AI搜索要卷什么?
從電商市場分析到醫療行業培訓,再到品牌聲譽監測和高考志愿填報,用戶需要的不僅是信息的簡單匯總,更重要的是能夠針對具體問題提供深度分析和實用解決方案的能力。本文將探討AI搜索在滿足這些需求方面的現狀、挑戰以及未來的發展方向,旨在為讀者提供一個全面了解AI搜索技術及其應用的視角。
看兩個現象:
上周,我和一個做電商朋友聊天,他正研究干果品類市場趨勢。聊著聊著,他說,現在AI 搜索不太好用。我問為什么,他說:
我想知道上個月哪種干果賣得火,抖音上真實用戶評論怎么樣,以及未來的銷售趨勢會如何?但是,AI 搜索后,得到一堆關于整個行業的研究總結,這些信息既不夠深入,也不夠精準,幫助不大。
當時我沒太在意。結果,昨天這種情況又出現了。
在微信上,聊到工作流,一個在醫療行業做培訓的朋友說,他經常要查閱很多學術報告;報告大多從知網之類的平臺下載,然后用豆包 AI幫他做本地化總結和提煉關鍵內容。
同時,也會用夸克、知乎直答垂直 AI 搜索工具。但問題是,工具能找到一些博主寫的不錯的問答,當想更深入地了解問答背后知識時,就卡殼了。
其實,我更想要其他維度的內容,類似于案例分析,數據解讀之類的。但AI搜索只能給出總結性的結論,有些失望。
所以,這兩次無意識聊天讓我感受到,要讓 AI 搜索真正滿足用戶的需求,要找到具體場景。
01
什么是具體場景?怎么理解AI使用場景呢?
得從用戶任務下的行為方式看。我們每天從早到晚活動,都圍繞完成特定任務展開,用戶使用產品、服務時,根本目也是為了完成任務。
昨天,有個朋友和我說到他使用AI搜索的方式。
他日常工作是監測品牌聲譽,使用 AI 搜索工具會設定一些關于品牌名稱、相關話題討論情況的提示語,然后,用它們捕捉網上每天關于品牌的評價;最后,利用這些信息,制作成日報,反饋給領導。
也就是說,他把 AI 搜索當作一個信息聚合工具,利用它來索引、總結當天的重要反饋和評論。
還有人使用AI基于話題形式。比如說高考,眾多家長在面對孩子高考后,不知道如何填報志愿、不知道怎么選專業。
這時,會用AI搜索獲取幫助,AI 搜索像一個專業顧問,能夠依據家長、學生提供的具體情況,(興趣愛好、學科優勢、未來職業規劃等)進行綜合分析,進而做出針對性選擇。
從這個行為來看,用戶主要關注兩方面:一,功能性;二,實用性。
所謂功能性,即,AI 完成搜索任務后,能基于結果進一步生成思維導圖,制作圖標,提供多維度數據對比工具,甚至能做中英文互譯等等。
而實用性,是把知識答案作為起點,去解決具體問題。實際上,每個問題是一個場景,問題的聚合代表著大量資源的挖掘。
我前段時間看徐崢導演的《逆襲人生》,想寫篇文章。
寫作過程中,我想查查全網關于徐崢的各類話題數據,我用 AI 搜索找好久,最終,只能找到一些其他媒體的數據;其實,我更希望當我問 AI 時,它能幫我搜索、總結一下,然后用工具做成表格,直接拿來用。
最近各家公司都在發布財報,我如果能對 AI 搜索說,幫我找一下瑞幸 2024 年中期報告,比較一下和 2023 年的數據,并把毛利、凈利做成表格,那該多好。
顯然,目前 AI 搜索產品還做不到這一點。
或者說,大家都在卷AI搜索、把AI總結前置化思維方式,限制了產品經理的思考,他們沒能從任務角度出發,用問題、話題索引信息源后,再總結,再用工具串聯起來。
Perplexity標語叫做 “Where Knowledge Begins”(知識從這里開始),我覺得,用這句話來形容 AI 產品的用途很合適。這意味著,AI 幫助我們從知識的起點開始,解決實際的問題。
02
把用戶任務前置化的思維方式很重要。不信,冷靜下來想一想,不論是什么樣的 AI 搜索產品,它們主要目的是什么?
說白了,只有一個:用 AI 力量,幫用戶找到他們真正需要的內容,讓他們能拿到更準確的信息。
過去用傳統搜索引擎時,很多用戶需求都沒被好好滿足。如果我們要找個答案,可能得先把問題分成 A、B、C 三部分,然后一個個地輸到搜索框里。
搜索引擎用爬蟲技術在網上抓信息,然后,按自己的邏輯排個序,列出結果。我們拿著這些信息,自己再分析、總結一番,最后才能用來支持決策。
但有了AI 搜索產品后,一切變簡單了,你不用再走 A、B、C 三步。只要提出問題,AI 就直接理解你的意圖,拆解問題,并找到相關網頁。然后,大模型會分析信息,最后整理成結構化的結果直接給你。
但問題是,單單列出 A、B、C 還不夠。我們希望在信息被列出后,還能用工具進一步深入分析,然后再總結,最后生成報告。這才是關鍵。
這個過程像建筑師設計房子:
先畫出草圖(提出問題并進行拆解),然后,找合適的材料(收集和分析信息),最后,精心挑選材料,確保每一步都非常精準,這樣才能建造并完成精裝,保證房子既堅固又好看。
可問題是:現在 AI 幫我們收集和分析了信息,但選擇材料的權利沒給用戶,也沒提供足夠的工具,就直接總結了。這跟以前有什么區別呢?
因此,在創造新需求之前,AI 搜索要先滿足傳統搜索沒解決好的需求;也就是說,過程中被忽視的需求。
雖然現在看起來 AI 降低了搜索產品的門檻,實際上很多產品很相似,都像 AI 版知乎直答,它們主要任務是簡化搜索流程,把來自不同渠道的信息集中起來。
所以,我說 AI 搜索卷錯了方向,那么,自然也就出現,很多人經過一段時間嘗試之后,又回到傳統搜索引擎行為上,因為傳統搜索引擎提供的信息更全面。
顯然,如果想讓用戶把 AI 搜索變成一個真正提高效率的工具,必須深挖并滿足傳統搜索技術沒滿足的需求,這才是剛需。
03
因為所有AI搜索,本質上,都在解決三種題型:
第一種,填空題。這種時候,用戶其實已經心里有個問題:“這是什么?”
比如:他們想查查最新的新聞,或者想知道某個名人最近怎么樣了,又或者想知道一家公司去年掙了多少錢。這些問題,傳統互聯網搜索已經能解決得很好了。
第二種,證明題。這時,用戶已經有了自己的想法,可能會說:“我覺得是這樣,因為……”,他們需要的是一大堆事實來支撐這個看法。
這種情況就像老板給你個想法,你得去找證據來證明它是對的。這種任務,聽起來簡單,其實挺費勁的,要花不少人力、物力和時間。
比如說:
如果要證明某家公司的某個看法,我得去翻這家公司過去幾年的各種數據和信息。就像我想寫徐崢導演的《逆襲人生》,本質上也是個證明題,要通過數據來證明我的觀點,那就得找準確的數據。
實際上,AI搜索產品都在嘗試解決填空題、和基礎證明題,所謂的基礎證明題,是有明確標準答案的問題,但它們處理復雜證明題的能力還需要提高。
我覺得最難的是論述題(discussion question)。
什么是論述題呢?這種題像:“我也不太清楚,幫我在網上找找看?”這種問題和前兩種的區別在于更像語文和數學。
數學有明確對錯,語文沒有。高級證明、論述,就像寫作文一樣,沒有固定對錯,分數更多是老師主觀給的。
搜論述題挺復雜,你找的是關于一個問題的各種觀點,本來就沒有絕對的正確或錯誤。搜完后,還得自己頭腦風暴一番,最后才能總結出個答案。
可以看出來,這三種題型,難度一級比一級高。要回答好“高級證明題”和論述題,不光需要工具,還得人工參與一下。
這是啥意思呢?
現實世界里,復雜問題很常見,因為無論是在工作還是生活中,很多問題都沒有絕對的對錯,常常是因為不同人的價值觀、看法不同。
我們人類又有點懶,總希望AI能一步到位幫我們搞定這些復雜的問題。但用過幾次后,發現AI沒那么給力,用的次數就少了。
還有,要回答這些問題,比如我找了好多論據,到底哪個最靠譜,哪個最有力,你得一個個篩選;如同寫論文一樣,為了支持一個觀點,得查很多資料,還得想清楚怎么表達得簡潔明了。
現在,ChatGPT都解決不了高級證明題和論述問題。比如,你問它一個問題,它回答后,你說不對,它會馬上改,改成你想要的答案,尤其是文科類。
04
那為什么大語言模型搞不定這類問題呢?因為大語言模型是根據前一個詞來推理下一個詞,它是在猜高頻詞。
但問題是,出現最多的詞,不一定是最好的答案,有些詞或句子出現的次數很少,但可能就是關鍵的見解。
比如:
好的學術論文,平時可能沒多少人看,用得也不多,但要你想深入研究一個問題,這些論文就特別重要。法律、醫療、政策研究、市場分析的專業報告也是一樣,這些深入和具體的內容通常不太流行,但對做決策超重要。
還有一點,AI不太會拆解復雜問題,我們得把問題拆得特細,一步步來,才能找到答案。所以,要解決證明題、復雜論述題,就得讓用戶參與進來。
這個過程就是:AI搜索后,用戶可以選擇優質語料、剔除不太準確的信息,然后扔進工具里,自己再總結一下,最后才能得到滿意的答案。
舉個通俗的例子:
你想研究全球變暖,對北極熊生存環境的影響。一般AI搜索,只能給你一些基本的信息和新聞報道。
但作為研究者,你要找到相關的學術論文、和詳盡的環境研究報告??墒?,第一次搜索結果里,你會發現很多過時的或者不相關的內容。
這時,為了拿到真正有用的數據,你就不得不一個個地篩選包含嚴格科學研究和具體數據分析的文章;這一步做完后,你就可以把精選的資料扔進一個分析工具里,或利用某些功能,做成圖表、PPT,插入一個頁面中,最終制作出自己需要的報告。
前一段時間,GitHub熱榜上,曾經有位AI 大神僅用 500 行代碼就打造了一個AI 搜索引擎的Demo ,我還體驗了一次,不僅響應速度快、回答的內容也能跟進最新時事。
所以,想要AI搜索產品脫穎而出,最關鍵條件是什么?
一方面,是數據,尤其是垂直細分的數據。垂直細分的數據要通過具體的場景、話題、主題來引導用戶分享,并參與提問。
另一方面,想應對低門檻挑戰,要努力打造自己產品特色,AI 搜索產品是由用戶需求驅動的,不是單純的技術驅動。
用戶價值可以通過這樣的公式來表達:用戶價值 = 新體驗 – 舊體驗 – 遷移成本。想想看,如果一個AI搜索工具能提供明顯優于傳統搜索的結果,但,同時使用起來又非常簡單,那么,用戶自然更愿意轉向使用這種新工具。
我最近老看大模型的文章,文章都在哪找的呢?
主要是兩個地方:一個是技術社區,另一個是知乎直答上的一些專門寫這方面的博主。每次我搜索這些內容時,它們幾乎總能給我找到需要的東西,所以,我現在挺依賴它的。
這就是用戶價值。
因此,從這個角度看,國內AI搜索產品的發展路徑,不能完全模仿國外Perplexity。外媒平臺Decoder一周前發表了一篇文章,介紹了Perplexity的現狀。
文章中提到,Perplexity首席業務官Dmitry Shevelenko表示,Perplexity每個月要處理2.5億個問題,增長速度令人驚訝。雖然谷歌仍然是搜索市場的主導者,每天處理85億次查詢,但Perplexity的增長速度也非常迅速。
Perplexity是希望打造知識平臺,成為生態入口,它的定位是LLM+搜索引擎的中間態,將二者優點結合,側重搜索體驗的產品力而非基模型。
對比國內的搜索環境,傳統搜索引擎已經占據通用搜索場景。如果新的AI搜索產品知識庫規模不夠大,使用效率不夠高的情況下,還在努力處理填空題、基礎證明題,那么,很難在市場脫穎而出。
所以,國內AI搜索產品,每家要找到自己獨特的發展路徑,或許,在特定垂直領域深耕,利用AI優勢來提供更精準、更垂直細分的內容,才能機會瓜分市場。
總結
到場景任務中去。
場景、任務里,存在著許多尚未開采的金礦,未來AI搜索要么成為工作流中一部分,要么,走向UGC+AIGC路線,但后者要具備龐大知識系統,構建起來要燒更多錢,何其容易。
本文由人人都是產品經理作者【王智遠】,微信公眾號:【王智遠】,原創/授權 發布于人人都是產品經理,未經許可,禁止轉載。
題圖來自Unsplash,基于 CC0 協議。
- 目前還沒評論,等你發揮!