AI产品的商业化挑战与商业模式探索

本文来自微信公众号： 出海同学会 ，作者：出海同学会，原文标题：《干货｜AI产品的商业化挑战与商业模式探索》

AI行业正在从理解”迈向“行动”，也从“能展示”迈向“能变现”。当技术的智能化程度已足够理解世界，下一个问题是：它将如何真正参与商业循环，创造可持续的价值？

从全球领先AI企业的变现实践，到订阅、使用量计费等模式创新，再到支付基础设施如何赋能AI生态——商业化的每个环节都值得深入探讨。本期线下闭门会，出海同学会与Stripe、Airudder、阶跃星辰、ThinkinAI一起，聚焦AI时代的商业化路径与模式创新。

以下为本次活动可公开部分。

AI产品与Agent类应用

的定价策略上，有哪些核心观察？

我的身份其实比较“双重”：一方面我们是大模型公司，要在为其他公司提供API服务和模型服务；另一方面，在这个过程中我们自己也一直在尝试做一些能直接跟C端用户交互的产品，不管是Agent，还是各种AI应用型产品。

先说第一个感受，价格这块基本没涨，也涨不起来。

第二个就是，我们自己现在现有一些产品，在定价策略上，其实到现在也没有摸索出一个特别好的规律。第一是用户量有限，第二确实主要还是在国内市场，国内和国际在品牌、产品形态上也有差异。我们之前也做过一些有市场的产品，比如AI生成或者陪伴类的。

现在我们偏向做的是运动健康类的产品，也有几个小的Agent App在跑。我们当时第一个收费的产品，是我们最早在行业里做的那个“冒泡鸭”的产品，其实是做过收费的。但这款产品后来比较不幸，被我们下线了，最后看也谈不上特别成功。它的收费方式比较单一，就是按用户提问、问答次数来收费。我们自己一算成本，肯定是不划算的。反而是我们现在另外一个特别小的应用产品，叫DeepEat，它其实有点像海外一款Calorie.AI的产品。这个产品我们是在欧洲和美国同时上线的，现在大概日活在一万左右，付费用户也有将近一万。

整体来看，反而是在这款产品上，我们摸索出了一些比较有参考价值的定价规律。第一个是：当我们做这种应用型产品时，优先放到海外市场会好很多，用户的付费意愿明显更强。当然，前面也确实有一些成功产品在铺路。第二个是：一定要做精准人群。就是你锁定的这拨人、他的使用场景，和他的付费意愿要足够强相关。我们锁定的是那种确实有运动健康需求、需要保持身材、甚至希望对自己身体状态做一些微调的人群。在这种前提下，用户的付费意愿和付费率都非常好。至少在我们现在这个产品上，付费率都在10%以上；ROI方面，在剔除人力成本的情况下，基本可以做到ROI 1。对于一个上线四五个月的产品来说，我觉得已经是一个不错的成绩了。

在定价策略上，他们基本是每周都在微调、在变化。一开始从月卡，到增加年卡，再到年卡打折、第二年续费不打折等等，一直在做各种付费测试点。因为产品刚上线几个月，所以这种持续测试是很有意义的，可以看用户会不会取消订阅。按现在这几个月的跑数来看，如果第二年用户还能顺利续订，我觉得这个产品的基本就算稳住了。而且未来它还有一个更大的可能性，就是可以和硬件结合起来。比如跟手表，以及最近那款没有屏幕的运动数据类设备做结合，这些方向都挺好的。所以在这个产品和定价的探索上，我自己有几个感觉：

第一个，还是产品本身、使用场景和人群的匹配，这点特别重要。

第二个，非中国区用户的付费意愿确实会更好，这两块是明显不一样的。

第三个就是价格策略，一开始就要敢于做各种测试、不断试错，去看用户最终会停在我们说的那个“非常好的甜蜜点”上。

Daniel Chao：

其实可以很明显感觉到，阶跃一直在尝试调整定价策略，这一点本身就说明阶跃是一家非常成功的公司。稍早在前面分享的时候，其实我们做过一个分析：会主动调整定价方式的公司，它的成长率，远远超过那些从来不调整定价方式的公司。

那首先，从Stripe的立场来讲，我们也非常荣幸能得到这么多AI公司的青睐。其实在AI还没爆发之前，我们在做的“订阅”这个产品，就已经打磨得相当成熟了。可相对来说，这对我们也是一个很大的责任——大家创业，总是得赚钱嘛，对不对？赚钱一定是要真的进到口袋里的钱才叫钱。所以在收款这个环节里，商业模式怎么迭代、怎么更新，我们也必须与时俱进，持续给大家更多不一样的选择。在所谓“定价模式”这件事情上，从最早期“一口价”这个概念出来的时候，我们就可以看到，很多时候成本是入不敷出的，所以才会慢慢导入所谓“用量计费”的概念。但是我们真实观察下来，其实真正有效的往往是“复合型“定价模式，它很难用一个单一模型，100%把你的客户画像、价格区间描述得完美无缺。就像刚才提到的，什么时候打折？付费点切在哪里？这里面其实要有很多不一样的变化。我举几个例子给大家听一下。

如果你是做To C的，最简单的情况是一开始你要吸引用户，所以你可能会给他一个免费的空间或者免费版本。其实在AI时代之前，就已经有一个很类似的产业：很多文字、新闻类的网站，都会先让你免费看一篇文章，或者先让你看完一个故事，然后后面就要你付钱了，对不对？所以这个模式其实很早就有了。

基于“时间的订阅制”是另一个更重要的概念。先看一个比较传统的例子:《纽约时报》的付费模式是先让读者免费阅读一周或几篇内容,然后再开始调整收费。做To C产品时也可以采用类似设计：一开始提供免费试用一周的体验；试用期结束后，如果用户要继续使用，给出一个相对便宜的价格，比如“本月继续使用只需多少钱”。用完一个月后，可以提供年付或两年付的选项，定价相应调整。中间可以做各种灵活变化。

但如果产品本身不是这种“阅读型”的，而是更适合走“用量计费”，那就需要回到刚才提到的credit（点数）概念——首先要定义“什么叫一次成功”。以Stripe的产品为例，可以自定义“成功”的标准，然后对接API，把模型逻辑导入进来。这样就能根据"成功次数"来按量计费。

但是，按量计费会带来一个很现实的问题，就是我们说的“anxiety meter”（焦虑指数）。如果用户觉得“我每次用一下就要被扣钱”，他很可能就会不敢用。不敢用的结果是什么？他不会真正喜欢你的产品，他不会持续使用，你的用户留存就会有问题，所以你必须不断地去调整、去做实验、去做测试。

从Stripe的角度来说，我们的重点是：我们提供很多种不一样的计费方式，让你可以不断调整。我们也很鼓励大家随时随地去调，包含discount（折扣）在内。有时候你的上游成本，你是有机会谈到更便宜的价钱的，比如云服务等等，那在这种时候，你也可以适时推出一些折扣方案——比如原本1,000个credit是多少钱，当你成本测算觉得OK的时候，就可以给一个打折的价格，然后观察、尝试：这样是不是能带来更好的消费者画像和转化。这是比较To C的场景。下面我再讲一个To B类型的场景，因为这里也有很多做大模型的朋友、厂商。

To B场景里，大家其实更看重按结果计费。毕竟B端环境里，每个客户都计算得很惊喜，每笔投入都要算清楚回报。拿传统广告行业举例，最早的时候都是按CPC（cost per click）计费，就是一个点击多少钱，规则特别明确。但慢慢你会发现，大家的要求会往后挪：得是“点击之后用户下载了我的App”，我才给你算钱，所以这里面的归因问题就特别重要。

在这种统一的业务场景里，我们常看到的做法是，用某种“Swift模型”，再搭配一个invoice（对账结算）模式。它能帮你界定好“什么算成功结果”，再通过我们的billing模组，把“成功”的标准说得明明白白。跟客户沟通的时候，也能凭着这套标准和对方精准对齐共识。等双方都确认好之后，再用invoice来结算就行。

所以我们每个月给客户发账单，只发“成功结果”对应的费用。这样一来，客户觉得清晰又靠谱，满意度和留存率自然也会更好。这就是目前To B领域里，按结果计费的一个典型场景。

——AI Rudder

那我先花一点点时间介绍一下我自己，这个可能也代表了我的一些立场，让大家知道我的背景，理解我后面观点的来源。我是Airudder的创始人，任腾。我自己也是出海同学会的老同学了，在硅谷参加过很多场线下活动，线上也多次跟Richer合作、交流。其实我人在国内，平时不是特别爱参加活动，主要原因有两个：

第一，是国内其实没有太多我们的客户；第二，是我们的目标客户主要集中在海外，特别是东南亚和拉美那边的银行、高合规行业、保险等等。

这些行业的客户，是我们最核心的目标用户。我们给他们提供的是一整套的客服解决方案，这是我们现在的核心产品。我们的业务其实从2019年就开始了，也就是在GPT之前，我们就已经在做AI相关业务了，包括怎样搭一个语音机器人之类的。当然，在更早之前我也创立过一家出海公司，叫“触宝”，也在上海，可能有些同学听说过。当时我们做过一个全球8亿用户量的海外输入法，那可能是我们用户量最大的一个应用，也正是因为之前做过这种多语言类应用，才有了现在这家公司。

我在触宝的时候，其实做过很多跟广告系统相关的工作，所以刚刚提到的CPM（Cost Per Mille，按千次曝光计费）、CPC（Cost Per Click，按点击计费）、CPI（Cost Per Install，按安装计费）那整套东西，我们基本也都一手搭建过。在我们现在这家公司，我也可以简单讲一下我们的计费方式。

因为我们的客户都是东南亚、拉美最头部的那批公司——客户数量不多，但一个个都是当地大街小巷都能看到logo的那种。对这些客户来说，定价会非常复杂。国内做软件业务的同学可能比较熟悉的一种模式：往往是按项目收费，一个项目几百万、几千万，甚至上亿，类似买断。但我们肯定不愿意只收这种一次性的费用。

我们更希望与客户的业务深度绑定，而实践下来，最好的绑定方式就是和“业务量”挂钩。比如“完成多少次沟通”——一次沟通可以是Chatbot、Voicebot拨打一通电话、发送一条短信，或是回复一条WhatsApp，这些都算一次。这里会涉及“session”的概念，比如30分钟内的相关互动算一个session，而这个session，就是我们约定好的pay-per-use（按次付费）核心单位。

客户难免会问：“你虽然帮我打了、接了这些电话，但实际效果到底好不好？”有没有可能像某些极端案例那样，To B公司完全按结果付费？我们内部也讨论过这种模式，结论是难度极大。核心问题在于：什么是“结果”？该由谁来定义？就像之前提到的归因难题——三家公司都给同一个用户展示了App下载广告，最终用户下载了，这份“功劳”该算谁的？某种程度上，这也是移动互联网里“压死骆驼的最后一根稻草”。因为界定不清，就容易出现乱象，这点稍微跑题，但核心意思是：完全按结果付费，现实操作中会异常复杂。我不想和客户反复掰扯“这笔成交究竟算谁的功劳”，更愿意和他们坐下来把数据、KPI讲透。

比如客户做老客户营销，我们就共同定一个目标——比如5%的转化率，双方一起朝着这个KPI努力。如果最终做到6%、7%，客户相当于多赚了，自然会加大投入、多跑量、多做推广；如果低于5%，比如只有3%、4%，我们就一起复盘数据：是不是目标人群选得不对？是不是机器人不够拟人？还是拨打时间不合适？大半夜给用户打电话肯定不行，要不要调整到更优时段？诸如此类。

所以我们的KPI其实和结果挂钩，但收费模式依然是按session计费。这算是之前没提到的一种更复杂的计费方式，也说明计费本身注定是件不简单的事。除此之外，我认为还需要更早地“算账”。比如我之前和Perplexity的同学交流过，他们一开始做得很简单：收和ChatGPT差不多的订阅费，多给一个“网络搜索”功能，不少用户就从ChatGPT转去订阅他们的Copilot。

现在他们在做很多优化，比如自己做大模型路由、上线小模型、自主推理，不再把所有流量都发给GPT-4、GPT-5这类大模型，从而控制token成本。他们很早就用“第一性原理”算过账：把各个环节优化到位后，成本结构会是怎样？平均每个用户的成本能压到多少？这样才能清晰看到中长期的毛利空间。

如果只看当下的毛利，几乎没有哪个AI产品能在初期就赚到可观利润，这并不现实——毕竟竞争激烈、不确定性又多。但好在模型能力在持续提升，模型调用单价在不断下降，还能通过“动态路由模型”这类方式降低整体平均成本。这些都需要往长远算，至少要看一两年后相对稳定的状态：那时成本能降到多少？能摊到单位单价多少？

我们自己也面临类似情况，成本里有一部分是线路成本，一开始很难谈下低价格，但等我们的业务量上来了，就有了谈判筹码。当我知道“大概能谈到什么价位”，就能给客户定一个既让他们满意、又能给自己留足空间的价格。客户满意了，就会在我们这边跑更多量；量越大，我们和运营商谈价的底气越足，就能进一步压低线路单价。所以用第一性原理预估未来的价格和成本结构，这件事本身也非常重要。

如何制定AI产品的价格策略？

不同场景有哪些关键经验？

从我们目前有限的尝试来看，我们自己在定价上会更多参考同行的做法，毕竟他们已经被市场验证过。如果说你“有幸”前面有同行帮你去探路，那你在差异化场景和人群选择上就可以做出不一样的布局。这样在定价策略上是非常有参考价值的。我觉得这是一个很通用的方法，在某些场景下甚至可以算是一条“捷径”。

就像我刚才提到的，我们最早的定价就是直接绑定了那家同行的价格，因为我们的人群和他们高度重合。但同时我们在场景和功能上做了差异化，希望做到“他有我有，他无我有”的状态。一方面保证基础能力不输，另一方面在新功能、新场景上有独特性。与此同时，我们也在新的区域做了尝试。

比如说，对方只聚焦在美国市场，只在美国做，那我们就同时把欧洲市场打开。我们在一次数据分析里发现，德国其实是一个非常关注运动健康、体型管理等等的国家，于是我们就优先把德语区域做起来。现在语言本地化的门槛也不高，德语版本上线之后，我们很快就在德国这一类功能的小型AI应用里，基本做到最top的位置了，而且定价还比我们在美国的价格略高一些。也就是说，既参考了同行，又基于自己的人群选择和功能上的附加值做了新的突破。我觉得这是第一个：把同行当作定价的参考系。

第二点是我们在价格策略上摸索出来的一条经验：如果你对功能、场景和人群已经有比较充分的判断，尽量不要一开始就做“完全免费”。我们当时内部其实有过两种方案的争论：一种是传统路径——先免费注册，再给一段试用期，然后再转成收费；另一种是，你只要注册就需要付费，当然可以支持退订和退款，而且退订流程要足够高效、透明。前面我们也做了很多测试，最后我们选择了后者这条链路。我觉得这条路径会倒逼我们在做功能、做研发、打磨用户体验的时候追求更高标准，因为你一上来就是收费产品。同时，你也能在整体的购买流程以及后端的收费、续费体系上，形成一条更清晰、可闭环的路径。我认为这一点对我们帮助非常大，也可以作为你们上来设计路径时的一个参考。

另外一块，就是To B的调用服务。在To B这边，不同客户有非常不一样的使用场景。就像刚才介绍的，有的是基于结果付费，有的是基于实际调用量付费，还有的是基于共同的业务目标去设计分成或打包方案。我们现在在国内最主要的用户其实是To B客户群体，比如手机厂商、车企，还有我们说的快消类客户。在不同类型的客户里，我们也会选择差异化的定价策略。

像最典型的车企和手机客户，我们就会采用类似前面提到的“用户量挂钩”模式，希望我们的收入能和他们最终在C端的实际消费量挂钩，我个人觉得这是一个非常好的策略。另外，还有一部分客户则是基于打包的API调用总量来付费，通过约定一个整体的调用规模来做结算。

DanielChao：

我要把它拆成To C跟To B两个场景来说。

先讲To C的场景。我们自己观察整个市场，尤其是企业在一开始制定定价策略的时候，有两个点是非常重要的。

第一点是定价要留足弹性。产品初期很难完全预判未来发展，很多国内企业出海时，常因对产品信心不足而定价过低，甚至选择“先免费后付费”的模式。但实际上，海外尤其是欧美市场，用户对“为产品付费”的接受度很高，无需一开始就定0.1元、1元这类低价。正确的做法是，先做好市场调研、找准对标产品、摸清市场行情，在此基础上设定合理价格，给自己预留后续调整空间——避免一开始就把价格压到极限，导致后续想涨价或调整时没有回旋余地。

第二点是精准贴合用户需求。对自己的产品和对标对象要清晰认知，很多AI公司的对标并非同类AI产品，而是市场上已验证的成熟SaaS或其他产品。要明确这类对标产品的市场接受度和价格区间，再结合消费者的付费习惯、可接受价位来设计定价：比如是按量收费，还是在特定阶段提供折扣优惠，都要贴合真实使用场景。而To B市场的核心逻辑，是将自身利益与客户利益绑定：无论采用按量、按结果还是按“阶段性成功”指标计费，都要先想清楚客户的核心诉求，以及产品能为他们带来的实际价值，理清这个逻辑才能为定价谈判留出空间。

还有一个关键前提：所有计费依据必须可量化。只有将计费标准量化，才能顺利绑定API与计费模式；如果标准模糊、难以说清，不仅会影响与客户的对接，内部核算时间、人力等成本时也会出现诸多问题。

以上就是我们这段时间观察总结的定价相关经验。

——AI Rudder

其实“这个东西卖多少钱”，在经济学上早有一套成熟的研究体系，那就是所谓的“消费者剩余”。假设我作为商家，能跟在座每位单独沟通，精准了解你愿意支付的最高价格，再按这个价格收费——这无疑是理论上最优的定价策略。

但问题在于，越是面向C端用户，就越需要明码标价。而明码标价的前提下，有人愿意出5块，有人愿意出10块，还有人愿意出100块，这个统一价格该如何定？其实再复杂的定价模型，本质都是围绕两件事：一是尽量“吃掉”愿意付高价用户的那部分消费者剩余，二是尽量不把支付意愿较低的用户挡在门外。这就是定价策略最核心的逻辑。

而在实际操作层面，确实有不少可优化的技巧。比如就像Daniel提到的，新产品如果一开始定价太低，后续再涨价就会比较困难。所以有很多实用的小玩法，比如先把原价定在20块，再推出“限时五折”活动，以10块钱的优惠价吸引用户尝试。至于“五折”活动要持续多久，就看用户增长情况：如果用户量寥寥，就可以延长折扣周期，甚至后续再推出力度更大的优惠；如果用户量快速上升，就及时取消折扣。这是互联网行业常用的有效策略，大家完全可以借鉴。

当然，我个人认为，谈定价之前，PMF（产品市场匹配）必然是与之密不可分的前提。一个产品只有真正达到PMF阶段，才有资格去认真讨论定价问题。包括市场竞争，本质上也是消费者剩余的一种体现：比如两款几乎一模一样的竞品，一家卖10块，另一家卖12块，客户并非对你的定价“不满意”，而是因为有了更优选择，自然会用脚投票，放弃你的产品。

所以有时候过度纠结定价意义不大——哪怕你把价格定到0元，还是没人用，那核心问题就出在PMF上，而非定价。很大程度上，PMF和定价是存在强相关性的。因此，大家可以带着这样三个视角重新审视“定价”这件事：一是PMF与价格之间的内在关联，二是用户付费方式、付费能力的多样性，三是“消费者剩余”的核心逻辑。用这三个视角去拆解，会对定价有更清晰的认知。

我觉得可以从几个维度来理解这件事。

第一个维度是你切入的那个“接口”，也就是用户人群和具体场景。这件事有没有被市场验证过？我觉得这是一个非常重要的判断维度。

第二种情况是，如果你做的是纯创新，没有太多前车之鉴，那可能就回到了我们常说的PMF、MVP，那就意味着你要花更多时间在验证上，不断去试、去迭代、去找那个真正匹配的点。如果选的是一个已经被市场充分验证过的方向，那相当于你走了一条“捷径”：你找到的是一个已经有成熟需求、有清晰付费意愿的人群，在这个模型或场景之上，你只要再叠加自己的一些独特能力就可以了。

第三种情况是：既没有现成的市场验证，也不是那么“原创”的创新点，更多是介于中间，你自己也还在摸索，这种就更考验耐心和长期投入了。你可能要做的是大量的尝试、合作，不断去找机会、找感觉，在里面打磨很久，才有可能找到突破口。而且这类事情一开始其实也没有什么把握，它是不是一个真正的创新点，也要在这个反复摸索的过程中才能慢慢显形。

所以我觉得这三种路径的差异主要就在这里，但共同点是：无论哪一种，“场景”和“用户人群”的把握是最重要的，我刚才其实一直在重复这一点。

从商业价值到长期发展，

AI产品如何找准落地与可持续的核心方向？

——ThinkinAI

在我们动手打造专属智能体之前，不妨先思考一个关键问题：是否应该先在全球范围内做好充分调研——有没有同类型的智能体公司与产品？尤其是要聚焦核心：它们的目标收费人群是否与我们重合？这些用户又在哪些具体应用场景下，更愿意付费、更能长期留存使用？想透这些问题，是不是才能更精准地明确我们的场景切入点？

就像我刚刚说的。第一个选择的方向是Follow，这个确实是因为我们本身在模型能力上有一些基础。最早的时候，在一款产品里面我们接入了AI，当时是在一款Chatbot的产品里孵化了一个“拍照提问”的能力。通过接入AI，我们做了大量的用户验证，发现我们在这一块的模型理解能力还不错，而且用户使用频次非常高。后来我们就把这块能力从原来的产品里抽象出来，同时又在市场方向上做了非常系统的分析。

大概是这样：我们把市面上围绕这个功能在做的产品，以及利用这个能力衍生出来的不同产品形态，做了非常细致的分析，分析了几十种方案，最后才在里面选择了一个跟“运动健康”相关的方向。这个过程其实我们花了非常多的功夫。刚才讲的是第一种情况。

第二种就是那种，你自己和团队是真正意义上的“第一个吃螃蟹的人”。这个时候，可能既没有经过市场足够的反复验证，也没有同类型的竞品、同类型的功能可以参考，甚至你连一个可以“前置铺垫”的原型都没有，只能从零开始抽象一个产品出来。那我觉得在这种情况下，你自己要在里面投入的功夫肯定会更多。

这里也跟我自己的背景有关系。我在互联网大概工作了七八年，今年才出来参与阶跃这个创业项目，在里面做合伙人。之前我在B站待了三年，在字节待了大概四年，既做过商业化相关的事情，也做过组织、商品相关的工作。

当时在字节的时候，我们和一个叫陈林的老师共用办公室，做产品的同学可能对他都会有点印象。他是字节最早一批产品人之一，我跟他一起搭档做大力教育的时候，他分享过一件事让我印象特别深。他属于那种在产品上特别勤奋的人。别人问他：“什么是互联网的模式？互联网产品应该怎么做？”他就只说了两点：

第一，快速验证和迭代，在什么都没有的时候，就是不断地验证、不断地迭代；

第二，用户思维，除此之外别无他法。

在他看来，这两点也是他在字节内部一路做产品的核心方法论。

我插一个例子。现在大家也都知道，字节在做很多硬件，比如耳机、PICO，还有之前做过手机、做眼镜等等。负责这一摊的字节负责人，身上常年带着六七副眼镜，他们就是在不断地改、不断地看，从北京到新加坡，总部之间来回飞，他一路都在戴着不同的眼镜去体验。前阵子还有一个小笑话：有人让同事给他找一副眼镜，结果拿来之后他说：“这副眼镜没有度数啊。”你能从这种细节里看到，他们在做产品创新的时候，真的就是靠快速迭代和验证，把自己浸泡在场景里。做软件、做互联网产品的好处就是：它的试错成本比硬件低得多，不像做硬件，一旦产品大规模生产，整个产业链都已经压上去了，很难轻易推翻重来。软件这边就有很多可以快速试、快速改的空间。

所以我觉得回到我们前面讲的第三种情况：介于两者之间、既没有跑通、也谈不上特别原创，还在摸索期。第三种情况的难度往往会更大，因为你既没有现有市场可以依托，又没有足够清晰的创新锚点，只能一点点去试，难度和不确定性都非常高。在这种情形下，我觉得尤其需要的是：不要闭门造车，多跟行业里的人交流你的想法，多去看别人怎么做。很难有哪一个想法是“完全独创”的，大家多少都是在彼此启发、互相碰撞里往前走的。

当你一时找不到特别明确、特别“独一份”的那个点时，反而要更开放、更频繁地去沟通和对话。

DanielChao：

说实话，产品创新、做MVP这些事儿不是我的专业领域，不过从服务商和供应商的视角，我倒想跟各位聊个实际的建议：做产品是你们的核心优势，所以大家在找合作方时，核心是要选一个足够可靠的伙伴。这样大家才能摆脱不必要的对接琐事，把所有精力都集中在自己最擅长的产品研发上。

现在新创圈子里，像我们这样的支持型服务商越来越多，背后其实是因为行业都在追求“快速迭代、快速创新”的“build fast”理念。而我们的目标也很清晰：帮大家简化对接流程，不用在环节“串接”上浪费时间，轻松把基础工作落地，好让大家能尽快推进产品验证。对我们服务商来说，这就是我们一直努力想做好的事。

——AI Rudder

我其实觉得，大家最关注的还是“founder-market fit”，也就是“创始人和要做的事情是不是匹配”。就好比说我要去造车，肯定不会有人相信我，这就是一个完全不匹配的典型例子。又或者，我这个缺乏对应经验的人突然进入印度市场做某个产品，那多半也是难以成功的。这就是所谓的founder-market fit。它其实存在一些基础画像：有些人一眼看上去就和某个垂直赛道明显不匹配，这种情况是比较显而易见的。

但如果大家多收集一些样本就会发现一个有趣的现象：做ToC产品的，往往以年轻人为主，甚至很多ToC产品的负责人并没有太多“成功的连续创业者”的履历——并非那种此前已将几家公司出售给大厂、再重新出来做ToC产品的人。相对而言，这类情况其实较为少见。更多的情况是像扎克伯格，或是马化腾这样的创业者，他们基本都是在第一次创业，或是第一次将一家公司做大、打造成行业巨头的过程中，聚焦的就是ToC产品。而且他们通常出手时机极早，尚未被社会过多“洗礼”，仍保持着一种相对原始的、能够洞察用户核心需求的状态，也正因为如此，才得以将ToC产品做成功。

而随着社会经验的不断积累，就像我们这样逐渐沉淀之后，反而更倾向于去做一些ToB业务。其中的逻辑也很清晰：我们对接的合作方，往往是东南亚、中东等地区的各类成熟团队与合作伙伴。不妨试想一下，一个刚大学毕业、缺乏行业沉淀的年轻人，跑去跟对方说“我要给你卖一个ToB产品”，对方脑海中很难形成靠谱的认知，这是客观存在的现实。同样的道理，当个人成长到特定阶段，具备了相应的经验与资源沉淀后，才更适合尝试开拓新的业务领域。

但我始终认为，无论打造何种产品，都必须心存敬畏。我自2008年开始创业，期间做成的、未做成的项目不计其数。恰恰是因为犯错次数越多，越能生出敬畏之心。很多想法在立项阶段，看似让人心潮澎湃，仿佛万无一失，必然能成为某类竞品的强劲对手。彼时心里常会产生这样的想法：某竞品的创始人是谁谁谁，我必然比他更具优势，这个项目一定能成功。可一旦真正下场实操，才会发现很容易踏入“深水区”，且在踏入之前，甚至无法预判深水区的具体位置。这往往就是我们创业过程中真正需要警惕并精准定位的关键：那些看似简单的事情，绝对不能因“表面简单”就掉以轻心。甚至很多时候，越是觉得事情容易，越要保持谨慎——背后或许隐藏着未曾察觉的人和“坑”。

做什么会成功现在还不知道，但做什么一定不会成功，其实大家多少是知道一些的，肯定知道一些。

我最近也在分析：我们现在到底用什么标准来判断，一家大模型创业公司还在不在牌桌上、还有没有坚持下去？在国内现在有一个比较粗暴、但挺直观的标准——你还在不在做预训练。像现在还在咬牙坚持做预训练的那几家，MiniMax、Moonshot、智谱、DeepSeek，还有我们自己，基本都是这样一批公司。

大家都已经到了一个状态：一边要继续做预训练，一边又得去找商业闭环，还要去考虑整个公司的资本化过程。否则的话，过去两年每年十几亿砸进去，最后可能都会荡然无存。这条路有点像华山一条路，没有退路，也退不回去。因为每一代新模型出来之后，上一代模型的资产就会出现我们自己说的“归零效应”。它不像做应用产品，可以积累用户数、积累体验、积累产品认知；模型这件事很容易被一代代新东西直接归零。

所以现在对我们来说，更关键的反而是三件事：场景的定义、商业模式的设计和产品的真正落地。我觉得对大模型创业公司来说，这个时点已经非常关键了。在商业上的思考，我们的感触其实也挺多的。我就只从我们自己以前没有做成的那些事出发，做一些反思。

第一个认知是：如果大家本身就在这波AI大浪潮里创业，其实切入点、切口是非常多的。我非常认同一句话——AI可以把一切重做一遍。不管你是To C、To B，是做一个很小的工具型效率提升，还是做创作、创意、运动健康、生活服务、商务人群，抑或是纵向的细分行业产品形态，不管是AI应用类、Agent类，还是AIGC类的形态，其实机会非常多。但我现在的第一个核心认知是：切入的人群和场景，本质上就是“真需求”本身。不管是互联网时代，还是AI时代，甚至上一个技术时代，“真需求”这件事情从来没变过。如果你是做产品创意、做产品创业，或者你是技术出身的创业者，这一点尤其重要：用户人群和场景的定义，一定要被前置出来，反复打磨。因为这件事是骗不了人的。

第二个认知是：如果有机会，在软件（AI应用）之外，能做到软硬结合，是一件非常值得考虑的事情。也就是说，你的软件可以泛化到未来某种硬件形态，由硬件来承接和放大你的能力，我觉得这是一个非常好的组合。最典型的例子就是我们最近看到的那款AI录音转纪要硬件产品Plaud。我前段时间刚跟他们的创始团队聊完，他们当然不是一夜之间成功的，前面有很多积累。但它的壁垒和商业模式，远比单纯做订阅制软件、或者只卖一款硬件要好得多。它基本是一个“硬件+订阅”相对完美的组合，在这块我觉得它真的算是很成功的。

大家经常会问：这么一个“录音转纪要”的产品，有那么难做吗？难道手机做不出来吗？钉钉里不是自带录音转文字吗？飞书不是也自带吗？我现在的感受是很清晰的：做不出来。你达不到那个“极致”的状态，就是做不出来。不管你是什么手机、什么硬件录音笔，还是讯飞之类的设备，做出来的体验就是不一样。那款产品在“AI+硬件”这条路上，真的做到了一个极致标准，甚至可以说是达到苹果配件的级别——长得极简，设计风格非常统一，就像一个小刀片。我前两天一次性买了五台送给朋友，用下来大家的满意度都非常高。

另外它的“转纪要”质量，我个人感觉是可以几乎一字不改地拿去用的。你把它生成的东西和一个工作了七八年的资深纪要秘书来对比，是能对标的。你只要真正沉下心来体验产品，大概率会得到类似的结论。

所以如果你要去做一个AI+硬件的产品，在商业模式上最好是：硬件本身能打平，然后通过后续服务去放大价值。

第三个认知是：如果有机会，让产品先从非中国市场做起，可能是一条更好的路径。先在海外做验证，再反哺回来，这条路从商业验证、早期商业闭环的角度来看，都更有可能走通。尤其是对于单纯的AI应用、订阅制产品来说，更容易被资本市场看见。

最近我们也看到很多产品，从资本环境和长期价值的视角来说，真正能给出长期投入、愿意给时间和空间的资本，可能现在还是美国那边更成熟一些。他们能给你的时间、空间和容错度都更大一点。

所以，我现在大概就归纳三点：

场景和用户人群的“真需求”：不管时代怎么变，“真需求”永远不会变。场景和人群要前置、要打磨，这是任何产品和创业的根基。

AI+智能硬件的可能性：如果有机会，让你的应用未来具备“硬件化”的承载能力。它一方面会显著抬高你的门槛和壁垒，另一方面会让用户粘性极高，形成更长期、更独特的商业模式。

市场路径的选择：如果有机会走一条“强外开发、强内销”的路径，我觉得会是一个比较好的选择。不管是在商业化早期的闭环、用户需求的验证，还是在资本市场的认知和关注度上，都更容易被看到。

DanielChao：

我们今天讨论的是商业化的过程，大家都在创业也都很清楚：企业最终还是要赚钱，真正进到口袋里的钱才是钱。所以在商业化过程中，哪怕我们只从“支付”这个维度来看，有三件事情非常重要。

第一，一定要“收得到钱”——也就是安全很重要。听起来很简单，但其实一点都不简单。无论你的商业模式是什么，你都要找到一条既安全又能把钱顺利收回来的路径。尤其在创业的过程中，市面上的供应商非常多，你要确认对方的信誉是可靠的，而不是只听他说自己多有经验。否则一旦对方出问题、甚至倒闭，你的钱就收不回来了。钱真的不是闹着玩的，你必须找到一个安全的伙伴，来帮你把这笔钱收好。

第二，要可靠——也就是稳定性要高。大家在做商业化的时候，收款肯定有高峰和低谷，尤其是做促销、做活动，或者在做一些比较特别的测试的时候，在支付场景里面，当你的交易量突然暴涨的时候，你要确定系统依然是稳定的、钱还是收得到的。稳定性是一个非常重要的环节，它直接决定你的成功率。所以，安全、稳定，两者缺一不可。

第三，就是合规。刚刚也提到税的问题，大家开始赚钱、开始商业化的时候，一旦出现合规风险，最常见的结果是：你赔出去的钱比赚到的还多。更严重的是，你可能会被下架。一旦被下架，你以前所有投放出去的成本、你投入的那些资源，基本上都打了水漂。所以你一定要找到一个合规、并且能够协助你在当地实现合规的合作伙伴。安全、稳定、合规，是我们在做商业化时看到的三个关键点，看起来简单，却非常容易被忽略，我们已经看到太多太多这样的案例了。

在讲完这一块之后，我们把视角拉回到一个生成式AI的场景来谈。刚刚前面其实也聊了很多，如果你最后什么都没记住，至少记住这一点：你一定要采用一个“复合式”的计价或收费方式。这才是真正能够帮助你在当下这个AI时代跑得更远的做法。现在大家都很喜欢做各种订阅制的模型，但你需要的是一个复合型的模式，绝对不是单一的一口价，也不是单一的用量计费，更不是单一的结果计费。你很可能要把多种不同的计价模型搭配起来，然后快速地去做验证和调整。

以上就是我在商业化这件事情上，特别是在AI场景下的一些观察和思考的维度。

——AI Rudder

我现在这家公司本身发展还可以。前两天我和早期投资人在交流时，他问了我一个问题：如果再来一次，你会做哪些跟现在不一样的事情？

当时我其实一下子就想到两个点，先放到后面。但总体来说，我是觉得，成功里面运气的成分还是蛮大的。很多时候，你每件事都做得很对，最后也未必成功；反过来，有时候做了一些看起来不那么“正确”的选择，反而可能走向了更成功的结果，这样的情况也非常有可能发生。

回到刚才那两个点。第一，如果重来一遍，我会在19年就杀去美国。原因大家大概也能想象，当然这里面有点马后炮的成分。但现实就是，当你把根深深埋在东南亚和拉美之后，再想去美国，难度就会大很多。这和很多中国公司出海的情况是一样的：越是在国内做得不成功的，反而越容易往外走；在国内做得越好的，海外反而往往做不好，道理是类似的。

第二点是，我可能会少跟客户“高频社交”，把更多精力放在产品上。因为我后来发现，客户到底稳不稳定、来不来、走不走，和我跟他喝了多少酒、吃了多少饭，其实没有那么大关系。产品如果足够好，他就一定会留下来。