在日新月異的人工智慧（AI）浪潮中，特別是大型語言模型（LLMs）和面向用戶的聊天機器人領域，一個巨大的挑戰正悄然浮現：如何定義和辨識清晰的產品策略？最近，知名科技分析師 Benedict Evans 在與 Tony Karen Brown 的 Podcast 節目中，深入探討了這個令人困惑的現象。他們指出，與過去的技術變革（例如我們能清楚分析 eBay 與 Amazon 的不同，或 iPhone 與 Android 的對決）不同，當前的生成式 AI 似乎陷入了一種「產品同質化」的困境，讓傳統的策略分析方法變得捉襟見肘。
核心困境：在同質化中尋找差異
Benedict Evans 開宗明義地點出了核心問題：他發現自己慣用的分析競爭產品策略的框架，在 AI 領域似乎失靈了。他回憶道：「大約 20 年前，我們可以剖析 eBay、Amazon、Barnes & Noble 和 Walmart 的經營手法，後來也能比較 iPhone、Android、Blackberry、Windows Phone 和 Symbian 的獨特策略。」然而，當他試圖用同樣的視角審視目前的 AI 聊天機器人時，卻感到一種前所未有的困難。他表示：「我最擅長也最感興趣的...是去思考不同的產品...思考『他們想做這個，而這個產品想做那個...它有這個問題、這個優勢和這個策略』。」但將這套方法應用於 AI 聊天機器人，感覺根本不同，挑戰也更大。
兩個極端：原始算力與垂直應用
對話中點出了目前 AI 光譜上清晰可見的兩個極端：
- 底層技術的瘋狂競賽（The "Sciencing"）：這指的是底層技術本身那種永無止境、飛速的迭代與改進。模型不斷變得更強大、更快、更便宜。這涉及到「越來越多的縮寫和不斷疊加的複雜性」，NVIDIA 的發布會就是最佳例證，不斷展示著性能的飛躍。Benedict 將此比作增強版的摩爾定律：「感覺有點像在看摩爾定律...但如果同時有 10 家英特爾。」這裡的核心產出是日益強大但本質上趨於商品化的技術。
- 企業級 SaaS 應用：在光譜的另一端，大量新創公司（特別提到許多來自 Y Combinator）正在利用 AI 開發特定工具，解決利基市場的商業問題。例如，自動化重新配置複雜電信計費系統的工具，或是協助將舊有大型主機的 Cobol 程式碼轉換為 Java 的工具。這些是具有明確目標市場的可識別產品，符合傳統的 SaaS 模式。然而，它們代表的是 AI 的具體應用，而非通用 AI 本身。
真正的挑戰在於理解介於這兩個極端之間的通用模型——也就是那些聊天機器人本身——的產品策略。
聊天機器人：一片相似的海洋（點綴著紫色閃光）
當檢視像 ChatGPT、Anthropic 的 Claude、Google Gemini 等面向用戶的聊天機器人時，Benedict 從產品策略的角度發現，它們驚人地缺乏有意義的差異化。他打趣地形容他手機裡那個裝了 8、9 個 AI App 的資料夾，主要的區別似乎只在於：
> 「視覺設計。有些圖標是線條畫，有些是藍紫色漸變的曲線... 有些是扁平化 UI，有些則帶有紫色閃光特效... 大多數 AI 都有紫色閃光。感覺就像有個工會規定，做 AI 就必須加上紫色閃光。」
雖然他也承認偶爾存在性能差異（例如，ChatGPT 的圖像生成允許迭代修改，這在初期比 Midjourney 那種更像「吃角子老虎機」式的提示生成要好），但這些往往感覺像是暫時的性能領先或細微的功能差異，而非根植於用戶能感知的深層策略選擇。選擇哪個模型，常常歸結為在下拉菜單中選擇不同版本（O1、O1 Mini、O3 Flash 等），卻沒有明確的指引告訴你哪個最適合特定任務。這種模糊性，就好比普通用戶難以區分新款 iPhone 和舊款的差異——改進是真實存在的，但在日常隨意使用中未必能明顯感受到。
公司目標 vs. 產品差異
討論區分了主要參與者的可觀察到的公司策略與模型本身較不明確的產品策略：
- Meta 和 Amazon：被視為旨在將底層 LLMs 商品化，使其成為廉價、易於取得的基礎設施（類似 AWS 之於運算）。它們的差異化將來自於在這個商品化層之上構建的功能和體驗。
- Microsoft 和 Apple：似乎更專注於將 AI 作為功能整合到其現有生態系統中（Office 365 Copilot、iOS/macOS 中的 Apple Intelligence）。它們可能希望降低商品化程度，以維持這些整合功能的價值。
- Google：面臨著 AI 對其核心搜索業務影響的生存性問題，這驅動著一套不同的戰略要務。
然而，這些高層次的企業目標，未必能轉化為終端用戶基於產品策略選擇某個通用聊天機器人的明確理由。問題「為什麼 Anthropic 能擊敗 ChatGPT？」很難從產品差異上找到答案。Benedict 推測，答案可能在於高度技術性、「深奧的科學方法」，或者乾脆就是「募資能力」。這缺乏了當年比較 Amazon 的物流配送策略與 eBay 的市集模式那種清晰度。
AI 會是下一個「元宇宙」嗎？它到底為誰而生？
有人將 AI 與「元宇宙」（Metaverse）相提並論，後者因其定義過於寬泛模糊而失去了意義。「AI」如果被籠統使用，也面臨類似的風險。當有人問「你對 AI 有何看法？」時，必須先釐清：我們談論的是企業程式碼轉換工具、聊天機器人，還是別的什麼？Benedict 回憶他曾告訴一位質疑 AI 監管的政治記者，試圖將寬泛的「價值觀」應用到一個自動化電信計費的工具上，聽起來很荒謬。
這引出了*用戶*和*使用場景*的問題。雖然利基應用（如 Tony 提到的 F1 車隊使用 AWS AI）有明確的用戶，但通用聊天機器人的目標用戶和核心價值主張，除了原始能力之外，仍然有些模糊。於是，「用戶黏性」（stickiness）的概念浮現了——也許差異化將來自於模型學習用戶歷史和上下文，從而實現個性化。然而，目前尚不清楚這是否構成深層次的產品策略，或者僅僅是基於底層模型改進而演變出的功能。
品牌、習慣與行銷機器
如果核心技術日趨商品化，產品差異又很細微，對話暗示成功可能越來越取決於品牌、行銷、習慣養成以及成為用戶的「預設選項」。問題隨之而來：「OpenAI 究竟是一家技術公司，還是一家品牌公司？」這種情況讓人聯想到啤酒或基本款汽車等市場，在這些市場中，功能差異微乎其微，廣告則側重於情感、生活方式和品牌聯想。
這也呼應了 Toni 和 Benedict 先前討論過的一個挑戰：這些公司的目標很可能是找出如何讓他們的 AI 工具成為用戶日常生活中不可或缺的核心部分。要實現這一點，可能在很大程度上依賴行銷和用戶習慣迴圈，其重要性甚至可能超過獨特的、面向用戶的產品策略。
此外，還提到了「傑文斯悖論」（Jevons Paradox）：讓 AI 運算更便宜會極大地增加使用量（就像行動數據或航空旅行一樣），但這並不自動保證基礎設施提供商的盈利能力，正如電信公司和航空公司的股價並未隨著數據/乘客量的爆炸性增長而水漲船高。
產品策略的立足點何在？
Podcast 的結尾並未給出明確答案，再次凸顯了這個持續存在的謎題。對於一個前提是「能做任何事」的通用工具，你該如何創建和分析其產品策略？要區分不同種類的「任何事」本身就極其困難。
潛在的競爭基礎和策略方向依然存在：
- 性能指標：單純依據基準測試做到更好、更快、更便宜（儘管這種領先往往是暫時的）。
- 應用層：特定的 SaaS 工具或整合到更大平台中的功能。
- 上下文與個性化：模型透過學習用戶歷史來培養「用戶黏性」。
- 品牌與行銷：在商品化的市場中建立品牌忠誠度和用戶習慣。
- 資本與生態系統：單純擁有持續推進和整合技術的資源。
總而言之，這次討論表明，傳統分析科技產品策略的方法，可能需要針對這一波 AI 浪潮進行調整，因為在這個浪潮中，原始技術、面向用戶的產品以及戰略行銷之間的界線尤其模糊。
原始連結：https://another-podcast.simplecast.com/episodes/ai-strategies-5v81DfVr