你以为 AI 产品靠的是算法？其实更重要的是业务认知与数据标签。本文通过数美内容审核 Agent 的打造过程，讲透 To B AI 产品的真实工作量公式：Coding < 标签数据 < 领域认知。

　　AIGC带来了内容的爆发式增长，由此很多公开产品（社交、电商、零售、教育、游戏、金融等领域）的内容审核工作遇到巨大挑战。传统人机协同模式下，日均 2000 万条内容需 60 人团队处理，年人力成本超 500 万元。

　　不仅内容审核的工作量大幅增加，AIGC巨大的组合创新能力（例如把男人的头像放在女性身体上避开以往的审核规则），对审核规则本身也带来了巨大挑战。

　　只有魔法才能打败魔法，只有基于LLM的AI审核才能应对AIGC带来的冲击——这，很有意思吧？

　　我最近调研的数美科技的内容审核Agent就是这样的产品。

　　我与创始人，以及市场负责人聊下来，第一感觉是——成功的toB AI产品都是相似的。

一、成功AI产品的共通之处

　　上周，我发短视频讲述目前看到的3种toB AI产品打造路径。其中基于行业认知、设计+生成（喂数据微调模型）的模式，我认为其成功路径是最清晰的。

　　我今年看了50个toB AI产品的详细路演，挑出来写成“AI产品体验官”系列的，目前只有3个。其它产品或产品打造路径，我还没看懂。而我写的这3篇，包括前面写过的北森AI面试官、慧算账记账Agent，有这样几个共通之处：

　　A、做AI产品必须基于公司既有优势。你做的不再是纯软件产品，而更像业务工作。AI技术和SaaS一样——纯技术门槛很低。没有凝结领域认知的AI产品，没有护城河。

　　B、AI产品的关键不是AI，而是积累的业务认知和数据。从工作量上反映出来就是：Coding工作量 < 数据打标签工作量 << 领域认知积累工作量

　　C、AI产品打造的思想基础是：还原论的“设计思维”+ 整体论“生成思维”

　　D、寻找不需要做最终决策的场景（并设计容错机制）

　　从表象上看，这条路径最显著的特点就是：需要大量喂专业标签数据，而不是靠冗长的prompt提示语就能产生足够好的效果。

　　（此外，也需要根据领域深度认知产品架构设计。但这一条就不够“显著”了。）

二、数美也吻合这4个共通特点

　　数美成立于2015年，也是成立有十年的创业公司了。

　　我问创始人唐会军兄：数美的护城河在哪里？

　　他告诉我，是对内容“风险类型”的深入研究。数美已经积累了几千个风险类型，例如：暴力、炫富、躺平……等。这源自十年来，产品经理们对真实世界内容风险的发现和定义。（在数美，产品经理各自负责不同方向的内容风险研究。）

　　笔者理解数美还有第二个护城河，就是数据飞轮。数美目前每天处理数十亿张图片和文本，十年来积累了万亿次过滤。数据飞轮效应令新玩家难以入场，唯一要忌惮的是同样拥有海量数据的大厂。

　　“内容审核Agent”的产品结构也是设计+生成的逻辑：先划分了几千个风险类型，然后为每个风险类型喂200个到5000个不等的标签样本数据对大模型进行微调，合计千万级投喂数据量。

　　从工作量上来看，这个Agent产品的开发过程也符合这个公式：

　　Coding工作量 < 数据打标签工作量 << 领域认知积累工作量

　　此外，从场景上看，大部分情况下都不再需要“人工审核”最后把关——内容审核Agent可以识别和拦截有风险的内容；对于小部分复杂高疑的内容，人工会兜底——复审完成交叉验证。

三、数美AI产品的独特之处

　　但是，内容审核Agent面对的业务场景与其它AI产品不同，因此也有很多独特之处。

第一，尽量兼容现有流程

　　与上次我谈的慧算账“记账Agent”颠覆软件服务范式不同，数美服务大企业和政府部门，考虑的是“最大限度兼容现有流程”。

　　例如，Agent插在“机审服务”与“人审复核”之间。是机审服务的补充，但不影响原有人审复核的工作流程。

　　例如，机审过滤后仍有3%存疑内容，Agent进行二次筛查后仅保0.3%-1.5% 高疑案例进入人工环节。

　　同时，利用人工反馈的判例，为Agent的审核知识库补充内容。

第二，“对抗”需要更多技术突破

　　内容审核需要平衡其服务的平台产品的业务发展需求与合规需求。说白了，既不能让违规内容漏网，也不能误杀合规内容影响用户体验。

　　与其它业务系统不同，该Agent需要与大量内容生产AI产品进行对抗。

　　图文结合的多模态识别就是其中一个例子。一个图文作品，文字没毛病、图片单独看也没毛病，但文配图会产生全新的意思，也许就违规了。

　　以往的机器审核无法判断，但拥有了LLM（大语言模型）技术的内容审核Agent就具备了这个能力。

第三，用AI做数据创新

　　再举个例子，很多“擦边”内容的样例非常少。为了让AI能够识别这类风险内容，数美的工程师会用AI生成一批“类似内容”，然后喂给大模型进行训练。

　　可以看到，很多成功AI产品的打造过程就是这样：主要工作量往往不在编程coding上。

总结

　　目前，数美的大模型审核Agent产品已达到98%-99%的准确率和99.5%的查全率（也称为召回率，即找出所有正样本的比率）。

　　该AI产品达到的效果是：

　　* 进一步提升机器审核对高风险内容的识别准确率和召回率

　　* 人审成本降低了70%-90%

　　* 审核员专注标注而非全流程处理，单人日效从 1 万条提升至 3-5 万条；

　　我个人给该产品的打分很高。特别是在体验价值方面，因为场景可控（失误可补救）、交互成本低（不改变原有流程），所以三个分数分别得到8、8、7。

　　而在商业潜力方面，应用场景很多（而且由于内容审核是全球高一致性需求，出海机会也很不错），但笔者估计面对大客户销售成本不低、且海外PLG模式还在拓展阶段，因此得分中等。

　　（我不是安全方面的专家，仅从SaaS+AI产品商业化的角度探讨，欢迎指正。）

　　前两天有读者在我的视频号下问到：“中国的Saas还能看到曙光吗？”

　　我回答说：必然能。3年来，AI连大部分C端应用场景都搞不定，在C端更适合辅助个人提升效率；在B端只赋能SaaS而非颠覆。

　　AI的智能还远远不能达到AGI（通用人工智能）的程度，Gartner预测它离成熟还需要超过10年。在真正实现AGI之前，toB应用只能维持今天的局面：SaaS为主（软件工程设计）+ AI赋能具体场景（LLM生成局部智能）。

　　而在AGI实现之后，社会经济形态都会彻底改变，那也无关SaaS了……