Z Highlights:

• SynthAI的核心理念：SynthAI强调的是利用人工智能来综合信息和自动化工作流程，以节省用户时间并提高效率。它不同于第一波生成式AI，后者侧重于创建新内容，如电子邮件、列表或营销文案。
• 工作流程自动化：SynthAI通过将工作流程转化为产品内的一个特性或功能，使得用户可以通过简单的操作（如点击一个按钮）来完成复杂的任务。这种自动化不仅减少了手动工作，还提高了与客户的粘性，有助于产品随着时间扩展到更多用例。
• AI的未来趋势：随着AI技术的进步，预计会有更主动的AI自动化，能够识别何时需要执行工作流程，并在不需要用户操作的情况下主动执行。此外，AI还将重新构想用户体验。

去年，Kristina Shen 和我表达了对“第二波”B2B 人工智能应用的期待，重点是综合信息，我们称之为“SynthAI”。如果第一波生成式人工智能应用是关于创建新内容——比如电子邮件、列表或营销文案——那么这第二波则侧重于以节省用户时间的方式压缩信息。其关键在于通过让用户在您的应用程序中完成更多工作来拥有工作流程。这很重要，因为这会带来与客户的粘性，并有助于随着时间的推移扩展到更多用例。

一年后，我们确实看到了向第二波转变的趋势，更多初创公司专注于利用人工智能能力来捕捉这些端到端的工作流程。我想跟进一下，分享一些观察和想法，讨论初创公司如何更有目的地针对工作流程。

拥有工作流程

工作流程到底是什么？工作流程是某人执行以完成任务或工作的一部分的步骤序列。在知识工作中，人们需要收集一些信息，应用上下文，并将其处理成所需的输出 - 也许是见解或决策。应用软件致力于帮助我们更快地执行这些工作流程。

它节省我们时间的一种方式是通过捕捉、存储和以易于处理的方式呈现信息。另一种方式是为我们执行工作。软件和自动化的最终承诺是它可以为我们完成整个工作流程。我们实际上并不想自己做这项工作；我们更愿意只需点击一个按钮，然后就完成了！

我们如何在人工智能和大型语言模型（LLMs）的背景下思考这个问题？LLMs中普及的提示机制根植于输入→输出的模态。例如，我们将基础模型的类别称为“文本到语音”或“文本到视频”或“图像到视频”等，字面上描述我们提供的输入和我们期望的输出。这种范式与工作流程非常契合。我们基本上试图从上下文和信息的输入转变为行动/见解/决策的输出。工作流程是中间的过程。

然而，在 B2B 应用程序的背景下，这些提示机制面临的一个关键挑战是，B2B 应用程序已经根据工作流程进行了设计。这就是聊天 UX /提示机制出现问题的地方。如果用户需要与 AI 系统“聊天”以操纵上下文和信息，那么就会产生一组替代工作，从而破坏了本来的工作流程。

因此，问题变成了我们如何将这种输入→输出本地化地构建到产品中。可以说，理想的结果是将工作流程过程变成一个按钮的点击。这就是 AI 真正“拥有”工作流程的方式：通过将其转化为产品内的一个特性或功能。这正是我们认为 SynthAI 所具有的潜力。

事实上，我们已经看到了封装这一过程的产品。

案例：FigJam

考虑一个团队头脑风暴的练习，每个人的想法都被写在便利贴上。通常，输出是识别主要主题，以及每个主题下的一些具体要点。工作流程是：

• 将相似或重复的便签放在一起。

  
  

• 定义和识别簇代表什么。

  
  

• 在简洁的文档中总结主题和要点。

  
  

传统上，每个步骤都需要手动完成，因为围绕练习的背景和便利贴上写的内容对练习来说是独特的。因此，死记硬背的算法或脚本是行不通的。

然而，事实证明这些都是LLMs特别擅长的步骤。它们都是不同类型的综合（因此，SynthAI），理论上可以通过点击按钮来完成。这正是 FigJam——Figma 的在线白板，供团队进行头脑风暴、会议和共同工作所做的。

产品经理或研究人员可能会花费长达一个小时的时间总结头脑风暴练习的结果，现在他们可以在 FigJam 中轻松点击几下完成。

案例：Macro

另一个例子是编辑过程，其中有多方建议编辑并向同一文档添加评论。在许多知识工作中，尤其是在高风险谈判中，这仍然是在 Word 文档上完成的，这意味着每个人都是异步提交他们的更改。通常，期望的输出是所有更改的摘要，合并到一个文档中。需要有人将所有不同版本汇集起来，他们的工作流程是这样的：

对于每个版本，请识别出变化。

如果同一部分文件有多处更改，请确定这些更改之间的不同之处。

总结变化的影响，以及不同版本的变化可能如何相互冲突。

再次，传统上，这些步骤中的每一个都必须手动完成，因为上下文和信息不仅独特于原始文档，而且还独特于提交新版本的不同方。而且，事实证明，这些都是LLMs特别擅长的步骤。输入 Macro，一款内置 AI 和红线工具的下一代文档编辑器。Macro 具有一个“AI 比较”功能，可以自动化所有这些步骤。

这一系列的比较任务可能需要律师花费数小时才能完成。现在他们可以通过几次点击在宏中完成。

案例：Claygent

销售（以及许多职业）中的一个常见任务是研究有关公司或潜在客户的特定属性。例如：他们的竞争对手是谁？他们如何定价产品？他们使用什么作为 POS 提供商？输出可以简单到一个包含潜在客户列表和跟踪属性的列的表格。然而，工作流程并不简单，因为需要有人浏览网站并能够确定他们已经找到了他们正在寻找的内容。

导航到公司网站。

查看标题和/或网站地图，看看是否有可能包含您要查找的内容的页面。导航到该页面。

如果页面没有，请重复第 2 步。

在表格中写下属性。

在领先名单的情况下，对每个潜在客户重复步骤 1-4。

这种信息搜索猎取传统上对于机械算法或脚本来说是很困难的，因为信息出现在公司网站上的方式可能非常特殊。如果公司没有在他们的网站上提供信息，而是在第三方文章中，这可能会更加复杂，但也许可以通过谷歌搜索找到。也就是说，LLMs特别擅长被引导去寻找信息 — SynthAI 本质上是追踪我们正在寻找的输出。

Claygent 是 Clay 的 AI 动力网络爬虫，可以自动化这种类型的研究。在目前的形式中，用户提供任务和期望的输出格式的指导。随着时间的推移，人们可以很容易地看到这个前期过程变得更简单。例如，对于常见属性（例如“定价模型”或“竞争对手”），Claygent 可以简单地将它们提供为字段选项，已经训练好如何检索这些信息。此外，Claygent 可以学习常见的问题类型，因此即使用户提供了不良的指导，产品仍然可以提供最佳结果。

拥有数千家公司的潜在客户名单并不罕见。能够通过在 Clay 中进行少量配置来自动化这一过程，节省的时间是巨大的。

趋势将会继续发展在哪里？

很明显，人工智能在自动化工作流程方面只会变得更加优秀，公司将在其产品中本地构建更多具备人工智能功能和能力的特性。我们看到这一趋势的两个自然演变：

1. AI 自动化将更主动地执行工作流程

   
   

2. AI 自动化将重新构想用户体验

   
   

更主动

正如本文开头所建议的，理想的结果是将工作流程转变为一个按钮的点击。让我们进一步推动这个想法。如果我们相信人工智能解决方案能够准确执行工作流程，并且系统能够识别何时需要工作流程，那么人工智能解决方案可以主动执行工作流程，而无需任何用户操作。我们可能仍然想知道人工智能解决方案自行执行了工作流程，在这种情况下，发送通知就足够了。

但如果我们甚至不知道也没关系呢？例如，如果客户在销售电话中提到了一个具体的异议，AI 代理可以自动要求解决方案工程团队的某人联系；客户经理根本不需要参与工作流程。

这个想法自然地允许 AI 自动化工作流程的范围扩大。由于 AI 解决方案被信任处理较小的步骤，它可以在人类需要通知之前承担更多的工作流程或更复杂的输入→输出情景。一个例子是，AI 解决方案可以主动展示公司另一个团队正在进行的相关工作，基于您在项目上取得的早期进展，并提出不同团队合作的方式。另一个例子是，一个 AI 化身可以积极参与会议，与队友一起进行会议；而不是账户执行人在一边与副驾驶聊天，AI 化身会加入通话，并在知道其人类对应可能不知道答案时主动回答问题。

新用户体验

将这一步进一步，拥有可靠、主动的人工智能能力应该改变我们与产品互动的更基本层面。团队中我们最喜欢的思维实验之一是想象一个由人工智能驱动的客户关系管理系统会是什么样子。在最极端的情况下，一个人工智能客户关系管理系统根本不会像我们今天所知道的客户关系管理系统。

今天，我们想象关系数据库中的帐户，其中包含静态对象和字段存储信息，并且交易通过预定义阶段进行。然而，AI 原生应用程序的新兴设计是摄取所有上下文数据（例如，所有 SaaS 应用程序中发生的所有销售活动）并在嵌入中表示这些关系。这使得 AI 系统能够捕捉难以在表格或线性映射中表示的细微差别和上下文。针对关系数据库进行优化的 AI 功能，例如在传统 CRM 结构中自动填充字段，可能很快就会过时。

AI CRM 将通过不断摄取最新的数据和背景信息，持续改善对公司与每位客户关系的理解。其目标是让 AI CRM 对任何潜在客户或客户的独特状态有自己的看法。它应该鼓励账户执行人员或经理采取正确的行动（或主动执行），并在适当的时候向领导层提供相关信息。在这样的范式中，信息不需要以账户或阶段为导向的视图呈现给用户。相反，用户体验可能看起来像是摘要仪表板和通知的组合。关系表可能仅仅是为了让人更容易理解而总结信息的一种方式，或者是将数据转移到非 AI 原生应用程序的翻译层。

相信我们将看到今天甚至无法想象的工作流程的另一个原因是，人工智能解决方案将会将更多模式识别为工作流程。当我们设计软件时，我们只能围绕我们作为人类所认识的工作流程进行。实际上，我们可能在工作中执行重复的操作，通过我们甚至没有意识到的模式。具有更完整背景的人工智能解决方案可以识别这些模式并围绕它们定义工作流程（例如，想想早期的人工智能系统如何掌握复杂的游戏，比如围棋或 Dota 2）。

随着 AI 系统默认变为多模式，我们改进这些系统的技术，使其能够无缝地将不同信息模式之间的上下文联系在一起，这将尤为重要，而人类可能仅限于在单一媒介中看到模式。在这个世界中，AI 将设计用户以前无法想象的自动化。

结论

我们仍处于 B2B 人工智能应用的早期阶段。第二波肯定正在发生，公司们正在明确倡导拥有工作流程的理念。反过来，产品将越来越具备推动主动自动化的能力。这些更接近的创新最终将成为允许产品增加更多复杂性并执行更广泛自动化的基石。我们很期待未来会发生什么！