2021 年，一家叫 Jasper 的公司，用 AI 写文案，短短一年就成了资本的宠儿，年收入高达 4000 万美元，毛利高得惊人。所有人都觉得，这是一个完美的生意。

然而，仅仅一年多后，另一个 AI 产品—— ChatGPT ——横空出世。随之而来的是，Jasper 的网站访问量在一个月内骤降 40%。半年后，这家曾经的明星公司开始裁员、转型，渐渐淡出了人们的视线。

这听起来像个警告，但并非所有人都被 AI 浪潮吞没。另一家笔记公司 Notion，同样拥抱了 AI，结局却完全不同。AI 非但没有伤害它，反而成了它的 " 助推器 "，用户数从 3000 万一路狂飙到了一亿。

同样站在 AI 的浪尖，为什么一家石沉大海，一家却扬帆远航？

为了搞懂这个本质问题，混沌今天请到了前智谱 AI 的 COO、混沌学园 6 期学员张帆老师，为我们带来《大模型的商业新范式》主题分享。

张帆老师对这场变革有一个非常精辟的比喻：

" 我们把模型看成一个大海……最糟糕的做法，是在上面辛辛苦苦建一座灯塔，它看起来很稳，也够高。但你要知道，海平面每半年就会上升一次，每一次都可能把你费尽心血的建筑吞没。因此，在这个时代，我们不该建灯塔，而要造一艘能浮在水面上的船。"

以下内容是张帆老师课程的精华笔记，希望能帮你找到属于自己的 " 那艘船 "。

AI 大模型重构了产品范式

人机交互的演变

我们先来聊聊大模型对产品范式的影响。

什么叫产品范式？本质上就是人机交互的范式。简单来说，就是人怎么跟机器对话、怎么下指令，机器又怎么给我们反馈。

而解决这个问题的核心，就看两个关键要素：学习成本的高低，以及交互带宽的大小。

回顾一下我们经历过的历史，人机交互的变革是一次次大的范式跃迁。

最早是命令行时代，那时候学习成本极高，交互带宽又非常低，你得记住几十条特定的指令才能跟机器交流。到了 PC 时代，鼠标和图形界面（GUI）的出现，让学习成本快速下降，交互带宽也跟着提升了。

再看移动互联网，它进一步强化了这一点，触控操作非常符合人类本能，你把 iPad 丢给一个小孩，半小时就能玩得特别溜。而且，这个时代还加入了多模态能力，让交互带宽再次跃升。

那么 AI 又是怎么改变这一切的呢？

我认为，它对整个交互带宽和学习成本又是一个极大的跃升。

AI 的交互方式极其简单，就是对话，而且几乎不用学习，因为它没有标准答案，你通过互动的交流就能搞定。它的表达力变得极其丰富，只要你能想到的，语言能表达的，都可以输进去。

所以，比起 GUI 时代，AI 时代的信息量是一次巨大的跃升。AI 第一次解决了表达力和易用性并存的问题，你几乎不用学习，任何人都可以轻松表达。

产品范式的重新发明

AI 时代远没有结束，特别是多模态能力的出现，将交互带宽进一步提升，学习成本进一步降低。

你可以想一想，语言是需要学习的，但用眼睛看世界几乎是本能。如果我们用一段文字来描述一支笔，每个人的想象可能都不一样，这说明信息在文字转达中已经产生了衰减。

本文仅占课程内容 1/6，扫描海报二维码观看完整课程

但如果我直接把笔拿出来给大家看，大家脑子里的图像一定是完全相同的。这证明了多模态的信息传输效率和带宽比语言还要高。AI 时代，我们整个学习成本和交互带宽的变化，是指数级的。

我们再反过来看，人类的需求其实从来没有变过，所谓 " 太阳底下没有新鲜事 "。但随着人机交互方式的变化，满足这些需求的产品正在被重新发明。

你发现没有，需求没变，只是因为交互模式和带宽的变化，让我们的需求被重新发明成了不同的产品。

如果沿着这条轨迹看，如何利用好今天带宽的提升、交互范式的变化和学习成本的下降，我们就会发现，每一个需求都可能被 AI 重新发明一遍。

而今天，我们还处于这个进程的非常早期。我们可以看看一些例子。全球知名的 AI 投资公司 Andreessen Horowitz（A16Z）每半年都会发布 AI 应用 Top 50 榜单。

从这些榜单中，我们可以得到一个重要洞察：AI 产品的发展速度丝毫没有减慢，依然在快速迭代。从 2024 年 3 月到 8 月，有 30% 是新面孔；而从 2024 年 8 月到 2025 年 3 月，又有 40% 是新面孔。每半年都有大量新产品涌现，同时也意味着有很多产品离开了榜单。

这表明，我们依然处在一个非常早期的阶段，现在还很难说谁会成为这个时代的 " 杀手级应用 "（killer app），但我们可以从底层的思考出发，来探索我们该如何行动。

AI应用的范式变化

接下来，我们来聊一个特别重要的命题：智能本身是一个好产品，但离真正的生产力还有相当大的距离。作为业务从业者，我们该如何看待这个问题？

我认为，一个好的 AI 产品，模型含量既不能太高，又不能太低。

如果你做的产品完全依赖底层模型，那壁垒就很低。模型每半年一次的巨大升级，很可能就会把你的业务模式彻底颠覆。但如果你离模型太远，又会跟这个时代脱节，缺乏竞争力。

正确的做法，应该是借助模型的能力，去放大我们业务本身的核心价值。

我们来看看两个典型的例子。第一个是 Jasper，一个曾经估值 15 亿美元的独角兽。它利用大模型帮助企业写广告文案，模式看起来很完美：用极低的成本调用 API，再以高价卖给客户，毛利高、增长快。

然而，转折点在 2022 年 11 月出现了。ChatGPT 发布了，Jasper 的访问量在一个月内骤降 40%，半年后开始裁员转型，商业模式几乎崩塌。

为什么？因为它过度依赖模型，模型含量太高，导致壁垒极低，一次底层技术的变革就让它无力招架。

另一个正向的例子是 Notion。这是一款文档编辑工具，它在 ChatGPT 发布前就已经推出了自己的 AI 功能。

我们可以看看它的数据：2022 年，营收是 6000 万美元，用户数是 2000 万；而到了 2023 年，营收飙升到 2.5 亿美元，涨了将近 5 倍，用户数则增至 3000 万。

你会发现，在用户规模没有大幅增长的情况下，收入却实现了惊人的增长，主要就来源于它的 AI 功能升级。更重要的是，ChatGPT 的发布不仅没有伤害它，反而加速了它的用户增长。

为什么？因为 Notion 有自己的核心业务，AI 能力只是作为辅助，用来放大其原有业务的价值。它把模型能力和自身业务深度结合，而非完全依赖模型。

asper 和 Notion 这两个案例，形成了鲜明的对比。它们告诉我们，成功的 AI 应用，不是简单地把模型能力 " 嫁接 " 到业务上，而是深入理解 AI 的底层逻辑，将行业的 Know-how 和数据以结构化的方式融入其中，构建一个 AI 驱动的增长引擎。

所以，今天每个企业家都应该去思考：你的核心业务能力是什么？如何利用模型来加速它，并将这些能力沉淀为自己的竞争壁垒？

AI 大模型重构了商业范式

工作方式的变革

聊完产品范式，我们再看看大模型对商业范式会有什么影响。

首先，是工作方式的变革。以前我们做很多事，其实某种程度上，我们的技能限制了我们的创造力。我们可能脑子里有很多很棒的点子，但因为不会编程、不会画画，这些 " 能力墙 " 就限制了我们把创意实现出来。

而大模型的出现帮我们把这堵墙打破了。一个九岁的小朋友，借着 AI 可以写出图文并茂的科幻小说。AI 变成了我们每一个人的 " 外骨骼 " 或 " 外大脑 "，强化了我们的能力，让我们不再受限于技能，可以更轻松地把创意落地。

在这个时代，我们每个人的能力都会被放大，聪明的人会变得更强大，" 超级个体 " 很可能会成为未来工作的一个重要形态。

组织形态的变化

有了 " 超级个体 " 后，我们的组织会发生什么样的变革呢？我曾看到一个很有意思的观点，有人说 AI 不是下一次工业革命。

为什么？因为工业革命的本质是分工的细化，把一件事分给不同的人来完成，目的是提高效率。

而 AI 恰恰相反，它把原来分散到各个工种的任务重新收回到一个人身上，在不降低效率的同时，极大地提升了创造力。

我觉得这个观点非常有道理。当每个人都变成 " 超级个体 " 时，我们的组织形态是不是也要变？

今天那些很火的 AI 公司，人数都不多，可能二三十个人就能打造一个估值几亿甚至十几亿美元的公司。

如何借助 AI 重塑个人和组织的协作方式，是今天每一个企业都应该去思考的。

用户体验的变革

再来说说用户体验的变革。

虽然现在很多人认为手机依然是 AI 时代最好的载体，但我觉得这不是绝对的，还有新的可能性。

AI 的出现，让我们处理数据的能力大幅提升。以前我们不收集大量非结构化数据，比如录音和视频，是因为收集了也没用，谁有时间去看呢？

但今天，AI 的处理能力让这些数据都变得有价值了。

市场上出现的各种 AI 硬件，比如挂在胸前 24 小时录音的设备，都是为了捕捉这些数据，让它们变成我们的 " 外挂大脑 "。

比如你可能想不起来去年八月份看过的那个卖沙发的网站叫什么，但如果 AI 帮你记录了所有信息，它就能轻松帮你找回来。

我觉得在这个时代，我们必须保持足够开放的心态，未来还会有很多变革会快速出现。

商业模式的变革

商业模式的变革总是随着技术迭代而来。

比如最简单的广告模式，在搜索引擎出现前，只能做品牌广告，效率很低。

而搜索引擎的出现，让广告从 " 品牌 " 转变为 " 效果 "，实现了流量的无限细分和精准匹配。到了 AI 时代，这个模式又变了。

AI 可以进一步细分流量，甚至能直接把 " 信息 " 转化为 " 动作 " 和 " 结果 "，让广告和用户需求无缝融合，创造更高的商业价值。

一旦做到这一点，在现有的流量体系下，整个商业价值可能还有一个数量级的提升空间。

竞争优势的变革

最后，我们还要思考竞争优势的变革。

大家都在努力把自己的 " 护城河 " 挖得越来越宽、越来越深。

但在 AI 时代，很可能当你挖完一条很深的护城河，扭头一看，发现 " 城 " 没了。

因为今天的竞争维度都变了。

就像大家说，" 打败康师傅的不是另一个方便面，而是美团外卖 " 一样，AI 可能直接把你赖以生存的竞争壁垒。比如几十万律师提供的法律服务，变成一个模型，让你的 " 护城河 " 瞬间崩塌。

所以，每一个身处这个时代的人，都必须思考如何应对这种变化，这也是为什么我们今天需要来学习 AI，因为这些信息都可能对我们的业务产生直接影响。

AI 重构千行百业案例

前面我们聊了产品和商业范式的变化，接下来我跟大家分享一些我们看到的实践案例。

过去两年，大模型的能力正在快速落地，为各行各业实实在在地创造着业务价值。

从最开始很浅层的应用，到现在已经开始解决一些基础问题，我个人认为，未来 AI 能够重塑我们的业务链路，而这个过程正在发生。

无论是汽车、医疗、消费还是其他领域，都已经有不少落地的案例了，我简单给大家挑几个讲讲。

我们先看看海外。

最近 AI+ 法律是一个非常火的赛道。

我重点讲一个叫 Harvey 的公司，这是 OpenAI 投资的，它把整个法律问题分成了不同深度，用 AI 来解决。你会发现，在起草文件、房地产尽职调查这些相对标准化的业务上，AI 已经能达到人类前 25% 的水平。

这个公司 2023 年才成立，到 2024 年收入就达到了 5200 万美元，商业价值非常大。更重要的是，它证明了垂直领域的 AI 助手，通过加入海量的法律数据和定制化技术，表现要比通用的模型好得多。

这告诉我们，一定要把自己的行业 Know-how 融入到 AI 里，才能创造真正的价值。

再来看看医疗行业。

我们看到了一些新公司，比如 Hocritic AI，它定义了各种各样的 AI Agent，把医院、药厂、医保机构等环节都串联起来，甚至推出了首个医疗 AI Agent 应用商店，估值已经达到 16 亿美元。

但也有像 Tempus 这样的老公司，它成立于 2015 年，本来是做医疗数据整合的，在 AI 时代焕发了第二春，通过将多年积累的数据与 AI 结合，成功从 to B 的数据销售商转型为 to C 的个人健康管理服务商。

所以你看，AI 时代不仅给了新公司机会，也让有足够行业积累的老公司找到了第二增长曲线。

接下来我们看看国内的案例，汽车领域是目前拥抱 AI 最深入的。

首先是智能座舱，现在的车如果没有智能座舱几乎就不合格了。AI 让车内交互变得更拟人化、更复杂，比如它能理解多重意图的指令，还能通过多模态能力，用摄像头识别车内外的环境，提供更高级的安全和便利服务。

AI 还深入到了汽车的销售环节。比如 AI 质检，以前人工只能抽检 2% 的外呼电话，但 AI 可以做到 100% 覆盖，效率是人的十倍以上。AI 助手还能在销售过程中实时提供提示和建议，甚至可以模拟客户陪销售人员练习，大大提升了销售质量。

然后是消费行业。

AI 正在赋能 " 人、货、场 " 的每一个环节。

在 AI 营销方面，它能够根据不同的渠道特点自动生成定制化的广告文案和素材，并用智能投流助手实时调整策略，把原来按天计算的调整周期缩短到分钟。在电商运营方面，AI 能优化商品搜索，实现多平台自动化上货，并自动提取和更新商品标签。

这些能力相当于让每个人都拥有了一个 24 小时的超强分析师，可以快速洞察数据，驱动业务决策。

以前老板想查个数据，分析师可能得加班一个星期，但今天借助于 AI，这些问题都能快速解决了。

总的来说，成功的 AI 应用不是简单地把模型能力 " 嫁接 " 到业务上，而是要深入理解 AI 的底层逻辑，将行业的 Know-how 和数据以结构化的方式融入其中，构建一个 AI 驱动的增长引擎。

现在，是企业应该去思考如何利用 AI 来加速业务、重塑组织和定义未来竞争优势的时刻了。

大模型在企业落地的方法论

接下来，我们聊一个更现实的问题：企业到底该如何落地 AI 战略？

这可能是最艰难的一步。我们常说 " 懂了很多道理，依然过不好这一生 "，对于大模型应用来说也是一样。不是懂了模型原理，就能做好商业落地。这需要一套清晰的方法论。

首先，做商业落地有一个大前提：你必须真正理解模型是如何工作的。

我发现很多老板对模型都有不切实际的幻想。比如有人问：" 我有一千万条客服对话记录，把它们都喂给模型，模型是不是就无敌了？"

我敢说，如果你真的这么做，模型很可能就废了。为什么？因为模型的运作机制并非如此，特别是在微调（fine-tuning）领域，数据的质量远比数量重要。

这就像找一个销售。一个聪明、靠谱的人，两周就能上手。但如果他本身就不靠谱，可能两年都做不好。

所以，第一步，你得选一个靠谱的基座模型，把提升 " 智商 " 这件事交给它。我们要做的是，在此基础上去构建属于我们自己的能力。

怎么构建？你可以把模型的能力分为三个层次：

预训练（Pre-training）：解决的是通用能力，也就是模型的 " 智商 "。这个交给基座模型，我们不用管。

微调（Fine-tuning）：解决的是领域能力，也就是模型的 " 经验 "。比如，一个优秀的销售，他懂察言观色，有说话的艺术，这是一种通用的行业能力，与具体卖什么产品无关。这部分能力需要我们来参与构建。

Prompt 工程（Prompt Engineering）：解决的是任务级能力，也就是 " 产品说明书 "。比如，公司产品的销售手册、常见问题（QA）、价格体系等等。这部分信息更新频繁，无法训练进模型，只能通过 Prompt 来提供。

理解了这三层关系，你就能知道，我们真正要做的，是把自身的业务能力和行业 Know-how 通过微调和 Prompt 工程融入到 AI 中，把它固化成我们的基础能力，从而形成一个持续的 " 飞轮 "。

接下来，在落地之前，我们还需要自我审视一下，如何判断自己是不是 " 大模型就绪 "（AI-ready）。

第一个，数字化程度高不高。如果你的企业连最基础的数字化都没有，就很难直接上 AI。

AI 是基于数据的，没有数据，一切无从谈起。所以，你必须确保你的业务有高质量的数字化基础，或者找到那些数字化杠杆比较高的业务。

第二个，场景选择对不对。这是最容易犯错的一点。很多人看了媒体信息，对大模型一知半解，就凭想象选择了一个根本不适合 AI 的场景作为切入点。

结果投入大量时间和金钱，最后却发现什么也没做出来，然后得出 "AI 不靠谱 " 的结论，这是最可惜的。

大模型的发展是一个循序渐进的过程，它无法在短时间内解决你所有的问题，但长期来看，它的潜力是巨大的。

构建企业 AI 战略的方法论

有了以上认知，我们就可以开始构建自己的 AI 战略了。我发现很多老板特别喜欢问：" 你们有什么现成的产品，我能直接拿来用吗？"

这种想法是错误的。AI 应用不是一颗 " 大力丸 "，吃了就能包治百病。它更像一套现代医疗方案：先诊断，再开药。

所以，正确的战略路径应该是：

先进行 AI 诊断，再制定战略，最后才是方案落地。

有价值的 AI 战略一定是量身定制的。它必须根据你企业的业务特性和属性来设计。

简单地找一个知识库或者流程，作为 " 焦虑安慰剂 "，并不能解决任何本质的业务问题。

所以最后，我们来聊聊在 AI 时代，企业应该如何重新定义自己的战略能力。在我看来，无非是四个维度：

选择合适的基座模型

基座模型的选择，没有最优解，只有最合适的解。

你要考虑：模型的持续更新确定性（公司是否靠谱？）、推理成本（一年需要花多少钱？）、合规性（能否在中国合法使用？）、以及是否能信创适配等。

根据这些维度去给不同的模型打分，找到最符合你企业战略的那一个。

构建合适的组织

组织的配置，合适比高配更重要。你需要想清楚，你的公司到底是：

AI 应用型公司：AI 只是工具，用来提升效率。你只需要培养一些懂 Prompt 的运营或产品经理即可，无需大量投入。

以模型为核心的业务公司：你的业务离不开 AI，你需要将行业 Know-how 和数据融入模型中。这时你需要更复杂的组织架构，来负责数据的萃取和模型的微调。

AI 原生公司：你的公司本身就是做模型的。这时你需要大量的算法工程师和科学家，从底层技术开始研究。

重新定义数据资产

市场对数据资产有一个巨大的误解，认为只要是数据就是资产。

我想给大家泼个冷水：99% 的数据都没有任何价值。

数据一定是和场景绑定的。同样一段录音，在不同的场景下，它可以是音乐，也可以是噪音。如果你的数据没有对标的场景，它就是一堆无用的信息。

更重要的是，AI 时代的数据资产，不仅仅是存量数据，更是你持续生产高质量数据的能力。AI 可以利用非结构化数据，这极大地拓展了数据资产的边界。

业务场景的再思考

大模型的应用场景，绝不仅仅是 " 对话机器人 "。

AI 应该像水和电一样，润物细无声地贯穿你整个业务链路，重塑你的业务流程，带来全新的体验。

仅仅给旧业务加个 AI 插件，叫做 " 刻舟求剑 "。你需要用 AI 的底层能力，重新定义你的业务、数据资产和竞争壁垒。

总之，AI 时代的成功，不是靠跟风，而是靠一套完整、定制化的 AI 战略。

AI 正在颠覆哪些商业场景？AI 的涌现——混沌 2025AI 应用成果大展门票将在 9 月 22 日开抢，敬请关注