办公软件AI化：安全、定价、应用场景的挑战与解决

办公软件AI化：安全、定价、应用场景的挑战与解决

办公软件正在从工具变成“助手”甚至“同事”。在阿里的通义千问大模型面世一周后，4月18日，阿里钉峰会上钉钉总裁叶军（不穷）现场演示了钉钉的四个AI应用场景为：群聊、文档、视频会议及应用开发。表示钉钉与大模型融合场景正在测试中，将在相关安全评估完成上线。此次会上，钉钉的AI功能被搬到现场进行展示。Notion接入ChatGPT能力的NotionAI早已上线，微软和谷歌也分别宣布了Microsoft365Copilot，以及Docs和Gmail的生成式AI能力。本周，国内对标Microsoft365最紧密的WPS也宣布正在研发“WPSAI”，各类办公软件。

不过，在C端和B端上，推出AI产品的方向和难度有很大不同。有SaaS行业内人士对虎嗅表示，“不同公司在AI能力上线方面的考虑肯定有所不同，微软要推出一个C端AI产品可能很容易，但要上线B端产品，则需要考虑很多问题，包括用户接受度、软件安全性、定价，甚至是ESG等问题。”那么生成式AI要走进办公软件中，需要解决哪些挑战呢？

内容安全性或成生成式AI最大阻力

生成式AI在内容安全性方面，以及隐私保护方面都面临着巨大的监管挑战。目前各国对生成式AI的监管力度正在加强，从意大利数据保护局第一个禁用ChatGPT以后，法国、西班牙有关部门也对ChatGPT展开了调查。美国商务部下属的国家电信与信息管理局，则正在调查对于企业和监管机构如何确保人工智能系统是值得信赖、合法及合乎道德。对于安全问题，OpenAI首席执行官SamAltman就在最近的一次公开讲话中表示，随着模型的能力越来越强，与之对应的安全措施也需要增加。在GPT-4发布后，OpenAI一直致力于处理各种亟待解决的安全性问题。钉钉AI能力的现场演示“通常情况下，AI技术供应商，对于AI生成的不安全内容也负有责任。”观韬中茂律师事务所合伙人王渝伟律师告诉虎嗅，AI技术供应商，包括深度合成服务提供者和技术支持者，《互联网信息服务深度合成管理规定》对其规定了较高的监督管理义务和完善数据和技术管理规范义务，若因未尽到这些义务，AI生成内容不符合法律规定，则需要承担一定的法律责任。

定价难题怎么解

AI办公软件市场化的另一个难题，那就是定价。在工作当中，一个生产力相同的同事，和只能帮忙查资料、整理文案的助理，在工资方面肯定是不一样的。AI在用户业务中的定位自然也直接影响到它的定价问题。对于用户来说，“AI助理”的价格后续相当于购买SaaS工具，自然是能低就低。但如果是“AI同事”，那对它投入几何，就要考察它的执行能力了。目前国外付费的生成式AI服务以OpenAI和Midjourney两家最为知名。Midjourney的收费标准有两种，一种是月费，一种是按图计费。月费是23美元一个月，计次则是8美元用200次。ChatGPTPlus的收费标准是20美元一个月，每3小时可以使用25次GPT-4模型。此外，OpenAI最新模型GPT-4的API接口采取按token收费的政策，已公布的GPT-4的API价格是纯文本输入每1k个prompttoken定价0.03美元，每1k个completiontoken定价0.06美元。默认速率限制为每分钟40k个token和每分钟200个请求。百度在发布文心一言之后，也对合作伙伴公布了名为文心千帆的云服务产品，据参加文心千帆发布会的百度客户透露，文心千帆的定价为——推理服务调用以0.012元/1000tokens收费，按调用输入输出总字数付费。在这方面，阿里云还没有公布相关的定价政策，不过叶军向虎嗅透露，钉钉的定价将参考Midjourney和OpenAI，“我们肯定比他们（Midjourney和OpenAI）定价低一点，我们得承认（技术）还是有一些差距，不能定太高的价格，而且普惠一点，前期对特定用户，甚至有一定的时长的优惠。”

应用场景的挑战与解决

在B端用户中，AI大模型的效率提升对于吸引力很大，在很多垂直行业都已有先驱厂商开始探索了。在工业领域，西门子日前刚刚宣布将和微软合作，借助OpenAI的ChatGPT帮助软件开发人员和自动化工程师使用自然语言输入生成PLC（可编程逻辑控制器）代码，从而减少时间成本并降低错误率。同时，这些能力还有助于维护团队以更快的速度识别错误，并逐步生成解决方案。在另一个严肃行业医疗领域中，ChatGPT的应用常被人认为更加马虎不得。但研发医疗行业大模型的左手医生团队CEO张超认为，虽然医疗行业的内容需要非常严谨，但是不同场景，对于生成式内容的风险接受度也不同。当然，这种形式可能又会使患者陷入“信息获取茧房”，不过张超表示，新技术肯定会存在局限性，但是落地、研发团队的任务就是想办法找更好的场景去避免这种局限性，让技术能够为这个场景产生更大的价值。在这方面，AI业界和应用产业似乎已经有了一些共识：AI大模是底座，是导航，而要真正把AI能力落地到业务中，还需要专门训练聚焦行业的中、小模型。