内容与人工智能协同增长：中欧x特赞研究基金闭门会全纪录

为什么品牌应该关注 “内容+人工智能”

首先，我觉得内容其实很重要。我原来一直觉得因为我们消费很多内容，所以内容很重要。后来前两天我听到有一个商学院的老师讲了一个理论，我觉得对我挺有启发的。他说过去是人找货，因为货物不够，稀缺的经济，所以人找货那个时候不需要内容，那时候需要买货的权利。

但是现在是货找人，听上去好像是你每天在被推荐很多和你相关的内容，事实上是因为供给过剩，所以供给过剩的场景下面内容力非常重要。所以现在就是我们不停的在被你可能喜欢的内容追踪，追踪完以后转化，所以现在的这个过程里，人货场里一定要加上一个内容，消费者和商品也好，品牌跟消费者也好，中间接触的东西都叫内容，图文、视频，有种草的，有转化的等等等等。

所以内容成为了经营的杠杆，所以我们也看到这么多的企业，五年前我们做内容的时候，很多企业跟我们说，比如蓝色杯子的咖啡，那时候跟我们说不用做很多次内容的，一年做四次就行了，春节做一次，情人节做一次，圣诞节做一次就行了。现在是每个门店每一天都要做各种各样的内容，其实这个过程也是在过去这四五年经济环境里不停地卷起来的。

第二个角度，其实我们会看到内容真的是很多。图文视频不用说了，最近有些品牌开始做播客，我觉得也是很卷的，声音、气味其实全都变成了内容，所以这些内容事实上无时无刻的不在跟我们接触。如果每一个品牌、每一个渠道、每一天、每一分钟，你都要跟用户用个性化的东西来对话，这不是人干的事情。

第三个视角，过去这十年 AI 的发展，尤其是过去两年的 AI 发展，我们当时看到 AI 生成内容的逻辑，图可以生成了，文字可以生成了，视频可以生成了，模型可以生成了，现在声音可以生成了，但另一个角度我想告诉大家，其实 AI 的这个能力也能更好地帮助我们去理解内容。我们在抖音上发了这么多东西，在小红书上发了这么多东西，在电商里发了这么多东西，做这么多SKU 的东西，到底倒过来我们该怎么去理解它？以前这些内容是很难被理解，因为他们被称为叫非结构化的数据，但是现在有了 AI 以后，其实可以比较好的帮助我们去理解它。

我给大家看一个例子，前一段时间我在朋友圈发了一张图，一边叫 work hard，一边叫 life hacks，很多人都排队排在这个 life hacks 里边，就是说人生的这个奥秘是什么啊？很多人都想知道，怎么样我们能够多快好省的达到人生的彼岸，事实上没有人愿意排在这个 work hard 里面，其实每个人有不同的解读哈。然后我就用我们自己公司的这个最简单的一个模型，通用的让他来读这个图，大家可以看看他读的怎么样？

我发朋友圈的时候很多我的朋友没有完全理解这张图的意思，但是 AI 解读得非常好。

这就是我想表达的，不是 AI 只是不停地帮你生成内容， AI 也能在这个通用的环境下很好地理解内容。我最近我在做一个尝试，我们给很多企业做的系统里面有个数据面板，然后我们小伙伴非常喜欢做数据洞察，数据洞察就要做研究，我上次跟我一个小伙伴比，他用人工做洞察，我就截了一张这个数据面板的图，我让 GPT 做洞察，然后我让客户选，你们知道答案是什么吗？客户肯定是选的GPT，做的又完整又详细，然后文字还非常的标准，所以也就是说现在 AI 通用能力对于内容的理解是史无前例的，我们不要只把 AI 当作“生成式”人工智能，也是关于内容的理解。

过去这两年里边发生的人工智能，事实上都代表着下一个时代的到来。这是 2023 年的一篇论文，叫 GPTs（Generative Pre-trained Transformer） are GPTs（General Purpose Technology 通用目的的技术）。什么叫通用目的技术？我们用的互联网是通用目的技术，我们用的手机就是通用目的技术，我们用的电就是通用目的的技术，这些技术不只是一个技术，它也代表着会改变我们的工作，改变我们的生活，改变我们的未来。

所以在这样的语境下面，我觉得各位都应该关心内容+人工智能这件事情。内容是各位生意的抓手，是生意的机遇。

内容+人工智能的三个最佳实践

其实很多企业都有一个很详细的图，这个图里边就是内容到底和生意是发生什么样的关系，内容在是通过什么样的渠道进到这些生意的里面去发生作用的，这看上去像一个管道图。所有的绿的就代表内容是非常通畅，所有的红的代表是不通的。所以通畅和不通之间也有黄的，就是有时候通，有时候不通。

我们其实帮助企业在做什么？我们在帮企业其实搭一个就像一个城市的管道系统，大家知道像我们有一些客户，一年要做生意要用的内容大概有千万个，这千万个其实就像是一个城市一样，下面要有一个让城市正常运作的基础设施，然后我们就帮助企业去做这样的一个内容的管理系统。

以前我们一年如果只做三四次活动的话，只有少有的几个渠道的话，我们确实不需要这些，我们可能只需要最简单的U盘就可以了。但是当你现在是千万个内容，每天无时无刻的不在跟市场、消费者发生个性化的engagement 的时候，你后边就是要这样一套精准化的 infrastructure 既保证流通性，流动起来也保证安全性。

防守和进攻都是需要用技术来解决，所以这里不是AI 只是简单的做内容的生产，也有很复杂的，比如识别。我们最近做一个国企的客户，他要识别领导在哪里出现，我们也做互联网客户，也是识别领导的脸部，知道这个领导的这个现在视频在我在哪几帧出现，能不能剪出来，这个过程里面其实 AI 扮演了一个帮助企业很方便的去管理它整个内容体系的价值。

这是三年前的视频，那个时候 GPT 还不是很发达，大家看到还是用上一代的机器学习技术，这当然我们都会来做相应的升级了。其实这张图就是一个企业从内容的生产侧到最后内容的调用侧的一个流线，每一根线都是一个部门，每一个部门可能都有成千上万的内容在里面流动，所以大家看到就是就当我们把内容这件事情真的map出来的时候，其实是一个非常复杂的系统。就跟地下水的系统一样复杂的系统，所以如何更好地去管控其实是一个很有意思的话题。

所以我们看到，内容从原来文科生的考量，现在越来越变成一个文理兼修的事情。上层，当然我们每个企业做生意 ToB 的 ToC 其实都一样，卖物质化的东西或者卖非物质化也都一样。下面就有经营阵地，然后再往下就是这些经营阵地里你经营的所谓的资料，本质上都是各种各样的content。然后再往下其实就是我们给企业提供的这套系统。就是这样的系统，把这些资料、生产资料、营销资料能够很好的管理起来。那当然就是这些资料里面原来我们都需要自己去研发 AI 的算法。

我们做得最有意思的（也是很荒谬的一个需求），就我们最早是给过汉堡包公司做汉堡识别的算法，我们知道这个是麦乐鸡汉堡，然后做完这个汉堡的目的是什么呢？目的就是当企业，当一个品牌，当一个门店的店长，今天想打折的时候，可以很方便自己组combo，但原来我们要自己研发这个算法，其实非常非常难的，识别汉堡的算法不容易了，但现在我们有了大模型以后，有了这个基础模型以后，其实加上一点简单的数据训练、数据输入匹配就可以做到了，所以大大的降低了成本啊。原来可能百万级的训练，现在可能几万、几十万就可以做到。

所以刚讲就是第一个最佳实践，其实就是相当于通过AI，把所有企业的经营资料（内容）能够很高效地协作和流转起来。这里有大模型干的事儿，有专属模型干的事儿，有企业海量素材干的事情。

第二个最佳实践，其实就和降本增效有关。

其实我最早做人工智能和创意有关的时候是 2016 年，我当时刚从美国回来，然后我就去阿里走穴，我当时去找业务的方式就是分享，分享完线下我就找接待的人要项目，然后他们就跟我说，阿里生态里边有 200 万的设计师，有 200 万设计师做什么呢，主要做电商详情页，然后我就觉得这件事情好像可以用 AI 多做一点，从而让设计师能不能更好地做点更需要创意的事情啊。

所以我们现在就相当于用 AI 在做这样一件事情。一个是生成详情页上的文案，做成图片，然后批套上面板，最后变成一张长图。海外可能是邮件营销的内容，国内可能是电商的详情页。然后这里边其实我们要做一些工作的。因为每一个行业其实对图的要求是不一样的。比如说我们做这个调味品它要亮一点，奶的时候要轻快一点，做奢侈品的时候它要暗一点，要雅一点，每个行业不一样，所以我们其实要针对每个行业有吸引力的这种内容形态去做一点点的fine tune。我们的销售同学总出去说叫模型训练，我一直纠正他们，没有模型训练那么重的，就是简单的fine tune 就可以。

然后我们把这些内容嵌到一个智能的模板上，事实上每一个地方就像是一个占位符一样，它知道大概要调用什么样数据，然后就可以把这些内容嵌到这个模板里面去，从而生成的各种各样的商品图对应的说明的文字，然后就嵌到这里相应的位置上，就可以生成广告。

这里其实有一个很有意思的技术的变化。大家可能用苹果手机的都会发现最新的几个版本苹果手机有一个功能叫无边记，其实就是无限画布的这个东西。其实无限画布是个很好的技术，以前的营销行业买不起。营销行业以前都是一张图来编辑的，但无限画布其实是交互设计里面才会用的一个机制，我们现在把它拿到营销的这个场景里面来，其实也就代表说你不用再关掉一个文件，再打开一个文件，而是你可以 1, 000 个文件一起来做，所以可以 1, 000 个 SKU 一起来改。所以这个过程中，其实我就总在想， AI 做的工作，一方面当然帮企业降本增效，另外一方面真的也是帮像我这样的人真的能够回到创意里边。降本增效完以后，人会遇到人该干的事。

另一个例子，这是一个做洗发水的公司。别人去分析社媒里的内容，是希望做更好的社媒，他除了这个目的之外，他想分析社媒的内容，从而知道什么样的产品描述是有价值的。这些产品描述就会变成一个产品创新的关键词的库，最后能够变成一系列产品创新的想法，所以他想比做好短视频这件事再多走一步。后来我也意识到，其实真的洗发水的创新主要就是那几个关键字，创新什么香味，什么什么包装，然后什么什么体积，然后什么造型、什么色彩，所以他的创新确实是从营销洞察开始的，所以我们后来给他做了一个系统，他们叫 Agent Development 系统，其实里边就是把包装、气味都当做这个内容的资产来管理，然后生成详情页，它直接可以在自己的电商的一些渠道里来test。原来这些外企做一个新品两年，现在可能可以每两个礼拜就 test 一些新品，可以更快速地去做尝试。

所以这就是 AI 在里面扮演的，不是一个纯粹的目的，不是今天我的降本增效怎么样，而是降低了试错的成本。用 AI 来做关键词的分析，然后由AI 生成一大堆的ingredients，生成一大堆产品的ideation，然后再用 AI mock up 出来这个造型，甚至直接到详情页，然后就可以边上边试，效果不好了就下架。当然做包装也是很多产品的创新，我们也做了一个包装创新的小工具。

这是第二个维度，其实也是一样，大家看到我的这套路都是一样的，就是要基于现有的甚至是人工智能基础模型，然后再加上专属的东西，包括你自己的模型，比如说刚刚我们说那洗发水 ingredient 怎么来设计啊？就是专属的模型，再加上企业自己的素材，然后能够来提高效率。

第三个是增长问题，我觉得如果人工智能只是卷存量，那最后就是叫卷，人工智能不能带来新增量。这是我们最近在尝试的 6 个月时间，我觉得 0 到 1 的尝试应该是完成了，就是 it works，但是还没有规模化，所以也希望大家感兴趣的小伙伴，我们有机会再探索一下。

以一个可能大家都知道的行业和品牌来举例子，比如说绿色的咖啡。原来的增长的方式就是开店，只要他开店的速度比他关店的速度快，那就在增长。现在有个巨大的挑战是每个店的利润率在降，所以即使开了更多店，也许总的利润还是不及原来的。所以现在讨论增长，就是花一杯咖啡的钱能不能带来两杯咖啡的收入。所以大家如果去绿色的咖啡店，下午两三点钟的时候，你会看到店长有时候在门口揽客。现在已经做到这个程度了。所以他们最近在想一个事情，我只用这个举例，他们还没有开始实践，但有别的客户实践，那他现在想做一件事情，能不能每一个线下的门店都有一个线上window，线上的店面，这个线上店就不用变，就是说他买还要到线下去买，但是线上多一个橱窗就在抖音上开， 7, 000 家门店，就开 7, 000 个号，开7000个号是不要钱的，但是装修是要钱的，做7,000 个号的短视频是要钱的。

刚刚我说了它的算法计算逻辑是一杯咖啡的投入能带来两杯咖啡的回报，所以线上装修、做视频的成本，只能是30 块钱，然后要带来转化。30 块钱做视频其实没那么容易。以前没有 AI 的时候，即使很多人做矩阵号，但是单元经济能不能算的过来，是一个问号。但现在我们真的有可能还是用刚刚的套路，通用模型加专属模型，加你自己的素材，有机会做到 30 块钱一个门店的成本。那我们是怎么做的？

第一个我们当然要去学习这个行业里面到底有些什么样的内容。

第二个部分我们会用 GPT 或者用各种各样的语言模型，我们可能在这儿会选择性价比最高的语言模型，把它翻译成视频的脚本。

然后第三个在这个视频脚本里面，会有各种各样的视频的结构模型，有些比如说大家看到热门的歌曲就是卡点视频，有些可能是娱乐性，有些可能是对比性，有些可能像是个人 vlog 型的各种各样的，大家在抖音上能看到所有的视频类型，我们都会把它抽象成叫视频内容的结构模型，然后再用结构模型去对品牌自己已有的素材进行切片。所以所有企业存在我们的这个系统里面的内容就会成为再次生产所需要的原始素材资料。

这个生产的过程是怎么样的呢？现在我们做的比较多的行业热点，生产过程就是把这类素材加上行业热点。我们会拿一些行业剧情把这两个东西混在一起。大家可以试试这个网站，hot.tezign.com，比如输一个产品的名字，他就会去在网上爬现在的热榜，会找合适的热榜的内容和这个产品之间做关联。做完关联以后，你就会生成一个所谓的叫脚本库，然后脚本一键会生成大量的视频。热点再加上卖点，我们就会生成大量的视频内容，然后配音起来视频内容，看一些例子有这样的视频内容，我们不把这个视频内容当优质内容，我们叫良制内容，优质内容一定是人拍的，但是要经营这么多矩阵号，可能需要的还有大量的别的内容，这些就是机器可以做的，然后一个门店成本做到一杯咖啡的价格，这个过程里边成千上万的号，差异化的内容，扩大曝光量。

所以我们就要去给这些内容来做排期。大家想想 1, 000 家门店每天有不一样的内容排期，这不是一个人干的事情，我们做了一个排期的agent，有热点进来，再去换这个排期，所以我们排期是拿 AI 排的。这当然就是一个企业可以看到所有的终端账号发布的情况，每一个号，每一篇拿到的内容都不一样，好的内容有些企业做的就是曝光量可以达到 5, 000 以上，公司就会给一些激励机制，让终端去做，然后这些信息又会被收回来。我们就知道哪些内容可能是有价值的。

这样一来有两个作用，第一，交给机器生成更多这样的内容。第二，交给人拍，能不能用这些已经被验证了的方法，来做更有意思的优质内容，再让机器去生成良质内容。这件事其实就把企业已有的素材加上 17 个agent来实现。然后做完以后，企业就多了一个理论上成立，但过去账很难算得过来的经营阵地，就是线上矩阵的阵地。所以现在就可以很低成本的进行尝试，每个线上的橱窗每天都有不一样的内容。

内容+人工智能在商业上的三条岔路

通用 VS 专属

第一个，是通用和专属的分叉，General AI 和 Proprietary/specific AI。

我们看到每一次的创新其实都是一个这样的 s 的曲线，都是由一开始很缓慢到很急速，然后再到平台期。所以每一次s 曲线之间的这个部分，就是商业创新的窗口期。因为一个技术已经有一定成熟度了，另外一个技术刚开始中间有很多可以做的事情。

我自己对于现在这个大模型的一些基础的理解，我觉得现在大模型确实性能提升的瓶颈比较明显，大家看到GPT4 一直到不了5，原因就是因为最近这些所有的迭代，都不一定真正是训练数据性能的提升，而可能是思想方法提升。我只是假设有可能现在这个通用模型确实到了一个阶段，它的红利会逐步的减少。

通用模型很厉害，以前我 16、17 年的时候自己做数据集，大概要花很多人去打标都达不到这个质量的数据集，现在 AI 直接就能做到，但是有很多我们自己在企业里、行业里、产业里，真真正正对于这些内容的理解其实并没有被数据化。大家看看这个通用模型怎么训呢？一张图片给他，他就变成二进制的010101，然后对应一组文字。所以他不知道这张图背后的商业目的是什么，受众是谁？要表现的怎么样等等，这些其实都在每一个企业专家的脑海里，只是我们没有把它记录在那，或者我们没有一个地方记录。所以我觉得下一个阶段有可能机会在垂直的行业的专有的数据上，所以这就是为什么我们会对要建一个企业的内容管理系统。

没有人喜欢管理，大家都是因为想要做一件事才不得不管理，所以现在终于找到了一个一定要做这件事情的理由。

这个是我很喜欢一个导演，大卫科波拉《教父》的导演，他有一个 12 分钟的纪录片，大家可以在 b 站上找到。他讲的是导演前期准备的这个过程，《教父》这本书 600 多页，他一页一页的把它拆下来，然后外边加上一个回字形的框。然后他把自己做的每一页贴好，然后右边有三个孔，因为页数太多，所以它每一个孔都会加固，然后做出一本这么厚的书。那大家看到中间的这个原著，你可以理解为叫这个通用模型，要旁边回字形它做标记的。比如说这个人出来脸上表情是什么样的，穿着什么衣服，就是原著里面没有写的，但是在电影里面都会被交代的，这都是他自己家的专有的数据。

然后这本书、这本册子，这个工作方法有一个非常有意思的名字叫 prompt book， prompt book，如果接下来现在大家搜索，大家百度一下 prompt book，你会发现很有可能是什么 midjourney 提示词大全或者 GPT 提示词大全。但在那个时候，一个艺术家用的工作方法就叫prompt book，就是从你这个内容里面抽取你要的东西，这个其实就是为什么我们要专有的，因为这本东西才是你的，剩下的都是通用的，就是人人都能买到的教辅。

一键生成 VS 人机协作

第二个分叉，我想讲讲一键生成和人机协作。英文一键生成就是叫 automation，人机协作叫 human in the Loop。我们有很多客户会拿着 AI 的系统用，说这个系统用的不好。但一键生成，等一下我会讲一个研究的结果，没有一个好下场，所以应该都要去设计人和机器这样协作。

我在 17 年的时候我就开始讲一个概念，就是叫脑机比，人和机器的在创造型工作上的协作关系不是一个零和博弈，不是机器取代人的创造性工作，而是一种互相促进的作用。所以是不是个 ratio 。我喜欢这个名字，脑机比，以至于我在公司的办公室的简称就叫BMR，brain machine ratio，脑机比简称叫BMR。然后大家看这个 BMR 倒过来是什么？所以我一直觉得在人工智能和商业创新的年代， BMR 搞得越好， RMB 就搞得越多。

所以BMR是什么样的？一个想法，就是我们其实如果简单地把工作分为这样四个象限，有些难，有些容易，有些你愿意交给机器，有些你不愿意的时候，你会发现左下角是最容易想的，都会用自动化来干，但是右边这几个到底该怎么干啊？然后怎么样能够让 AI 帮助我们把右边的做好呢？

最近我看到一个商学院的研究，一个沃顿的教授叫Kartik Hosanagar。这个教授其实挺有意思的，也是搞创业的。研究就是专门研究右边的这个象限的事情。他说那个人和机器关系它设计了三种：

• 第一种就叫一键生成 human confirmation，就是我写一段提示词产生一个结果，然后你选择 yes or no 的话再生成一次，就是人不干预到生成过程，人只选择 yes or no。

• 第二个叫 human creativity，比如说我自己如果遇见填表这种事，就我填完以后让机器帮我去 Edit 或者refine，这段文字能不能再官方一点，能不能响应一下新质生产力的相关的号召，会帮我改。这叫 human creativity。

• 第三种叫Copilot，就是人做一点机器做一点。所以我如果做一些工作，我会让机器帮我一起脑暴，那就是Copilot。

然后这个教授他做了一个很简单的实验，我觉得这个 methodology 还挺有意思，他就是创造新工作当中他选了最简单的工作叫写作，第一天他选了一堆学生，让他们不用 AI 写作，来测试他们的水平。第二天用 AI 写作，就用这三种方法。他研究得出了三个结论。

• 第一个结论叫完成的时间，那用了 AI 完成时间是多了还是少了？那肯定是少了，但是如果我们说写作这个创造性工作过程分为四个阶段，第一个叫有想法，第二个有提纲，第三个叫写，第四个叫编辑。那其实第一、第二个没省多少时间，第三个写的过程确实省了很多时间，但是为此你付出的代价是在编辑上面要花更多的时间。所以很多人用 AI 来做图，一键就做了个图，但要花很多时间做二创，这就是你要付出的代价。所以总的时间减少，但是有些地方你会要发付出额外的代价才能得到目标的结果。

• 第二个，质量就是 writing quality，有两个质量是上升的，一个质量是下降的，大家猜猜都能知道哪个质量下降。就是一键生成，所以就当你无法介入到创造性的工作当中的时候，这个质量你是不满意的，但是另外两个质量都是上升的，而且大家看到copilot 的值上升最多。

• 第三个是叫用户体验，就是如果在一系列有创造性的工作当中，你发现人无法控制这个创造力的过程，你就会觉得体验很差，所以一样就跟前面的质量是正相关的。

一个企业，当我们开始用 AI 的时候，我们不能指望我们要把工作 outsource 给AI，我们只能指望用 AI 重塑我们的组织。当你想着要把 AI outsource 后，那时候你考虑只是生产的问题，不是解决开放性问题的一种方法。

他还讲了一个延伸的观点，我觉得这个对我们每个人有帮助。还记得他的这个实验第一天是所有的学生在没有 AI 帮助的情况下，是有人写作能力差，有人写作能力中的，有人写作能力好的，但有了 AI 以后，明显好坏的差距被拉小了很多。所以也就是说其实 AI 没有办法，帮我们增加长板，但一定有办法帮我们补齐短板。我们每个人都一定会有地方是短板的，有人可能逻辑很好，创造很差，所以在这个过程里边 AI 能帮我们把我们的这个能力树建得更平整，但是 AI 永远都超不过这个行业里最牛的那个人。所以这个也给我很多启发的，就是我们有时候去试着突破这件事，试着创新的时候，会很容易放大我们的短板，比如说我有很多做教授的朋友说我可能不会做生意，也许 AI 能帮你提高你生意的水平。

工具VS结果

第三个 forks 就是工具和结果，这是我最近想的很多的，大家知道现在绝大多数在提供 AI 的企业都是原来的所谓的工具公司，做软件的公司，软件上加上 AI 很自然，但是很有意思，我拜访了一个客户，那个客户今年的业务增长大概60%，然后他在我这好像没有多花60%的钱。

当你提供工具的时候，你永远在 address 一个大市场里面很小一部分。但是这个市场看上去很大，其实好像跟你又没有什么关系，但我觉得 AI 有机会帮我们解决一些问题。

这是我们自己公司内部在做的一个工具，我们叫 CreativeSKU Agentic Workflow，名字很长，其实就是说我们怎么样能够帮助我们的业务服务人员通过 AI 帮助他们更高效地提供内容的结果。所以原来可能一个人能够做的事情，现在我们可以用 AI 来帮助他更标准化。

这里边就讲的是原来为什么有软件或者有工具和服务，因为工具想让需求越来越标准，服务又不得不接受每个人的差异化，原来这两者很难调和。服务的毛利低，工具的毛利率高，但是现在有了 AI 以后， AI 是很擅长于做 personalize 的，你真的有可能用 AI 加上工具来给每一个人提供这个personalize，从而依然获得一定的毛利。

第二个角度，我们自己投的一个公司给我一些启发，大家看到我前面讲那个第三个视频的那个例子的时候，我们没有告诉客户，我们给你一个软件，我们告诉客户，我们直接给你内容，也就是说我给你软件的时候，你做1万条内容，1亿条内容，你还是付给我软件这个钱。而且你内部要建团队，你内部要改SOP，要改绩效机制，你觉得这个转型的成本， transformative 的这个成本非常高，但如果我直接给你内容的时候，你就没有这个考虑了，所以我们就有可能真的能够有了 AI 以后，我们就能够把 personalized service 和 tool 的好处结合在一起。从而原来我们是一个软件很小的市场，就可以变成整个市场，扩大我们的 addressable market。

我们投资的一个公司给我的启发是什么呢？原来他觉得有了 AI 以后，他就要做一个 AI + CRM 的软件。后来发现中国的所有 CRM 公司好像活的都不咋地。然后我再用 AI 再做个CRM，感觉也就是不好里边好一点的，所以他后来换了个思路，他说能不能 AI + CRM 直接交付销售结果啊？所以他就拿销售提成了，但是因为他要交付销售结果，所以他又不能做一个通用的工作，然后他就会不得不要去做某些垂直这个商品场景里面的售卖，所以其他CRM 公司是一个坐席几块钱、几十块钱，他现在是在每一单那里拿销售提成。所以他从第一天开始就是个盈利的生意，而我们做软件，可能第九年有机会盈利了，所以我觉得这个会大大的改变。从 sell tools 到 sell work 直接出结果。

我的分享讲完了，我们公司在上海，也欢迎大家有机会到上海来，去我们那逛逛，然后我们是在徐汇滨江，中国大模型和人工智能的聚集地，我们作为一个创业公司，每天干的事情就是找钱做产品、找市场，现在最大的痛点是找市场，我们合作的都是行业里边很优秀的企业，也很感谢这些企业给我们带来了很多行业的最新的支持。我们做好技术这一块，然后希望能够帮助更多企业做好增长这一块。

谢谢大家。