AI 落地，技术并非关键，真正门槛是理解业务与行业 Know-how。

图由 AI 生成

整理｜保文

编辑｜燕子

为什么许多 AI 产品在内测时表现良好，一旦交付客户后就会 " 翻车 " ？

在「DeepTalk」第三个系列话题栏目「AI 落地实战」对话中，崔牛会创始人 & CEO 崔强，与北森联合创始人 & CEO 纪伟国，围绕 "AI 产品上线第一仗：从内测到客户交付的那些坑" 这一主题展开了深度对话。

纪伟国认为：第一，AI 产品在从 0 到 1 阶段，最大的挑战是难以有效匹配客户业务场景，因此 AI 产品经理应当在一线围绕客户业务场景做产品，并根据客户需求快速迭代；

第二，AI 产品成功的关键是以客户为中心理解客户业务，以及将行业 Know-how 融入产品；

第三，AI Agent 最终会走向客户的自定义，未来客户化工作将可能较重；

第四，在 AI 产品的打磨中，耐心非常重要，要确保产品成熟后再进行规模化销售。

以下是经牛透社编辑整理的对话内容：（有删减）

01

AI 上线第一仗

崔强：现在大家看到 AI 在 ToB 领域比较热，但接下来可能会较快进入一个理性的状态，其中一个常见问题是：大家没有找对场景，所以交付后才会出现各种问题。

北森的 AI 产品，已经有相对规模化的收入了。北森在 AI 实践中，包括前段时间发布的 AI Learning，在产品的交付过程中，经历了哪些关键挑战，有哪些经验？

纪伟国：2023 年下半年，北森做过很多 AI 产品，却收不上钱来。因此，我们在 2024 年，做了以下几个假设和转变：

第一，必须做能收费的 AI 产品；

第二，能收费的 AI 产品，应该是一个端到端的场景，能把客户某个问题端到端地解决掉才行。

所以，当时我们在战略上选择了   7 个 Agent：AI 招聘助手、 AI 面试官、AI 员工助手、AI 做课、AI 陪练、AI 领导力教练、AI 测评。

在这个过程中，我们也对北森的   IPD 研发流程做了微调。

这么做的主要原因，是   AI 产品的复杂性远低于软件产品，研发成本也低很多，而且面向的都是非常具象化的场景。所以，首先我们把研发分成几段，并且要求快速迭代，将迭代周期缩短为两到三周。

第二，产品经理到一线围绕客户做产品，把交付分为 " 从 0 到 1" 和 " 从 1 到 N" 两个阶段。一旦产品内测成功，就进入 " 从 0 到 1" 的可用性验证阶段。这个阶段都是产品经理自己销售和交付，紧贴客户业务场景落地，可以让产品经理看到产品在客户侧的真实应用反馈，要确保 "1" 的实现：即产品在客户那里能用起来，并且可以通过评审，进入 " 从 1 到 N" 的阶段。

在 " 从 1 到 N" 阶段，前线人员可以基于客户画像筛选匹配的客户进行销售，做一定的交付支撑，确保早期客户的应用效果和应用粘性；

大概到了 50 家 ~100 家 客户，确认了市场空间、竞品价格、目标客户、目标场景、交付和营销方式等方面，才会进入规模化销售阶段。

在 " 从 0 到 1" 阶段，最大的一个挑战是  AI 产品做出来之后，到客户那里仍然会出现很多未知的场景，客户在应用时会发现产品和业务场景匹配不上，产品就会 " 翻车 "。

而且产品在交付给客户后，还需要快速迭代。北森的 AI 面试官，做到了两周一次迭代。

要应对以上挑战，关键是产品经理要上前线，围绕客户业务场景做产品，并根据客户的需求和反馈快速迭代产品。

崔强：怎样判断客户愿意为一个 AI 应用场景付费？

纪伟国：在产品的设计和定位上，它应该是一个独立收费的  AI  产品，解决了某个独立的、高价值业务场景（如 AI 面试官）问题，而不是一个原来产品功能的延伸或叠加。

因为叠加在原有产品里的功能点、价值点通常都比较小，很难让客户愿意单独付费。

崔强：在 AI 产品内测过程中，一般会遇到哪些问题？

纪伟国：还是以 AI 面试官为例。北森是从校招场景开始的，但切入之后发现，只有做了才能知道客户的业务场景，而且这些业务场景大都和大模型的关联不多，例如：客户要测纹身，色盲，客户会测试对比等等。

北森的 AI 面试官，大概 50% 的研发都和大模型没有太大关系，更多的是围绕客户业务场景，为了解决业务问题而填补客户需求上的空缺。

崔强：这里面其实技术门槛并没有那么高，真正的门槛是从客户的业务场景中理解客户需求。

纪伟国：是的。

第一，理解客户的业务场景是很难的，每个客户都有很多需求，只有客户够多，才能知道哪些是共性需求。所以，第一大挑战，是以客户为中心理解客户业务；

第二，无论什么产品，都要融入行业 Know-how  ，对行业 Know-how 的理解是产品成功的另一个关键。在这个过程中，代码技术和大模型反而显得不太关键。

以 AI 面试为例，把 AI 训练得 " 懂面试 " 这件事的前提是在当下 AI 大模型的通用能力基础上，训练 AI 的人本身就是面试专家，这点很重要。

北森上百名测评顾问都转型做提示词工程师的背后，就是在把不同岗位的能力模型要求是什么、怎么在不同考察维度上让 AI 问出高质量的问题，并基于行为面试法让 AI 实时三层智能追问，并且结合结果 - 过程和动机科学评分，经过过程中上百次训练过程调整，才得到一个经验丰富、达到专业面试官水平的 AI 面试官。

崔强：前几天和白鸦（有赞创始人）聊，他觉得行业 Know- how 重要，但更重要的是行业 Know- how 可以被数字化，可以被大模型学习或者理解。你怎么看这个问题？

纪伟国：人力资源的终极目标，首先，是明确岗位对人的要求；第二，是怎么评估人的能力；第三，是如何发展人的能力。

所以，人力资源是一个偏人文或者平衡性的领域，并不是非常容易量化的，它更依赖于多年的经验积累，而且这种经验往往是储存于专家头脑中的，以往我们是拿不出来的。

现在，可以将这些经验输入大模型，变成可固化的产品，这和白鸦讲的有些类似：它不是一个比较固化的知识，而是一个行业 Know- how，是一个动态、可理解的东西。

崔强：在 AI 功能里，是不是也有一个可以跑起来的最小版本？这个最小版本怎样才算合格，是可以交付给客户上线使用的？

纪伟国：我不太理解这个最小版本的定义，我理解的是最小场景。

首先，一定要解决一个端到端的具体场景。AI 面试官首先做的是校招场景，去年 11 月份我们才开始做蓝领招聘场景。我认为一定要把一个场景做扎实，端到端地把一个业务链条解决掉，才能进入另外一个场景，否则就没有意义。

整个校招场景中，有没有一个最小版本？

我认为是没有的，因为我们是要把客户的整个问题解决掉的。比如，客户会要求你把校园招聘的第一轮面试全部取代掉，如果取代不了，客户是不会买单的。

所以，我理解没有所谓的最小版本，只能是选一个场景做深做透，再去做下一个。

崔强：在客户交付过程中，你们内部首先要达到什么样的预期之后，产品才能上线接受客户的 " 检阅 "，这里有没有一定的原则？

纪伟国：原型产品出来以后，我们立刻会让先锋客户使用，这个过程中一定会有客户对产品的反馈，如果发现客户的反馈你根本解决不了，这时就需要果断放弃，比如我们的 AI 测评产品就是这样。

从这个角度看，我们是不太管理客户预期的。而且 AI 类产品，客户肯定是会去体验的。如果不达预期，他们也不会再用。

这里有两种情况：第一，如果大模型技术很难达到客户预期，需要立刻停止，不要再投入了；第二，如果要投入巨大的成本才能达成客户预期，可以先放一放，先做容易做的。

崔强：客户对不确定的东西永远会焦虑。在实践中，客户对于大模型幻觉、泛化的忍受程度是怎样的？

纪伟国：让大模型做一些精确性的东西确实比较难，所以，这类场景我们就不做了。这个过程中，关键还是要利用大模型比较擅长的自然语言能力。

所以，我们选择场景，首先要考虑如何利用大模型的优势，来解决人力资源场景中的问题。

02

回到业务场景

崔强：你怎么看大模型技术的发展对目前企业软件行业的影响？

纪伟国：我做大模型至今快一年半了，前 6 个月并没有太多感觉，但 6 个月以后的每个季度，都在刷新我对这件事情的认知。

我发现大模型有很多地方，比如今年我们推出的 AI 学习助手，的确是可以发挥巨大价值的。同时，我也看到一些前端营销类的 AI Agent，有很多是偏 C 端的，它们做得非常好，并且在拓展海外市场。

作为管理软件，我们去年推出了 7 个 Agent，有一个失败了。今年我们又推出 4 个，加在一起共 10 个，未来我们还会推出新的 Agent。

最初我并没想到人力资源领域会需要这么多的 Agent，虽然我们已经非常克制，但我觉得可以做的东西还有很多。

随着 AI 技术的发展，也可能产生很多新的东西来。所以，现在我是抱着非常开放的心态拥抱 AI 技术，接受它对业务的颠覆。

既然技术变了，我们跟着去变就对了。

崔强：客户需要的并不是炫技，而是要解决问题。目前，我们会看到一些 AI 过于追求炫技的感觉，对此你有什么看法？

纪伟国：以客服场景为例。去年我们试了大半年，想用 AI 客服来解决北森人力资源软件的客服问题，但这很难，主要是因为我们的产品过于复杂。

举个例子，如果你问 " 我的工资为啥少了 5 块 "，AI 肯定是回答不了的。但是我们也看到很多银行、航空公司都在大量地使用 AI 客服。

虽然用户的体验并不好，但为什么还要用它呢？

这说明对于这类客户而言，它的价值依然很大，可以有效解决客服成本的问题。所以，从商业上看，它就很成功。

未来几年，AI 还可以变得越来越好。

崔强：北森的 AI 产品在上线时，会给客户做大量的按需提示词优化工作吗？

纪伟国：最初，我认为 AI Agent 应该是标品，但今天看来，它最终会走向客户的自定义。

以 AI 面试官为例，客户要招聘什么岗位，自己是最清楚的，客户需要把自己的面试题目、评价标准等资料放进 AI 产品。最终很可能发展成客户把自己的东西放进产品，产品走向自定义。

所以，将来客户化可能是一个比较重的工作，北森现在也做了很多的客户化。

崔强：仅仅为客户提供工具是不够的，还要能被客户 " 自定义 " 成自己的产品。这意味着产品要有客户的行业属性，行业 Know-how 以及适应相关的业务流程等。

但这样一来，实施成本会不会变得很高？

纪伟国：我们为客户提供两类实施服务：一类是轻量级的，主要包括简单的培训以及岗位交流，帮客户完成配置；另一类是深度定制。这两类实施服务的成本，要比软件的实施服务低很多。

北森有两类实施顾问：一类是软件的实施顾问；另外一类是能力评估和发展技术（People Science）方向的实施顾问，与之对应的是偏心理学方面的学者或者人力资源专家。在北森写提示词的正是这类的专家，它非常依赖于专家们的知识萃取能力。

当然，传统管理软件厂商做不了这个事情，因为它已经脱离软件范畴了。北森是做人力资源测评出身的，我们有自己人力资源方面的专业技术和 Know-how，具备这样的专业能力，也是我们一个非常大的差异化。

崔强：虽然它还是工具，但背后所需人的能力在发生变化，不是软件工程师和软件实施服务商可以解决的问题了。

纪伟国：是的，问题往往不在软件技术上。

举一个场景，比如 AI 陪练产品，要让对话做到非常贴合业务。有的客户让 IT 工程师和销售结对子，来写提示词，做自己公司的 AI 陪练产品，发现效果不好，为什么？

因为这里首先要回答什么是销售能力？是沟通能力、谈判能力、人际能力，还是其它什么能力？这个能力如何训练、发展？

软件工程师和销售两个人搞不定这个事情，这些都需要专业背景的专家来做。一般的人力资源部门是没有这样的专家的，需要专业公司来做。

崔强：软件企业做 AI，是不是在已有系统的基础上修修补补？

纪伟国：北森并不是完全只从软件角度考虑，而是从大模型能力和人力资源的业务角度出发，去思考自己能做什么。

我们做的 AI 陪练、 AI 面试官，是可以脱离我们的软件独立运行的。但是 AI 面试助手、AI 简历筛选，又和软件连在一起。

所以，建议大家不要总想着软件，而是要回到客户业务的角度，回到大模型能力的角度，把这两方面结合起来考虑。

崔强：做 AI 产品是不是要配套使用顾问？刚才你提到要做一些培训工作，这个培训工作会做到什么程度？有一定的标准吗？

纪伟国：我们有两类，第一类是实施顾问，第二类是客户成功经理，类似于你提到的使用顾问。

实施顾问，项目启动时会与客户做一个简单的访谈，将系统内相关的能力配置好，让客户可以使用起来。如果客户需要做客户化，我们还会做更重的服务，收部分实施费。

在上线后，由客户成功经理接手，客户方可能换人或者出现一些新的业务需求，客户成功经理可以及时响应、培训客户。

AI 陪练、AI 领导力教练会有简单的产品培训，很容易上手。

崔强：怎么发现适合 AI 应用的场景，如何界定一个场景是否适应 AI 化？有具体的评定指标吗？

纪伟国：没有。

AI 面试官在美国也非常受欢迎，所以选择 AI 面试官这个方向也是比较清晰的。

AI 陪练是一个传统场景，大模型来了之后，我们将它重做了一遍。

AI 领导力教练这个场景，北森之前做过两代类似产品（和 AI 无关），都失败了，我们对客户的业务场景是有一定的认知深度的，所以用 AI 做这些场景就会比较快。

崔强：卖 SaaS 与 卖 AI 产品的区别是什么？卖 AI 产品，销售要如何转型？

纪伟国：销售转型是要花一定时间的。首先，销售理解 AI 产品，知道如何与客户沟通，需要一定的时间周期，这个过程也需要有人带他们去做。

此外，整理业务场景、销售培训、成功案例积累、卖点梳理和话术设计，如何试测等，这些全都要标准化下来，最后才是销售规模化阶段，以上是需要一个过程的。

卖 SaaS 与 卖 AI 产品的区别，在于软件产品更复杂，客户无法试测，只能通过 POC 来验证。此外，还有复杂的竞标过程。

但 AI 产品的销售链条很短，一般客户试测完了就能决策。

以往客户买软件需要 IT 部门参与，但买 Agent 的话，客户可能并不认为是在买软件，所以很多情况下，可能就不需要经过 IT 部门了。

03

AI 转型路径

崔强：传统 SaaS 公司转型 AI 公司，有哪些具体路径？

纪伟国：这个是有路径的。现在  SaaS 公司不做 AI 已经不行了。

最近我谈了好几个超大金额的单子，客户公司都有这样的规定：如果产品不是  AI  相关的，就不允许购买了，这是一个客户需求端一个非常大的变化。

对于 SaaS 公司来说，首先，公司中要有人能够真正理解大模型可以做什么，它的能力优势和短板，以及 RAG 、向量等相关知识。

其次，要理解公司所处的业务，理解整个业务链。这里要做的是把软件忘掉，要洞察业务链条中哪些是客户比较痛的地方？在这些痛点中，哪些比较适合用大模型解决，成本比较低，客户有付费意愿，而且是一个端到端的场景，找到这样的机会点：

第一步，要做出原型产品，并且立刻找到客户使用，客户反馈将刷新你的认知，指导你快速迭代产品。围绕客户做到一定程度，当 8 家～10 家 客户已经用起来，就过了产品可用性阶段。

第二步，开始收取客户一定费用（不要太高），继续投入研发，快速跟随客户迭代。直到你判断产品已经领先竞争对手，客户愿意支付费用，同时也搞清楚了如何快速交付，这就过了商业化验证阶段。

然后开始进入第三步：规模化销售阶段，让销售团队快速推进。

做完以上三个阶段，AI 产品可以与软件协同销售，软件的差异化也随之出来了。

崔强：AI 产品如何定价，北森现在的定价逻辑是怎样的？

纪伟国：最近大家总是在提按结果付费，我也认真研究了 Salesforce 、ServiceNow、Workday 的案例，它们主要是按照席位，或者按照对话量收取订阅费。

比如一个客服 Agent，可以省掉一个客服人员，该客服人员的工资是 10 万美金，以此收取 20% 的费用就是 2 万美金。这 2 万美金要如何定价？

可能是一个席位卖 2 万美金，或者一个客户一天回 50 个对话，一个对话收费 2 美金，等等。

北森的 AI 面试官是按面试的人数收费。AI 陪练、AI 领导力教练、AI 学习助理是按席位收取订阅费，这也是北森目前主要的收费模式。

崔强：从内测到真正交付的过程中，你遇到比较大的挑战是什么，有没有这样的案例？

纪伟国：AI 产品交付过程和软件有很大的不同，挑战也不一样，AI 产品交付对交付人员对于专业技能的要求和对于   AI 大模型技术的理解深度都有要求。

一开始我们让软件交付的同学去做交付 AI 面试官和 AI 领导力教练，发现客户不满意，交付不了。后来用测评的同学去交付，就会很成功 !

AI 产品的设计到交付，都需要足够的业务专业性和对 AI 的理解，否则产品的效果会打折扣！

崔强：在从内测到客户上线交付的过程中，还有哪些最容易犯的错误，可以供正在进行 AI 转型，或者一些 AI 创业公司所参考的？

纪伟国：第一个典型错误，是做出一个 AI Agent 出来，就认为客户会买了，但实际上做出的这个产品能覆盖 50% 的客户业务场景就不错了。

因为和客户磨产品需要很长时间，我们每个 Agent 从做出来，到过了可用性验证阶段，基本上都需要 6 个月以上的时间。所以：

第一，是要有耐心；

第二，不要把 AI 理解成一个技术创新或者变革，而是应当理解成一个解决某个业务问题的应用。不要把 AI 看得那么神秘，它的研发门槛不高，但是理解业务，做一个能够解决客户业务问题的应用其实挺难的；

第三，产品一定要确保比较成熟时再交给销售，否则很容易就会乱套。我们的 AI 产品到销售、交付环节的节奏都很慢。比如：产品从 0 到 1 做出来需要 3 个月，过可用性验证还需要 6 个月，到规模化销售，可能再需要 6 个月。所以，耐心非常重要。

崔强：未来在不同岗位、不同角色可能会出现许多 Agent，是否按结果付费还无法确定，这一定是需要一个过程的。

虽然，为结果付费可能是未来的一个目标，但现在如果大家都一刀切地追求按结果付费，就可能是一种偏执了。

至少现在绝大多数 SaaS 或者企业软件是不能切换到按结果付费逻辑来的，未来也许有 1% 的企业可能做到，让我们拭目以待。

在这个过程中也希望能看到更多成功的 AI Agent 在我们身边绽放，改变我们的生活，帮助客户解决问题，谢谢大家。

纪伟国：谢谢大家，谢谢崔牛会。

出海游学东南亚站，即将启程！

快来报名呀！ ⬇️⬇️

- 推荐阅读 -

星标  牛透社  ，get   ToB AI  洞察

点赞

分享

喜欢