| 原始视频：”Why the Next Hit AI Product Will Be Social” | AI & I / Every |
“真正的网络效应，会出现在多人产品里。”
“我们现在都在重复造轮子。”
“很多飞轮只有词语，没有加速器。”
Sarah Tavel 是 Benchmark 合伙人，也是 Pinterest 最早的 30 名员工之一。她在 Pinterest 负责过搜索、发现与国际化，后来转入风险投资，长期研究消费产品和网络效应。模型在榜单上多拿几分，很少会直接改变普通人的使用习惯；她更关心的是，当模型逐渐够用之后，谁能把 AI 做成普通人愿意每天打开的产品。
今天的消费级 AI 仍以单人体验为主：一个人打开聊天框，自己摸索提示词、项目和自定义指令。熟练用户已经用它处理健康、写作和决策，更多人仍把 ChatGPT 当成搜索框。Sarah 认为，这个落差藏着下一批创业机会。真正有产品直觉的团队，可能会把高手的用法变成可发现、可验证、可直接复用的公共能力，让 AI 从”我和机器”走向”人们彼此学习”。
Sarah 用消费互联网的几次换代解释当下。Google 诞生时，真正困难的工作藏在搜索、分布式系统和基础设施里，用户看到的只是一个输入框。她粗略地把 Google 称为”95% 深度技术”。等底层技术成熟，Facebook 靠更好的性能超过 Friendster 和 MySpace。再往后，Pinterest、Snap 和 Instagram 的创始人未必亲自写核心代码，却有极强的产品直觉。
从早期 Google 到 Pinterest、Snap：平台成熟后，竞争重心逐渐从底层技术转向产品直觉。
“Pinterest、Snap 和 Instagram 的 CEO 并不懂技术，他们是产品高手。”
ChatGPT 和 Character AI 更像早期的 Google：大量价值来自模型和后端，前台产品相对简单。模型还在快速变化，推理成本也曾很高，产品团队很难稳定地搭建复杂体验。DeepSeek 这类低成本模型可能成为一个分水岭。当模型差距缩小、工具更容易调用，竞争会慢慢离开”谁能造出来”，转向”谁更懂用户愿意留下来的理由”。
Sarah 自认已经比大多数美国用户更会用 ChatGPT，可她仍需要在自定义指令里写明：”如果信息不够，先问我几个澄清问题。”项目、记忆和不同人格会带来明显的能力跃迁，普通用户却很难自己发现这些用法。
普通人停在默认聊天，熟练用户会组合自定义指令、项目记忆和多个 AI 人格。
很多人每天都在用 AI，使用方式仍停在把问题丢进输入框，然后接受第一次回答。”这件事不该这么难。”她认识的一位电影导演会同时咨询五个 AI 人格：一个熟悉整体健康，一个负责鼓励，一个专门挑刺，还有几个从不同角度给建议。他最后取这些意见的”平均值”，再决定怎么做。这已经很接近一支私人顾问团，只是配置过程全靠个人摸索。ChatGPT 和 Claude 的界面又偏向工作场景，很多人还没有一个自然的位置，去安放健康、家庭和生活中的长期资料。模型继续变好，部分技巧会失去必要性，用户也不会永远研究提示词。可在那之前，高手与普通人的差距是真实存在的。下一款消费级 AI 产品未必要发明更强的模型，它可以先把少数人的隐性经验变成多数人一眼就会用的界面。用户得到的是结果，不需要先修完一门提示工程课程。
Sarah 曾拿到一份血液检查结果，想让 AI 根据她已有的补充剂给出调整建议。她最后在 Reddit 找到别人分享的一段提示词，这比 ChatGPT 首页更快解决了问题。类似情况每天都在发生：有人已经摸索出好方法，后来者却不知道去哪里找，只能再次试错。早期的提示词网站没有解决这个问题，因为内容偏营销和小企业场景，也没有和真实任务连在一起。
“我们现在都在重复造轮子。”
她想象的产品更像一个 AI 使用社区：你能找到擅长健康、写作或教育的人，关注他们，把对方的方法直接应用到自己的资料上。熟练用户因分享获得声誉，新用户少走弯路。社交层的价值不在聊天热闹，它让使用方法流动起来，把个人把重复试出来的经验变成可复用的产品资产。这也解释了 Sarah 为什么对 Custom GPT 的现状感到可惜。平台已经有很强的模型，也允许人们封装自己的方法，却没有形成一个真正的社区：作者很难因贡献获得持续回报，使用者也不容易判断哪个 GPT 值得托付资料。能力被做出来了，经验却没有顺畅地在人与人之间流动。
如果重做 Custom GPT，Sarah 会先补四件事：找到有资历的人、关注对方、看清背后的提示词与资料、在社区里积累声誉。现在的商店会告诉你某个 GPT 有 3000 人使用，却不告诉你作者放了什么文档，也看不到方法如何形成。数字看起来很大，信任仍要靠站外名气完成。
“我看得到有 3000 人用过它，却不知道作者放了什么文档，也不知道提示词是什么。”
这也是”做个信息流”经常失败的地方。关注关系只能负责分发，真正留住人的东西是可信来源和可检查的方法。状态机制同样重要，粉丝、浏览或被复用次数会鼓励高手持续贡献。一个 AI 社区想形成正循环，用户必须同时看见”这个人为什么可信”和”他的成果怎样帮到我”。健康建议尤其能看出这套机制的必要性。同一段提示词由医生、营养师或匿名账号发布，用户愿意交出的数据完全不同；同一位作者如果愿意公开参考资料、方法边界和更新记录，信任也会明显增加。AI 让内容生成变得便宜之后，身份、证据和可追溯性反而更值钱。
“提示词社交网络”有一个明显问题：大多数人不会每天发明新提示词，也就没有理由天天回来。Sarah 的答案是让产品先承担真实任务。用户原本就要在这里处理健康资料、家庭信息或个人事务，完成任务后，好的方法和结果再进入社区。社交行为附着在使用行为上，内容供给才有机会持续。
“社交功能得出现在一个用户本来就会使用的场景里。”
这条原则对做 AI 产品的人很实用。先问清用户没有社区也能完成什么任务，再判断哪些过程值得公开、复用或协作。如果产品离开信息流就没有价值，冷启动时很难活下来；如果单人任务已经有用，社交层可以在真实活动中慢慢长出来。Sarah 甚至认为，这类个人社区可能吃掉一部分 ChatGPT 的使用时间。例如，用户本来就在产品里保存体检数据、孩子的信息和家庭计划，系统可以在获得许可后，把其中可公开的方法抽出来，隐藏私密内容，再让其他人复用。这样产生的内容来自已经完成的任务，分享只是顺手发生。社区也更容易积累真实案例，而不是被一批为了曝光而写的空泛提示词占满。
主持人 Dan Shipper 说，过去十年里，他看到的融资材料大约有 80% 都声称自己拥有网络效应。真正出现网络拉力的公司少得多。Sarah 会寻找一个很小却很热的核心市场：新用户或新供给进入后，另一侧是否更快跟进，某个细分人群里是否已经出现临界点。
融资材料里的网络效应很常见，真正要找的是核心市场、双边拉力和逐环加速。
“很多飞轮只有词语，没有加速器。”
她提到自己担任董事的 Agentio。这家公司连接 YouTube 创作者和品牌，过去许多同类创业公司最终变成了代理商。Agentio 用 LLM 自动化大量人工撮合工作，市场开始出现流动性；品牌看到其他品牌与创作者合作后，会主动加入。判断飞轮时，别看箭头是否闭环，要看每一环是否让下一环更快、更便宜或更有吸引力。Sarah 会把观察范围缩到某个”白热化中心”，看它有没有先跑起来。供给增加后，需求是否会更快到来；一次匹配完成后，是否留下数据，让下一次匹配更省力；品牌看到同行合作后，会不会主动找上门。只要其中一环仍靠大量人工推动，飞轮图画得再完整，也可能只是一组首尾相连的业务流程。
Sarah 承认自己可能过于乐观。消费互联网过去十年很难做，单人 AI 产品照样能成为好生意；她更看重多人产品，是因为网络效应能形成更深的护城河。模型性能逐渐够用后，产品高手可以在共同创作、身份和关系上做差异，而不必继续沿着算力和参数的同一条轴竞争。
“能让一家公司拥有真正网络效应的大机会，会出现在多人产品里。”
阻力来自 ChatGPT 已经建立的习惯、记忆、生态和价格优势。新社区最需要吸引的，恰好是已经深度使用 ChatGPT 的高手，而这些人迁移成本最高。创业公司不能只比功能，它得给高手一个值得搬家的身份和回报，再让普通用户因这些人的存在获得明显更好的结果。这比做一页”发现热门 GPT”的商店难得多。因此，新产品需要一个足够窄的切入口，先在具体人群里赢得使用频率和关系密度。它可以从一种高价值任务开始，比如个人健康管理、创作者协作或家庭知识库，等用户、资料和方法在同一处沉淀，再向外扩张。直接做一个包罗万象的”AI 社交网络”，很容易同时遇到内容稀薄、信任不足和迁移成本三道门槛。
访谈最后，Sarah 把话题落到自己的工作。她受 Annie Duke《对赌》启发，每次研究公司都会做一次事前复盘：喜欢什么、不喜欢什么、愿意接受怎样的交易，以及最终答应或拒绝的原因。她曾因估值过高错过后来成功的 Vacasa，这让她记住一条个人经验：其他条件都满意时，估值可能不该成为唯一否决项。先记录理由，再等待结果、对照复盘，让 AI 追问偏差，人仍负责最后决定。
“别让大模型替你回答要或不要，让它来追问你的思考。”
AI 能否帮你提高判断，很大程度取决于有没有材料可读。会议记录、当时的理由和后来的结果，都会成为个人训练数据。历史经验也会过时，所以 Sarah 没打算把决定权交出去。更实用的做法是让 AI 找出你反复犯的错、追问遗漏条件，人仍负责面对变化并做最后决定。访谈里还有一个很生活化的例子：有人多年记录自己看过的电影和每次评价，久而久之，这份表格就能生成非常个人化的推荐。投资、招聘和职业选择也一样。记录不必很复杂，关键是在结果出现以前留下当时的理由，否则人很容易用后来发生的事改写记忆，AI 读到的也只是事后解释。
如果你正在做 AI 产品，可以先放下”再加一个功能”的冲动，看看用户在哪里重复摸索、信任如何建立、分享能否自然发生。模型会继续变强，真正难复制的部分仍是人和人之间形成的关系，以及一群人共同积累起来的使用方法。
内容来源：”Why the Next Hit AI Product Will Be Social”丨AI & I / Every 原视频：https://www.youtube.com/watch?v=dlI-5W7d7uU
相关文章：
如果你现在没空，可以收藏进晚点再听，通勤、走路或做家务时一次性听完⇣⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣