爆款AI应用的方法论

Menlo Ventures是一家专注于消费者、企业和生命科学领域的风险投资公司，拥有超过50年的历史，投资了Uber、Siri、Tumblr等知名公司。他们还投资了生成式人工智能领域的领先者，如OpenAI、HuggingFace和Synthesia等。

在他们看来，第一批 AI 企业应用正在脱颖而出，与 OpenAI 和 Anthropic 等底层 LLM 厂商的崛起有所区别，它们由 Glean（企业搜索）、EvenUp（法律）和Typeface （内容创建） 等 GenAI 初创公司领衔。

这些早期的AI应用，与其他仍在寻找 PMF 的产品截然不同，它们通过 GenAI，打开了长期由传统巨头主导的市场，并将服务转化为软件，重塑了核心工作流程，并引入了在基础模型之上创新的新颖架构方法。

更重要的是，这些公司的增长速度比我们在 SaaS 历史上见过的任何公司都要快。下图展示了这些早期获胜者中的 10 名的成长曲线，他们的快速上升超过了之前所有的外部潜力衡量标准。

为此，Menlo Ventures研究了这些早期脱颖而出的AI应用，并提炼了使他们成功的关键策略，编写了一本新的手册，旨在指导下一波人工智能原生企业应用程序。

1. 用软件取代服务

软件可能正在吞噬世界，但速度没有你想象的那么快。近 80% 的经济是基于服务的，由于大量的非结构化数据和复杂的推理要求，基本上没有受到技术的影响。生成式人工智能现在正在进军这些以前服务不足的领域，通过“服务即软件”彻底颠覆 SaaS。

2. 高价值、大批量或面临劳动力短缺的目标工作

人工智能可以产生最大影响的角色是高价值（例如软件工程师和律师）、大批量（例如客户服务和业务开发代表）或劳动力短缺的领域（例如护士）。

3. 寻求具有高参与度、使用率且基于模式的工作流程

大多数人工智能应用程序都在员工工作中扮演辅助的角色，而有些应用程序则是可以成为完成自动化任务的代理。无论哪种方式，为人工智能应用程序寻找护城河的一个好地方是基于模式的工作流程，定期使用和习惯参与，而不是那些仅依赖数据或网络效应的工作流程。

4.解锁专有数据

超过 80% 的企业数据无法访问，因为它们被困在非结构化文件格式或文档存储（例如电子邮件收件箱）中。通过利用大模型使这些数据变得可用，人工智能原生应用程序可以随着时间的推移构建专有的数据护城河。

5.拥抱零边际成本创造

生成式人工智能可以无限扩展书面内容、图像，甚至可能是软件和产品，从而释放整个企业的创造可能性——从冷销外向到个性化营销，再到引人注目的视觉资产。

6. 在现有企业没有、不能或不会的地方进行建设

确定 GenAI 可以解锁全新功能、现有企业行动缓慢或主导者无法想象 AI 潜力的领域。

7. 通过复合人工智能系统而不是模型取胜

最成功的人工智能应用程序专注于在数据和基础设施层面增加价值；他们通过新颖的架构方法获胜，包括思想链、工具使用、代理和针对当前功能的适当模型选择（而不是依赖单一整体模型）。

下图显示了我们如何根据 Menlo 的 AI 应用程序手册对 9 个领先应用程序（匿名）进行评分。在下一节中，我们将提供有关每场比赛的更多详细信息，并分享顶尖选手如何使用这些策略获胜的真实故事。

案例研究#1：Co:Helm 用软件取代服务

最大的应用程序是在最大的市场中创建的，因此初创公司应该专注于拥有大量软件预算的部门或垂直领域似乎是合乎逻辑的。但这种观点低估了生成式人工智能在专业服务自动化方面的更大机会，而专业服务又占了当今经济的 80%。

Co:Helm是一家瞄准服务领域机会的初创公司。多年来，获得健康保险公司对患者护理的预先批准（称为事先授权）被认为太小众，无法产生风险成果，因为软件无法复制或取代将付款人规则应用于每个医疗案例所需的人类判断。通过与大模型合作，Co:Helm 开发了人工智能“临床大脑”，充当护士执行这项体力工作的辅助，从而使该公司的潜在市场扩大至150亿美元。

案例研究#2：Abridge 瞄准高价值工作，Observe.AI 瞄准大批量工作

经济价值的一个明确指标在于公司愿意支付多少费用来人工完成这项工作——无论是由少数高薪专业人员还是由许多低薪工人。在高端市场，Abridge通过帮助高薪医生卸下记笔记等低级行政工作，从而将更多时间用于治疗患者，从而创造价值。在低端市场，Observe.AI * 通过自动化客户服务代表执行的大部分大批量工作，使联络中心更加高效，并让他们有更多时间专注于更高附加值的问题。

案例研究#3：Eve 通过日常使用创造护城河

企业应用程序可以通过三种方式创造持久价值：(1) 存储关键业务功能的数据（成为记录系统），(2) 充当日常工作发生的平台，或 (3) 支持协作并驱动网络影响。无论是作为工作辅助还是更自主的人工智能代理，许多人工智能应用程序最自然的切入点将是选项 2。它们的第一条护城河将来自习惯性参与和优化那些可预测的工作流程，而不是数据或网络效应，而现有企业在这方面拥有更多优势。

以Eve为例，它是一款自动处理案件和法律研究的应用程序，这是收集信息和识别法律案件中很重要但又劳动密集型的工作。尽管人工智能解决方案相对于其所在的法律数据库没有初始数据或网络优势，但这款AI助手能够自动完成文档审查、案例分析和法律研究等任务，使团队能够专注于更具战略性、更高价值的倡议。通过自己的平台重新引导法律工作流程，Eve 消除了律师在密集的法律判例中搜索的需要，并成为律师日常互动的重要工具。

案例研究#4：Eleos 解锁专有数据

人工智能原生应用程序可以利用现有企业不利用或无法访问的非结构化专有数据来创建数据护城河。例如，Eleos 是一个环境抄写员，可以记录患者与治疗师在就诊期间的对话，并将非结构化的临床笔记用于稍后的会话情报和辅导。在此过程中，Eleos 解锁了以前无法访问的数据，并建立了专有的数据护城河（事实上，这是世界上最大的行为健康对话数据集）。相比之下，Eleos 之前的治疗师经常不完整地记录患者的遭遇，而电子健康记录 (EHR) 中的数据仍然是孤立的，由于其非结构化性质，无法进行进一步分析，例如诊断。

案例研究#5：内容零边际成本创造

众所周知，企业内容创建是资源密集型的。撰写一篇博客文章可能需要一个由客户主管、营销人员和设计师组成的团队一周的时间；写一封对外销售电子邮件可能需要一个小时。大模型将这种成本降至零，增加内容生产并释放在整个组织内利用内容的新机会。Typeface 是一个个性化内容生成平台，利用生成式人工智能的力量来释放在整个企业创建品牌资产的新机会。例如，人力资源部门现在可以快速轻松地创建从职位描述到福利调查问卷再到员工通讯的所有内容，而无需严重依赖其他部门。

案例研究#6：Sana、SmarterDx、HeyGen创造新的应用场景

许多首批人工智能原生应用程序并没有在现有企业占据优势的领域展开正面交锋，而是通过识别以下领域而获胜：

现有玩家很弱或者根本不存在。Sana开创了语义搜索作的新类别，而在矢量检索出现之前这是不可能的，Sana建立了一个没有现有市场的新市场。

现有玩家无法快速行动。SmarterDx与3M等传统临床文档完整性解决方案竞争，3M 是一家成立于 1902年的公司，其在识别“升级”机会方面令人沮丧的产品差距为新的人工智能解决方案创造了机会。

现有玩家低估了新市场的规模。HeyGen在通过人工智能进行销售推广、产品营销以及学习和开发等方面找到了一个最初的楔子，而 Adobe 的视频编辑工具目前无法满足这些需求。在 Adobe190亿美元收入的背景下，HeyGen的商业化成绩几乎可以忽略不计，但也体现出来不错的成长性：AI数字人业务的收入正在迅速接近1亿美元。

案例研究#7：EvenUp 凭借复合人工智能系统而不是模型获胜

今天的大多数获胜者不是试图构建更好的基础模型，而是通过复合人工智能系统取得成功，这些系统使用多个交互组件，包括对模型、检索器或外部工具的多次调用。架构方法包括 RAG、思想链、工具使用和代理。

EvenUp是法律界的一个例子。该公司的架构通过特定领域的提示、索引、重新排名以及搜索和检索而脱颖而出，事实证明，与为每个企业客户采用更加基于模型的定制法律法学硕士方法的竞争对手相比，该架构具有持久性。

如下图所示，大多数第一波获胜者都是通过复合人工智能系统取得成功，这些系统使他们能够利用专有数据作为关键优势。