為什么品牌應該關注 “內容+人工智能”

首先，我覺得內容其實很重要。我原來一直覺得因為我們消費很多內容，所以內容很重要。后來前兩天我聽到有一個商學院的老師講了一個理論，我覺得對我挺有啟發的。他說過去是人找貨，因為貨物不夠，稀缺的經濟，所以人找貨那個時候不需要內容，那時候需要買貨的權利。

但是現在是貨找人，聽上去好像是你每天在被推薦很多和你相關的內容，事實上是因為供給過剩，所以供給過剩的場景下面內容力非常重要。所以現在就是我們不停的在被你可能喜歡的內容追蹤，追蹤完以后轉化，所以現在的這個過程里，人貨場里一定要加上一個內容，消費者和商品也好，品牌跟消費者也好，中間接觸的東西都叫內容，圖文、視頻，有種草的，有轉化的等等等等。

所以內容成為了經營的杠桿，所以我們也看到這么多的企業，五年前我們做內容的時候，很多企業跟我們說，比如藍色杯子的咖啡，那時候跟我們說不用做很多次內容的，一年做四次就行了，春節做一次，情人節做一次，圣誕節做一次就行了。現在是每個門店每一天都要做各種各樣的內容，其實這個過程也是在過去這四五年經濟環境里不停地卷起來的。

第二個角度，其實我們會看到內容真的是很多。圖文視頻不用說了，最近有些品牌開始做播客，我覺得也是很卷的，聲音、氣味其實全都變成了內容，所以這些內容事實上無時無刻的不在跟我們接觸。如果每一個品牌、每一個渠道、每一天、每一分鐘，你都要跟用戶用個性化的東西來對話，這不是人干的事情。

第三個視角，過去這十年 AI 的發展，尤其是過去兩年的 AI 發展，我們當時看到 AI 生成內容的邏輯，圖可以生成了，文字可以生成了，視頻可以生成了，模型可以生成了，現在聲音可以生成了，但另一個角度我想告訴大家，其實 AI 的這個能力也能更好地幫助我們去理解內容。我們在抖音上發了這么多東西，在小紅書上發了這么多東西，在電商里發了這么多東西，做這么多SKU 的東西，到底倒過來我們該怎么去理解它？以前這些內容是很難被理解，因為他們被稱為叫非結構化的數據，但是現在有了 AI 以后，其實可以比較好的幫助我們去理解它。

我給大家看一個例子，前一段時間我在朋友圈發了一張圖，一邊叫 work hard，一邊叫 life hacks，很多人都排隊排在這個 life hacks 里邊，就是說人生的這個奧秘是什么啊？很多人都想知道，怎么樣我們能夠多快好省的達到人生的彼岸，事實上沒有人愿意排在這個 work hard 里面，其實每個人有不同的解讀哈。然后我就用我們自己公司的這個最簡單的一個模型，通用的讓他來讀這個圖，大家可以看看他讀的怎么樣？

我發朋友圈的時候很多我的朋友沒有完全理解這張圖的意思，但是 AI 解讀得非常好。

這就是我想表達的，不是 AI 只是不停地幫你生成內容， AI 也能在這個通用的環境下很好地理解內容。我最近我在做一個嘗試，我們給很多企業做的系統里面有個數據面板，然后我們小伙伴非常喜歡做數據洞察，數據洞察就要做研究，我上次跟我一個小伙伴比，他用人工做洞察，我就截了一張這個數據面板的圖，我讓 GPT 做洞察，然后我讓客戶選，你們知道答案是什么嗎？客戶肯定是選的GPT，做的又完整又詳細，然后文字還非常的標準，所以也就是說現在 AI 通用能力對于內容的理解是史無前例的，我們不要只把 AI 當作“生成式”人工智能，也是關于內容的理解。

過去這兩年里邊發生的人工智能，事實上都代表著下一個時代的到來。這是 2023 年的一篇論文，叫 GPTs（Generative Pre-trained Transformer） are GPTs（General Purpose Technology 通用目的的技術）。什么叫通用目的技術？我們用的互聯網是通用目的技術，我們用的手機就是通用目的技術，我們用的電就是通用目的的技術，這些技術不只是一個技術，它也代表著會改變我們的工作，改變我們的生活，改變我們的未來。

所以在這樣的語境下面，我覺得各位都應該關心內容+人工智能這件事情。內容是各位生意的抓手，是生意的機遇。

內容+人工智能的三個最佳實踐

其實很多企業都有一個很詳細的圖，這個圖里邊就是內容到底和生意是發生什么樣的關系，內容在是通過什么樣的渠道進到這些生意的里面去發生作用的，這看上去像一個管道圖。所有的綠的就代表內容是非常通暢，所有的紅的代表是不通的。所以通暢和不通之間也有黃的，就是有時候通，有時候不通。

我們其實幫助企業在做什么？我們在幫企業其實搭一個就像一個城市的管道系統，大家知道像我們有一些客戶，一年要做生意要用的內容大概有千萬個，這千萬個其實就像是一個城市一樣，下面要有一個讓城市正常運作的基礎設施，然后我們就幫助企業去做這樣的一個內容的管理系統。

以前我們一年如果只做三四次活動的話，只有少有的幾個渠道的話，我們確實不需要這些，我們可能只需要最簡單的U盤就可以了。但是當你現在是千萬個內容，每天無時無刻的不在跟市場、消費者發生個性化的engagement 的時候，你后邊就是要這樣一套精準化的 infrastructure 既保證流通性，流動起來也保證安全性。

防守和進攻都是需要用技術來解決，所以這里不是AI 只是簡單的做內容的生產，也有很復雜的，比如識別。我們最近做一個國企的客戶，他要識別領導在哪里出現，我們也做互聯網客戶，也是識別領導的臉部，知道這個領導的這個現在視頻在我在哪幾幀出現，能不能剪出來，這個過程里面其實 AI 扮演了一個幫助企業很方便的去管理它整個內容體系的價值。

這是三年前的視頻，那個時候 GPT 還不是很發達，大家看到還是用上一代的機器學習技術，這當然我們都會來做相應的升級了。其實這張圖就是一個企業從內容的生產側到最后內容的調用側的一個流線，每一根線都是一個部門，每一個部門可能都有成千上萬的內容在里面流動，所以大家看到就是就當我們把內容這件事情真的map出來的時候，其實是一個非常復雜的系統。就跟地下水的系統一樣復雜的系統，所以如何更好地去管控其實是一個很有意思的話題。

所以我們看到，內容從原來文科生的考量，現在越來越變成一個文理兼修的事情。上層，當然我們每個企業做生意 ToB 的 ToC 其實都一樣，賣物質化的東西或者賣非物質化也都一樣。下面就有經營陣地，然后再往下就是這些經營陣地里你經營的所謂的資料，本質上都是各種各樣的content。然后再往下其實就是我們給企業提供的這套系統。就是這樣的系統，把這些資料、生產資料、營銷資料能夠很好的管理起來。那當然就是這些資料里面原來我們都需要自己去研發 AI 的算法。

我們做得最有意思的（也是很荒謬的一個需求），就我們最早是給過漢堡包公司做漢堡識別的算法，我們知道這個是麥樂雞漢堡，然后做完這個漢堡的目的是什么呢？目的就是當企業，當一個品牌，當一個門店的店長，今天想打折的時候，可以很方便自己組combo，但原來我們要自己研發這個算法，其實非常非常難的，識別漢堡的算法不容易了，但現在我們有了大模型以后，有了這個基礎模型以后，其實加上一點簡單的數據訓練、數據輸入匹配就可以做到了，所以大大的降低了成本啊。原來可能百萬級的訓練，現在可能幾萬、幾十萬就可以做到。

所以剛講就是第一個最佳實踐，其實就是相當于通過AI，把所有企業的經營資料（內容）能夠很高效地協作和流轉起來。這里有大模型干的事兒，有專屬模型干的事兒，有企業海量素材干的事情。

第二個最佳實踐，其實就和降本增效有關。

其實我最早做人工智能和創意有關的時候是 2016 年，我當時剛從美國回來，然后我就去阿里走穴，我當時去找業務的方式就是分享，分享完線下我就找接待的人要項目，然后他們就跟我說，阿里生態里邊有 200 萬的設計師，有 200 萬設計師做什么呢，主要做電商詳情頁，然后我就覺得這件事情好像可以用 AI 多做一點，從而讓設計師能不能更好地做點更需要創意的事情啊。

所以我們現在就相當于用 AI 在做這樣一件事情。一個是生成詳情頁上的文案，做成圖片，然后批套上面板，最后變成一張長圖。海外可能是郵件營銷的內容，國內可能是電商的詳情頁。然后這里邊其實我們要做一些工作的。因為每一個行業其實對圖的要求是不一樣的。比如說我們做這個調味品它要亮一點，奶的時候要輕快一點，做奢侈品的時候它要暗一點，要雅一點，每個行業不一樣，所以我們其實要針對每個行業有吸引力的這種內容形態去做一點點的fine tune。我們的銷售同學總出去說叫模型訓練，我一直糾正他們，沒有模型訓練那么重的，就是簡單的fine tune 就可以。

然后我們把這些內容嵌到一個智能的模板上，事實上每一個地方就像是一個占位符一樣，它知道大概要調用什么樣數據，然后就可以把這些內容嵌到這個模板里面去，從而生成的各種各樣的商品圖對應的說明的文字，然后就嵌到這里相應的位置上，就可以生成廣告。

這里其實有一個很有意思的技術的變化。大家可能用蘋果手機的都會發現最新的幾個版本蘋果手機有一個功能叫無邊記，其實就是無限畫布的這個東西。其實無限畫布是個很好的技術，以前的營銷行業買不起。營銷行業以前都是一張圖來編輯的，但無限畫布其實是交互設計里面才會用的一個機制，我們現在把它拿到營銷的這個場景里面來，其實也就代表說你不用再關掉一個文件，再打開一個文件，而是你可以 1, 000 個文件一起來做，所以可以 1, 000 個 SKU 一起來改。所以這個過程中，其實我就總在想， AI 做的工作，一方面當然幫企業降本增效，另外一方面真的也是幫像我這樣的人真的能夠回到創意里邊。降本增效完以后，人會遇到人該干的事。

另一個例子，這是一個做洗發水的公司。別人去分析社媒里的內容，是希望做更好的社媒，他除了這個目的之外，他想分析社媒的內容，從而知道什么樣的產品描述是有價值的。這些產品描述就會變成一個產品創新的關鍵詞的庫，最后能夠變成一系列產品創新的想法，所以他想比做好短視頻這件事再多走一步。后來我也意識到，其實真的洗發水的創新主要就是那幾個關鍵字，創新什么香味，什么什么包裝，然后什么什么體積，然后什么造型、什么色彩，所以他的創新確實是從營銷洞察開始的，所以我們后來給他做了一個系統，他們叫 Agent Development 系統，其實里邊就是把包裝、氣味都當做這個內容的資產來管理，然后生成詳情頁，它直接可以在自己的電商的一些渠道里來test。原來這些外企做一個新品兩年，現在可能可以每兩個禮拜就 test 一些新品，可以更快速地去做嘗試。

所以這就是 AI 在里面扮演的，不是一個純粹的目的，不是今天我的降本增效怎么樣，而是降低了試錯的成本。用 AI 來做關鍵詞的分析，然后由AI 生成一大堆的ingredients，生成一大堆產品的ideation，然后再用 AI mock up 出來這個造型，甚至直接到詳情頁，然后就可以邊上邊試，效果不好了就下架。當然做包裝也是很多產品的創新，我們也做了一個包裝創新的小工具。

這是第二個維度，其實也是一樣，大家看到我的這套路都是一樣的，就是要基于現有的甚至是人工智能基礎模型，然后再加上專屬的東西，包括你自己的模型，比如說剛剛我們說那洗發水 ingredient 怎么來設計啊？就是專屬的模型，再加上企業自己的素材，然后能夠來提高效率。

第三個是增長問題，我覺得如果人工智能只是卷存量，那最后就是叫卷，人工智能不能帶來新增量。這是我們最近在嘗試的 6 個月時間，我覺得 0 到 1 的嘗試應該是完成了，就是 it works，但是還沒有規模化，所以也希望大家感興趣的小伙伴，我們有機會再探索一下。

以一個可能大家都知道的行業和品牌來舉例子，比如說綠色的咖啡。原來的增長的方式就是開店，只要他開店的速度比他關店的速度快，那就在增長。現在有個巨大的挑戰是每個店的利潤率在降，所以即使開了更多店，也許總的利潤還是不及原來的。所以現在討論增長，就是花一杯咖啡的錢能不能帶來兩杯咖啡的收入。所以大家如果去綠色的咖啡店，下午兩三點鐘的時候，你會看到店長有時候在門口攬客。現在已經做到這個程度了。所以他們最近在想一個事情，我只用這個舉例，他們還沒有開始實踐，但有別的客戶實踐，那他現在想做一件事情，能不能每一個線下的門店都有一個線上window，線上的店面，這個線上店就不用變，就是說他買還要到線下去買，但是線上多一個櫥窗就在抖音上開， 7, 000 家門店，就開 7, 000 個號，開7000個號是不要錢的，但是裝修是要錢的，做7,000 個號的短視頻是要錢的。

剛剛我說了它的算法計算邏輯是一杯咖啡的投入能帶來兩杯咖啡的回報，所以線上裝修、做視頻的成本，只能是30 塊錢，然后要帶來轉化。30 塊錢做視頻其實沒那么容易。以前沒有 AI 的時候，即使很多人做矩陣號，但是單元經濟能不能算的過來，是一個問號。但現在我們真的有可能還是用剛剛的套路，通用模型加專屬模型，加你自己的素材，有機會做到 30 塊錢一個門店的成本。那我們是怎么做的？

第一個我們當然要去學習這個行業里面到底有些什么樣的內容。

第二個部分我們會用 GPT 或者用各種各樣的語言模型，我們可能在這兒會選擇性價比最高的語言模型，把它翻譯成視頻的腳本。

然后第三個在這個視頻腳本里面，會有各種各樣的視頻的結構模型，有些比如說大家看到熱門的歌曲就是卡點視頻，有些可能是娛樂性，有些可能是對比性，有些可能像是個人 vlog 型的各種各樣的，大家在抖音上能看到所有的視頻類型，我們都會把它抽象成叫視頻內容的結構模型，然后再用結構模型去對品牌自己已有的素材進行切片。所以所有企業存在我們的這個系統里面的內容就會成為再次生產所需要的原始素材資料。

這個生產的過程是怎么樣的呢？現在我們做的比較多的行業熱點，生產過程就是把這類素材加上行業熱點。我們會拿一些行業劇情把這兩個東西混在一起。大家可以試試這個網站，hot.tezign.com，比如輸一個產品的名字，他就會去在網上爬現在的熱榜，會找合適的熱榜的內容和這個產品之間做關聯。做完關聯以后，你就會生成一個所謂的叫腳本庫，然后腳本一鍵會生成大量的視頻。熱點再加上賣點，我們就會生成大量的視頻內容，然后配音起來視頻內容，看一些例子有這樣的視頻內容，我們不把這個視頻內容當優質內容，我們叫良制內容，優質內容一定是人拍的，但是要經營這么多矩陣號，可能需要的還有大量的別的內容，這些就是機器可以做的，然后一個門店成本做到一杯咖啡的價格，這個過程里邊成千上萬的號，差異化的內容，擴大曝光量。

所以我們就要去給這些內容來做排期。大家想想 1, 000 家門店每天有不一樣的內容排期，這不是一個人干的事情，我們做了一個排期的agent，有熱點進來，再去換這個排期，所以我們排期是拿 AI 排的。這當然就是一個企業可以看到所有的終端賬號發布的情況，每一個號，每一篇拿到的內容都不一樣，好的內容有些企業做的就是曝光量可以達到 5, 000 以上，公司就會給一些激勵機制，讓終端去做，然后這些信息又會被收回來。我們就知道哪些內容可能是有價值的。

這樣一來有兩個作用，第一，交給機器生成更多這樣的內容。第二，交給人拍，能不能用這些已經被驗證了的方法，來做更有意思的優質內容，再讓機器去生成良質內容。這件事其實就把企業已有的素材加上 17 個agent來實現。然后做完以后，企業就多了一個理論上成立，但過去賬很難算得過來的經營陣地，就是線上矩陣的陣地。所以現在就可以很低成本的進行嘗試，每個線上的櫥窗每天都有不一樣的內容。

內容+人工智能在商業上的三條岔路

通用 VS 專屬

第一個，是通用和專屬的分叉，General AI 和 Proprietary/specific AI。

我們看到每一次的創新其實都是一個這樣的 s 的曲線，都是由一開始很緩慢到很急速，然后再到平臺期。所以每一次s 曲線之間的這個部分，就是商業創新的窗口期。因為一個技術已經有一定成熟度了，另外一個技術剛開始中間有很多可以做的事情。

我自己對于現在這個大模型的一些基礎的理解，我覺得現在大模型確實性能提升的瓶頸比較明顯，大家看到GPT4 一直到不了5，原因就是因為最近這些所有的迭代，都不一定真正是訓練數據性能的提升，而可能是思想方法提升。我只是假設有可能現在這個通用模型確實到了一個階段，它的紅利會逐步的減少。

通用模型很厲害，以前我 16、17 年的時候自己做數據集，大概要花很多人去打標都達不到這個質量的數據集，現在 AI 直接就能做到，但是有很多我們自己在企業里、行業里、產業里，真真正正對于這些內容的理解其實并沒有被數據化。大家看看這個通用模型怎么訓呢？一張圖片給他，他就變成二進制的010101，然后對應一組文字。所以他不知道這張圖背后的商業目的是什么，受眾是誰？要表現的怎么樣等等，這些其實都在每一個企業專家的腦海里，只是我們沒有把它記錄在那，或者我們沒有一個地方記錄。所以我覺得下一個階段有可能機會在垂直的行業的專有的數據上，所以這就是為什么我們會對要建一個企業的內容管理系統。

沒有人喜歡管理，大家都是因為想要做一件事才不得不管理，所以現在終于找到了一個一定要做這件事情的理由。

這個是我很喜歡一個導演，大衛科波拉《教父》的導演，他有一個 12 分鐘的紀錄片，大家可以在 b 站上找到。他講的是導演前期準備的這個過程，《教父》這本書 600 多頁，他一頁一頁的把它拆下來，然后外邊加上一個回字形的框。然后他把自己做的每一頁貼好，然后右邊有三個孔，因為頁數太多，所以它每一個孔都會加固，然后做出一本這么厚的書。那大家看到中間的這個原著，你可以理解為叫這個通用模型，要旁邊回字形它做標記的。比如說這個人出來臉上表情是什么樣的，穿著什么衣服，就是原著里面沒有寫的，但是在電影里面都會被交代的，這都是他自己家的專有的數據。

然后這本書、這本冊子，這個工作方法有一個非常有意思的名字叫 prompt book， prompt book，如果接下來現在大家搜索，大家百度一下 prompt book，你會發現很有可能是什么 midjourney 提示詞大全或者 GPT 提示詞大全。但在那個時候，一個藝術家用的工作方法就叫prompt book，就是從你這個內容里面抽取你要的東西，這個其實就是為什么我們要專有的，因為這本東西才是你的，剩下的都是通用的，就是人人都能買到的教輔。

一鍵生成 VS 人機協作

第二個分叉，我想講講一鍵生成和人機協作。英文一鍵生成就是叫 automation，人機協作叫 human in the Loop。我們有很多客戶會拿著 AI 的系統用，說這個系統用的不好。但一鍵生成，等一下我會講一個研究的結果，沒有一個好下場，所以應該都要去設計人和機器這樣協作。

我在 17 年的時候我就開始講一個概念，就是叫腦機比，人和機器的在創造型工作上的協作關系不是一個零和博弈，不是機器取代人的創造性工作，而是一種互相促進的作用。所以是不是個 ratio 。我喜歡這個名字，腦機比，以至于我在公司的辦公室的簡稱就叫BMR，brain machine ratio，腦機比簡稱叫BMR。然后大家看這個 BMR 倒過來是什么？所以我一直覺得在人工智能和商業創新的年代， BMR 搞得越好， RMB 就搞得越多。

所以BMR是什么樣的？一個想法，就是我們其實如果簡單地把工作分為這樣四個象限，有些難，有些容易，有些你愿意交給機器，有些你不愿意的時候，你會發現左下角是最容易想的，都會用自動化來干，但是右邊這幾個到底該怎么干啊？然后怎么樣能夠讓 AI 幫助我們把右邊的做好呢？

最近我看到一個商學院的研究，一個沃頓的教授叫Kartik Hosanagar。這個教授其實挺有意思的，也是搞創業的。研究就是專門研究右邊的這個象限的事情。他說那個人和機器關系它設計了三種：

• 第一種就叫一鍵生成 human confirmation，就是我寫一段提示詞產生一個結果，然后你選擇 yes or no 的話再生成一次，就是人不干預到生成過程，人只選擇 yes or no。

• 第二個叫 human creativity，比如說我自己如果遇見填表這種事，就我填完以后讓機器幫我去 Edit 或者refine，這段文字能不能再官方一點，能不能響應一下新質生產力的相關的號召，會幫我改。這叫 human creativity。

• 第三種叫Copilot，就是人做一點機器做一點。所以我如果做一些工作，我會讓機器幫我一起腦暴，那就是Copilot。

然后這個教授他做了一個很簡單的實驗，我覺得這個 methodology 還挺有意思，他就是創造新工作當中他選了最簡單的工作叫寫作，第一天他選了一堆學生，讓他們不用 AI 寫作，來測試他們的水平。第二天用 AI 寫作，就用這三種方法。他研究得出了三個結論。

• 第一個結論叫完成的時間，那用了 AI 完成時間是多了還是少了？那肯定是少了，但是如果我們說寫作這個創造性工作過程分為四個階段，第一個叫有想法，第二個有提綱，第三個叫寫，第四個叫編輯。那其實第一、第二個沒省多少時間，第三個寫的過程確實省了很多時間，但是為此你付出的代價是在編輯上面要花更多的時間。所以很多人用 AI 來做圖，一鍵就做了個圖，但要花很多時間做二創，這就是你要付出的代價。所以總的時間減少，但是有些地方你會要發付出額外的代價才能得到目標的結果。

• 第二個，質量就是 writing quality，有兩個質量是上升的，一個質量是下降的，大家猜猜都能知道哪個質量下降。就是一鍵生成，所以就當你無法介入到創造性的工作當中的時候，這個質量你是不滿意的，但是另外兩個質量都是上升的，而且大家看到copilot 的值上升最多。

• 第三個是叫用戶體驗，就是如果在一系列有創造性的工作當中，你發現人無法控制這個創造力的過程，你就會覺得體驗很差，所以一樣就跟前面的質量是正相關的。

一個企業，當我們開始用 AI 的時候，我們不能指望我們要把工作 outsource 給AI，我們只能指望用 AI 重塑我們的組織。當你想著要把 AI outsource 后，那時候你考慮只是生產的問題，不是解決開放性問題的一種方法。

他還講了一個延伸的觀點，我覺得這個對我們每個人有幫助。還記得他的這個實驗第一天是所有的學生在沒有 AI 幫助的情況下，是有人寫作能力差，有人寫作能力中的，有人寫作能力好的，但有了 AI 以后，明顯好壞的差距被拉小了很多。所以也就是說其實 AI 沒有辦法，幫我們增加長板，但一定有辦法幫我們補齊短板。我們每個人都一定會有地方是短板的，有人可能邏輯很好，創造很差，所以在這個過程里邊 AI 能幫我們把我們的這個能力樹建得更平整，但是 AI 永遠都超不過這個行業里最牛的那個人。所以這個也給我很多啟發的，就是我們有時候去試著突破這件事，試著創新的時候，會很容易放大我們的短板，比如說我有很多做教授的朋友說我可能不會做生意，也許 AI 能幫你提高你生意的水平。

工具VS結果

第三個 forks 就是工具和結果，這是我最近想的很多的，大家知道現在絕大多數在提供 AI 的企業都是原來的所謂的工具公司，做軟件的公司，軟件上加上 AI 很自然，但是很有意思，我拜訪了一個客戶，那個客戶今年的業務增長大概60%，然后他在我這好像沒有多花60%的錢。

當你提供工具的時候，你永遠在 address 一個大市場里面很小一部分。但是這個市場看上去很大，其實好像跟你又沒有什么關系，但我覺得 AI 有機會幫我們解決一些問題。

這是我們自己公司內部在做的一個工具，我們叫 CreativeSKU Agentic Workflow，名字很長，其實就是說我們怎么樣能夠幫助我們的業務服務人員通過 AI 幫助他們更高效地提供內容的結果。所以原來可能一個人能夠做的事情，現在我們可以用 AI 來幫助他更標準化。

這里邊就講的是原來為什么有軟件或者有工具和服務，因為工具想讓需求越來越標準，服務又不得不接受每個人的差異化，原來這兩者很難調和。服務的毛利低，工具的毛利率高，但是現在有了 AI 以后， AI 是很擅長于做 personalize 的，你真的有可能用 AI 加上工具來給每一個人提供這個personalize，從而依然獲得一定的毛利。

第二個角度，我們自己投的一個公司給我一些啟發，大家看到我前面講那個第三個視頻的那個例子的時候，我們沒有告訴客戶，我們給你一個軟件，我們告訴客戶，我們直接給你內容，也就是說我給你軟件的時候，你做1萬條內容，1億條內容，你還是付給我軟件這個錢。而且你內部要建團隊，你內部要改SOP，要改績效機制，你覺得這個轉型的成本， transformative 的這個成本非常高，但如果我直接給你內容的時候，你就沒有這個考慮了，所以我們就有可能真的能夠有了 AI 以后，我們就能夠把 personalized service 和 tool 的好處結合在一起。從而原來我們是一個軟件很小的市場，就可以變成整個市場，擴大我們的 addressable market。

我們投資的一個公司給我的啟發是什么呢？原來他覺得有了 AI 以后，他就要做一個 AI + CRM 的軟件。后來發現中國的所有 CRM 公司好像活的都不咋地。然后我再用 AI 再做個CRM，感覺也就是不好里邊好一點的，所以他后來換了個思路，他說能不能 AI + CRM 直接交付銷售結果啊？所以他就拿銷售提成了，但是因為他要交付銷售結果，所以他又不能做一個通用的工作，然后他就會不得不要去做某些垂直這個商品場景里面的售賣，所以其他CRM 公司是一個坐席幾塊錢、幾十塊錢，他現在是在每一單那里拿銷售提成。所以他從第一天開始就是個盈利的生意，而我們做軟件，可能第九年有機會盈利了，所以我覺得這個會大大的改變。從 sell tools 到 sell work 直接出結果。

我的分享講完了，我們公司在上海，也歡迎大家有機會到上海來，去我們那逛逛，然后我們是在徐匯濱江，中國大模型和人工智能的聚集地，我們作為一個創業公司，每天干的事情就是找錢做產品、找市場，現在最大的痛點是找市場，我們合作的都是行業里邊很優秀的企業，也很感謝這些企業給我們帶來了很多行業的最新的支持。我們做好技術這一塊，然后希望能夠幫助更多企業做好增長這一塊。

謝謝大家。