必须得给大家推荐下美图 CEO 吴欣鸿的这期播客。非常接地气。
美图算不上现在的明星公司，毕竟大家平时聊的都是 DeepSeek、Kimi，或者字节、腾讯、阿里这批大型互联网公司。
但对于我这样的草根创业者来说，这期播客实在有太多能直接拿来用的经验和判断了。
我创业的前十年，基本一直在做工具类产品。但这两年，多少有些迷失。之前的工具类 APP 流量一直在跌，新的产品没什么头绪。
作为 CEO，我自己也信心不足。
总觉得现在好多 AI 产品，例子我不举了，得罪人，反正我觉得他们家的产品解决的问题，ChatGPT 也能做。
而且我们尝试调研过几个场景，发现用户的订阅费根本覆盖不了 Token 成本。除非再继续走融资的道路。
恰好年底做新一年规划的时候，听到这一期播客，我还是清晰了很多很多。
#01
创业公司做 AI 应用，机会到底在哪里？
2013 年那会儿，正是移动互联网创业热闹的时候。当时创业者聚到一块，基本聊的就是你想做什么方向的 App。
但到了这一轮 AI，我不觉得随便再做个什么 App 能有机会。
大家可以观察一下，现在有多少独立开发者，真正能够靠 AI 应用本身赚到钱？
很少。很多人最后还是靠做自媒体、咨询或者培训来变现。
应用的开发门槛大幅降低之后，商业闭环的门槛也随之抬高了很多。这是之前我在一个朋友微博评论区看到的评论，非常共鸣。
以前我还会给各种工具 App 付费买会员，现在很多都不需要了，直接让 ChatGPT 帮我搞定就行。
而且，很多 AI 应用也很容易被通用模型，或者 ChatGPT 这样的超级 AI 应用吃掉。
比如我之前用过的一款创作类产品，其实就是接入了行业里几个头部模型，然后在上面封装了一层具体场景，再加上 Skill 商店、模板等功能。
这玩意我用了几次之后发现，没有我直接用 ChatGPT，加上自己定制的 Skill，再配合飞书这套工作流来得顺畅。
而且，更关键的问题是，我都已经为 ChatGPT 付费了，在额度够用的情况下，为什么还要每个月再花 20 美元，为一件 ChatGPT 本身就能搞定的事情付费？
这逻辑说不通啊。
美图 CEO 吴欣鸿的经验是，必须得找到那些通用模型很难直接替代，同时用户又愿意付费的场景，然后扎进去，把这个场景做得足够深。
比如他们做的开拍。
这款产品最早只是美颜相机里的一个提词器功能。但他们分析数据发现，这个小功能居然排到了所有付费功能的第三名。
于是，产品经理就专门去访谈用户，才意识到很多人是房产经纪人、保险经纪人，或者做知识付费的创作者。这些人需要通过口播视频做营销、获客。
于是，美图这才把提词器独立出来，做成了开拍。
但这还没完。
随着产品发展，他们又不断深入这些行业，研究不同用户的工作流程和具体需求，甚至跑到保险行业的展会上推广产品。
吴欣鸿说，他们最初也不懂这些行业，很多行业知识都是用户慢慢教会他们的。
我听到这里，真的特别有感触。
因为回头想想，过去一年我自己做 AI 产品，好像越来越不愿意吃苦了。
以前创业的时候，进入一个陌生领域，我们会愿意花大量时间去研究用户，搞清楚他们每天在干什么，有什么痛点，然后再琢磨怎么把产品做好。
但现在，有了 AI，开发产品太容易了。看到一个场景，几天就能把 Demo 做出来。做完发现好像没什么人用，或者模型成本太高，就赶紧换下一个方向。
反而很少愿意像以前那样，真正扎进某个行业，把用户的需求研究透彻。
听完吴欣鸿讲开拍的这个案例，我特想给自己一巴掌。这方面，过去一年我确实做得不好。结合播客的分享，我总结了几点小团队做 AI 应用的思路：
1）深入到团队擅长或者感兴趣的领域，在这个领域内找刚需的痛点。
2）ChatGPT + Skill 能够搞定 70% 的场景，坚决不碰。
3）找那些 ChatGPT 只能解决 30%，但用户又有强烈需求的场景。
4）做深，靠行业的 Know-how 来建立壁垒。
#02
敢于放弃，及时止损
这一点也是让我特别佩服的。
因为过去我们听到的创业故事，往往都是谁谁谁押注了一件事，最后排除万难，终于把这件事做成了。
但其实大部分创业公司的经历，可能恰恰相反。
就说美图这件事。
ChatGPT 发布之后，大家都看到了生成式 AI 的机会。美图本身就是做图片、视频类应用的，有足够多的用户，也有多年的行业 Know-how。
那为什么不再往前走一步，自己做模型呢？
其实在 ChatGPT 走红之前，美图就已经开始把生成式图像模型应用到产品里。
后来，他们又开始自研奇想大模型，先做图像，到了 2023 年、2024 年，又开始投入视频大模型。
毕竟大家都知道，视频模型可能比图像模型有更大的商业机会。
但做着做着发现，几个大厂在很多方面都有碾压他们的资源优势。无论是人才储备，还是算力、数据，都不是一个量级的。
这根本不是坚持就能胜利的逻辑。就像打仗，我们经常听到的都是以少胜多的故事，但历史上 99.9%战争，其实都是以多胜少。
吴欣鸿判断，视频基础模型最终很可能集中到少数几家拥有规模优势的巨头手中。
如果美图只有竞争对手十分之一，甚至更少的预算，却要做同样的事情，那胜算实在太低了。
这块肉肯定足够肥，但自己团队没有能力拿到，继续硬撑下去，也没有什么好处。
所以，经过一番权衡，他们最终还是决定收缩视频基础模型的研发，把精力重新集中到自己更擅长的图像模型上。
作为局外人，我觉得这个决策肯定是 100%正确。现在我们再去看，国内视频模型战场上，确实基本就是字节、快手和 MiniMax。
能意识到自己打不过，还能在已经投入大量资源之后果断放弃，我觉得这比押对一个方向还难。毕竟人是有 EGO 的.......
吴欣鸿在播客里说，公司制定的目标，应该和自己的能力相匹配。
这话听起来很简单，但真正创业过的人应该都知道，有时候最难的就是承认自己做不成。尤其是已经投入了那么多钱，团队也干了那么久，谁愿意轻易放弃？
#03
为核心场景自研模型
收紧视频大模型之后，美图就把研发资源更多地集中到之前一直在做的图像模型上。
其实我也在琢磨，你看 Midjourney，人家把图像模型做好了，这个市场也不小。虽然可能没有视频模型的市场空间大，但也有很大的机会。
事实证明，把精力和资源投入到图像模型，还是带来了很大的收益。
目前美图的相关产品，大约 96.5% 的能力，都是由自研模型提供的，真正调用外部 API 的只占很小一部分。
按照他们的测试，在实现同等效果的情况下，自研模型的成本只有外部商业模型的二十分之一。
而且自研模型还可以针对特定场景进行优化，和竞争对手拉开差距。
比如人像修图，美图可以针对人像美容、光影调整、画质修复等具体需求做专门的训练和优化。
毕竟，如果大家都调用同样的外部模型，模型只能做到 70 分，那大家可能也就只能做到 70 分。
但通过自研模型，就有机会把某些特定效果做到 80 分、90 分，同时，还能节省成本。
这里给我的启发是：
1）核心场景上，还是应该考虑自研模型（在开源模型基础上后训练）
2）自研模型可以降低成本
3）通过针对性的后训练，自研模型也可以提升核心任务上的效果
当然对于起步期的创业公司，我觉得也没必要。大模型更多还是找到 PMF 之后应该考虑的事。
#04
AI Native 的组织
AI Native 也是今年讨论比较多的话题了。至于什么是 AI Native 组织，以及打破原来的岗位分工，让每个人都成为超级个体，这些已经有很多共识了，我就不重复解释了。
从 2025 年初开始，美图借鉴 Supercell 等游戏公司的经验，在内部成立 AI 创新工作室。
目前已经有十几个工作室，每个团队尽量控制在十个人以内，负责从产品立项到 PMF 验证的整个过程。有些团队甚至只有两三个人。
工作室的负责人类似于游戏行业的制作人，拥有比较大的决策权，可以自主决定产品怎么做、资源怎么分配。
而且，他们还借鉴了游戏行业的激励机制。
比如，会给通过立项的工作室提供启动资金，让团队自己配置人员和推广资源。如果产品跑通了，核心成员还能获得相应的利润分红。
整体的思路就是希望让这些小团队尽量独立运转，像创业公司一样去开发和验证产品。
具体怎么运作呢？
首先，他们改变了过去的产品立项方式。
过去研发一款产品，不管多大的公司，通常都需要先进行大量的内部论证，反复开会讨论，写各种文档和计划书，然后才能开始行动。
但现在，AI 已经把做 Demo 的成本降得非常低了。
吴欣鸿举了个例子。
美图一位产品经理，之前完全不会写代码，但有了产品想法之后，借助 AI Coding，可能三天就能把整个 Demo 做出来，自己先跑起来看看。
所以，他们现在更倾向于先把产品做出来，再讨论值不值得正式立项。
不过这也并不意味着谁随便做个 Demo，公司就会给钱立项。他们有几个基本的要求：
1、产品必须符合公司的业务方向，不能看到什么机会就做什么。
2、要尽量复用公司已经积累的技术能力。毕竟美图做了十几年影像，没必要每次开发新产品都从头开始。
3、场景必须足够深入，不能只是做个简单的 AI 功能。
公司会结合这些条件和实际做出来的 Demo，决定要不要正式立项。
立项之后，也不会一次性投入大量资源，而是分阶段验证。产品跑得不错，就继续加大投入。如果发现方向不对，就及时停止。
当然，有创业的机会，也得承担创业的风险。
如果项目做得不好，就会及时停止，不拖泥带水。公司不可能让一个没有潜力的项目一直消耗资源。
项目停掉之后，团队成员可能回到原来的岗位，也可能加入其他项目，重新开始。
#05
AI 应用商业模式
再聊聊 AI 应用怎么赚钱。
这部分也是我目前特别头疼的问题。过去做工具类产品，商业模式很简单，用户每个月花几十块钱买个会员，就能使用各种高级功能。
但现在做 AI 应用，这套模式不一定行得通了。
因为传统软件的边际成本很低，用户多使用几次，基本不会增加多少成本。但 AI 不一样，每次生成都要消耗算力，特别是图片、视频等任务，成本可能相当高。
如果用户每个月只交几十块钱，却消耗了上百块钱的 Token，公司岂不是越做越亏？
吴欣鸿的思路是，保留基础订阅，同时增加按服务收费的模式。
基础功能继续通过会员订阅提供。对于那些需要消耗大量算力，或者能够直接帮用户完成某项工作的需求，可以单独收费。
说白了，就是把 AI 的能力封装成用户能够理解的服务，直接帮用户交付结果。
这也让我意识到，自己之前考虑 AI 产品商业模式的时候，思路还是太局限了。一直在琢磨用户每个月愿意付多少钱，Token 成本能不能覆盖，毛利率能做到多少。
但换个角度，如果用户原本需要花几千块钱、几天时间才能完成的工作，现在 AI 可以用更低的成本直接搞定，那用户愿意支付的价格，可能就不一样了。
不过这又绕回到前面第一点提到的话题，核心还是要去把垂直场景做深，因为浅浅地做一层应用，很难直接交付结果。
#06
出海的具体经验
这部分吴欣鸿分享的，全是实操的经验。我直接用列表的方式来总结。
1）AI 生产力应用应该从 Day One 就面向全球市场。过去很多互联网公司习惯先在中国把产品做起来，验证成功之后再出海。
但吴欣鸿认为，现在可以从立项第一天就考虑全球用户。尤其是生产力工具，各国用户的工作需求有很多共性。
比如跨境电商卖家，无论在中国还是美国，很多工作流程和需求都差不多。
2）生活类产品和生产力产品，全球化的难度不太一样。生活类产品受文化、审美和社交热点的影响很大。比如东亚用户可能喜欢美白，欧美用户未必认同这种审美。
但生产力工具的需求通常更接近。这类产品更容易找到全球用户的共同需求，适合从一开始就面向全球开发。
3）出海不能简单地把国内产品换个名字，翻译一下界面。美图早期也尝试过这种做法，后来发现效果不好。
于是专门面向欧美用户开发了 AirBrush，由独立团队负责，从产品界面、交互到具体功能，都根据当地用户的偏好重新设计。现在这款产品已经成为美图海外的主力产品之一。
4）海外市场应该按照文化圈划分，不能只看地理位置。比如泰国、印尼和马来西亚虽然相邻，但用户的审美习惯差异很大。
美颜相机推出 AI 换装功能时，泰国用户比较喜欢大胆的服装风格，而印尼、马来西亚的部分用户更偏好保守的穿着，因此美图会针对这些市场增加符合当地文化习惯的服装和头巾。
类似的文化差异，需要体现在具体的产品功能里。
5）不要盲目追求海外用户增长，更重要的是付费能力和长期留存。美图在 2016 到 2018 年就踩过这个坑。
当时为了追求月活增长，在一些付费能力较弱的市场投入大量资金买量，结果用户留存和变现都不理想。
印度市场的用户规模一度仅次于中国，后来又受到当地政策限制，前期投入损失很大。
过去互联网行业很流行先做用户规模、以后再考虑赚钱，但现在，大家对这种逻辑应该更理性一些。
6）可以利用不同市场验证商业模式，再把成功经验推广到其他市场。 美图最早就是在海外验证了订阅模式，后来才把这套模式带回中国，发现国内用户的付费意愿同样在提高。
现在美图仍然会优先选择规模相对小的市场，测试新的商业化策略。因为中国市场用户基数太大，如果策略不成熟就直接大规模上线，可能带来大量负面反馈。
7）不要忽视那些没有重点投入，却自然增长很好的海外市场。
比如美图最初并没有在巴西投入太多资源，但因为当地用户非常喜欢在社交平台分享内容，部分产品的巴西用户已经成为第二大、第三大，甚至第一大用户来源。
美图专门在圣保罗建立了运营中心，进一步开发巴西和拉美市场。他们现在很重视从自然增长的数据里寻找新的市场机会。
8）海外市场需要本地团队，但研发不一定要搬到海外。美图在硅谷、伦敦、悉尼、新加坡等地设立了办公室，在巴西等市场建立了本地运营中心，运营人员以当地人为主。
但研发团队仍然主要放在中国。因为中国工程师的专业能力和工作效率很有竞争力，而且硅谷的人力成本高得多，没必要为了全球化而把研发团队全部搬出去。
9）做全球化，创始人和核心团队需要亲自到海外了解市场。吴欣鸿过去两三年，每年有一百多天在海外工作。
除了与当地团队交流，还会拜访创业公司、参加行业沙龙，与当地的研究人员交流。
他的逻辑是，AI 时代技术和市场变化太快，核心团队需要直接了解全球正在发生什么，而不只是依赖国内获得的二手信息。
好了，就先总结这么多。
这期播客真的有太多真知灼见了。难得听到这么有实操性的 AI 应用创业经验，比现在很多网红创业者分享的内容，干货多太多了。
下个月，正式确定公司 2027 年规划前，我肯定还会再完整地听一次这个播客。
