软件越来越好抄,AI 时代的钱到底赚在哪里?

剑龙AI野说 · 模型增益性

现在做 AI 产品，我觉得有一个问题必须先想清楚：

大模型再升级一次，你的产品会变得更强，还是会变得多余？

我把前一种情况叫作“模型增益性”。大模型的能力越强，升级越快，你做的东西也跟着增强。这应该成为 AI 时代的一条开发原则。

如果一个产品的价值，只是补上模型暂时不会的一项功能，那就要小心。你花几个月开发的能力，可能在下一次升级后，变成模型自带的功能。

这种功能可以做，也可能赚到钱。但要清楚，自己赚的是阶段性的机会，还是在积累一门能长期做下去的生意。

一、功能容易复制，生意要看结果

我不认同“软件变现已死”这种判断。我的判断是，单靠功能差异赚钱，会越来越难。

一个功能做出来了，客户为什么要持续付钱？这中间还有很长一段路。

拿餐厅举个例子。假设 AI 已经能看懂订单、生成采购建议，临时缺货怎么办？顾客临时改菜怎么办？系统里的库存和厨房实际情况对不上，听谁的？建议出错以后，谁来处理？

这些问题直接决定软件能不能用。

所以，我更关心一个产品能否进入真实流程，把事情做完。功能演示得再漂亮，如果员工还要反复核对、重新录入、手工收尾，价值就得重新算。

写代码的门槛降低了，把生意做明白的门槛还在那里。

二、小模型有没有价值，要看具体任务

我不会因为“小模型是下一个风口”，就先决定要用小模型。

任务边界清楚、判断标准明确，可以考虑更小的模型。但模型选型应该跟着业务走。任务需要什么能力，错误能不能承受，出了问题有没有人接手，这些都要先说清楚。

只盯着一次调用多少钱，很容易算错账。

模型便宜了，维护成本会不会增加？为了弥补效果，是否需要更多人工复核？业务一变，又要投入多少人重新调整？

我看的是把一件事稳定做完的总成本。大模型、小模型，都应该放进这本账里比较。

三、技术优势要落到客户身上

某个提示词、一套工作流、一次模型微调，我不会轻易把它叫作护城河。

我会继续追问：别人学会这套技术以后，客户为什么还选择你？

如果答案是你更理解这门生意，知道流程哪里容易出错，能把新能力接进现有系统，并且持续解决使用中的问题，那才值得继续投入。

这也是我看重 FDE 这类深入现场的实施方式的原因。需求写在文档里时往往很整齐，到了现场，才会看到那些例外、交接和责任边界。

客户愿意付钱，最终要落到具体的变化上：以前做不了的事情，现在能做了；以前需要反复处理的问题，现在省心了。

四、让模型升级帮你积累

回到“模型增益性”。

我想做的产品，是模型理解能力提高以后，能处理更复杂的业务；推理能力提高以后，有机会给出更可靠的判断；使用成本下降以后，能服务更多原本不值得自动化的环节。具体能提高多少，要放进真实业务里检验。

与此同时，业务规则、系统连接、用户反馈和交付经验还留在产品里，继续积累。模型升级，可以在这些基础上发挥更大的作用。

所以，判断一个 AI 产品值不值得做，我会先问三个问题：

客户到底为什么付钱？

模型升级以后，这个价值还在不在？

如果模型变得更强，我们能不能把事情做得更好？

这三个问题想清楚，再决定开发什么功能、用什么模型。

我看好的机会，就是让技术进步不断增加自己的交付能力。模型越强，我们能解决的问题越多，客户得到的价值越大。

这样的生意，才值得长期做下去。