挑战,是以客户为中心理解客户业务;
第二,无论什么产品,都要融入行业 Know-how ,对行业 Know-how 的理解是产品成功的另一个关键。在这个过程中,代码技术和大模型反而显得不太关键。
以 AI 面试为例,把 AI 训练得 "懂面试" 这件事的前提是在当下 AI 大模型的通用能力基础上,训练 AI 的人本身就是面试专家,这点很重要。
北森上百名测评顾问都转型做提示词工程师的背后,就是在把不同岗位的能力模型要求是什么、怎么在不同考察维度上让 AI 问出高质量的问题,并基于行为面试法让 AI 实时三层智能追问,并且结合结果-过程和动机科学评分,经过过程中上百次训练过程调整,才得到一个经验丰富、达到专业面试官水平的 AI 面试官。
崔强:前几天和白鸦(有赞创始人)聊,他觉得行业 Know- how 重要,但更重要的是行业 Know- how 可以被数字化,可以被大模型学习或者理解。你怎么看这个问题?
纪伟国:人力资源的终极目标,首先,是明确岗位对人的要求;第二,是怎么评估人的能力;第三,是如何发展人的能力。
所以,人力资源是一个偏人文或者平衡性的领域,并不是非常容易量化的,它更依赖于多年的经验积累,而且这种经验往往是储存于专家头脑中的,以往我们是拿不出来的。
现在,可以将这些经验输入大模型,变成可固化的产品,这和白鸦讲的有些类似:它不是一个比较固化的知识,而是一个行业 Know- how,是一个动态、可理解的东西。
崔强:在 AI 功能里,是不是也有一个可以跑起来的最小版本?这个最小版本怎样才算合格,是可以交付给客户上线使用的?
纪伟国:我不太理解这个最小版本的定义,我理解的是最小场景。
首先,一定要解决一个端到端的具体场景。AI 面试官首先做的是校招场景,去年 11 月份我们才开始做蓝领招聘场景。我认为一定要把一个场景做扎实,端到端地把一个业务链条解决掉,才能进入另外一个场景,否则就没有意义。
整个校招场景中,有没有一个最小版本?
我认为是没有的,因为我们是要把客户的整个问题解决掉的。比如,客户会要求你把校园招聘的第一轮面试全部取代掉,如果取代不了,客户是不会买单的。
所以,我理解没有所谓的最小版本,只能是选一个场景做深做透,再去做下一个。
崔强:在客户交付过程中,你们内部首先要达到什么样的预期之后,产品才能上线接受客户的 “检阅”,这里有没有一定的原则?
纪伟国:原型产品出来以后,我们立刻会让先锋客户使用,这个过程中一定会有客户对产品的反馈,如果发现客户的反馈你根本解决不了,这时就需要果断放弃,比如我们的 AI 测评产品就是这样。
从这个角度看,我们是不太管理客户预期的。而且 AI 类产品,客户肯定是会去体验的。如果不达预期,他们也不会再用。
这里有两种情况:第一,如果大模型技术很难达到客户预期,需要立刻停止,不要再投入了;第二…