AI商业化落地遇瓶颈?试试持续深挖客户需求
原标题:AI商业化落地遇瓶颈?试试持续深挖客户需求
在移动互联网红利渐失的行业大背景下,AI等前沿技术创业公司受到资本机构的追捧,但同时,与AI风口和泡沫相伴而生的还有AI商业化落地的扩展瓶颈。原SAP全球副总裁、现第四范式总裁裴沵思表示,不同行业之间会有差别,但整体逻辑是一样的——找到这家企业在整体战略运营变革时的最核心驱动力。
单一业务鼎盛时,金融行业在第四范式客户群体中一度占比接近百分之百,其投资方阵营中也有“国有五大行”的身影。之后随着业务场景的扩展,第四范式客户群体中的金融类占比逐年降低,同时加大对零售业务的投入,并延展至制造业、能源业、以及运营商行业。
裴沵思接受第一财经记者专访时表示,场景拓展背后的战略考量暂不提盈利问题,但至少肯定是为了增长。据了解,第四范式目前已服务近8000家企业,涵盖金融、零售、能源、媒体等行业头部企业。
需求是痛点
随着算法算力等技术门槛的降低,简单售卖一款人脸或图像识别技术已不能满足客户的需求,行业变革从单纯开发一款软件打天下变为挖掘客户需求并探索未知——AI等前沿技术演变的未知、行业革新的未知、弯道超车的未知等。
在不确定性的探索过程中,裴沵思表示,AI概念风头正盛时,所谓图像识别或人脸识别等感知类AI创业公司在TO B企业老兵看来,聚焦的仅仅是企业细枝末节的价值业务,未来的确有可能做大,但对企业用户来讲并非最有价值的部分。
基于在SAP的从业经验,裴沵思称,SAP分类系统中的“数字科学平台”不仅是一个平台,更是基于数据产生决策、对整个公司业务流程产生增强式、侵入式、巨大进化影响的平台。裴沵思认为,“人脸识别”技术本身是好卖的,但陪伴企业成长、并在成长过程中挖掘发展与进化的需求、同时进行配套产品生产与迭代才是更有挑战性的,同时这种需求陪伴产生的黏性足够大,类似SAP与Oracle这类公司,黏性甚至能够大到使其跨越技术周期。
蓝驰创投管理合伙人陈维广在2019中国创业武林大会现场表示,不同于3G、4G时代C端应用的快速扩散与发展,5G时代的B端应用扩散速度可能超过预期。TO B类应用场景跟TO C类不同,创业公司应先把痛点和需求了解清楚。
云圣智能创始人陈方平也称,5G与AIoT时代,对于TO B应用场景的企业便具备能力去深度挖掘客户需求,并通过人工智能与机器人技术将它们串联起来,形成自己的智能商业闭环模式。
即使AI等前沿技术已成为投资与创业大趋势,但伴随算法、算力的不断提升,技术本身作为竞争壁垒的不可取代性逐渐降低,TO B类企业商业模式中,裴沵思称,技术+产品壁垒+对行业的技术理解+头部客户积累的黏性,几大要素聚集在一起才是真正的门槛,进而实现快速的行业垄断,也正因此,技术公司进入行业的时间点非常重要。
那么,通过AI赋能多行业这一行为该如何定性?其本质是否为通过技术加持企业的营销活动与流量竞争?
在回答第一财经记者该问题时,裴沵思打了个比喻——发动机公司做汽车产业生意时有两种发展可能,一种是帮汽车做设计,营销成为最主要的价值,发动机业务会靠后甚至被外包出去;另一种是仍聚焦于发动机本身的技术进步,短期内发动机业务仍是核心。
突破行业瓶颈
作为硬币的两面,伴随AI高速发展而生的,是其落地商业化的瓶颈期。
陈方平表示,现在行业面临的问题是随着客户需求的不断增加和不同行业需求的增加,生产能力和供应链能力需要打造和提高。实操过程中可发现,规模化生产不比技术的研发创新简单,其实它是一个更为复杂的闭环过程。
第四范式创始人兼CEO戴文渊称,AI落地产业的核心关键所缺乏的不是技术本身,而是AI与客户转型之间的桥梁。目前大趋势是AI进入落地应用的阶段,用户从不知道AI做什么、到AI落地的阶段后解决相应的问题。
AI规模化应用的过程在戴文渊看来,会先经历初期没有方法论、不知道要做什么、企业需求没出来的阶段;之后需要和方法提出来后,数据、训练、推理等过程都会面临一些瓶颈,需要对应的技术方式进行解决。
因此,戴文渊称,“解决客户问题驱动”是AI规模化落地的一大趋势,各AI公司会选择不同的路径,大家面临的问题不一样,所以定义出来的算法和算力也不一样,而第四范式解决的问题就是企业转型的问题,降低企业使用AI的门槛。
所谓“落地”的本质即无数应用场景的聚合,因此对AI企业而言,对业务的探索并通过对应的技术进行实际问题的解决才是最重要的。光源资本副总裁许银川表示,创业不仅是创造产品,更需要商业落地及形成盈利模式。不能只追求产品的技术领先性、论文数量或竞赛成绩,而要更关注对场景和客户落地的适用性、客户需求、客户预算、实施周期等要素能否让大量客户买单。也是基于以上考量,第四范式确立了从核心技术驱动型创业公司向产品运营型公司转型的战略目标。
除了落地外,人才也是限制AI类创业公司的重要因素。芯来科技创始人及CEO胡振波称,创业公司在行业热度中容易踩的坑是预判不足,进而导致资金与人才储备不足,在市场需求旺盛与热烈时面临客户数量急剧增加,而公司支持与研发力度跟不上的情况。
戴文渊也曾提出相似观点,他称,当下AI应用推广速度仍偏慢,一个重要原因是AI领域人才有限。如果每个AI应用都需要像BAT、今日头条这样上百人的团队做一年,能出现多少人工智能的应用?企业实际并不在意AI应用是不是MIT博士做的,而是更注重能否从AI中得到更好的体验,因此越来越多的外部开发者能够产生AI应用实际才是AI爆发的关键。