最近半年读到最好的 AI 产品文章

今天读了 Aha（原 Head AI）的两篇博客文章，我强烈建议所有做 AI 工具或者 AI ToB 产品的同学都读一读。

https://aha.inc/university?universityType=Aha+insights&utm_source=inf001

这里有他们对 AI 产品边界的理解，也有很多工程和系统层面的实操细节。

对我来说，这是最近半年里最有价值的一篇 AI 应用构建经验文章，读完收获非常大。

1

Aha 是一家做达人营销的 AI 公司。我最早听到这个产品，是和字节团队的一哥们聊天的时候，他说他们某个 AI 产品出海用的就是这款产品

达人营销我还算了解，我有朋友就在 TikTok 上做类似的生意。

他每天的工作就是根据品牌方的需求，匹配对应的达人做投放。其实说白了有点像一个营销代理公司。

品牌方给一个需求过来，他会根据需求去匹配对应的达人。其实就是帮甲方做一整套达人营销的解决方案。国内也不少公司在做类似的业务。

听起来高大上，但工作真的非常琐碎。

拿 AI 产品类的投放来说，有的达人专注做科普讲解，有的做 AI 行业资讯，有的做工具测评，还有的偏向深度分析和方法论。

每类账号的内容风格、受众构成都不太一样。他需要根据甲方的营销目标，找到合适靠谱的达人。

现实的情况是，只要手头没有对应达人的联系方式，那就得去社媒上逐个私信。一条一条发，等回复。

对方回你了，又得开始问价格、谈价格、对档期。接着签合同、对接内容细节，来回沟通好几轮。

达人发来内容初稿，还得不断调整、修改，来回沟通，完事之后还有付款、对账、复盘。

整条链路，几乎每一步都得人盯着。

我朋友跟我说，他们能用 AI 自动化的部分，早就做完了。剩下的活都非常依赖人工。

ChatGPT、Gemini、Claude 之类的 AI 工具还没强到可以直接私信达人，也没办法和达人确定档期和价格。

我也感觉，他们这业务挺重的。几乎每一个环节都需要人来推动，而且经常是三四方一起沟通。只要有一处卡住，比如价格、档期、素材，整个流程就会一路往后拖。

这些事儿吧，说难不难，但确实繁琐，需要有耐心的人干。

2

Aha 这产品挺有意思。

他们非常激进，现在已经能把刚才我提到的那整套繁琐的达人营销流程，全都从头到尾自动化了。

用户只要把产品链接丢进去，系统会先做一轮快速解析，把产品的卖点、目标人群、可能触达的受众都整理出来，用户也可以随时按自己的理解改一改。

接着根据这些条件，系统会自动去匹配最合适的一批达人。

换句话说，最关键、最耗人的那一环，AI 能直接接住。既省人力，也省时间，而且根据他们的介绍，AI 找出来的达人，往往比人工量更大，也更精准。

因为 AI 背后都是大数据和算法，肯定比人小范围搜到的信息更多，更准确。

找到达人只是第一步。

Aha 还会自动联系达人，继续推进沟通，确认细节。

真的，用户要做的，就是输入产品链接，然后在中间几个节点做好确认和把关，剩下的系统的全部搞定。

我录了个 Demo 视频，大家可以看看。注意，它目前只支持 X、YouTube、Instagram、TikTok、LinkedIn 这些国外的社交媒体。

再往后，如果完成支付的话，Aha 就会开始逐个联系博主，确认细节了。

非常惊艳。我觉得 Aha 是一个很有代表性的 ToB 型 AI 的产品样板。

他们在博客里把背后的思考和技术细节写得很完整。

其中有一篇文章是 Aha 创始人 Kay 写的。她说，当 AI 介入之后，达人营销这件事会发生三大结构性变化。这个观点对我很有启发。

3

我一个个展开。

首先是匹配。

过去我们找达人，基本靠人工翻标签、看粉丝数、看账号定位。但这些方法都太粗糙了，而且很费时。

举个例子，一个做科技测评的达人，粉丝可能是学生、喜欢数码的爱好者，不一定会为 SaaS 产品付费。

但一个做效率工具、独立开发者内容的达人，粉丝往往是开发者、产品人、运营，这些人和产品目标用户就更接近。

也就是说，表面看两个达人都在发 AI 内容，粉丝却完全不一样。

用他们博客的话讲：给产品找合适的达人，这是一个语义问题，而非分类问题。不要问 “谁发内容”，要问 “谁的受众像我的用户”。这决定了转化的基线。

Aha 怎么做的呢？

它们会把品牌的需求变成一串可计算的语义画像，然后再从 500 万达人里找语义最接近的一群人。

大概分三步。

第一步：让 AI 先理解产品和目标用户。

用户把产品链接丢进去后，系统会让大模型看一遍产品的介绍、功能、定价、痛点，然后自动生成一份目标用户画像。

比如偏开发者、偏出海团队、偏办公场景，甚至会连内容语气、风格偏好都推出来。这一步形成一个产品是谁、用户是谁的语义向量。

第二步：在几百万个达人里做语义召回。

系统不是看达人的简介有没有写 AI、科技，而是从内容文本、评论氛围、粉丝地域、粉丝构成等维度判断：这个账号的受众像不像产品的目标用户。

这就是他们说的粉丝像不像，而不是达人像不像。

比如，有些账号看起来在美国，但粉丝 80% 在东南亚。这种账号标签再好、内容再对，也会被直接过滤掉，因为粉丝不对，就意味着投放浪费。

这就是语义匹配比标签匹配稳得多的原因。

第三步：精排，用大模型逐个判断。

召回之后，系统会让 LLM 像一个有经验的达人营销专家一样，一条条过：

1、内容的表达方式能不能自然嵌入产品

2、粉丝是不是目标用户

3、互动是不是正常（而不是买量、刷评论）

4、最近内容表现稳不稳

5、账号有没有水分

6、不是简单看粉丝数，也不是看播放量，而是真的看 “内容有没有价值”和“粉丝是不是你要的人”。

这就是语义。它可以借助 AI，真正判断这个账号值不值得合作。

人能做这样的判断不？当然能，只是时间成本太高了。就拿我来说，在 AI 行业这么久，我多少已经有一些经验。

但让我快速判断某个号的情况，我觉得至少也得十分钟才能得出相对客观的结论。

4

其次是定价。

刚刚提到的达人匹配解决的是找谁，定价解决的是花多少钱。

这件事在达人营销领域一直是个老大难。人工谈价非常耗时，而且结果常常不透明。

同一个达人，找不同代理、不同窗口，报出来的价格可能完全不一样。更别说有些账号买了粉丝，有些账号最近内容下滑，有些账号市场需求突然上涨等等，这些都会影响价格。

Aha 的做法是把定价这件事结构化了。

他们的博客里讲得很直白：价格应该由数据来决定，而不是由双方的主观判断来决定。这个逻辑我挺认同的。

定价模型看四类核心因素。

第一，受众价值。

粉丝是什么人，直接决定账号的价值。比如学生和泛娱乐受众的价值最低，其次是普通白领，再往上是开发者、专业人士、商业决策者。不同的受众画像，价格差异会非常大。

第二，地域权重。

同量级曝光，美区粉丝的价值往往是部分亚非区域的五到七倍。这一点我以前从来没有被量化过，看完博客才意识到这个差异是真的明显。

第三，内容表现。

系统会看达人最近二十条内容的自然播放和商单表现，判断这个账号是不是在一个上升周期里。如果最近内容表现不稳定，定价自然会被压低。

第四，供需强度。

有些垂类非常稀缺，比如效率工具、开发者工具，这类达人在全球范围都不算多，只要需求稍微增加，价格自然会上浮。

把这些因素放在一起，系统会给出一个相对公允的价格。这个价格不是瞎算，而是由模型读数据、算差异、综合权重之后推出来的。

我看到这里的时候，觉得蛮有意思。本来人工谈价是一个非常靠经验的事情，但拆开来看，影响价格的因素其实没那么玄乎，只是人工很难同时把这么多变量放在脑子里。AI 可以。

当然，系统不是为了压价，而是为了让价格更透明更公允，减少无效沟通。买卖双方都用同一份参考标准，就不会出现反复拉锯的情况。

博客里提到，一个几天的谈价过程，有时候几分钟就能完成了。

他们甚至把这套东西写成了一个完整的动态定价引擎。记得博客中有句话是这么说的：

让价格不再依赖个别谈判或主观判断，而是成为一个既具备专家经验稳定性，又能随市场供需实时波动的函数。

系统不是一次性定死一个价格，而是一直在更新。达人最近的表现、这次营销活动的需求、行业的整体热度，都会影响结果。

平台每天都有新的合作发生，系统会从这些数据里学习，把价格调得更贴近当下的市场情况。

这部分，强烈推荐大家看看他们的博客，有很多细节的实战经验。

5

前面讲的是怎么找到合适的人，怎么付一个合理的价格。

但整条达人营销链路真正让人头大的，是所有事情加在一起的执行复杂度。

这条链路里，到处都是需要人盯的细节。

建联、催回复、确认报价、确认档期、对稿、改稿、催交付、补素材、对账、付款，只要有一个环节慢一步，后面所有事情都得等。

很多团队永远追不上进度，不是因为人不够，而是因为链路太散太碎。

Aha 最酷的地方，是把执行这件事做到了几乎完全自动化。

用户确定好达人画像之后，系统开始从大规模的达人池匹配，并进行自动化建联谈价。

它会根据需求信息的语义，自动生成邀约内容，批量外发。不是简单撒网，而是给每个达人发合适的那种邀约。

发送之后，确认好价格，愿意合作的达人，就会推送到操作看板。

而且每个确认合作的达人，都有明确的 CPM/CPC 预估，以及人群画像等数据指标，方便品牌再次把关审批，确认最终合适的人选。

确定合作的达人之后，系统会自动跟进后面的所有环节。

内容制作做到哪一步了、修改有没有完成、是否已经进入待发布阶段，系统都会实时记录。

无论你同时推进的是五个达人还是五百个达人，它都会把每个人的状态排好队，自动往前推。

用户打开后台，一眼就能看到每个人卡在哪、走到哪，不会再被无数邮件和私信淹没。

另外，合同签约这部分，Aha 做的是把过去需要来回发 PDF、确认身份、确认授权的流程，拆成一个标准化的自动化链路。

系统会先做双方的身份验证，确认达人账号、支付方式、申报主体都真实有效；接着由 AI 发起合同，自动填好合作条款、交付标准、付款节点，并在达人和品牌方确认无误后完成电子签署。

签署后的文件会自动归档，和整个合作的进度、交付记录关联在一起，方便后续对账和审计。

可能有的人看到这里，会觉得是不是有些理想化。把钱支付完，万一后面达人不履约怎么办？是不是会打水漂？

我一开始也有这方面担心。后来仔细看了一下，他们的逻辑其实和淘宝很像。

合作一旦确认，款项会先进入 Aha 的托管账户。达人必须按要求完成内容、通过平台的质检流程，系统才会推进结算。这套流程其实在电商行业已经被验证过很多年。

如果达人不按时交付、内容质量不达标，或者有刷量等异常行为，系统会自动把单子卡住，不会流转到付款环节。所以，整体看，流程还是蛮安全和可靠的。

这套流程和产品的设计思路，挺震撼的。

我想这就是效率革命的意义。不是把人替换掉，而是让重复的部分全部交给程序，让人从催人、盯人、找人的工作里退出来。

这类事情，AI 天生更擅长。

机器不会忘，流程不会乱，只要状态清晰，就能在后台一直跑。

人只在重要节点做决策。确认名单，确认价格，确认内容。剩下的，系统可以替我们一直往前推。

匹配由 AI 做，定价由模型做，执行由系统做。人真正需要做的，是判断，是策略，是创意。

我非常喜欢的 AI Video 产品 Vizard 也是 Aha 的用户，他们说，Aha 把大部分需要人手反复处理的活儿都接过去了，团队在营销上的日常投入一下子小了不少。

过去可能需要一个月才能完成的工作，现在几天就搞定了。

6

写到这里，我觉得 Aha 提供的，不只是一个产品案例，而是一套 Agent 的思考方式。

达人营销这条链路本来特别重，信息分散，节奏混乱，靠人力堆上去也只能做得差不多。

Aha 的做法是把这条链路拆开，让匹配、定价、执行这些最耗人的步骤变成可以计算、可以追踪、可以复盘的系统能力。

他们在博客里反复强调一个观点：

AI 不会代替人，但会把那些七十分以内的重复劳动全部接走，让人把时间花在最后那三十分的判断和创造上。

这句话我挺认同的。

从匹配的语义召回，到定价的动态模型，再到执行的自动外发和全链路追踪，本质上都是在把一个过去完全靠人力堆叠才能规模化的行业，慢慢变成一套可以沉淀的增长方法论。

这个过程不会一蹴而就，但方向已经很清楚了。

我觉得这对做 AI 工具、做 Agent 产品的团队，都有参考价值。

真正的突破，不是做一个更聪明的对话框，而是找到一个足够具体的场景，把整个链路从头到尾重新跑一遍，把可重复的地方抽出来，让系统越来越能自己做事，让人越来越能做对的事。

就像前两天段永平在采访说的，做对的事，和把事情做对。人负责前者，AI 负责后者。

这也是为什么我会觉得 Aha 的文章值得一看。如果你有时间，我还是建议把那两篇博客完整读一遍。

https://aha.inc/university?universityType=Aha+insights&utm_source=inf001

里面还有很多工程细节和判断边界，比我这里写的更丰富。看完之后，你大概就能明白，为什么这么多海外团队会选择用它，也能看到 AI 在业务端到底能走到什么程度。

也许会给你带来一些新的灵感。

文章来自于微信公众号 “AI产品阿颖”，作者 “AI产品阿颖”