从智能涌现到应用涌现，AI在B端做了哪些事？

这个 7 月, 与炎炎酷暑同样高热的, 还有刚刚落幕的世界人工智能大会 (以下简称:WAIC):线下参观人数突破 30 万人次;大会累计对接 132 个采购团组, 形成 126 个项目采购需求, 预计意向采购金额 150 亿元;推动 24 个重大产业项目签约, 预计总投资额超 400 亿元。

从这扇透视 AI 的窗口, 我们看到, 大模型从「智能涌现」走向「应用涌现」, 各界的关注焦点从「能力涌现」转移到「价值涌现」。拒绝屠龙之术, 把 AI 转化成实际的生产力, 成为了大家的共识, 也是我们本期《MCtalk · CEO 对话》聊的核心话题。

两位对话嘉宾:一位长期专注于计算机图形学、高性能计算等前沿研究, 曾任职于美国英伟达 NVIDIA 担任软件工程师, 主要参与 CUDA 开发;一位带领团队不断在 AI 领域探索, 先后推出融合 AIGC 的对话式 BI 产品——ChatBI, 面向客服场景的垂直大模型——商和, 以及聚焦数字内容风控的网易易盾安全大模型。

出乎意料的是, 他们没有聊关于 AI 的「宏大叙事」, 聊的更多的是「AI 在 B 端做的那些小事」, 比如 AI 怎么与自身主营业务形成赋能和闭环,AI 如何给组织提升了效率。此外, 作为 To B 领域摸爬滚打 10 余年的创业者, 两位也深入交流了在经济下行期, 经营思路的调整。本文整理自《MCtalk · CEO 对话》第 7 期——阮良【网易副总裁、网易数智总经理】对话黄晓煌【群核科技 (酷家乐) 联合创始人兼董事长】。

这波大模型最大的启示:不断往下训练会溢出新能力产生新用途

阮良:从去年开始, 业界有一个说法「所有 To B 产品都值得用 AI 重做一遍」, 你是怎么看待这句话的?

黄晓煌:我觉得这得看不同软件的产品形态。酷家乐刚成立的时候是做快速渲染, 这几年基于 GPU 的 Super-Resolution 的算法其实一直在变化。最早我们用了滤波, 后面用了很简单的 AI 模型, 然后又开始了深度学习, 效果越来越好了。现在又出现了 Diffusion Model, 有了一定的联想能力, 效果上比我们最早创业的时候好多了。对我们来说, 新的算法出来, 会带动各种算法的重写, 但就产品形态本身而言, 并没有发生质的区别, 而且用户习惯的改变可能也没有那么快, 这是我的感受。

阮良:除非是像消费品一样, 出现一个像 iPhone 一样的东西, 改变大家所有跟智能手机相关的交互模式。

黄晓煌:对, 不排除未来用户的习惯发生了变化之后, 产品形态也会发生变化。ChatGPT 刚出来的时候, 我们一开始也尝试了把自然语言作为交互方式之一, 包括输入文字和语音, 后面发现留存并不高。我觉得跟产品的使用场景有关系, 在空间设计场景里, 用户更习惯图形界面, 比如你要选中一个桌子, 本来鼠标点一下就可以了, 现在却要描述半天, 万一里面有好多桌子, 还需要精准描述是哪一把。

阮良:用户还是更习惯 GUI 的交互方式, 对他们来说更高效。

黄晓煌:没错。但像我们公司在用的一些产品, 比如七鱼智能客服, 我觉得可能又会不一样。像以前客服部门都是被动应答客户, 现在我们内部在尝试做一些主动的服务, 当发现客户遇到问题的时候, 主动用 AI 打电话给他提供帮助。

阮良:这个其实会给客户带来更好的服务体验, 而不是等客户烦躁了自己去找客服团队, 客服团队再响应。但这件事需要有两个基础条件:第一个是客户本身是在线使用我们的产品, 如果是离线状态或者私有化的, 我们也无法感知到有没有出现什么状况;第二个现在的 AI 大模型, 自然语言的交互方式, 的确能够让我们像真人那样为客户提供主动服务。

黄晓煌:我们原来内部做了很多小的 AI 模型, 然后做到一定程度, 大家觉得效果差不多就停了, 基本上这个模型就固定在那个使用场景, 并没有去探索它额外的能力。这波大模型给我一个很大的启示就是, 原来的模型不断往下训练, 是会溢出一些新的能力, 产生新的用途的。比如原来 Super-Resolution 只是用来做图片的放大, 现在可以用来做图片的调光, 把图片重新美化等。

阮良:我前阵子看到过国外的一个应用, 它就是利用类似的技术, 把一张原本 1080P 或者是 2K、4K 的照片, 直接超分成非常细节性的、很震撼的一张图片, 而且收费服务还得到了很好的一个反馈。我甚至在想, 特别是在艺术创作领域, 比如制作一支 MV, 可能以现在技术拍到 4K 已经到顶了, 但是如果你是一个很有想象力的艺术家的话, 完全可以用 AI 技术把它变得更具象化、更有想象力、更细节, 达到一个非常 amazing 的效果。

黄晓煌:我们最近也上线了这样的 AI 写实增强能力, 它可以一键修图优化, 提升设计方案和图片光影、材质、动物、人物等等画面细节和质感。所以原先我认为小的模型瓶颈比较明显。但现在看, 这当中产品经理的工作很关键, 得有新的想象力, 想一下这个模型还可以有什么用途, 如果只为一个用途训练, 那这个成本就没法看了。

「用 AI 重做一遍」并非推倒重来, 而是去寻找各种细小的应用场景

阮良:你刚才提到主动服务, 我们内部借助 AI 做了一个很有意思的场景。每家企业的内部都会有一些「明星员工」, 他们干得多, 知道的多, 总结得多, 大家都喜欢问他们问题, 导致这些「明星员工」每天都要花大量的时间回答大家的问题。因为我们有做客服产品, 我们就想这其实也是一个服务场景, 只是服务的对象是内部同事。所以我们借助大模型, 结合客服产品的能力, 给「明星员工」训练了他们的「数字分身」。先给这个「数字分身」投喂大量的语料, 包括聊天记录、产品介绍资料、复盘文档等等,「数字分身」通过学习和训练, 代替「明星员工」在群里给同事们答疑解惑。目前效果还挺不错的, 基本上能够帮助「明星员工」挡掉 50%-60% 的问题, 如果碰到「数字分身」回答不了或者回答不够准确的问题,「明星员工」可以进行补充、纠正, 在这个过程中, 大模型又可以把正确的答案添加到知识库中, 不断提升「数字分身」的回答准确率。这个案例有意思的地方在于它既用到了大模型的能力, 也属于我们长期深耕的服务场景, 并且实实在在解放了「明星员工」, 让他们能把更多的时间放在更有价值的工作上。

阮良:还有一个类似的应用场景。我们是 To B 公司, 销售团队的规模都比较大, 团队里面有销冠, 也有普通的销售以及销售新人, 销售和客户的很多交互行为现在基本都是在线上的。我们做了一件事情, 用 AI 去分析销冠的行为, 到底他是怎么做的, 从中提炼出一些关键动作, 帮助销售新人、普通销售提升能力, 向销冠靠近。哪怕只获取了销冠的七八成功力, 也是非常有价值的一件事。所以我理解「所有 To B 产品都值得用 AI 重做一遍」这句话, 不是简单粗浅把交互方式改成 AI 或者自然语言, 而是在各种小的场景里面去找 AI 技术能做的事情, 应该像蜜蜂采蜜一样, 让 AI 融入在组织的各个环节里面, 去替换原来的算法。

黄晓煌:在这个过程中, 产品经理得不断地去寻找新的使用场景。比如我们最近在尝试给我们的软件打造一个支持多模态输入的工具入口。我认为随着用户习惯的变化, 产品心智也会发生变化, 以前更多的是以行业为心智, 未来也许更多的是以场景为心智, 所以我们的产品也在发生一些变化, 变得更通用, 从这个角度思考, 简单便捷的超级入口是必要的。

回归科技型公司的本质, 追求高效率

阮良:AI 让一个组织对人才的要求也发生了变化, 新的技术不断涌现, 我们的产品经理、技术, 需要有更好的想象力, 去利用新的技术, 做出更好的产品。如果有些地方提前预判到 OpenAI 会有一些动作, 那我们自己就不要去干这些事情了。

黄晓煌:我们内部也是更多地把 AI 聚焦在赋能我们自身业务层面, 一开始内部还想着用大模型搞一套客服系统, 后面想想, 这个让专业的第三方公司搞吧, 我们买就行了。

阮良:这点非常有共鸣。现在整个大环境越来越有挑战, 但危机意味着有危险肯定也有机会。我个人觉得还是蛮利好我们做 To B 的企业的。我们聚焦在自己的主业上, 把产品打磨好, 交付给我们的客户, 让客户把他们的主业发展得更好, 这就是我们的机会。即便你有资源, 你也不要去干那些你自己不该干的事情, 让专业的团队把这些事情干了。

黄晓煌:这些年, 我们对「PLG」这件事的看法也发生了很多变化。我们刚开始创业那几年, 大家都在提倡 PLG, 很流行, 但前几年 PLG 就开始不 work, 因为所有的线上用户, 你通过销售去都能实现一定程度的 upsell, 从 2018 年、2019 年开始, 慢慢的内部就非常否定 PLG 这件事, 因为赚钱少了, 你的估值就低了。后面这几年, 经济下来之后, 大家更关注的是效率、ROI 以及专注, 发现堆销售去做 upsell 获取的利润, 可能还不够养活销售团队的。我们慢慢发现, 效率最高的原来是 PLG, 所有东西都自动化, 可能最终的客单价低一点, 但实际上效率是最高的。这也让我们回到一个科技公司该做的事情, 曾经有一度我觉得我们公司怎么变成一个劳动力密集型公司了。

阮良:我们前几年也有类似的感觉, 就感觉这个组织越长越大。虽然收入一直在增加, 但总感觉好像变得不像是一家科技公司。反倒是这一两年, 我们更聚焦, 效率变得更高了, 组织更加瘦身了, 突然发现我们客户的体验越来越好, 我们的口碑也越来越好, 市占率也越来越高。

阮良:我想分享一个 AI 给组织提效的场景。企业里的 BI 团队、数据分析团队, 经常会收到各个部门的取数需求, 大家的需求各式各样,BI 团队一个一个去取数据, 再呈现报表, 其实效率是蛮低的, 有一些决策的机会也可能稍纵即逝了。网易数智本身有一块业务就是做大数据的, 大模型来了后, 我们做了一个轻量化的尝试, 将自然语言转化成精准的 SQL 语句, 再从数据库里面去定位和查询。我们现在已经把这个运用在销售团队中, 举个例子:我们东区的销售区总, 想要了解其团队成员这一周的出差情况和差旅报销情况, 如果是换在以前, 要么找财务一点一点问, 要么给 BI 团队提需求, 但说实话, 不管是财务还是 BI 团队, 日常工作任务都很重, 不可能马上给你, 得等排期。但现在, 我们可以通过 AI 的方式, 给到一个工具, 马上就可以拉出你想要的数据, 并且还可以拿到跟上一周或者上个月同期的对比数据。这个场景虽然看起来很小, 但它大大提升了整个组织的运营效率, 让那些原本很难拿到 BI 资源的团队, 现在可以用自己的「嘴」轻松取数。

黄晓煌:我们曾经有一度, 数据分析师 70% 的工作是在给其他同事写 SQL 的, 现在基本就让他们直接用文字转成一个指令, 然后直接去取数, 这些工作就省了。

阮良:真正的 BI 团队, 应该用他的专业性去做更深层次的工作, 比如业务分析。我认为 AI 在 BI 这个领域其实能发挥的空间也是蛮大的。在 AI 应用这件事上, 即便最终成为不了一个非常牛逼的商业化场景, 只要能够给我们自己的组织提效, 我觉得就已经是善莫大焉。

摆脱内耗, 我们做了这些尝试:平衡 PLG 和 SLG;帮客户达成业务目标

阮良:这些年, 各行各业都在讲究精益化经营, 我们 To B 公司也一样, 不可能像过去那些年一样实现高速增长。在这个方面, 想听听酷家乐的思路、经验, 包括踩过的一些坑。

黄晓煌:近两年大家整个经营思路发生了巨大的变化, 重心从原来的「增长为先」调整成了「效率为先"。酷家乐现在非常注重 PLG 和线上成交, 有将近 30% 左右的业绩是在纯线上环境里完成的, 让用户自主完成下单。现在有 AI 技术助力, 你会发现原来在 SaaS 行业提到的 PLG 就非常有意义了, 我们有一块业务只有两三个员工, 在 PLG 的系统上可以 cover 超亿元的收入。原来, 我们的方式都是先找一个大客户, 打样, 打样成功后, 销售进行复制。现在反过来了, 我先把要卖的产品送到线上去, 看看用户买不买单, 如果用户自助下单了, 那至少证明它是有价值的, 就可以继续做。靠烧钱补贴做下来的市场, 补贴一停, 市场自己就停了。现在我们整个组织健康了很多, 而且也没有那么焦虑了。以前天天焦虑, 纠结这里是不是要补一个新的能力, 那个是不是大家的普适需求, 竞争对手免费做我们收费做是不是不好等等。

阮良:这些想法其实很内耗, 最恐怖的地方在于, 从整个社会来看, 是大大浪费了产值。

黄晓煌:对。大家同行之间都在相互浪费, 两边都在免费做, 最后也没有人用起来。从整个社会大众的观感来看, 可能会觉得现在整体的节奏都紧巴巴的, 但实际上我觉得这才是一个企业经营该有的健康状态, 整个社会现在的运作效率也是更加健康的, 浪费变少了。

阮良:这点我非常赞同。一旦陷入追求过度的高增长, 组织就不自由自主会陷入一个所谓的「卷」, 跟友商卷, 跟客户卷, 跟自己组织内部卷。然后为了所谓的收入规模, 去做一些自己不擅长, 或者利润很低的 SKU, 到最后一算账, 全是亏的。所以还是回归到初心, 就是应该去追求健康, 追求利润, 追求毛利。我非常认可一句话, 就是说你看一个业务或者看一个产品是不是健康, 或者说是不是属于高科技产品, 你就看他的毛利, 毛利低的话, 怎么都不会是一个高科技产品。这句话直接说到了本质。

黄晓煌:我觉得还是得坚持长期主义。

阮良:我们现在秉持一个原则, 还是要让产品来说话。如果我们帮助客户提升效率了, 让客户的消费者体验变得更好了, 帮助客户达成了他的业务目标, 客户受益了, 那客户付我们钱是心甘情愿的, 这样大家都会非常心满意足。当产品足够好, 在圈子里形成自传播后, 各种成本都会大幅下降, 而且口碑还好。我在前几期跟有赞的白鸦,e 签宝的金总聊, 都不约而同提到, 一定要追求健康、追求利润。

阮良:我做过 To C 业务也做过 To B 业务, 有个很大的感受是,To B 整个的链路特别长, 涉及产研、Marketing、售前、销售、实施交付、客户服务、客户成功等等各个部门。我相信你们应该也会有同感, 当我们的一些经营理念发生调整的时候, 对组织的挑战还是比较大的。不知道酷家乐有没有遇到类似的挑战?

黄晓煌:我们整个公司奉行的经营理念是战略 x 组织, 组织是为我们的战略配套的。除了组织能力, 我们最看重的是算法。我们内部有两个科研的团队, 专门做算法这块, 有新的算法出来后, 围绕着新的算法升级原来的产品里, 或者做成独立的产品。在经营过程中, 如果追求规模, 我们会在 Marketing 和商务部分加大投入, 如果是做大利润, 就侧重在 PLG, 那就把资源多倾斜给产品以及引流等环节, 基本上, 我们的经营节奏就在这两者之间平衡了。因为我们的产品形态介于 To B 和 To C 之间, 个人也能用, 对应的, 在组织配置上, 我们三位合伙人的分工就变成, 我重点关注 PLG 的部分, 另外两位合伙人主要管成熟业务和创新业务的 SLG 部分。

阮良:SLG 的部分和 PLG 的部分会不会互相打架?

黄晓煌:早期这个矛盾还挺大的。但我一直坚信的一点是, 客户都不傻。在同样价格的情况下, 如果客户选择到线上成交, 那一定是销售的客户服务并没有做到位。这不是产品的问题, 而是销售自己出了问题。

阮良:酷家乐在客户成功这块目前处于什么样的阶段?

黄晓煌:大 B 端这块, 我们的续约率是非常高的, 接近百分之百, 极少出现断约的情况。我们客户成功团队核心关注的是大客户的使用情况, 他们的业绩是跟账号活跃度挂钩的, 而不是跟 ARR 挂钩, 因为说白了活跃的客户自然会买更多的账号。你如果只考虑 ARR 的话, 他就有可能会去忽悠客户买更多的账号, 客户如果没有真正用起来, 从长期来看对公司是很不利的。ARR 是商务同事核心关注的指标。

开源和闭源各有使命且相辅相成, 开源对生态发展至关重要

阮良:我相信在中国做 SaaS 的企业都会羡慕北美 SaaS 的生态, 各家 SaaS 企业之间进行产品级的联合。大家都专注在很细分的领域, 然后彼此串起来。我觉得在现在这样的大环境下, 大家也可以多多联合, 不限于营销层面, 最好是在产品层面进行联合, 包括 API 的相互调用等更开放的方式, 这不管是对我们自身, 对整个业态, 以及对我们彼此的客户来说, 都是一件很好的事情。

黄晓煌:像我们的产品本质是一个快速渲染的工具, 刚开始那几年, 家装行业用得比较多, 这几年我们的客户延伸到各行各业, 只要有快速出效果图的需求, 都可以用到我们产品, 比如大型连锁品牌全国规模化开店的场景, 电商客户商品详情页制作场景等, 咱们双方可以多多联动起来。

阮良:开源和闭源之争是 AI 领域这两年最火的话题之一。我们两家的业务形态都跟 AI 息息相关, 你是怎么看待这个问题的?

黄晓煌:我们在思考公司战略的时候, 也一直在思考这个问题。开源有一个很不错的地方, 就是避免大家「重复造轮子」, 可以更快地满足业务上的需求, 给团队一个快速提升的机会, 而不用等到闭源的系统开放了 API 才能用。开源对整个社区和整个生态的培养, 是至关重要的, 但是它也存在一个很大的问题, 就是怎么去养活自己, 以及怎么实现生态的可持续。

阮良:成功的开源项目还是少数。

黄晓煌:对, 现在没看到开源有什么很好的商业模式。我们在 AI 圈聊的时候也经常提到「对开源是又爱又恨」。就是你有自己大模型的时候, 你很怕别人开源, 但有的时候遇到一些关键的业务环节, 自己去做费资源、费时间, 就很希望有开源的。再说到闭源, 闭源因为不用考虑兼容性, 所以它可以更专注地往高质量方向发展, 至少在某一层面可以努力去做到极致, 去树立行业的天花板。开源因为要兼容各种, 整体肯定会慢一点。我们内部对这两者的策略是非常清晰的, 主营业务这块只做闭源的大模型, 但会积极拥抱开源, 如果有一些非主营业务的东西探索出来, 我们也会选择开源, 但一旦开源, 我们这一块东西就不准备商业化了, 而是用以发展生态。

阮良:我们对开源也是积极拥抱的态度, 开源不仅能让我们学习到很牛逼的新技术, 也能让我们用起来。我对开源闭源有一个观点, 我认为开源和闭源两者其实是相辅相成的。在我们的大数据业务中, 我们观察到了一种现象, 发现客户会经历两个阶段:第一个阶段, 当我们客户的业务发展到一定程度, 他们产生了用大数据提升 IT 能力, 提升组织经营能力的需求, 但因为整体业务规模还比较小, 他们会选择用最经济的方式, 去找一个开源的产品, 搭一个自己的数据产品或者数据底座, 来满足业务需求, 在这个阶段, 这样的方式对他们来说是非常落地且非常高效的。然后再到第二个阶段, 随着业务形态越来越多元, 部门越来越多, 管理模式越来越精细化, 他们发现, 开源的产品已经无法支撑高速发展的业务了, 这时候他们会去寻求闭源的商业化的产品。总体来看, 开源会让生态变得更好, 这个生态不仅仅是软件生态, 也包括客户生态, 闭源则可以把产品的天花板做得足够高, 对客户来说, 这样的产品可以满足业务在更高发展阶段的需求。

阮良:最后非常感谢黄晓煌先生来到网易, 和我们一起展开关于 AI、关于企业精细化经营等探讨和交流。非常希望我们两家企业, 在未来有更深度的探讨、交流以及各个层面的联动。