运气好的话，团队能够发现更好的AI产品落地方法。到最后，大公司还愿意给ToBAI平台公司做的，往往都是自己不愿意、价值不大的那些部分了。
编辑导语：为什么许多大B公司自己做AI，都会面临九死一生的困境。本文对To B AI 平台目前的落地以及面临的困境和机会展开分析，未来To B AI 平台该如何发展？一起来看看。
一、大B公司内部做AI的不易1. 需求定义
比如，对于任何一家出行服务商，都会面临“性骚扰”、“疲劳驾驶”等安全问题。
如何定义——什么叫骚扰？
- 性别属性：常规来说，我们默认会认为是“男司机对女乘客（骚扰）”，那有没有可能，是“女司机对男乘客”？还有“男司机对男乘客”、“女司机对女乘客”……
- 对话内容：如果男司机对女乘客说，“小姐”——仅仅说了这2个字，算不算骚扰？如果司机说了疑似骚扰内容，但乘客没有任何反应（甚至语气或表情上识别出“开心”），那算不算骚扰？……
提出问题，甚至抱怨，是容易的，但如果真的要解决问题，必须有机会近距离的接触海量用户数据、用心体会各种复杂交互场景；这里面会有无数的细节，需要产品经理们去洞察。正如《智能制造：从工业中来，到工业中去 | 甲子光年》中提到的，“思想和灵魂需要在做的过程中逐渐领悟到（know-how）”
2. 方案尝试
即使初步找到了几个看似正确的问题（需求）定义，接下来，往往需要用机器学习来“识别”出海量数据背后的这些“模式”。
回到出行服务商的例子，不论是定义“性骚扰”or“疲劳驾驶”，实际情况中，可能需要尝试10～20个“假设”、涉及30～40个“纬度”，谁能一开始就知道，哪个“假设”是对的？没人能先知式的判断；所以，需要试错。但是，为了获取这么多假设/纬度的数据，仅仅在产品（app）里完成埋点，就花了半年……
运气好的话，团队能够发现更好的AI产品落地方法。比如，如何识别司机疲劳？
- 常规大样本的处理方法，实际中效果并不好。
- 真正work的是“PM 算法”——PM来观察真实世界中的小样本case，总结出“连贯动作的特征集合”
- 也就是说，小样本AI应用的逻辑，和大样本不一样了！
运气不好的时候，（大概率的）很可能做了半年后，还不知道哪个假设是对的，就别谈最后的问题解决效果了……
遇到这种情况，怎么才能保证团队不被砍掉、可以继续做下去呢？
3. 组织架构
先说结论：必须让同一个人来负责“AI产品团队”和“业务产品团队”。
否则，如果是不同利益导向的团队，很可能会“屁股决定脑袋”，不愿意AI团队过度的来解决某些业务问题。
这倒不是说，业务团队本身多么主观错误，而是因为，一方面，业务团队可能不知道“如何能把AI工具用好”；另一方面，更重要的是，某些问题在被AI解决之前，难道业务部门不知道吗？其实，不仅业务部门知道，甚至大老板们也非常清楚，但是，他们都还没有必须这样做的决心——
4. 公司决心
对于很多AI落地feature点，AI团队觉得是很好的尝试机会（idea），但业务团队并不这么认为，因为站在其现有视角和利益背景下，那个问题真的不是必须要改的，不能怪他。
也许，只有到了生死存亡的时刻，公司才有决心“必须要用AI来解决这个业务问题”，“必须让一个人来统管业务和AI团队”。
比如，安全、监管、质检、隐私等等。出行服务商在被舆论和政府责备之前，难道不知道有性骚扰或驾驶疲劳问题吗？各种聊天机器人在因“涉黄、涉政、涉暴”而被下线之前，难道不知道有风险吗？各种工业、制造业中的效率问题，难道之前不存在吗？都是存在的，但是，没有足够痛的时候，企业会有各种简单粗暴的方式去解决，比如堆人工，比如堆知识库/关键词。有鸟枪还可以用，总觉得不用换炮。
5. 效果如何
如果以上4点都ok了，真的会有非常明显的效果。用户、政府、公司都很满意。（比如前述出行服务商，其“性骚扰”相关的投诉，可能降低了50%）
但是，还有个现实案例是，通过不断的试错、迭代，等这套真的有效的AI系统正式上线时，不仅时间已经过去了2年多……连合作业务方的团队都换了3拨人了……
不过，即使效果不错，但这个模式，可能还有其他的弊端……
6. 鸟尽弓藏
这种降本增效类问题，被花大精力解决后，还会有另一个问题，就是团队可能得去找下一个钉子了……这也许就是2B AI业务的宿命。2C AI可能会不一样，但也会更难。
从以上信息可以看出，即使大B企业内部就有懂AI且懂业务的负责人，并由他来lead AI降本增效类项目，都是九死一生、费力耗时（可能得2年），其他To B类AI创业公司，作为行业/企业外部的人，要想真的做出效果，难度实在是太大。
那么，To B AI 平台方向公司该认知并应对呢？——
二、To B AI 平台的困境和机会1. To B AI 平台 1.0 模式，已几乎宣告失败
1. ToB AI 平台 1.0 模式的概述：奢望一个通用的AI平台，来给不同行业提供AI服务（主要是深度学习），随着行业、客户数的提升、数据越来越多、工具效率越来越高、成本越来越低，整体平台收益就越来越好……
2. 这个模式目前还没成功落地的原因，不仅因为某同行朋友所说“客户侧-产品难以标准化；供给侧，算力算法等变量太多，也很难稳定标准化”，还有一个关键原因在于，就是前文说的——即使客户自己有懂AI且懂业务的负责人，都是九死一生，你作为行业/企业外部的人，要想真的做出效果，几乎是不可能完成的任务。
3. 资本桎梏给企业以心魔：本来，如果只重点做1、2个（细分）行业，企业也许还能活得轻松一点，但很多AI企业早期接受了对赌协议，必须在几年之内上市；结果把自己搞得真心难受。
4. 即使某几家这个模式的AI上市公司，业内其实都知道，其当前业务质量和利润还不够好。
- 简单来说，如果只是开放AI技术接口，很难真正做大做强。
- 有观点认为，如果某些公司迟迟不能上市，对于国家形象和从业者信心来说，是不可接受的……
2. 从B公司规模角度，阐述To B AI 平台业务的难处
大B公司：
1）背景
只有在头部（大）客户，才能看到最为复杂的环境下、最大规模的生产中需面对的所有困难。
2年前，某领域第一企业核心数据项X的日数据量，比其他所有公司加起来还多，这种数量级的差别，不论是需求认知还是找解决方案，优势都是不言而喻的。
而且，AI领域应用落地还有一个特点：即使真的有用，但是在体验侧的效果，别人（C用户或竞争对手）也很难快速发现。因为它可能是某个系统维度的提升。
2）难度
还是如前文提到，即使客户自己有懂AI且懂业务的负责人，都是九死一生，作为行业/企业外部的人，要想真的做出效果，几乎是不可能完成的任务。
3）可行性
退一步说，即使To B AI平台公司有做这个事情的能力和决心，一旦真的是非常核心、有价值的事情，大企业是不愿意给你做的。特别现在数据、隐私问题这么敏感，一旦有事，那就可能直接game over了。——做这些AI项目，内部研发的成本不一定比外部低，还没有数据安全风险，为什么不自己搭团队来做？
而且，即使一开始采购外部的AI服务/工具，2年后还是可以换自己的团队。
到最后，大公司还愿意给To B AI平台公司做的，往往都是自己不愿意、价值不大的那些部分了。
中B公司：
国情不同，中国的中等企业数量不够多；支撑不起现在这些AI明星公司的规模。
小B公司：
数量多，但付费能力低。补贴还来不及呢……可能唯一好点的方向，是电商领域的小B。
3. To B AI 平台的未来机会
几点个人想法，供大家参考——
1. 等待创新性的ToB AI 平台 2.0 模式出现。
2. 如果还想去做中小企业的生意（AI赋能），产品形态可能是，平台自身只提供80～90%的部分，然后由客户企业自身的AI落地团队来完成最后一公里（详见《AI产品方法论之“由用户来完成AI产品设计的最后一公里”》）。——而这，其实是需要从业者甚至整体国民的“AI通识”水平足够高才行的。
3. 如果是相对旧的传统领域，创业公司机会可能不大（除非接受大B企业的战略投资）。这是因为，如前文所说，只有在头部（大）客户，才能看到最为复杂的环境下、最大规模的生产中需面对的所有困难。前面这篇文《智能制造：从工业中来，到工业中去 | 甲子光年》，就是典型。
4. 新领域，可能有增量机会。比如我之前在社群里提到的几个方向：“车”相关、机器人（2C/2B）、AR/VR/元宇宙/虚拟人、5G等等。
5. 也许，也许，未来AI产业就没有我们所以为的、超大规模的横向To B模式。
总结来说，To B AI领域，创业公司如果想做平台，1.0模式可能已希望不大；后续，要么有创新性的2.0模式出来，或者应用更加好的AI产品方法论，要么在传统领域找到合适的大B企业战投，或者在新领域寻找增量机会。
注：本文2022年2月首发于“AI产品经理大本营”，有增改。
#专栏作家#
hanniman，人人都是产品经理专栏作家，前图灵机器人-人才战略官/AI产品经理，前腾讯产品经理，9年AI背景，12年互联网经验；关注人机交互（特别是语音交互）在手机、机器人、智能汽车、智能家居、AR/VR等前沿场景的可行性和产品体验；擅长对创业团队管理、个人成长提出实战型的建议方案；知乎/简书/微博帐号，均为hanniman。
本文原创发布于人人都是产品经理，未经许可，不得转载。
题图来自Unsplash，基于CC0协议。
,
