深度解析 AI 工具的泛滥现象
作者：VIKRAM SREEKANTI 与 JOSEPH E. GONZALEZ
日期：2025 年 8 月 22 日
近几个月，我们频繁听到客户讨论一个问题：如何防止 AI 工具泛滥。
所谓工具泛滥，就是指一个公司内部有太多功能相似、甚至完全多余的工具。
这似乎是 AI 炒作周期里一个必然会出现的阶段。
我们先是经历了缺乏应用场景的普遍兴奋，然后是应用和基础设施的井喷式爆发。
而现在，人们开始担心应用是不是太多了。我们在过去三年里，几乎是以加速度的方式，重演了 2010 年代的 SaaS 炒作周期。
那么，你如何判断自己的 AI 应用是否过多了呢？我们对此有一些思考。
图片来源：GPT-5。
我们的思考围绕两个核心：一是买家该如何应对，二是开发者该如何避坑。
这个问题本身绝对值得探讨，但目前的讨论常常混淆了两种不同的担忧。
第一种担忧非常合理：你买的工具，是不是换了个说法，却在干同样的事？
比如，你真的需要一个企业搜索工具，又同时在 Slack 里弄一个专门回答 HR 政策的问答机器人吗？大概率是不需要的。
虽然采购预算可能来自不同部门，但从理性的角度出发，你完全可以也应该统一这类工具。
数据分散在多个系统里，不仅让人困惑，长远来看更可能导致信息的不一致。
第二种担忧则有些偏颇：担心不同工具的底层技术实现过于相似。
常有人问我们，RunLLM 是不是基于通用的 RAG 架构。我们其实不确定这话到底指什么，因为我们的技术远不止向量数据库加 GPT 接口调用这么简单。
更重要的是，我们不明白这为什么关键。RunLLM 的核心价值，是能深度集成到你的客户支持流程里，提供高质量的解决方案。
这显然不是一个通用企业搜索产品能做到的。所以，我们是靠神秘配方、RAG 架构，还是靠一只仓鼠在轮子上跑，真的不该是重点。
我们常举一个有点傻的例子：你不会去问你的 CRM 和工程任务管理工具，它们的底层是不是都用了同一种数据库。
它们可能确实用了，但它们为用户创造的价值，显然天差地别。
“如果说 2017 年的 SaaS 产品是数据库而已，那么现在，SaaS 产品就成了数据库加个大语言模型而已！
有了这个共识，我们来深入聊聊如何管理 AI 工具的泛滥问题。
给买家的建议
避免重复采购，真正关注工具带来的实际影响。
目标必须清晰
想要做出明智决策，最关键的一点，就是清楚你到底想用 AI 实现什么。
目标绝不能只是“我们要用 AI”这么空泛，这只会让你买回一堆质量参差不齐的工具。
你得想明白，你要解决什么业务问题，期望带来什么具体影响。想清楚了这些，你才能判断哪种方案最适合你。
别太纠结实现方式
正如前面所说，一个产品如何实现，远没有大家想象的那么重要。
当然，如果两个产品底层架构完全一样，可能存在功能重叠。但一张营销用的架构图，永远解释不清产品的全貌。
更何况，不同产品可能使用相似的 AI 技术，去实现完全不同的目标。这就像同一个 SQL 数据库，既能开发任务追踪器，也能开发 CRM。
这并非说你完全不用关心技术细节，但一个应用是不是 RAG，不应成为你拍板的关键。
要聚焦在应用场景
上一条的另一层意思是，当你理解了产品原理后，就能更深入地思考它的应用潜力。
去年我们和客户一些最有价值的交流，就是他们推动我们将产品用在了我们从未想过的方向上。
这是因为客户理解了技术的可能性，并思考如何将其应用到更多地方。这背后反映了一个现实：目前的 AI 应用，往往能在多个相邻领域做到万金油，但很难成为专家。
这种深度的互动，能帮你更聪明地利用现有工具，避免重复建设。
一个重要的经验是，要优先选择那些愿意与你共同成长的团队。
在 AI 领域，没有什么是一成不变的。谁要是把产品说得好像已经最终定型，那他不是在骗你，就是在骗自己。
一个愿意听取反馈的团队，会根据你和其他客户的意见快速迭代。我们最好的客户，就常常关心其他客户是怎么用我们产品的。
接受现实：如今的 AI 皆为软件
某种程度上，抱怨 AI 工具太多，就像抱怨软件太多一样。
这并非否认泛滥问题的存在，很多企业确实买了太多 SaaS 产品。
但现实是，几乎所有软件公司都在思考如何融入 AI。因此，把一个产品简单划分为 AI 产品，而不是销售或支持工具，其实意义不大。
你的确不想买功能完全一样的产品，但即使技术思路有重合，一个产品在特定领域的深度支持，本身就极具价值。
未来，你公司的每个核心职能部门，都很可能拥有一个关键的 AI 产品。
给开发者的建议
市场定位与营销至关重要
作为技术出身的创始人，我们总觉得好产品会自己说话。
这话有一定道理。我们也常告诉客户要“眼见为实”，因为不亲手试试，你永远无法真正理解一个新品类的潜力。
但是，如何定位你的产品，依然无比重要。
你解决什么问题？ 价值主张是什么？ 核心差异点在哪？ 客户必须清楚地理解这些。
比如我们最近签下一个客户，他很满意我们方案的效果，却没意识到我们产品在工作流集成方面的深度。
虽然赢单是好事，但这却反映了我们在产品定位和销售上的失败，因为我们没能让客户一开始就全面理解产品的威力。
明确你自己的价值主张
这一点听起来最像废话，但它恰恰对应了买家需要明确目标。
网上有太多产品，似乎什么都想做一点，就像那个既能擦地板又能当甜点酱的老梗。
在如此拥挤和喧嚣的市场里，专注和具体至关重要。
专注不代表你必须做垂直行业应用，而是你必须清楚自己到底在赋能什么。
你的产品是通用平台还是垂直方案？目标用户是技术人员还是业务人员？定位越清晰越好！
早期为了生存，你可能会对所有需求都说好，这在一定程度上没问题。但如果偏离太远，你最终会发现自己做了个四不像。
不要轻视客户的困惑
你可能会觉得客户的担忧很可笑，认为他们迟早会明白你的产品无可替代。
千万别这么想。如果客户搞不清你和其它产品的区别，这就是一个明确的警示：你还有功课要做。
可能是产品需要打磨，可能是定位需要调整，也可能是销售方式需要改进，但总之，你有提升空间。
如果你还是不认同，不妨跳出自己的领域，去评估一个其它赛道的 AI 工具。
你很快就会体会到那种信息过载的无力感，并理解持续根据用户反馈来优化定位是多么重要。
记住，没有什么是永恒的，今天有效的方法，下个月可能就过时了。永远要倾听客户的声音。
一个所有人都该记住的道理：无聊的部分才最关键
当然，AI 核心技术很重要。如果产品效果不好，谁还会用呢？
但那些无聊的部分也同样重要，甚至更重要。
什么是无聊的部分？从系统集成、工作流管理，到内容的语气风格控制……根据应用场景不同，可能还有上百项。
市场上用 AI 解决企业问题的方案层出不穷，但只有那些能让企业在现有流程中放心、顺畅地用起来的产品，才能真正脱颖而出。
从买家的角度看，一个产品能否与现有软件生态无缝协作，至关重要。因为这才是推动团队行为改变、让新技术真正落地生根的关键。
AI 泛滥是炒作周期的必然结果，我们不必对此大惊小怪，但当客户无法立刻理解你的价值时，确实会令人沮丧。
好消息是，不同于追赶日新月异的模型发布，这件事完全掌握在我们自己手中。
面对爆炸式增长的产品，买家需要更理智地审视自己的问题，而开发者则需要更努力地阐明自己的价值。
我们无法买下所有产品，也无法不花力气就让产品发光。
几年之后，行业大概率会迎来整合，但整合的前提是，必须先有能够清晰传递自身价值的赢家出现。
原文地址：https://frontierai.substack.com/p/do-you-have-too-many-ai-products
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
