消费者的不愉快经济学 AI
Consumer AI的回归面临货币化的弱势:只有2.2%每月支付$31,而高成本使得采用和利难以扩展.
主要内容
- 一个新的消费者AI反弹正在通过Meta.s Muse, OpenAI s Dots和上升的本能助手出现,显示出对个人AI代理人超越企业用途的重新兴趣.
- 核心挑战不是能力,而是经济: AI个服务的运行成本很高,前沿实验室已经变得谨慎了,因为消费者订阅可能不包括推断和支持成本.
- 采用数据仍然有限:截至5月份,只有2.2%名消费者为AI项服务支付费用,平均每月是$31,即使模型性能有所改善,购买意愿也在缓慢增长.
- Consumer AI不太可能作为纯粹的直接支付产品扩展,因此预计公司将更多地依赖企业定价,广告或基于交易的货币化来使商业模式可行.
标签描述: 字体的类型是什么? (Meta description) 但PNC的数据显示,5月份只有2.2%个消费者每月支付了AI美元.
标签: 一个字母,一个字符号. (TG) " 消费者 AI, 美图, OpenAI 点子, 本能
首选图片: 在线视频, 下载地址: http://www. 有任务卡和数据流,没有真实的人,没有公司标志,没有文本.
Consumer AI正在重新进入主流.本周,Meta的AI个人助理Muse和它的毛 .般吉祥物Jolly成为一个惊喜热门,而昨天发布的 JUST 的 OpenAI 点似乎针对同样的卡通式个人助手想法.即将到来的直觉助理达到了$10亿美元的估值,因为它可以预订旅行,预定餐厅或取消订阅.新的推进对消费者来说很重要,因为这测试了普通用户是否能支付足以覆盖 software 中最昂贵的产品类别之一.
背景:为什么前沿实验室退出消费者AI
现代消费者AI浪潮通常追溯到 ChatGPT 的推出,当时 large language models 让交互式助理对普通用户来说变得可能.但随着企业审查收入方面,情绪发生了改变.流行技术产品开始达到消费者的支付上限,更好的模型并没有明显转化为更有利可图的消费商务.
这就是为什么前沿实验室对消费者AI变得谨慎的原因.问题不在于能力,而在于成本.行业转向了 Anthropic 模式:企业合同和垂直扩张. AI运营非常昂贵,特别是与社交网络或 cloud computing 等轻型先驱相比.即使是数亿付款客户也可能无法保证收益平衡,因为推断和支持成本仍然很高.
发展:美,点子和本能回归消费者手中.
牛案例很容易看出. Agentic AI,也就是说 software 可以采取多步骤的行动,而不是只回答问题,已经变得足够可靠用于日常任务.公司越来越多地将该服务推向普通用户,他们似乎从中获得了真正的价值.对观察者来说,这类似于2022在2022:一个原始功能打开了一个以前不存在的产品类别.
Muse和Instinct可以避免这种压力,部分原因是他们的公开推出尚未集中在直接消费者收入上. Instinct的$10亿美元估值依赖于一组狭窄的任务:预订旅行,预定餐厅和取消订阅. 这种重点可以创造价值而不需要立即要求大量消费者的订阅费用. 即使如此,成本结构仍然不宽容,新进入者最终也将面临同样的货币化测试.
最新进展:收养数据显示货币化路径狭窄
这些经济学家的提醒来自Andreessen Horowitz年半年度市场状况报告,该报告从今年夏天的一份PNC研究报告中获取数据.在两个图表中,报告追踪了消费者支付AI服务的缓慢增长百分比和他们支付的金额.截至5月,有2.2%名消费者的支出为AI,平均每月花费是$31.
安德烈森对此提出了积极的看法,他说:"在成熟AI采用和利用方面还很早.有很多增长空间.但在两个图表中,增长速度似乎是线性的.即使模型做出了巨大的改进,客户愿意支付AI的人数或他们愿意付多少钱也没有多大变化.例如,从GPT-5.2到Astra的巨大性能跳跃几乎无法在图表上看到.
其他调查也指向类似的方向.美国银行在3月份发现,大约3%名美国消费者支付了AI,比去年增加了40%.
OpenAI 的路径显示了该行业如何弥合差距. 该公司广泛报道的企业转型在很大程度上取得了成功,据称自7月以来企业预订量翻倍. 即使是Dots推出也具有强大的企业角度,表明新的个人代理对 software 工程师和机构创意人员有多有用. 一个长期存在的方式从受欢迎但廉价的消费者服务中钱就是以加值向企业销售它们,而 OpenAI 似乎正在遵循这一策略.
对于Muse来说,Meta的个性化广告定位为其提供了更多货币化的选择和在问题变得紧迫之前的时间.值得注意的是, Meta已经在探索企业角度.本能有一个单独的计划,涉及通过代理商进行的一些购买,这可能会提高上限,并且它可以避免训练一款前沿模型的成本.当前阶段不是一个清洁的消费者AI回归:这是一个有已知的限制的反弹,因为消费者的AI经济学对公司在不利用企业收入的情况下可信地增长的规模设置了一个严格的上限.这是实验室已经学到的一个主要教训.
Comments
No comments yet. Be the first to comment.