AIGC 应用距离规模化商业还有多远？

李彦宏在某个行业会议上抱怨，大家一股脑儿地卷大模型本身，却忽略了AI原生应用。这话当然有道理。但问题来了——这事儿真不能怪AI创业者。至少在企业应用领域，很多开发者到现在还没摸清：企业究竟愿意为什么样的AI应用买单？更别提那些模型提供商了。

过去一年，市面上冒出了几十个已经初步产品化的企业AI应用，绝大多数是围绕单一目标的生成工具：生成PPT、生成文档、生成设计图……说实话，几乎没有看到哪个产品能给终端客户带来实实在在、一眼就能看明白的价值，更别提让企业持续付费了。反倒是那些接入大模型Completion API（通常是ChatGPT），做个Chatbot前端卖智能助手账号的项目，反而更接地气——客户至少得到了“一问一答”的明确价值。可这个价值有多大呢？再大也大不过一个月20美元。毕竟ChatGPT Plus的月费就是那个价。靠信息差或接入壁垒也许能稍微抬高一点，但数量级摆在那里。

要让客户为AI应用支付一个显要的价格，它就必须服务于企业的业务流程，甚至

。反过来看，企业愿意为某个外部信息或数据服务掏六位数甚至更多钱的，那个服务一定和客户的生产活动息息相关，是紧密耦合在一起的——就像饭店的锅灶、医院的化验室、广告公司的Photoshop、软件公司的开发工具。

举这些例子是想说：当下的AIGC应用距离规模化商业还有多远？要和业务流程耦合，意味着大多数AIGC应用也得

。用户并不总是通过AI应用的前端界面来使用，更多的输入和输出发生在幕后——智能服务不仅无声无息，而且无影无形。想想人脸识别这类视觉AI是怎么提供服务的就知道了。

不仅主要的服务通过API进行，AI应用还需要准确判断客户业务流程

。这些参数不只是技术概念，更是商业概念——应用必须了解客户企业是怎么运作的：在AI能提供价值的业务环节中，客户能提供什么使用支持？受限于什么条件？期望得到什么规格和质量标准的产出？

在人脸检测领域，无论行业如何，能提供的参数就是视频流的帧，受限于物理条件（画面可能清晰也可能昏暗），受制于设备条件（分辨率可能是1980横向，也可能是1280横向，画面可能横屏也可能竖屏）。幸运的是，客户对输出的要求极其简单：只要一个True或False的回答。但在AIGC领域，和企业业务流程的结合要复杂得多、困难得多。

拿常见的文生图应用来说，落差有多大？目前几乎所有文生图应用都无法满足企业哪怕最基本的营销素材生成需求——它们完全不了解企业营销的工作流程，更不了解背后的设计规范原理。它们以为企业生成图片就是输入标题文案、选个模板、挑个产品照片、模糊描述一下风格。比如下图百度云一念生成的汽车营销海报，在专家眼里，这些产出最多是实习生涂鸦的水平，不可能用在汽车品牌真实的营销活动中。

实际呢？企业营销中的图形设计需要服从VI规范，要和同类产出物的设计建立连续性，构建一个品牌的设计系统——这是非常专业且有价值的过程。至于这个过程能不能被AIGC替代是另一回事，但不管规范是专家设计的还是AI设计的，它都必须强烈地控制所有产出物。

上图是保时捷跨度几十年的广告设计风格。现有的多模态大模型能理解背后的设计规范吗？只是时间早晚问题。但即便大模型有了这个能力，应用开发者依然需要把这个能力和企业运作环境结合起来：设计规范以什么形式保存在哪里？是靠设计规范文档来制约模型输出，还是以经过验证的历史产出物作为“训练”素材？即便做到这一步，还要确定用户在使用AI能力创作时，对规范调整突破的尺度。

文生图只是一个例子。不管什么AI应用，要想占领企业客户市场，都需要遵循两个原则：

1. 了解AI能力所服务的企业运营流程，理解上下文——不能为了推销AI而要求客户大幅调整现有流程。
2. 通过可靠且易用的API，让服务能以无影无形的方式提供。

再把这两个原则应用到更复杂的场景——

。这毫无疑问作用于企业的核心业务流程：把产品服务卖出去。AI应用设计者必须充分了解并抽象出业务环节的诸多要素。决定一个有效的销售行动建议，绝对不是一个简单的提示词对话框能涵盖的。根据下面的示意图，它至少涉及上下文相关的输入参数：理想客户画像描述、不断扩充的销售知识库（包含公司、产品、方案、方法论等细节）、公司当下的竞争战略描述。同时，为了给每个销售对象提供不同时机的建议，还需获取销售漏斗中的线索和商机信息。

AI的输出也要结合业务环节提供具体产出物：新线索阶段可能是理想客户吻合度的量化结果，或线索跟进行为建议，同时生成激发客户兴趣的沟通内容；商机阶段则给出明确的竞争性销售策略和报价文档。

说起来简单，落地却非常复杂。我们需要推断客户当前业务实践中使用的工具和流程，让客户在不改变主体流程的前提下用上这组AI能力。所以这个应用必然

——不管是Excel还是Salesforce都得有办法；还要与企业知识库的特定条目整合，有一个方便的机制让用户实时汇入知识文件（AI领域叫Grounding）。返回的输出既有简单的信息呈现，也有结构化的文档，这些都要考虑如何让客户方便取用。这意味着，此类AI应用不应该像个筐子，而应该更像绳子——把多个业务流程连接起来。为此，要综合运用Web应用、Co-pilot交互、插件和更灵活的API来提供服务。

是不是很难？实际情况可能更难。因为AI模型和应用都要接触客户敏感数据，所以实现过程中还需

——AI的输出可能实时面向外部客户，必须经过严格的质量和有害性控制。

这些叠加的难度也揭示了一个市场规律：一个独立的AI应用想闭环企业应用的特定场景很困难，因为它要额外延伸的使用场景实在太长。而现有的企业应用（比如CRM产品）想要加载额外的AI能力却容易得多。这个整合壁垒给企业应用公司带来了一层保护——孤立的AI工具很难端到端满足客户需求。反过来说，

。因为如果你不提供，竞争对手会提供。所以，未来一两年，大多数企业软件公司都要完成这个命题——自己动手或引入合作产品。

美国市场大致已经呈现出这样的趋势。独立的ChatPDF产品作为个人工具依然会存在，但壁垒几乎为零，最终会消失在市场象限中。而以Salesforce Einstein AI为代表的企业应用AI加载项正成为主流力量——Canva、Adobe、ServiceNow等主流厂商都开始提供额外收费的AI产品订购选项。当然，这个阵营也包括微软，但它横跨基础设施和企业应用两端，并非典型存在，别被它带偏了。中国市场也必然跟进，只是对国内企业来说，选谁家的模型是个两难问题——正在做这方面工作的朋友应该明白我在说什么。