现在做 AI 产品，最不值钱的可能就是“接了一个大模型”
最近这几个月，我看到AI 产品越来越多，很多 Demo 看起来都特别惊艳。
只要打开网页。
输入一句话。
几十秒后，一篇文章、一张图片，甚至一个网页就生成好了。
第一次体验的时候，我也觉得很神奇。
但最近接触了几个实际项目之后，我反而有一个越来越强烈的感受：
现在做一个“接了大模型”的产品，已经没有以前那么难了。
真正难的是另外一件事。
一开始，我觉得模型就是产品
刚开始接触大模型的时候。
很多人的关注点都很一致。
模型是谁？
GPT？
Claude？
DeepSeek？
Gemini？
大家讨论排行榜，讨论参数，讨论推理能力。
我当时也觉得：
模型越强，产品应该就越好。
后来真正开始做一些产品调研之后，我发现现实没有这么简单。
两个产品，用的是同一个模型
前段时间和朋友聊天。
他说了一句话让我印象很深。
他说：
现在很多 AI 产品，其实底层调用的是同一个模型。
想想确实如此。
很多产品都可以调用同样的大模型 API。
如果大家用的是同一个“大脑”。
那为什么体验差距会这么大？
后来我慢慢意识到：
真正拉开差距的，已经不是模型本身了。
用户真正看到的，从来都不是模型
站在用户角度。
他们其实不会关心：
模型参数是多少。
上下文窗口有多长。
推理速度快了多少毫秒。
他们更关心的是：
这个产品能不能帮我完成工作。
如果要写一篇文章。
用户不会问：
你是不是 GPT。
而会问：
为什么生成出来不像人写的？
如果要做智能阅卷。
用户不会问：
模型是不是最新版本。
而会问：
为什么这道数学题识别错了？
很多时候。
用户真正接触到的是整个流程，而不是模型本身。
我越来越觉得，产品真正的价值在工作流
举一个很简单的例子。
如果只是调用一个大模型。
理论上几分钟就能生成一篇文章。
但真正投入使用之后，会发现还有很多问题需要解决。
比如：
今天应该写什么？
不同平台应该用什么风格？
哪些内容容易被判定为广告？
哪些关键词应该自然出现？
文章之间如何避免重复？
这些问题，模型本身并不会主动帮你解决。
真正解决这些问题的，是产品设计。
AI 产品开始进入“第二阶段”
以前。
很多产品的竞争点是谁先接入 AI。
现在。
越来越多产品开始讨论另外几个问题。
AI 应该什么时候介入？
哪些步骤需要人工？
哪些步骤应该自动？
怎样才能真正提高效率，而不是增加新的操作？
我觉得，这才是真正开始做产品。
模型只是其中一个能力。
工作流才决定最终体验。
教育场景让我更直观地理解了这一点
前段时间一直在关注教育 AI。
原本以为，大模型出来之后，智能阅卷应该会变得很简单。
后来真正了解流程才发现。
真正复杂的并不是最后那一步“评分”。
而是整个链路。
试卷上传。
内容识别。
公式解析。
答案匹配。
评分。
统计。
分析。
每一个环节都可能影响最后的结果。
最近接触到的一些教育 AI 产品，例如闪阅（https://shanyue.jotoai.com/），给我的启发也更多来自这里。
它们真正解决的，不只是“调用一个模型”，而是把很多细节串成了一条可以实际运行的流程。
模型越来越像“基础设施”
以前，模型本身就是产品。
现在，我越来越觉得。
模型正在慢慢变成基础设施。
就像数据库。
就像云服务器。
用户不会因为一个产品用了某个数据库而选择它。
同样。
未来可能也不会因为一个产品用了某个模型而长期使用它。
真正留下用户的。
还是产品体验。
写在最后
最近有人问我：
AI 产品最大的竞争力是什么？
如果放在一年前。
我可能会回答：
模型。
但现在。
我的答案可能变成另外一句话。
真正值钱的，不是你接了哪个模型，而是你围绕模型设计了怎样的产品。
模型可以越来越接近。
API 可以越来越便宜。
真正难复制的，反而是那些围绕真实场景一点点打磨出来的工作流。
也许未来大家记住的，不会是哪家公司最早接入了 GPT。
而是哪家公司真正把 AI 用成了一款每天都愿意打开的产品。