AI 产品做出来不再是难题之后

做出来，已经不是最难的事

过去做一个产品，中间隔着一条很长的链路：产品设计之后找 UI，UI 之后找前端，前端之后接后端，然后测试、部署、上线。很多想法甚至没有机会接受市场检验，因为第一关就过不去——没人把它做出来。

这次桌上最明显的变化，是这道墙正在快速降低。

现场有一位长期做产品、只有很短开发经历的 Builder，现在已经通过 vibe coding 上架了约七八款 iOS App。

也有人过去不是工程背景，现在已经可以靠 AI 完成自己的产品原型、版本迭代和 App 开发。

工程师则走得更深：用 Coding Agent 做 MCP Server、机器人、API 封装以及企业内部基础设施。

AI Coding 带来的变化，并不只是程序员写代码快了。它实际上扩大了：谁有资格成为 Builder。

以前最先被问的问题是：这个东西能不能做出来？
现在越来越应该先问：这个东西到底值不值得做？

独识：动手能力在被买平，判断力在重新定价

现场还有一类人很有代表性。他的技术知识并不属于典型的专精型工程师，反而是很多方向都了解一点，但没有在某一个技术栈上挖得极深。

过去这种状态有一个明显问题：你大概知道产品应该怎么做，也知道某个问题需要调用什么能力，但真正落到具体接口、框架和工程细节时，很容易卡住。

AI Coding 改变了这件事。他真正需要掌握的，越来越不是每一段实现代码，而是：

• 这个问题属于什么类型？
• 应该拆成哪几个子问题？
• 哪一部分应该调用什么能力？
• 最后怎么把它们组合起来？

AI 去补局部执行，人去做整体判断。

这意味着一种新的成本结构可能正在出现：局部执行知识越来越便宜；真正稀缺的，是知道应该让什么能力去解决什么问题。判断力未必在涨价，但它在总成本里的相对占比，正在上升。

未来优秀的 Builder，未必是每一项技术都做到最深的人，反而可能是那个最知道该调用什么的人。这类人既不像传统产品经理，也不像传统程序员——他可以从问题定义，一直走到产品上线。

模型越来越像原材料，工作流(Workflow) 才开始成为产品

现场聊 AI 设计、内容生产和企业工具时，有一个非常明显的共同趋势：大家越来越多讨论怎么把不同能力串起来。

做 AI 设计的人，不只是写一句 Prompt 生一张图。真正工作的是：模型怎么连，节点怎么搭，参数怎么调，遇到 bad case 怎么补一个自定义节点，最后怎么让研发把这条工作流工程化部署。

做内容的人也一样。一篇文章之后，不只是调用一次模型，而可能变成：

文章 → 摘要 → 图片 → 动画 → TTS → 视频

企业场景更加明显：

自然语言输入 → AI → API → 企业数据 → 卡片 → 用户操作

于是模型逐渐从产品本身，退到了一个更像能力供应商的位置。

模型提供能力，Workflow 组织价值。真正能够稳定解决业务问题的，通常不是一次 Prompt，而是一整条 Pipeline。

独识：最好的企业 AI 入口，是不需要入口

现场有一个企业 IM 卡片的案例，很值得单独拿出来。

传统办公里的一个小动作，可能是：收到通知，打开长文档，找到重点，再进入一个页面，填写，确认，提交。

现在有人把它改成：AI 把核心信息抽出来，生成一张卡片，用户直接在卡片上完成决策和操作。整个过程都发生在员工原本就在使用的企业 IM 里。

这里隐藏着一个很有意思的产品判断：企业 AI 最好的入口，也许不是再创造一个新的 AI 入口，而是减少入口。

用户不需要打开 AI，不需要学习一个新的系统，甚至不需要意识到背后调用了模型。AI 只是让原来的工作少了一次搜索、一次跳转、一次阅读和一次填写。

未来真正普及的企业 Agent，未必长得像 ChatGPT。它可能只是一张自动出现的卡片，一个已经填好的表格，一条被压缩好的摘要，一个按钮——甚至什么界面都没有。

AI 越成熟，AI 本身可能越不需要被看见。

微调正在从默认动作，变成最后再考虑

会前的一段技术交流很有代表性。一支来自传统专业学科的研究团队正在做垂直领域 Agent，面对的问题很典型：行业里有大量通用模型不认识的专有名词、专业文档和私有数据。

如果放在前几年，很多人的第一反应大概是：训练一个行业模型，或者做 Fine-tuning。

但现场采用的路线是：通用基础模型 + RAG + 行业知识库 + 行业词典。

原因很现实：基础模型更新太快了。今天绑定某个模型做了一套微调，明天基础模型升级，你可能又需要重新处理。与此同时，很多所谓行业能力不足，其实并不是模型推理能力不够，只是它不知道你这个行业独有的知识。

因此现场比较认可的一条工程原则是：

• 能通过提示和上下文解决的，不急着微调；
• 需要大量外部知识时，再做 RAG；
• 只有任务足够窄、足够稳定、收益又可以验证时，再考虑小模型微调——例如审核、审校这一类边界非常清晰的任务。

独识：行业 AI 的壁垒，可能不在行业模型，而在行业知识工程

分享这个案例的人，本身来自传统专业学科，而不是纯 AI 研究背景。这让他关心的问题和模型 Benchmark 很不一样。

真正麻烦的是：一个行业专有词到底怎么定义？哪些资料才是权威资料？公开互联网里根本没有的数据怎么办？行业知识发生变化之后，谁负责更新？不同组织之间的数据能不能混在一起？什么数据可以让模型看到，什么数据必须隔离？

最终这些问题全部指向一件事：知识工程。

也就是说，行业 AI 真正难的，可能并不是训练一个“XX 行业大模型”，而是建立：

• 行业词典
• 知识结构
• 数据体系
• 权限机制
• 更新机制
• 来源和证据链

基础模型越来越强之后，这些不性感的基础工作，反而可能越来越值钱。这也是传统产业真正进入 Agent 时代时，一个容易被低估的机会：懂模型的人越来越多，真正懂行业知识如何被机器使用的人，可能依旧很少。

做产品越来越容易，卖产品越来越难

这是整晚最明显的共同情绪。

有人已经连续做出了多款 App。有人做出了浏览器标签管理工具。有人做个人 AI OS。有人做企业机器人。有人做内容工作流。有人在探索海外 SaaS。甚至有人只是发了一条内测招募，就获得了几百条评论。

供给端看起来非常繁荣。但所有讨论最后都会逐渐回到几个问题：用户从哪来？为什么留下来？为什么愿意付钱？为什么续费？

人人都在用 AI 做东西，也人人都在为做出来之后怎么办发愁。

AI 首先极大降低的是产品供给成本。结果自然是：产品会越来越多。当越来越多人都可以做产品，能做就不再天然构成壁垒。于是过去藏在技术门槛后面的能力重新变得稀缺：用户洞察、分发、内容、增长、品牌、渠道、商业模式。

AI Builder 下一阶段最需要补的课，可能不是 Coding，而是 Distribution。

独识：代码已经不太贵了，买来用户才贵

现场有一个消费产品案例特别典型。Builder 做了一款带有陪伴属性的产品。最初只是随手在内容平台发了一次内测招募，帖子意外获得了大约 500 条评论，很多人表示希望试用。

这是一个听起来非常漂亮的数据。但真正进入内测群的人，大约只剩下 150 人。再往后，还有：激活、使用、留存、付费、续费——一层一层漏下去。

这件事很好地说明了：流量 ≠ 用户，用户 ≠ 留存，留存 ≠ 收入。

过去独立开发者的第一堵墙是不会开发。Cursor、Claude Code 和各种 Coding Agent 正在迅速把这堵墙降低。于是越来越多人会提前撞上另一堵墙：不会分发、不会获客、不会把试用做成留存。

这也意味着，未来 AI Builder 社区最有价值的内容，可能不会一直是如何让 Vibe Coding效果更好，而会越来越多地变成：怎么找需求？怎么做 Product Hunt？怎么经营 X / Twitter？怎么做 SEO？怎么建私域？怎么定价？怎么测试 PMF？

当开发越来越像基础能力之后，增长会重新成为一门专业。

企业真正愿意买的，不是 AI，而是结果

桌边有一位长期服务传统产业企业家的参与者。他的客户并不是 AI 原生公司，很多来自钢铁、化工、产业互联网等传统行业。

他的观察非常直接：客户并不真的在乎你用了哪个模型、是不是 Agent、参数量是多少。老板在乎的是：这套方案能不能解决问题？能不能多赚一些钱？能不能节省时间？能不能减少低价值人工？

所以他并没有把 AI 独立包装成一个产品去卖，而是把 AI 变成自己原有专业服务的一部分。客户买的是战略、品牌、营销、增长、解决方案——AI 只是帮助他把这些服务做得更快、更好的一层能力。

这条路径反而已经产生了真实收入。这带来一个非常值得记住的判断：AI ，不一定要以AI 产品的形式出售。甚至很多时候，客户越少感知 AI，产品可能越容易成交。

独识：客户要的不是你创造了价值，而是你能证明是你创造的

现场另外一段围绕电商和营销工具的讨论，把这个问题往前推了一步。

假设一个客户原来每天卖 100 单，用了你的 AI 产品以后变成 110 单。理论上你帮客户增加了 10 单。问题来了：怎么证明这 10 单是你带来的？也许当天广告预算提高了，也许有促销，也许平台多给了一些流量，也许只是季节变化。

如果无法证明增量来自你的产品，所谓创造价值就很难真正变成商业价值。因为一旦归因不成立：定价困难，续费困难，销售困难，信任也困难。

归因难题本身并不新鲜。但营销、增长类 AI 产品有一个特别容易被低估的问题：价值证明本身，就是产品的一部分。

未来真正成熟的商业 AI 产品，不能只回答我能帮你做什么，还要能够回答我怎么证明刚才这个结果，是我带来的。这甚至可能决定一个 AI 工具最终是 Demo、功能，还是一门生意。

AI真正改变的，也许不是 Coding

这场 Table 结束以后，如果一定要找一条贯穿整晚的主线，

AI 正在快速消灭把东西做出来的门槛。而当实现本身不再稀缺之后，过去隐藏在开发能力后面的那些问题，就开始一个接一个浮上来。

模型会继续变强。代码会继续变便宜。Skill 会越来越容易复制。甚至今天看起来还很先进的 Agent 能力，很快也可能变成标准能力。

真正不容易复制的，最终还是：场景、判断、用户、数据，以及持续迭代出来的商业闭环。

所以今天我们把这群人叫Builder。但也许再过一段时间，Builder 的角色会越来越不重要。

JOTO 企业落地观察

• 对企业部署意味着：AI 工程重心正从模型选型与编码转向 Workflow 编排与集成。企业需优先建设可复用、可观测、可运维的流程调度能力，而非单点模型调用，这对现有 DevOps 体系提出新要求。
• 这类系统的取舍在于：RAG 知识工程投入是否优于微调。当基础模型能力趋同，企业应将资源集中于构建权威、可更新、带权限控制的行业知识体系，而非重复投入模型定制。
• AI 安全治理需覆盖 Workflow 全链路。Prompt、RAG 数据源、API 调用、输出卡片等每个环节都构成风险面，传统仅聚焦模型层的安全策略已不充分，需建立跨组件的审计与拦截机制。
• FDE 驻场共创的价值点正从‘教客户写 Prompt’转向‘陪客户梳理业务节点与决策逻辑’。能否将模糊的业务诉求转化为可编排、可验证、可归因的 Workflow，成为落地成败的关键判据。