作為AI 2.0 時代的産品人，工作之餘總會關注一些當下熱門或新興的AI應用，并思考其背後的使用者場景和産品政策。這兩天有朋友聊到“問答引擎 Perplexity AI 在C端崛起的背後邏輯”。這引起了作者的思考：在國内，Perplexity AI 所依托的大模型搜尋能力的2C應用怎麼落地更有價值？
本篇小編将針對這一問題進行一系列的思考闡述，歡迎感興趣的朋友與小編進行讨論。
問答引擎之 Perplexity AI：
- Perplexity AI 問答引擎解決了使用者什麼需求？
- Perplexity AI 問答引擎的商業模式是什麼？
- Perplexity AI 問答引擎是否有望平替傳統搜尋引擎？
問答引擎之 國内競品：
- 天工AI搜尋 較 Perplexity AI 有哪些不同？
- 天工AI搜尋 在國内定位是問答搜尋引擎嗎？
- 天工AI搜尋 在國内2C場景的生存空間在哪？
01 問答引擎（海外）：Perplexity AI
由于 Perplexity AI 目前是明星級AI産品，網絡上有很多大佬已經對其産品介紹、場景特點等方向進行了深度分析，小編就不在此班門弄斧了。有興趣的朋友，可以自行查找。
1. Perplexity AI 問答引擎解決了使用者什麼需求？
作為産品人，在進行産品方案設計時的第一步就是要搞清楚，産品解決方案是給誰用的。是以本文的第一個思考點就從這個問題開始。
Perplexity AI 的主要産品功能，小編總結如下：
- 對話式問答：Perplexity AI 依托于LLM能力，通過對使用者問題的語義了解，實時搜尋相關文獻，總結答案并顯示引用來源。較傳統搜尋引擎的清單式回答互動，更加便捷。
- 搜尋助手：Perplexity AI 的 Copilot功能，可在使用者提問後，通過問題了解後的子标簽推薦，幫助使用者更好的定位問題的關鍵詞，進一步提高回答的準确性。
- 垂類精搜：搜尋時可選擇學術、寫作、YouTube等垂類領域，進行定向搜尋。
- 連結分享：使用者可以将每次搜尋會話的連結分享給他人，如果這次搜尋會話仍在繼續，所有被分享的人也将可以同步看到。
從功能總結以及小編的使用體驗後，小編分析的主要使用者場景：
- 知識擷取：Perplexity AI可以幫助使用者更高效的擷取知識點，無論是具體的事物還是抽象的概念，都可以通過Perplexity AI進行搜尋，但僅限于有行業共識或相當标準化的知識點問答。
- 輔助寫作：對于學生或者科研人員來說，Perplexity AI 可幫助其在寫作時，對參考文獻及知識進行快速的解答，提高寫作效率。
看到這裡，已經對 Perplexity AI 有過了解的朋友，可能會有兩個疑問：
- 為什麼是僅限于有行業共識或相對标準化的知識點問答？
- Perplexity AI 的 Copilot功能可以幫助使用者在生活及購物方向通過垂搜進行輔助決策，為什麼小編沒有提到？
對于這第一個疑問，小編先舉個例子友善大家了解：
- 我想轉行AI 2.0 産品經理，我需要懂什麼？
- 我想轉行AI 2.0 産品經理，有什麼推薦的課程或分享嗎？
對于第一個問題，行業内有一個相對通用的評定标準，比如要懂大模型特點及邊界、要懂如何定義資料集、不同的應用賽道要懂其業務場景和使用者需求等。這個問題我們用 Perplexity AI 可以得到一個相對靠譜的答案。
對于第二個問題，行業内目前是沒有一個有共識的答案。Perplexity AI 在目前的回答政策下将無法給出我們一個靠譜答案。你可能會說“我可以通過不斷的提問，讓Perplexity 回答出我想要的答案呀。”那此時小編想說：你有這時間，用B站、小紅書、微信公衆号也已經搜到了，哪怕是百度都有很多參考答案。
基于以上的案例，小編得到的結論是：基于使用者搜尋成本考量，Perplexity AI 目前能提供的問答搜尋場景的邊界是僅限于有行業共識或相對标準化的知識點問答。
對于第二個疑問：為什麼小編認為 Perplexity AI 無法幫助使用者在生活及購物方向通過垂搜提高輔助決策？小編也通過舉個例子友善大家了解：
- 元旦在北京，有哪些可以跨年的地方？
- 我想買個Windows筆記本用于AI繪畫，你有什麼推薦？
對于這兩個問題，小編的問題出發點是“元旦跨年，在北京，我想找個攻略，或者看看别人的建議。” 和“我想買個用于AI繪畫的筆記本，現在市面上哪個款式成本效益高，使用者評價好。”這又回到了第一個結論。在我們對某一個需要付出一定量級的試錯成本時，我們需要的資訊分為标準資訊和參考資訊。
目前的 Perplexity AI 由于其資料源擷取和回答政策的限定，它隻能回答我的标準資訊，如景點特點、筆記本參配等。它無法回答我“高贊的跨年攻略是什麼”“哪個筆記本的使用者評價好”。是以基于以上的思考分析，小編得到的結論是：基于使用者試錯成本考量，Perplexity AI 目前尚不具備通過垂搜能力為使用者提供行動輔助決策的能力。
那麼基于這樣的思考路徑，又出現了兩個問題：
- 問答引擎是否在解決了資料源擷取，優化了回答政策後，就可以回答我這個問題了呢？
- 為什麼 Perplexity AI 在目前階段要進行在生活及購物方向進行垂搜探索？
第一個問題中提到的資料源擷取，這是一件門檻極高的事情，對于各垂類領域的企業内容資料是其企業的核心競争力之一。而公域的資料源又沒辦法解決使用者千人千面的需求。那有沒有什麼間接的解決方案，小編是有一個思路的，這一點小編先賣個關子，在第三章中會給出答案。
回答政策優化這件事，在小編看是一個搜尋效率和答案豐富度之間的平衡。如何即可以保證答案的聚焦性（頁面簡潔、無硬廣、無不相關資訊）又要給出足夠量級的參考建議（非标答案）。這個小編才疏學淺，目前沒想到什麼好的方式。第二個問題，在小編看來是Perplexity AI 目前的商業模式并不足以支撐其龐大的使用者增長而導緻的不得不進行更多場景的可行性探索。
2. Perplexity AI 問答引擎的商業模式是什麼？
了解 Perplexity AI 的朋友都知道，目前的Perplexity AI 的C端商業模式較為簡單，即：訂閱制。新使用者可以免費使用 Perplexity AI ，如想無限次使用Perplexity AI 的 Copilot 功能及一些進階功能，需每月支付20美元。
衆所周知，像 Perplexity AI 這類依托LLM能力的應用，其最大的邊際成本來自于大模型的計算消耗（算力）。由于 Perplexity AI 提供的是“免費+付費”的模式，少量的付費使用者所帶來的經濟價值更多用于平衡免費使用者的算力消耗。是以 Perplexity AI 目前的變現能力并不足支撐其成長到現象級應用的階段。Perplexity AI 作為問答搜尋引擎，其目前嘗試的商業模式探索方向，小編了解是借鑒于傳統搜尋引擎的商業模式，即供需撮合模式。
圖檔引用：中金研究
通過中金大佬的分享，大家可以快速的了解傳統搜尋引擎的供需撮合模式。小編就不在此贅述了。
由于大模型的推理過程存在不可解釋性的缺陷，如果想通過人工方式幹預其結果，小編猜測目前僅有兩類政策。
輸入側：在垂類營銷領域，如汽車、旅遊等，對資料源内容進行軟廣偏向的重寫。
- 優勢：在于輸出結果時，對使用者并無明顯的硬廣感覺。
- 劣勢：資料源重寫成本巨大，短期内無法實作。
輸出側：同樣在垂類營銷領域，如汽車、房産等，對輸出結果通過圖譜方式進行硬廣挂載。
- 優勢：與傳統搜尋引擎當下推廣呈現方式非常雷同，實作成本低。
- 劣勢：這類呈現方式對使用者體驗損壞較高。
小編判斷，當下的 Perplexity AI 基于實作成本考量，可能的方式是主輸出側，次輸入側。但在未來，為了保證 Perplexity AI 本身的産品調性（精準、簡潔），及使用者習慣的變遷。将會逐漸變為主輸入側，次輸出側的方式。
為什麼小編會有這樣的判斷？大家可以思考一下，為什麼抖音、小紅書的内容營銷在當下更容易被使用者所接受。
3. Perplexity AI 問答引擎是否有望平替傳統搜尋引擎？
在上文的兩個小結中，小編已經分享了兩條對 Perplexity AI 目前局限性的了解：
- 基于使用者試錯成本考量，Perplexity AI 目前尚不具備通過垂搜能力為使用者提供行動輔助決策的能力。
- 基于使用者搜尋成本考量，Perplexity AI 目前能提供的問答搜尋的場景邊界是僅限于有行業共識或相對标準化的知識點問答。
在這一節，小編将從另一個次元來思考，即：使用者意圖。
如何了解小編所說的“使用者意圖”呢？小編還是先說個例子：小編作為一個産品類知識分享部落客：
- 小編想看看個人品牌在公域影響力怎麼辦？小編直接在百度搜尋“楊三季”。
- 小編想看看某篇文章在公域中被轉載到哪裡了？小編直接在百度搜尋“這篇文章的标題”。
以上兩個問題，如果使用 Perplexity AI 的結果是，第一個問題答案是總結了“楊三季”這個部落客資訊。第二個問題答案是無法回答。
可能這裡又有朋友說“你這個問題太小衆了，不具有代表性。” 那換個大衆熱點“董宇輝事件”， Perplexity AI 的結果依然是無法回答。使用者意圖在小編看來，分為兩類：
- 精準需求：使用者有一個明确的問題點，希望搜尋引擎給出一個明确的答案。
- 模糊需求：使用者有一個明确的問題方向，希望搜尋引擎給出一個全面的答案集。
而 Perplexity AI 這類基于LLM能力的問答引擎對于“精準需求”的回答能力是高效的，但對于“模糊需求”的回答能力遠不如傳統搜尋引擎高效。
雖然 Perplexity AI 可以通過多輪互動得到一個使用者想要的答案，但我既然能一步到位，我為什麼要費時費力的問好幾遍呢？
是以小編的思考後認為：
- Perplexity AI 在垂搜領域下，在克服一些卡點後，有望平替傳統搜尋引擎。
- Perplexity AI 在大搜領域下，基于使用者場景，如不能跟傳統搜尋引擎結合，并不能平替搜尋引擎。
關于以上觀點，也有可能是小編見識淺薄，管中窺豹。歡迎有不同觀點的行業大佬指正與交流。
02 問答引擎（國内）：天工AI搜尋
聊完國外的問答搜尋引擎，接下來咱們聊聊國内的，國内目前的依托于LLM能力，提供問答能力的産品蠻多的，比如文心一言，百川大模型，天工AI，訊飛星火，通義千問，月之暗面等。目前與 Perplexity AI 産品形态最為相似的是 “天工AI搜尋”。小編也将基于“天工AI搜尋” 這個産品來聊聊關于“在極具特色的國内C端市場中，AI搜尋引擎應如何定位和發展”的思考和認知。
PS：小編要強調的一點是，關于天工AI的思考分析，僅限于天工AI面向C端市場的産品（天工AI助手）思考，并不涉及其在B端市場商業布局的思考。
1. 天工AI搜尋 較 Perplexity AI 有哪些不同？
跟 Perplexity AI 一樣，“天工AI搜尋” 網上也已有很多大佬對其産品特點等進行了深度分析，小編就不在此贅述了。小編本節主要聊一下天工AI搜尋 跟Perplexity AI 的功能差異性，并以此來推測天工AI搜尋 在國内市場的定位和方向。
通過上圖，可以清晰的發現“天工AI搜尋”較“Perplexity AI”在産品子產品上增加了“AI對話、AI閱讀、AI創作、搜尋人設、熱點推薦以及移動端APP”這幾個功能子產品。
下面小編将基于“天工AI搜尋”新增的這幾個功能子產品做簡單的功能介紹和場景分析。
通過上圖，可以清晰的發現“天工AI搜尋”較“Perplexity AI”在産品子產品上增加了“AI閱讀、AI對話、AI創作、搜尋人設、熱點推薦以及移動端APP”這幾個功能子產品。
PS：因為天工的AI搜尋能力在其各個功能子產品都被應用，是以小編将對這些功能子產品進行分析。
1.1 功能分析：AI閱讀
小編認為，天工AI的AI閱讀這個子產品所定位的使用者場景是“資訊區分”的場景。怎麼了解這句話呢？小編來舉個場景例子：
我們每天都會在不同的管道（微信公号、36氪、虎嗅、知識星球等）看到很多文章，但由于時間、惰性、缺乏工具等問題，就會出現：
- 有時候隻能簡單看一下 → 收藏 → 有時間再看 → 根本想不起有這事 / 收藏太多，是哪個來着；
- 有時候認真看過後 → 收藏 → 有時間再寫個筆記 → 根本沒時間寫；
- 有時候看着看着突然想到一個啟發 → 收藏 → 一會把這個idea記下來 → 完了那個idea是啥來着；
在我們每天擷取的大量資訊後，我們需要區分出哪些資訊是對自身有價值的。而AI閱讀可以快速的幫我完成資料整理，通過輸出“AI摘要”的方式，讓我們快速分辨哪些資訊是有價值的，哪些資訊是與我無關的。天工的AI閱讀對應的使用者場景，小編認為是非常剛需的，但天工的AI閱讀這個産品方案，不管從橫向面（基于資訊區分的前一步或後一步場景）還是縱向面（資訊區分這一步的使用者體驗），做的都很一般，更像是一個Demo。
可能有朋友會問橫向或縱向，小編認為天工的AI閱讀哪裡做的不如意？
就基于小編展示的AI閱讀功能的這張截圖，先簡單說幾點“資訊區分”這個單點的使用者體驗吧：
- AI摘要部分，摘要出的第一條和倒數第二條是重複的。那小編想問，這樣情況的托底方案是什麼？我作為使用者，肉眼可見的問題出現時，我如何回報？點那個“差評小手”嗎？然後，等待你們輸出一個正确的結果給我嗎？
- AI摘要部分，顯示的那個索引1~5，點選後，左側的原文會進行跳轉，但你跳轉後原文錨點是哪句話呢？你讓我從哪開始看？
- 你的提問子產品，答案輸出的來源是什麼？你到底是基于原文内容的搜尋，還是全網的搜尋？如果是全網搜尋，它放在這裡是解決我什麼問題呢？使用者場景是什麼？
就先說這麼幾個顯而易見的問題吧，如果被天工的同學看到可能會說“ you can you up！nocanno bb！”。小編就簡單說一下如果我來做這個子產品，可能會怎麼做：
剛才小編提到“AI閱讀”針對“資訊區分”是一個解決方案，但反過來“資訊區分”的解決方案是“AI閱讀”嗎？這個小編認為不精準，“資訊區分”使用者追求的是快速擷取有價值的資訊。“AI閱讀”可以分為“AI精讀”和“AI速讀”。“資訊區分”對标場景應該“AI速讀”。
- AI速讀：對于擷取的大量文章資訊進行快速區分，判斷哪些是有價值的，值得精讀的。
- AI精讀：對已判斷為精讀的文章内容，進行細讀，知識點查閱，筆記記錄。
基于這樣的思路，AI閱讀頁面，頂部可分為兩個頁簽：AI速讀，AI精讀；
1.1.1 AI速讀
從左至右，進行三個縱向子產品區分（文章清單、AI摘要、AI問答）；
文章清單：
- 标題名稱全量展現、文章頭圖、文章引言展現，通過清單資訊對文章資訊快速了解。
- 标題名稱全量展現、文章頭圖、文章引言展現，通過清單資訊對文章資訊快速了解。
- 已讀/未讀：通過功能快速的區分當下要處理的資訊。
- 标星/未标星（置頂/未置頂）：通過功能快速的打标區分哪些要精讀的資訊。
- 删除：這個功能很通用，但在“資訊區分”這個場景下，是低優先功能。大家可以設想一下，你會進行“收藏”行為的微信文章，哪怕這篇文章當下對你沒價值，但你什麼場景下會删除呢，頻率多高呢？
AI摘要：
- 這一部分如果定位在AI速讀的場景中，其實索引并不是高優需求，而是對内容的總結次元。比如一句話概括的能力，文章的内容關鍵詞；
- 在AI速讀部分，使用者不太會關注原文内容，是以AI摘要的效果回報可不加。
- 在AI速讀部分，分享這個功能其實相對更重要。場景“我看到一篇内容，通過概要發現這篇内容還不錯，我身邊XXX可能需要，我可以将這個摘要分享給他~”
AI問答：
- 在AI速讀階段的場景“我看到摘要後，我可能會對這摘要中的某段資訊感興趣，那我這裡想知道的是，關于摘要中提到的資訊，原文中是如何闡述的。”是以AI問答在這個場景中，針對的搜尋範圍應該是對應的文章，而不是全域搜尋。
1.1.2 AI精讀
子產品，從左至右，進行三個縱向子產品區分（原文展現、AI導讀、AI搜尋），清單收起；
原文展現：
- 内容不可以編輯，但支援劃線，這個點可以參考“微信讀書”；
- 劃線後的操作項：純劃線、寫思考、關聯導讀大綱、分享、AI搜尋；
AI導讀：
- 一句話概述，關鍵詞标簽，文章脈絡梳理（顯示索引）；
- 以上内容支援編輯，當使用者完成編輯并跳出這個頁面時，将編輯的資料當做這個功能的badcase傳給算法側。進行優化。
AI搜尋：
幫助使用者對文章内陌生資訊進行全域搜尋，提高使用者的閱讀了解能力；
- 說完基于“AI閱讀”的單點優化（縱向），小編也簡單說一下基于“資訊區分”的前後場景（橫向）的建議吧。
1.1.3 向前一步場景
首先看一下使用者對應感興趣的文章的收藏流程：
- 正常使用者流程：“使用手機 → 各種垂類資訊平台（微信公号、36氪、虎嗅等APP）中看到好文 → APP收藏（小編是APP分享 → 微信的檔案傳輸助手）”；
- 天工AI閱讀的使用者流程：“使用手機 → 各種垂類資訊平台中看到好文 → 複制連結 → 跳出目前APP → 找到天工APP → 打開AI閱讀 → 粘貼連結”。
使用者的使用多了4個補助，使用者成本高了很多，這裡可以借鑒一下“印象筆記的AI閱讀”或“知了閱讀”的邏輯。即：“使用手機 → 各種垂類資訊平台中看到好文 → APP分享 → 微信的AI閱讀的公衆号/服務号/企微機器人”；
1.1.4 向後一步的場景
從使用者場景鍊路來看，小編聚焦一下使用者畫像：
- 對資訊或知識有明确需求；
- 對網際網路接受程度較高；
- 希望通過AI閱讀的能力提高資訊擷取的效率。
換句話說，AI閱讀最先觸達的使用者群體可能是網際網路從業者和大學生群體。
那對于這類使用者，當完成“資訊區分”後，下一步可能就是“知識總結”了。那“知識總結”該怎麼做？
- 通過知識圖譜，将使用者完成AI閱讀後文章内容，進行同類型（顆粒度可從文章 → 章節 → 段落）資訊點關聯，完成使用者的個人知識庫的建設。
- 既然天工AI提供AI創作子產品，那使用者完成AI閱讀後的文章資料是否可以作為AI創作中的文本素材庫呢？将AI閱讀的資料與AI創作的資料連接配接起來。
關于AI閱讀這個功能，由于要控制篇幅，小編就先說這些吧（有點跑題了~~~）。
1.2 功能分析：AI創作
說到“AI創作”，小編有點沒搞清楚這個頁面對标的使用者場景中，到底是内容創作為主，還是AI創作為主。
- 如果是内容創作為主，那頁面主視圖為什麼是AI子產品？
- 如果是AI創作為主，那現在AI創作的生成能力能完成像上圖案例這樣的深度分析内容嗎？
另一個讓小編疑惑的問題是“AI創作中的聊天創作子產品”和“AI對話中的助手中心的助手類型”重合度很高。如果硬要區分，那可能AI創作面向的是長文創作，AI對話面向的是短文創作？
如果要讓小編給點建議：
- AI創作的布局可以參照notionAI或者印象筆記進行調整，主文本創作子產品，AI能力放在右側（可收起）。
- 對于不同的模版内容方向，要結合場景痛點針對性輸出，不要拿大模型能力直接堆砌功能。比如：分析類/報告類模版，使用者痛點更多是不知道如何列大綱，整理主題脈絡。會議紀要類/日報周報類模闆，使用者痛點更多是如何将口語化/零散内容提取總結并關鍵詞等。
- 對于AI輸出的内容，整篇添加的可能性大，還是摘取部分内容添加的可能性大？
“AI對話、熱點推薦、搜尋人設等功能”小編就暫不展開聊了，隻能說功能堆砌挺多，但有一種僅是為了做而做，而非為了解決使用者痛點而做的感受。
2. 天工AI搜尋 在國内定位是問答搜尋引擎嗎？
通過以上的功能介紹及場景分析，其實不難發現，“天工AI搜尋”與“Perplexity AI”的産品定位并不相通。
- Perplexity AI：定位于知識問答場景，産品形态以問答搜尋引擎為主，緻力于深耕搜尋引擎的回答效率及更多的場景覆寫。
- 天工AI搜尋：定義于知識學習及辦公創作場景，産品形态以知識搜集、整理、創作等工具矩陣為主，緻力于提高使用者在知識學習及辦公創作的效率。
可以說，“Perplexity AI”是基于知識問答這個單點進行縱向能力深耕，而“天工 AI”是基于知識問答這個點進行橫向鍊路的打通。
為什麼這兩個産品的切入點相同，但産品路徑截然不同呢？小編認為可以從文化差異、市場環境、商業模式，這三個方面來進行思考：
- 文化差異：國内在某些前沿領域的技術研究仍與海外存在一定差距。（好吧，小編自認對學術科研沒太多了解~）。但從小編觀察到的現象看，周圍的技術同學在做技術調研時，基本都是梯子到海外看文獻。從這個點也可以判斷出：海外的學術問答引擎相較于國内更有痛點。
- 市場環境：國内的C端使用者的付費意願較弱，工具型産品的特點是使用頻次不高、使用時間短，使用者忠誠度低，産品可替代性強，流失率高，并且門檻低，難以形成壁壘。是以在國内“天工AI搜尋”無法按“Perplexity AI”的商業模式進行變現。
- 商業模式：由于市場環境的國内外差異性，僅滿足單點需求的工具型産品很難進行良性的商業變現，是以“天工AI搜尋”的方向，從問答場景中拆分出技能學習和辦公創作兩個細分領域，并在這兩個領域中通過産品矩陣滿足使用者的更多的痛點需求，以期望提高使用者的留存，通過使用者資料優化其大模型輸出效果，從中進行變現能力的可行性探索。
是以“天工AI搜尋”在國内的C端産品定位并不是問答搜尋引擎，而是知識學習&辦公提效平台。
3. 天工AI搜尋 在國内C端市場的生存空間在哪？
按照SimilarWeb的監測資料，7月份OpenAI的網站通路量15億，平均每個使用者通路時間是4分鐘22秒。有42.24%的使用者隻通路OpenAI的一個頁面，平均每個使用者通路4.36個頁面，那麼可以這樣估算，假設ChatGPT Plus使用者也是平均通路4.36個頁面，那麼付費使用者的比例約200萬*4.36/15億，也就是約千分之5.8的使用者是付費使用者。那麼，簡單的估算就是ChatGPT的付費訂閱比例約0.58%左右。也就是說1000個人中可能有6個人付費，那麼相比較免費使用者承擔的計算成本，這個比例還是有點低哦（注意，這是十分粗略的估算）
判斷一個産品在市場中是否有足夠的生存空間，其核心是判斷這個産品能給使用者帶來的多大價值。ChatGPT已然是目前AI賽道公認的使用者量No.1 産品了。但其付費率僅不足1%，這1個點的付費收益能打平其他99%未付費使用者的算力消耗嗎？在其高昂的技術成本下，什麼情況下能盈利呢？
陳紫冰：首先請教一下方漢總，昆侖萬維在做自己的大模型，也在AI方向深耕多年，能不能跟我們分享一下具體我們布局了哪些方面，或更看好哪些行業？
方漢：我們從2022年初思考判斷這個事，這波AI浪潮應該不會比2000年、2010年網際網路浪潮小。這波浪潮中長的比較大公司，一是C端公司，二是一定是免費的模式。爆發出來的巨頭行業，也一定是C端的公司。由于C端公司增長模式确定，他大機率不是以訂閱模式存在，而是以免費模式存在。
從昆侖萬維董事長兼CEO方漢先生的表述中，可以清晰的感覺到：“天工AI” 面向C端市場，一定是免費的模式。
做過C端提效工具的産品朋友都知道，在面向國内的C端時，提效工具通過訂閱制是極難變現的。那麼通過AI搜尋能力落地到C端市場的應用，是否隻有問答引擎 → 替代傳統搜尋引擎部分場景 → 通過撮合品牌主&創作者&消費端的方式進行廣告變現呢？
這一點上小編有不同的思考。AI 2.0 爆火後，直接帶火了AIGC賽道，最明顯的市場表現是AI文本創作，AI繪畫，AI視訊所覆寫的行業出現了大量的“超級個體”，通過自身的行業經驗，加持AIGC技術，進行專業技能的變現。
在出現大量靠自身手藝變現的超級個體後，又帶火了“知識付費”領域。比如：當下網際網路職場中最火的知識付費主題“如何轉行幹AI相關業務”。
而AI問答搜尋引擎目前的場景就是在輔助使用者完成某一項知識的擷取 → 補全 → 打磨的過程。那基于這樣的出發點，是否可以通過AI搜尋能力為核心，賦能于使用者的技術樹從0-1的過程呢？比如天工AI的産品布局下，做深每個功能子產品，并将功能子產品基于“資料擷取 → 資訊區分 → 知識歸類 → 技能總結 → 知識獲利”的鍊路建立連接配接，并通過産品政策打通知識賦能側和知識消費側的連接配接。進而完成從“工具價值（低溢價）→ 流程價值（低溢價）→ 知識價值（高溢價）→ 人脈價值（高溢價）”的更新呢？
小編對此有一套相對完整且閉環的項目方案構思，但由于篇幅太長（第三章：1W字+），就不在此繼續展開了。後續有機會再分享給大家。
參考文章：
- 關于OpenAI最新的營收和成本資料估算
- Perplexity AI，比Google Bard和Bing Chat更靠譜的問答引擎
- 中金：從Perplexity看AI+搜尋的破局之道
專欄作家
楊三季，微信公衆号：楊三季，人人都是産品經理專欄作家。8年網際網路經驗的進階産品官，深耕内容領域，ex阿裡AIGC.PM，現某垂類領域頭部企業 AI2.0 PM。
本文原創釋出于人人都是産品經理。未經作者許可，禁止轉載。
題圖來自Unsplash，基于CC0協定。
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務。