迈向2025 | 生成式AI的生产力转化路径

2019年，我在北京大学攻读博士学位。那时，我在学校已经开始研究大模型，但它还仅仅是出现在研究综述的方法之一。直到2023年，ChatGPT引起大众关注，我开始高度重视这一领域，带领团队全面拥抱大模型。面对这项新技术，和多数人一样，起初团队的响应并不热烈，许多同事仍在观望。后来，我带领一个小型研发团队，开发了“小明助理”Copilot（这也是目前我们全员都在使用的AI工具，同时也已经服务于多家企业客户）。2023年7月底开发时，它的主要使用群体还是我们的产研同学，其他同事大多不会编写提示词（prompt），也不知道这个工具对自己有什么用。

转机出现在十一假期过后，我们举办了一场大模型竞赛。在竞赛开始前，我们组织了一场全面的培训，向大家展示如何使用prompt和对话流程。大家突然意识到，这个工具不仅易于使用，而且适用于所有人，不光是技术人员。到了十一月底，我们的日活跃用户已经上升到70%，我们在AI提高生产力的道路上迈开了第一步。

如果只懂得编写单一的prompt，那么生产效率仍难以实现大幅提升。我们还需要将一些复杂而枯燥的任务，通过agent模式实现出来。完成工具普及之后，我们开始着手进行更高阶的工作——教大家如何开发agent。

令人振奋的是，除了研发团队之外，其他同事在接受培训后也能编写agent了。我们的HR团队搭建了用于招聘、面试和简历分析的agent，并且已经非常活跃地使用起来。现在我自己还在使用一个CEO和高管团队的专用agent。

像我们的销售和售前团队拥有大量的历史文档库，如何让新加入的销售同事快速了解公司产品，以及客户的业务范畴，帮助他们从公司现有的资料库中找到最适合提案的内容？现在这些都可以通过agent实现。

除了研发团队，我们还有一支庞大的队伍——数据分析师。上一代AI很多东西分析得还不够好，需要分析师手动打标签、深度挖掘分析。但现在，AI已经能够更加自动化地执行许多任务，分析师们的部分工作也可以通过AI来完成。

从服务客户的角度来看，过去，我们主要服务于世界五百强等大型企业，随着AI技术的不断深入，我们现在也有了更多服务中小企业的机会。

生成式AI兴起后，我们提出了一个新概念——生成式营销。我们与国内市场营销领域的顶尖院校——复旦大学管理学院联合发布了行业报告，解读生成式营销的价值和应用，生产力与生产关系在当下有了更深层次的实践意义。

以我们所在的广告营销行业为例，广告营销的核心生产流程包括：消费者洞察、广告创意制作与生成，以及传播策略，包括媒介采买和触点设计。首先，我们需要结合消费者洞察，了解目标消费者群体，制定广告策略；其次，我们要制作相应的广告内容，包括传统硬广，社媒种草，以及在自有的官方渠道生成私域内容；最后，我们需要将内容投放出去，涉及到流量采买和投放控制。

目前，营销生产力的瓶颈在于，尽管互联网广告已经实现了千人千面的推送，但绝大多数企业仍在发布相同的内容。企业知道应该根据不同消费者群体进行个性化沟通，但缺乏多样化内容的生产能力，而内容生产需要懂内容的专业人士，成本高昂。

面对生成式AI工具的普及，市场部可能会尝试使用AI工具，但许多同事可能会告诉老板这些工具并不太好用，这是大多数企业当前的状态，也是我说的生产力尚未形成。只有当这些瓶颈被突破，新的生产关系才能算真正形成。

我们常说，y=f（x），大模型是函数f，是推理系统。当你希望用它提升生产力时，你需要输入x，也就是那些真正有助于输出目标y的核心信息。你可以将这些信息写入prompt中，或者使用其他方法。但如果没有x，就不太可能生成一个合格的y，这是基本的原理。

2024年，大模型f本身在不断进步，最大的进步是多模态能力得到了显著增强。这意味着我们在提供信息时，不再局限于文字prompt，还可以提供图片、视频作为输入。我们也开发了用于广告营销场景的多模态大模型。

许多企业在广告投放前需要进行测试，确保广告片不会引起消费者的负面感受。以前，我们会邀请消费者前来观看广告片，并通过传感器和多目摄像头，监测消费者的脑电变化和眼球注意力，帮助客户提前测试广告可能引发的消费者情绪变化。如果情绪反应正面，广告可以正常投放；如果不是，就需要进行修改。因为投放广告的成本远高于制作广告的成本。

今天，我们可以让AI代替消费者观看广告，并让不同的AI扮演不同的角色。我们研发的超图多模态大语言模型（HMLLM）不仅可以预测消费者情绪反应，还可以进行对情绪产生的原因进行描述，向品牌主解释消费者为何情绪高涨或低落。我们的研究在今年全球人工智能顶级会议ACMMM上获得了最佳论文提名。论文获奖的核心原因在于，我们认为情感反应是由观看者这个主体决定的，我们采用了一种新的视角来实现AI情感理解，并能根据不同群体的属性进行分析。

当前，许多企业都在做社媒种草，甚至有些企业已经实施全员营销策略（KOS种草）。特别是拥有线下门店的企业，拥有成百上千的销售团队，企业鼓励全员参与小红书文案创作和抖音、视频号的内容发布。

当你动员一千人去发布帖子时，可能会遇到几种情况。有些员工可能并不会发布，或者发布的质量不高。还有一种情况是，虽然内容质量很高，但发布的是相同的帖子。对于同质化的帖子，平台无法收录，企业也就无法实现种草效果，吸引流量。

从营销的角度来看，AI生成内容存在一个矛盾，那就是需要在内容的数量和质量之间找到平衡。内容多元化的前提是精细化的洞察，企业在了解产品专业知识的基础上，还需要掌握消费者的情绪、注意力以及他们喜欢的内容。在这方面，多模态同样能起到重要作用。

例如，在奥运会之后，高考发榜成为网络热点。运用多模态技术，我们可以发现真正的爆帖并没有直接提及录取通知书，而是采用了配图来呈现。如果仅使用单一模态，便难以挖掘到相关爆帖和流量趋势。

除了外部社交媒体上消费者讨论的内容，企业知识也同样重要。比如业务数据、员工个人构建的知识体系，以及外部专业知识等等。

在y=f(x）的基础上，我们还引入了另一个变量z，即效果监测。通过了解内容发布后的表现，比如转发、评论和点赞情况，以及广告投放后的点击率和后续转化行为，我们可以利用这些数据进一步迭代和优化品牌的营销策略。

让每个人都能使用AI至关重要。即使AI工具提供了很多功能，也不一定能保证大家都会去使用，这是当下许多团队面临的现实问题。我在这里分享一些底层逻辑的思考，这些思考源自于前百度首席产品架构师俞军老师提出的一个公式：产品价值=（新体验-旧体验）-替换成本。

大家可以思考两点：第一，新工具与旧工具相比，能力提升和体验改善有多大？如果差距很小，用户可能不太愿意去使用；第二，替代成本有多高？

目前有两种AI工具形态，一种是“agent”，可以一次性完成多个任务，相当于将复杂的工作流程，通过一个指令完整地执行；另一种是“copilot”，可以让AI与现有工具联系起来，极大地降低替代成本。

最后，我想借用一套理论来说明生成式AI的生产力转化路径，企业要以组织能力为中心，自上而下推动，培养员工思维，提升员工能力，并重视员工治理，让每个员工了解生成式AI背后的道理，并提供与之相适应的工具、组织架构，以及文化环境。