面对现阶段AI工具的痛，B端系统如何走完AI工具落地的最后一公里

随着AI技术的不断发展，各类AI工具层出不穷，许多岗位已经深度应用了这些工具。例如，在翻译场景中，AI翻译工具能够提供符合业务格式和文风要求的翻译；在作图场景中，AI生图工具可以生成草稿和半成品。由此可见，AI工具目前已经在各行各业中显现出显著的降本增效作用。

但事实上，当前的AI工具市场正处于一个野蛮生长的蓝海阶段，这意味着利用这些AI工具来进行业务降本增效必定会存在以下痛点：

1. 较高的试错成本

当前市面上的AI工具数量繁多，各家提供的功能和质量参差不齐，导致存在极大的信息差。在某一AI工具门户网站下，仅“AI图片背景移除”这一项就收录了近30个不同的AI工具。

因此，当我们需要某个特定的AI功能时，很难快速找到最符合业务需求的工具。这就需要我们逐个尝试这些AI工具，利用业务数据进行模拟测试，并评估其效果。这个过程相当耗费成本，主要包括以下几方面：

1）人力成本：

由于AI工具通常由第三方平台开发，因此需要注册相应平台的账号，并设计一套评测方案（包括测试集选择、指标体系建立等），最终评选出最适合业务需求的工具。

然而，这并不意味着评测工作可以一劳永逸。由于AI工具更新迭代速度极快，目前的最优解可能很快就会被新的工具取代。因此，我们需要定期测试市面上的最新AI工具，并更新我们的工具选择。此外，不同AI工具由于使用的训练集不同，在不同案例中的表现也会有差异。如果我们的业务内容变化较大，也需要结合业务的变化重新评估AI工具的效果，以找到新的最优解。

有人可能会问：“为什么不能通过第三方门户网站推荐或用户推荐来找到最优解呢？”这是因为这些推荐通常基于通用场景，而不是特定行业的需求。在通用场景下表现良好的AI工具，可能在某些垂直行业中表现不佳；反之亦然。因此，在当前垂直领域信息缺乏的情况下，只能通过逐个尝试来找到最优解。

2）工具购买成本：

虽然市面上有不少免费的AI工具，但其效果往往不如付费工具。为了找到最优解，通常需要购买一些付费工具，这也会带来一定的成本。如果涉及的工具较多，这笔费用也不容小觑。

尽管这笔费用对大部分公司来说并不算大，但主要成本仍集中在人力消耗上。

2. 较割裂的使用体验

假设业务通过一定成本的试错，找到了N个最优的AI工具，那么在实际操作中，业务需要在这N个AI工具之间频繁切换。这涉及多个平台之间的跳转、文件传输等操作，导致效率大打折扣，降本增效的目标难以实现。

以图片生成业务为例，设计师用AI从零生成一张图片可能需要经历以下步骤：

i） AIGC工具文生图：使用提示词生成N张图片，从中选取可用的背景和人物。

ii）AI图片背景/物体/人物抹除：从文生图的结果中抠出所需要的背景、物体和人物。

iii）组装合并：使用图片编辑工具组合背景、物体和人物，生成一张所需的图片。

iv）AI滤镜/转绘/扩图：对合并后的图片进行进一步处理，生成目标图片。

v）AI无损放大：由于AIGC生成的图片尺寸不一定符合业务需求，需要使用AI无损放大工具生成合适尺寸和分辨率的图片。

按照上述步骤完整生成一张图片，可能需要用到多达8个AI工具。设计师需要在这8个工具之间频繁切换，上传和处理图片。这种割裂的使用体验无疑增加了设计师的工作成本。再考虑到AI工具的不稳定性和试错成本，当前AI工具的使用成本显然非常高。

3. 工具成本累加

前文提到，通过一定成本的试错，我们找到了N个最优的AI工具。这意味着我们需要支付以下费用：工具A使用人数 * 工具A成本 * 工具A订阅时长 工具B使用人数 * 工具B成本 * 工具B订阅时长 ……

当使用的工具较多、团队成员较多时，这将是一笔可观的成本，甚至有可能不如聘请一个外包/实习生更为经济。

“试错成本”、“使用体验割裂”、“工具成本”，这些问题是阻碍团队进一步利用AI工具降本增效的瓶颈。但这些问题的存在其实有一定的客观原因：

1）市场处于蓝海阶段：目前，AI工具市场仍处于蓝海阶段，信息差异巨大。要客观了解市场上工具的能力水平，必然需要大量的试错成本。并不是所有企业都能意识到这一点并愿意花费成本进行试错。

2）工具的标准化：由于市场处于初级阶段，大部分AI工具优先保证自己的MVP（最小可行产品）和PMF（产品市场契合度），这意味着大部分工具都是在做标准化的通用解决方案，而不是满足企业的定制化需求。因此，对于业务流程繁琐的企业来说，AI工具的提效程度有限。

3）缺乏一站式解决方案：同样由于市场处于初级阶段，尚未出现超级巨头，也没有一个“All in one”的工具。这导致很多工作流程分散在多个系统上，造成使用体验的割裂。

因此，在B端企业领域，AI工具距离真正实现“降本增效”还有最后的“一公里”。作为一个B端产品经理，面对市场上琳琅满目的AI工具及其痛点，我们可以帮助企业走完AI的这最后一公里，帮助企业在AI工具的蓝海阶段抓住机遇，快人一步。

一、如何走完最后一公里？

个人认为，要走完最后一公里主要有下面几个步骤：

1. 挖掘业务所需的工具

首先，我们需要明确业务所需的工具类型，以便为后续的研究指明方向。尽管当前市场处于蓝海阶段，但已经有不少优质的信息源出现，如门户网站、评测视频、AI相关公众号和社区等。因此，我们可以通过这些信息源了解市面上的AI工具，并收集适合我们业务需求的AI工具方向。

当前AI工具种类繁多且不断迭代，难以使用统一的方案进行类型划分。以下是我尝试的一种分类方式，分别从内容模态和处理方式进行分类。

1）内容模态分类：

内容模态指内容的形态，大致可分为文本、音频、图片、视频、3D模型。

这些内容模态可以进一步细分，某些类型的组合还可以形成新的类型。例如，3D模型/视频 音频可以形成数字人，图片 文字可以形成PPT类型。

2）处理方式类型：

基于上述内容模态，我们可以将处理方式分类，包括但不限于以下几种：

i）思考：理解某类内容中的信息并将其描述出来。例如，对一段新闻进行提炼的AI文字总结工具，或对一段视频进行提炼的AI视频总结工具。

ii）生成：通过用户输入的信息与预设的参数，直接生成某类内容，即AIGC（人工智能生成内容）。常见的如SD、MJ等工具，Chatbot也可以归类为此类型，因为它通过用户的聊天和预设的场景进行响应。

iii）编辑：在某类内容生产过程中进行修改和编辑，常见于图片、视频、音频、模型等美术素材生产环节。例如，AI抠图、AI图片扩展、AI去水印等。

我们可以通过“业务所涉及的内容模态”和“业务环节中对内容的处理方式”快速定位所需的工具类型。

当然，我们也可以通过绘制业务流程图来辅助挖掘所需的AI工具。如下图所示，在图片宣传素材生产环节中，可能用到的数据采集、图片分析、图片生成、提示词工具、图片扩展、一键抠图、去水印、批量修改等工具。

2. 知己知彼，熟悉工具

当前AI工具市场处于“竞争激烈的蓝海阶段”是一个不可否认的事实。要在这个环境中有效利用AI工具，必然需要花费一定的试错成本来了解相关工具。

然而，我们可以采用科学的方法来减少试错成本的浪费：

1）通过信息采集渠道初筛：

通过前文提到的信息源（如门户网站、评测视频、AI相关公众号、AI相关社区等），我们可以获取AI工具的一手资讯。虽然这些资讯不能直接告诉我们最优解，但可以辅助我们对AI工具进行初步筛选，为后续的评测提供方向。

2）科学合理的评测机制：

科学且合理的评测机制是事半功倍的关键。以下是一个科学且合理的评测机制的步骤：

i）评测工具初筛：

我们无法对所有AI工具进行全面评测，因此需要一些手段进行初筛。可以使用具有业务代表性的数据进行快速测试。如果某个AI工具在初步测试中表现不佳，通过调整提示词和参数也无法优化，且官网上没有相关的行业案例展示，口碑也不佳，那么我们可以直接放弃这个工具，避免浪费时间。

ii）AI工具熟悉：

通过初筛选出的AI工具后，我们需要对这些工具有初步的认知。可以通过官网教程、用户手册等途径进行了解。这一步的目的是充分发挥工具的价值，避免因使用不当导致的误判。

iii）设计评测指标：

结合业务需求设计评测指标，能够对多个同类工具进行量化对比，从而选择最优解决方案。例如，对一款视频风格转绘工具进行评测时，可以列出“风格符合度”、“帧数稳定度”、“主体识别准确度”、“成本”、“生成时间”等指标。这些指标需要能够准确描述AI工具的优劣，以便在后续评分时进行快速选择。

需要注意的是，部分指标偏主观判断，因此需要人工梳理评分标准。比如：

我们需要清晰地定义“每个评分等级的标准”和确保“团队成员在评测时理解一致”，保证即使进行团队评测，也能够较为公正地进行AI工具评测。

iv）选取测试样本：

基于评测指标，使用具有代表性的测试素材在不同方案上进行测试。这些素材需要具备以下特征：

-具有一定量级，不能仅仅一两个，否则难以测试出结果。

-在某些方向具有代表性，能够测试出不同方案的不同指标情况。例如，在视频风格转绘工具评测时，选择角色众多的视频，以测试多主体识别的准确性。

v）执行并记录评分：

将样本在AI工具上批量测试，并记录相关结论和截图。由于这一部分评价偏主观，最好由同一批人进行评价。

通过以上步骤，我们可以科学地选择出在某个方向上表现最佳的AI工具。

3. 接入各类AI工具

基于调研结果，我们需要将所需的AI工具接入内部业务系统，以提高业务效率和效果。

根据接入需求，AI工具可以分为开源和闭源两类。

1）开源工具：开源工具是指那些源代码可以被公众使用、查看、修改和分发的软件项目。通常可以在技术论坛上获取源码，并结合企业自身需求进行定制化开发。

2）闭源工具：闭源工具是开源工具的对立面，指那些不符合开源许可条件的程序。闭源工具往往需要付费使用。

从效果上看，付费工具通常表现更好，但这并不绝对。因为闭源工具可能无法完全满足特定行业的定制化需求，而开源项目则更具定制化改造的可行性。

市面上的AI工具不一定都有同等效果的开源方案，因此选择时需要权衡。如果一个AI工具同时具有开源和闭源方案，我们要比较“开源方案改造成闭源方案效果”的成本是否小于“直接使用闭源方案的成本”。如果开源方案更具性价比，则应优先选择开源方案进行开发；否则，选择闭源方案。

接入开源方案相对简单，只需获取源码，让技术团队进行解析，并将其组装到我们的系统中，进行必要的定制化功能或训练集改造。

接入闭源方案有以下两种方式：

1）接口接入：

如果第三方提供了功能接口，我们可以通过API接入，按需求调用第三方服务，并按请求量结算。

2）套壳方案：

如果没有提供功能接口，可以考虑通过爬虫或RPA（机器人流程自动化）工具进行数据输入/输出，将我们的B端系统与第三方服务结合起来，并使用第三方账号进行服务结算。

4. 基于业务的定制化改造

在完成AI工具的功能接入后，我们需要进行基于业务的定制化改造，使AI工具更贴合公司业务需求，真正实现赋能。整体过程可以分为以下几个步骤：

1）定制化微调：

第三方AI工具所使用的训练数据源通常是通用或行业常见的数据源，因此在处理公司特定业务时可能会出现较高的误差。为了提高AI工具的效果，我们需要进行定制化微调，具体方法包括：

i）参数优化：

通过熟练使用AI工具，我们可以在实践中总结出最优的参数配置方案。在内部使用时，预设这些最优参数配置方案可以减少业务的学习成本，提高整体效率。

ii）数据样本录入：

如果AI工具允许我们录入数据，我们可以采集业务实际生产过程中的数据作为训练集输入到AI工具中，从而优化其在我们业务上的输出效果。一般来说，开源方案支持这种操作，基于大语言模型（LLM）的工具也可以使用检索增强生成（RAG）方案进行数据样本录入。

iii）嵌套规则/模型：

在AI生成的结果上嵌套我们自研的规则或AI小模型，可以实现输出结果的修正。

嵌套规则/模型和数据样本录入的本质都是通过实际业务实践对AI输出结果进行修正。

2）贴合业务流程的调用方案：

为了避免使用体验上的割裂，我们需要将AI工具嵌入到B端产品的实际业务流程中，实现更低的“替换成本”，从而最大化“新体验-旧体验-替换成本”。

这个过程的主要步骤有：

i）梳理原有的工作流程：

在将AI工具融合到B端系统之前，首先需要详细梳理和了解业务的原有工作流程。这包括收集和分析现有的数据流、业务规则、决策流程以及各个环节的输入输出关系。通过深入了解业务流程，可以更好地确定AI工具的应用点和整合方式，确保其能够与现有系统和流程无缝衔接。

例如，在图片素材制作流程中，除了提示词、草图、成品的环节，还包括需求提出、修改调整、上架、复盘等环节。这涉及到业务上游和管理者的诉求。因此，美术资源生产环节往往围绕项目资产流程进行，我们的AI工具可以结合项目资产管理系统进行整合。

ii）将AI工具嵌入原有的输入与输出环节：

确定了需要结合的系统和需要替换的输入输出环节后，我们可以将AI工具整合到其中。在这一过程中，可以预设工具的结合场景参数，减少业务的学习理解成本。

例如，原本的业务输入输出环节为：业务上游输入需求，美术输出草稿，美术输入草稿和编辑需求，各类工具输出成品。

结合AI工具后的系统流程可以变成：业务需求方在项目资产系统上发起新建项目，结合需求描述生成提示词，并生成草图。美术设计利用系统集成的工具进行编辑，并上传终稿，最终由业务成员验收并发布到线上。由于整个流程都在线上，相关的工作进度和素材效果跟踪也能集成在系统上，减少管理成本。

iii）加入AI校验：

为了避免AI输出结果中存在误导性内容对业务产生影响，我们需要建立一套有效的验证机制。常见的验证方法包括规则过滤、AI过滤和人工审核，以此拦截具有误导性的内容，为AI幻觉问题提供保障。

在图片素材场景中，我们可以通过增加审核功能，使业务人员和设计师能够保证交付结果的质量。

四、小结

以上便是我个人的思考与总结。或许在未来，B端领域将会出现具有行业特征的AI工具，解决我们当前在B端应用AI工具时所面临的痛点。然而，那一天何时到来尚未可知，也不确定这种工具是否会覆盖我们所处的行业。

为了帮助企业在激烈的竞争中占据优势，我们仍需主动迈出这最后一公里，进行定制化微调和业务流程整合。只有这样，我们才能充分发挥AI工具的潜力，为企业创造真正的“降本增效”。

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！