AI产品失败率90%：如何破解智能工具市场困局？

每当一项新技术刚走进大众视野的5年里，这个阶段的新产品总是让人视为“鸡肋”一样的存在，即便是阅产品无数的投资人，也难免莞尔一笑，吐出一句大实话：

乏善可陈。

其实，这不止是用户和投资界的反馈，AI产品创造者同样也有惨痛的经历。“我们的AI产品发布那天，我确信我们会改变游戏规则。

所有那些不眠之夜，所有无休止的迭代，所有我倾注的心血，只为打造一款革命性的产品。一切都为了这一刻！”

“但随后，一切都沉寂了，没人使用它。”不仅数据异常冰冷：参与度低、采用率为零，就连反馈也像刀子一样狠——“令人困惑”、“垃圾”、“不靠谱”。

90%的AI产品在用户记忆中阵亡

各位不妨回想一下自己在手机或电脑端在用的AI应用，究竟还有哪些产品的AI功能让你眼前一亮，并坚持使用超过了6个月？

从去年年初开始，我们就时不时在采访中向对方抛出这个问题，我们得到的答案不超过这4款，看看是不是精准命中了你的答案：

ChatGPT、豆包、Cursor、Notion。

ps：DeepSeek作为后起之秀，吃了发布时间晚的亏，所以不在此之列。

当然这并不意味着其他的AI产品有多大问题，比如前两年年红极一时的AI生图工具Midjourney、

主打音乐创作的Suno以及视频创作的可灵AI都是备选项之一，但在适配体量和口碑声量上远不及前面提到的产品。

而就在在这仅有的4款之中，前两款惊人地一致，全是“产模一体”（产品即模型），只剩下Cursor和Notion还算是有相对垂直的应用场景。

正如一位开发者所说：“Copilot/Aider/Claude Code都很棒，但我很难想到我使用的其他工具中，哪个是用LLM改进过的。”

为什么会这样？在一切皆可AI的今天，除了Cursor和Notion备受推崇之外，其他的很多知名产品都在大众的记忆中阵亡了。

此外，有媒体甚至爆料，许多受访的高级知识型工作者其实根本对ChatGPT“不感冒”。

不得不感叹：历史总是惊人的相似，仿佛我们回到了2022年，低代码产品陷入的市场怪象：“老板们看了必须上，使用者试了试不想用。”

回到AI的语境之下，我们了解到一线的用户是这样回答的：

“现在90%的 AI 功能感觉都是附加的，毫无用处。”

“这还不包括价格。有些服务商甚至为了所谓的“AI 功能”而多收 50% 甚至 100% 的费用。”

“除了AI编码功能之外，我其实很难想到哪个AI功能真正让我喜欢。”

问题出现了：旧App开发封禁了大模型

近期，YC合伙人Pete发表了一篇博客：《horseless carriage》（无马的马车）并以Gmail邮件草稿功能为例，痛斥了目前AI应用在设计上的无用性！

Gmail 团队打造了一辆“无马的马车”，因为他们着手将人工智能添加到他们现有的电子邮件客户端中，

而不是思考如果从头开始设计一个包含人工智能的电子邮件客户端会是什么样子。

他们的应用是将人工智能塞进一个为日常人工工作设计的界面中，而不是一个为自动化日常工作设计的界面中。

解释一下，这里的“无马的马车”，是指蒸汽机革命初期初代汽车的雏形，外表看起来依旧是一辆马车，只不过没有马，后面多了一个蒸汽机而已。

当时的人们看到之后没法接受：宁愿选择马而不是蒸汽机。

Pete指出，初代的无马马车诞生于“旧世界思维”，它借鉴了马车的样子，本质上无异于用发动机取代马匹，却没有重新设计车辆以应对更高的速度。

在他看来，现在很多AI应用也一样，都像Gmail的Gemini集成一般，毫无用处、令人恼火。

1803年蒸汽马车设计图

Pete具体指出，这项功能是让Gemini生成了一封措辞合理的草稿，但可惜的是，这封邮件的语气和其本人截然不同。

此外除了语气问题以外，生成的邮件比本人亲自写的邮件都要长。很多人包括谷歌团队都把问题甩给了AI，认为是AI还不够聪明，无法写出好的电子邮件。

但这其实并不是 AI 模型问题：Gemini是一个非常强大的模型，它完全有能力写出好的电子邮件。问题在于，Gmail团队设计的应用程序，它限制了模型的发挥。

在他看来，AI 原生软件应该最大限度地提升用户在特定领域的影响力。

AI 原生的Email应该最大限度地减少用户花在发送和阅读邮件上的时间，而AI 原生的会计软件则应该最大限度地减少会计人员记账的时间，就这么朴素的道理。

言外之意，Pete认为现在的AI应用开发只是在模仿旧的软件开发方式，而这种旧世界的方式已经限制了大模型的能力发挥。

失败的不是技术，而是与真人的联系

微软CEO纳德拉在刚刚过去的LlamaCon上表示了类似的观点。他认为，人工智能很有潜力，但是需要软件和管理变革配套。

现在的AI，就像是一架“没有马的马车”。“变革不止是技术，还有人们对新技术的新方式。”

他还引用电从被发现到应用于工厂生产经历了50年的例子，表明，虽然距离AI真正改变生产生活不需要50年那么久，但距离AI被放进新的生产系统，还需要时间。

那么，在AI 适配的新系统被发现之前，我们需要了解除了技术之外的限制因素。

首先，“拿着锤子找钉子”往往会导致破产。

很多AI项目出发点都是以技术为出点，因为开发者的确需要清楚大模型的能力的上下限，

然而这往往会导致“拿着锤子找钉子”，不能识别并解决目标用户的真实痛点。

这个过程中，公司很容易忽略完整的用户调查，进而阻止了最终用户参与开发阶段。这种情况下诞生的产品，要么过于复杂、要么与用户无关。

一个明显的例子是IBM的AI医疗项目Watson for Oncology，虽然获得6200万美元投资，

但由于AI却生成了不安全的治疗方案，而且与肿瘤医生的工作流程脱节，最后项目告吹了。

一位AI产品发布失败的创业者总结了沉痛教训：打造人工智能只是成功的一半，如果你不深入了解你的用户

——他们害怕什么，他们需要什么，是什么让他们兴奋——你就永远无法赢得他们的信任。而信任才是最重要的。

screenshotone.com 的创始人 Dmytro Krasun 也给出了同样的建议：如果不知道要向谁销售你的产品，就不要生产它。

如果是B端产品，这种现象也更加严重。很多公司采用AI，仅仅是因为AI火，而不是首先确定AI的业务应用方向。

一个典型的例子就是很多人为自己公司开发智能体，总是误以为“复杂才是高级”，追求长链路的复杂任务，从而导致项目失败率和成本抖升。

这种被称为“闪亮物体综合症”的现象导致资源的无谓消耗，却无法产生可量化的商业效益。

这也是很常见的“技术目标和业务目标不匹配”，虽然解决方案可以正常运作，但却无法解决市场上的根本问题。

其次，对于数据质量和治理的重视程度不够。AI系统的有效运行依赖于高质量的训练数据和决策数据。

许多AI项目失败的原因在于它们使用的数据不足，这些数据要么过时，要么存在偏见，从而降低信任度和可用性水平。

这里也有一个例子。亚马逊此前开发了一个人工智能招聘系统，该系统从带有男性偏见的历史招聘数据中学习，从而产生了带有性别歧视的建议。

由于缺乏适当的数据治理监督，亚马逊最终不得不放弃该项目。

诚然，现在的大模型技术发展还处在早期阶段，本身技术的研究还存在诸如安全、可解释性等一些短板需要进一步补齐。

但这并不是许多AI产品不受欢迎的主要原因，更多还是用户需求的错位理解以及企业落地过程中的工程环节等问题。

不要爱上你的产品，爱上解决用户的问题

一款人工智能产品，不能引起用户的共鸣，技术上即便再出色，也将毫无意义。为用户提供信任、可用性和价值才是构建AI产品的关键。

开发AI产品，不妨提醒自己：不要迷失在寻找这项技术所能实现的可能性中。而是要时刻关心“为人而建”，

因为用户并不关心你的算法，他们在乎的是它如何让他们的生活更轻松。

所以，了解他们的行为、他们的时间都花在了哪里，以及他们不喜欢工作流程中的哪些方面。

不要只问他们想要什么，还要观察他们做了什么。所有这些都将帮助你打造一款用户乐于使用的产品。

此外，尽早关注数据质量。无论人工智能多么复杂，糟糕的数据都会导致糟糕的结果。

在开始构建之前，投入时间和精力进行数据清理、数据整理和数据多样化至关重要。这就像盖房子一样——你的数据就是地基。

如果它出现裂缝或不平整，整个结构就会倒塌。并且不要忘记不时检查您的数据；六个月前有效的方法今天可能就不起作用了。

最后，少即是多，快速证明价值。正如前文多提到的，追求复杂是一个典型的产品开发误区。

很多人认为推出一款拥有众多炫酷功能的人工智能产品就能给利益相关者留下深刻印象。

然而，事实并非如此，它非但没有打动用户、赢得他们的信任，反而让他们感到困惑，甚至厌弃。

所以，从一个小的、专注的场景开始，解决一个特定的问题。在取得第一个成功之后，再将其作为跳板进一步拓展你的产品。

而对于企业而言，还有一点值得补充，即设定明确的目标，即便是实验性质的探索，同样有必要。

开始开发工作之前应该建立具体的以业务为中心的成功标准，这样可以让开发人员专注于解决具体问题，而不是为了追求尖端技术。

不要爱上你的人工智能，而要爱上解决用户问题这件事。这才是让你的产品收获用户的不二法门。

参考链接：

https://ai.gopubby.com/i-thought-my-ai-product-would-change-everything-until-no-one-wanted-to-use-it-d498713a0184

https://koomen.dev/essays/horseless-carriages/#a-better-email-assistant