OpenAI的“七年之痒”——从非营利理想主义到商业帝国的产品逻辑演变

我是李明Bright，14年产品经验，用产品视角，拆解AI新商业与新趋势，欢迎关注。

 

今天咱们聊一个所有做AI产品、甚至所有做互联网产品的人都绕不开的话题——OpenAI。这家公司从2015年成立到现在，差不多快十年了。如果用一段关系来比喻，它正处在“七年之痒”的阶段。但这个痒，不是感情上的疲倦，而是身份上的撕裂。

 

2015年，OpenAI诞生的时候，打出的旗号是“非营利组织”，目标是“以最有可能造福全人类的方式推进数字智能”。好家伙，这个定位听起来像是科技界的圣人，一个不食人间烟火的理想主义者。到了2024年、2025年，我们看到的是什么？Sam Altman频繁融资、估值冲向千亿美金、GPT Store试图复制苹果生态、API价格涨了又涨、与微软的关系越来越微妙。

 

有人说，OpenAI变了，从理想主义走向了商业主义。但我不这么看。我用一个产品经理的视角来看——OpenAI没有变，它只是从“愿景驱动”进入了“产品驱动”的阶段。七年之痒的本质，是非营利愿景和商业化产品之间不可调和的结构性矛盾，终于爆发了。

 

这一期，我会用产品视角，拆解OpenAI的产品路线图：从ChatGPT的免费发布引发全球狂潮，到Plus会员分层、Enterprise定价、GPT Store的平台化尝试，再到Sora的发布时点选择、API调价背后的客户策略。

 

我会问几个关键问题：为什么开源vs闭源的争论，本质是商业模式的抉择？非营利组织做产品，天花板在哪里？微软到底是在帮OpenAI，还是在吃掉OpenAI？更重要的是，作为一个产品经理或创业者，你从OpenAI的十年沉浮中学到什么？当你的产品势能爆发之后，如何平衡用户利益、商业回报和组织使命？

 

这些问题，我们一个一个拆。

 

要理解OpenAI的产品逻辑演变，最好的方式是把它的几款核心产品当作“节点”，每个节点都代表了它在不同阶段对“如何让AI创造价值”这一命题的答案。

 

先说ChatGPT。2022年11月30日，ChatGPT上线。我至今记得那一天，科技圈的朋友圈被刷屏了。但很多人不知道的是，OpenAI内部对这个产品并没有给予“战略级”的重视。它最初只是GPT-3.5的一个对话式界面封装，一个“技术演示”。

 

产品视角的第一课：有时候，最简单的包装，最能释放技术的原生力量。

ChatGPT上线时完全免费，没有广告、没有付费墙、甚至不需要注册（早期）。这个决策在当时看起来是“非营利理想”的体现——让每个人都能用上AI。但从产品视角看，这个决策包含了一个极其精妙的商业算计：免费是最好的增长引擎。5天内，ChatGPT用户破百万。2个月，月活破亿。这个增长速度超过了TikTok、Instagram、任何一家互联网公司。为什么？因为对话式交互是“零学习成本”的。用户不需要看教程、不需要学习命令、不需要适应UI。你用母语和它说话，它用母语回答你。这是人类计算史上第一次，软件学会了人的语言，而不是人去学习软件的语言。

 

但免费也带来了巨大的成本压力。据估算，ChatGPT每天运行成本超过70万美元。当用户量疯狂增长，OpenAI开始面临一个产品经理最熟悉的困境：免费用户的满意度 vs 公司的算力账单。这个困境，直接催生了下一个产品决策。

 

2023年2月，OpenAI推出ChatGPT Plus，月费20美元。Plus用户可以获得：高峰时段优先访问、更快的响应速度、优先体验新功能（比如当时的GPT-4）。从产品视角看，这个定价策略有几个值得拆解的点。

 

第一，20美元不是拍脑袋定的。当时同类竞品，比如Jasper.ai，月费在49-99美元之间；Grammarly Premium是30美元。20美元是一个“心理安全价”——比主流工具低，让用户觉得“买不了吃亏”。但同时，它又高于普通内容订阅（比如Netflix标准版15.49美元），保持了“专业工具”的定位。

 

第二，功能差异设计得非常巧妙。Plus用户并没有拿到“GPT-4独家”，因为当时GPT-4也向免费用户开放（只是有使用频率限制）。Plus的核心权益不是“更多功能”，而是“更少等待”。这是一个经典的SaaS付费墙设计——免费用户承受不便，付费用户购买便利。对于生产力工具来说，时间就是钱，20美元买时间，这个价值锚点非常清晰。

 

第三，它为后续商业化铺了路。Plus推出后，OpenAI第一次有了稳定的经常性收入。这个收入可以支撑算力成本，更重要的是，它让OpenAI开始像一家“正常”的软件公司——有付费用户、有客户成功、有续费率的考核。

但是，Plus只是一个过渡方案。真正让OpenAI思考“平台化”的产品，是GPT Store。

 

2024年1月，GPT Store正式上线。这个产品的野心非常明确：成为AI时代的App Store。开发者可以构建自定义版本的GPT（称为GPTs），无需代码，只需通过对话指令配置，然后发布到商店供其他用户使用。OpenAI计划与开发者分享收入。这个产品设计，表面上看非常“苹果”。但拆解下来，有几个根本性的问题。

 

问题一：护城河太浅。在GPT Store上创建的每个GPT，本质上是一个“提示词+知识库+动作”的封装。这些配置可以被轻易复制。我做了一个“法律合同助手GPT”，你只要对话中套出我的指令，就可以做一个一模一样的。没有代码保护，没有核心算法差异。开发者没有动力投入大量精力做深度优化。

 

问题二：分发效率低。App Store的成功，不只是因为有商店，而是因为苹果硬件生态、支付系统、开发者工具、审核机制形成了一个完整闭环。GPT Store只有一个网页，没有推送机制，没有搜索优化（早期），甚至没有一个清晰的方式让好用的GPT被用户发现。结果是：大量GPTs被创建，但绝大多数无人问津。

 

问题三：商业模式的根本矛盾。苹果向开发者收取30%的抽成，是因为苹果提供了硬件用户、支付系统、分发渠道。OpenAI想抽成，但它提供的价值是什么？算力？调用API本身就在收费。用户流量？GPT Store的流量本身就来自ChatGPT的用户，而用户是OpenAI的资产，不是开发者的。这个价值交换，并不对等。

 

结果如何？到2024年中，GPT Store上的大部分自定义GPTs月活极低。开发者的热情迅速降温。这个案例给所有想“平台化”的AI公司一个深刻的教训：平台不是你想做就能做的。平台的本质是网络效应和转换成本。当前的GPTs，网络效应很弱（我用你做的GPT，对你有什么好处？），转换成本为零（我随时可以复制你的配置）。这样的平台，注定难以成功。

 

再来看Sora。2024年2月，OpenAI发布了视频生成模型Sora。它生成的视频质量惊艳了整个行业。但值得注意的是，Sora并没有立即面向公众开放，而是只给了一小部分视觉艺术家、设计师和红队测试人员使用。这个发布策略，充满了产品思维。为什么不开放？不是因为技术不成熟。Sora的demo已经足够炸裂。但OpenAI在Sora身上学到的教训是：AI能力一旦释放，使用场景是控制不住的。如果Sora被大量用于生成虚假新闻、色情内容、侵权视频，OpenAI将面临巨大的监管风险和法律压力。

 

所以，有限的、可控的发布，是为了“管理预期的同时，管理风险”。那为什么选这个时点发布？2024年初，Google发布了Gemini 1.5，Anthropic发布了Claude 3，竞争态势突然紧张。OpenAI需要用一个“技术震慑”来告诉市场：我还是那个最先进的。Sora的发布，本质上是一个信号弹——“你们在文本上追我，我已经在做下一个维度了。”产品经理可以学到的是：产品的发布时点，不是技术ready的时候，而是战略需要的时点。这与传统软件工程的“done is better than perfect”不同。在AI这个极度注意力竞争的领域，发布本身就是一个博弈工具。

 

好，案例拆完了，我们来说说背后更深层的产品逻辑。为什么OpenAI会走出一条这样的路？

 

第一个规律：非营利组织做不出好产品——这是结构性的必然。OpenAI创立时的非营利架构，在2015年是合理的——当时AI研究需要长期、高风险的投资，商业公司没有耐心。但到了2022年ChatGPT爆发后，这个架构就变得不合时宜了。为什么？因为产品需要持续投入。一个好的产品，不是一锤子买卖。你需要持续优化UI、修复bug、响应用户反馈、迭代功能。这些都需要团队、流程、资源。而非营利组织在激励机制上，天然不适合做“服务型产品”。研究人员更喜欢发论文、探索新架构，而不是处理用户投诉“为什么今天ChatGPT又卡了”。因为产品需要定价。非营利的口号是“造福全人类”。但当你的算力成本飙升到每天上百万美元，你怎么定价？一收费，就有人说“你不是非营利吗？”不收费，你撑不过三个月。OpenAI后来成立了一个“利润上限”的营利子公司，这个结构本身就是妥协——它既要满足投资者的回报预期，又要维持非营利的外衣。

 

这种矛盾体现在产品上，就是用户看到的反复横跳：一会儿说要开源，一会儿说不开了；一会儿说免费是最好的，一会儿推出20美元月费。因为产品需要战略聚焦。非营利组织往往有多个目标（安全、公平、可解释性、普惠…）。而产品需要取舍。你不能同时做好十个事情。当OpenAI内部的研究团队想做下一个大模型，产品团队想做更好的UI，安全团队想做对齐研究，这三者之间的资源争夺，会拖慢产品迭代的速度。所以我的判断是：非营利组织可以做技术突破，但很难做出规模化、可持续的产品。要做产品，就必须拥抱商业逻辑——定价、分层、获客、留存、变现。OpenAI的七年之痒，本质是它从一个研究机构转型为产品公司时的阵痛。

 

第二个规律：AI产品的护城河不是模型，而是数据和用户习惯。很多人认为，OpenAI的护城河是它的模型性能。GPT-4比Claude 3好、比Gemini 1.5强，所以用户用OpenAI。但这是一个危险的认知。模型性能的差距正在迅速缩小。2023年初，GPT-4一骑绝尘。到2024年中，Google的Gemini Ultra在很多基准上已经接近甚至超越GPT-4。Anthropic的Claude 3 Opus在长上下文理解上更强。Meta的Llama 3开源模型在某些任务上与GPT-4差距不大。如果模型本身不是护城河，那什么是？

 

第一，用户数据飞轮。ChatGPT每天处理数十亿次请求。每一次对话，都是训练数据。这些数据可以用于微调模型、优化输出、识别失败模式。这是任何开源模型都拿不到的。Meta可以发布Llama 3的权重，但它永远不知道用户真正用这些模型在做什么、遇到什么困难、偏好什么输出风格。OpenAI的数据飞轮越转越快，这是它的第一护城河。

 

第二，用户习惯和集成度。当你已经习惯了用ChatGPT写邮件、整理笔记、分析数据，切换到另一个模型是有成本的。你需要重新学习它的输出风格（Claude 3更啰嗦？Gemini更谨慎？）、重新适应它的界面、重新建立你的提示词库。这种切换成本，就是产品的粘性。

 

第三，生态系统。虽然GPT Store没有成功，但ChatGPT插件生态、API调用生态、第三方集成（比如Microsoft 365 Copilot基于OpenAI）已经形成了事实标准。开发者更倾向于为OpenAI写代码，因为有最大的用户基数。这种生态优势，是谷歌和亚马逊当年建立起来的，现在OpenAI也在复制。所以，产品经理在设计AI产品时，不要只盯着模型参数。你要想：我的数据从哪里来？用户的切换成本有多高？我能不能建立起一个让用户离不开的生态系统？

 

第三个规律：开源vs闭源的本质是商业模式的选择。OpenAI早期说过要开源，后来基本闭源了（除了开源了一些小模型如Whisper、CLIP）。很多人批评它“背叛理想”。但从产品视角看，这是必然的选择。开源模型的商业模式是什么？如果你开源，你赚什么钱？可能的方式有：提供托管服务（比如Hugging Face）、卖企业支持和合规服务、开源版本是“基础版”高级功能闭源。但问题在于，大模型的开源和闭源，与软件开源不同。软件开源，你可以卖运维、卖SaaS。但大模型的核心资产就是权重。一旦权重公开，任何人都可以下载、微调、部署，甚至做一个小修改就发布成自己的“新产品”。你很难阻止别人“fork”你的工作。Meta为什么敢开源Llama？因为Meta不靠卖模型赚钱。

 

Meta的商业模式是广告。Llama开源可以吸引更多开发者使用，从而推动AI生态，间接为Meta的广告和社交产品服务。Google开源Gemma也是类似逻辑——为了让你用谷歌云。OpenAI没有广告业务，没有云业务（虽然它用了Azure，但Azure的收入归微软）。OpenAI的唯一收入来源就是卖API访问和订阅。如果它开源，就相当于把自己的核心资产拱手让人。这无异于商业自杀。所以，开源vs闭源不是道德问题，是商业模式决定的。如果你的产品是靠卖使用权赚钱，你必须闭源。如果你的产品是互补品，开源可以成为获客手段。作为产品经理，你需要根据公司的核心收入模式，做出选择，而不是被“开源好还是闭源好”的意识形态绑架。

 

第四个规律：AI产品的定价是一个动态博弈。OpenAI的API定价，已经调整了多次。我们可以从中看到一种模式：早期低价甚至免费吸引开发者，中期涨价同时推出更便宜的版本（比如GPT-3.5 Turbo比原版便宜90%），后期分层定价，按token、按能力、按服务水平。这背后是AI产品定价的特殊性：边际成本不为零，且波动大。传统SaaS，边际成本几乎为零。多一个用户，服务器成本微乎其微。但AI产品，每一次API调用都要消耗算力，都要付电费、硬件折旧费。算力价格虽然下降，但需求增长更快。所以，AI产品的定价需要更精细的设计：按量计费适合使用量波动大的用户，订阅制适合高频用户提供确定性收入，按效果付费正在探索中（比如客服机器人按解决的问题数量收费）。

 

OpenAI的定价策略给我的启示是：定价本身是一个产品功能，而不是财务决策。定价会影响用户的使用行为（更贵的模型会让用户更谨慎地调优提示词）、影响开发者生态（API价格决定了创业公司能不能活得下去）、影响竞争格局（低价可以挤压竞品）。产品经理需要把定价当作产品体验的一部分来设计。

说完产品逻辑，我们再看看OpenAI的演变对整个行业带来了哪些商业影响。

 

第一个影响是微软的“特洛伊木马”策略。微软与OpenAI的合作，是科技史上最复杂的战略联盟之一。微软投资了约130亿美元，换取OpenAI 49%的利润分成（达到上限后回归微软股权）。同时，OpenAI的模型独家运行在Azure上，微软将自己的产品全线接入OpenAI——Office 365 Copilot、Bing Chat、GitHub Copilot。从产品视角看，这个联盟对双方都有价值：OpenAI获得了算力资源和销售渠道，微软获得了最先进的AI技术和“AI优先”的品牌形象。但是，长期来看，谁才是真正的赢家？我认为是微软。

 

因为微软正在做的事情是：把OpenAI变成Azure上的一个“特性”，而不是一个独立平台。当企业客户想要使用OpenAI模型时，微软说“请用Azure OpenAI Service”。当开发者想要构建AI应用时，微软说“请用Azure AI Studio”。OpenAI的API调用，最终都沉淀在Azure的账单上。更重要的是，微软在同时扶植其他模型。Azure AI也提供Llama、Mistral、Cohere等模型。如果有一天OpenAI变得太强大、太不听话，微软完全可以减少对它的依赖。OpenAI的产品经理应该意识到：渠道伙伴可以成就你，也可以控制你。当你的主要分发渠道掌握在别人手里，你的议价能力是受限的。

 

第二个影响是AI创业公司的生存困境——在OpenAI的阴影下。OpenAI的API降价和产品免费化，对AI创业公司造成了巨大压力。以Jasper.ai为例。这是一家基于GPT-3的AI写作工具，在2022年风光无限，估值达15亿美元。但ChatGPT推出后，Jasper的业务受到严重冲击——为什么每个月花49美元买Jasper，当ChatGPT免费并且效果差不多？很多创业者喊“OpenAI正在吃掉我们的午餐”。但冷静分析，Jasper的问题不在于OpenAI，而在于它自己——它没有建立足够的差异化。它的产品只是GPT-3的一个“提示词模板集合”，没有自己的模型、没有独家数据、没有网络效应。

 

AI创业公司的生存法则：一是做OpenAI不会做或做不好的事。比如垂直行业的深度定制（医疗、法律、金融），比如私有化部署和合规（企业级客户不想把数据给OpenAI），比如多模型的编排（不是只调用一个模型，而是根据任务调用最合适的模型）。二是建立自己的数据闭环。如果你在服务客户的过程中积累了领域数据，这些数据可以用来微调模型、优化输出，形成壁垒。OpenAI没有你的客户数据。三是降低对API的依赖。如果可能，自己微调开源模型（如Llama 3），或者混合使用多个API提供商的模型，避免被单一供应商锁定。

 

第三个影响是开源模型的逆袭——Llama效应。Meta的Llama系列开源模型，正在改变游戏规则。Llama 3有80亿和700亿参数版本，性能接近GPT-3.5甚至在某些任务上超过。而且，开源社区已经发展出完整的工具链——微调、量化、部署、推理优化。这意味着，很多企业的默认选项从“调用OpenAI API”变成了“自己部署Llama”。对于数据敏感的企业（银行、医疗、政府），数据不能离开本地，开源模型是唯一选择。对于成本敏感的企业，自托管Llama的成本远低于OpenAI API（尤其是大规模使用）。OpenAI如何应对？它推出了GPT-4o mini，价格更低（0.15美元/百万输入token），性能却很强。这是一种价格战——用低价压住开源模型的势头。但从产品视角看，这种策略是防御性的。真正的危机在于，当开源模型的能力追上闭源模型（预计在2025-2026年），OpenAI的溢价空间将大幅缩小。届时，它的核心资产不再是模型能力，而是用户便利性（无需自己部署）和生态集成度。

 

第四个影响是AI安全与产品责任的博弈。随着AI模型能力的增强，产品责任问题越来越突出。如果用户用ChatGPT生成了诽谤性内容、违法建议、虚假信息，OpenAI要承担多大责任？欧盟的AI法案、美国白宫的AI行政命令，都在收紧对AI产品的监管。OpenAI已经多次陷入诉讼——被作家起诉侵犯版权、被政治家起诉生成虚假信息、被用户起诉隐私泄露。从产品视角看，这催生了新的产品功能：安全护栏。OpenAI在产品层面增加了内容过滤、拒绝回答某些类型的问题、输出水印、可追溯性等功能。这些功能既是合规要求，也是产品差异点。但安全与可用性之间存在天然的矛盾。过度过滤会让模型变得“笨拙”，拒绝回答太多问题；过滤不足又会带来风险。如何找到平衡点？这是每个AI产品经理都需要面对的难题。我的看法是：未来的AI产品，安全能力会和模型能力一样成为核心竞争力。一个不能被企业信任的模型，再聪明也没用。

 

好，聊了这么多，我们最后来总结一下趋势和行动建议。

 

我对未来的判断有三个。第一，模型商品化，体验决胜。大模型本身将走向商品化。就像今天的云服务器——AWS、Azure、GCP的计算能力差距不大，用户选择谁主要看价格、服务、生态。同样，GPT-4、Claude 3、Gemini 1.5的能力差距会越来越小。用户最终选择哪个模型，取决于产品体验（界面好不好用、响应快不快）、生态集成度（能不能和我现有的工具连接）和信任感（隐私保护好不好）。第二，垂直AI产品迎来黄金期。通用ChatBot的市场已经饱和。下一个机会在垂直领域——法律AI、医疗AI、教育AI、编程AI、设计AI。这些领域需要深度领域知识、独特的数据、合规处理。OpenAI不会做这些垂直产品（因为市场太小、太分散），这是创业公司的机会。第三，AI原生交互范式尚未定型。今天的ChatGPT还是“对话式UI”——你发一条消息，它回一条。但这个范式很可能不是终极形态。未来的AI产品可能有新的交互方式：比如实时协作（像多人一起编辑，AI是其中一“人”）、主动推送（AI在需要时主动出现，而不是等你问）、多模态融合（语音+视觉+文本无缝切换）。这个领域还有巨大的创新空间。

 

对产品经理，我有三点建议。第一，从“模型能力优先”转向“用户问题优先”。不要因为GPT-4出了新功能就想着怎么套用到产品里。你要回到原点：用户的核心问题是什么？AI能不能解决这个问题？解决这个问题需要什么能力？有时候，一个简单的GPT-3.5加上好的工作流设计，比堆砌GPT-4功能更有用。第二，建立自己的数据优势。模型可以外包，数据不能。你的产品必须产生或获取独特的、难以复制的数据。这些数据可以是用户偏好、工作流模式、领域知识图谱、失败案例库。用这些数据来优化你的产品，形成数据飞轮。第三，学习定价和商业化。很多产品经理出身于增长黑客或功能设计，对定价策略、成本结构、LTV知之甚少。但在AI时代，算力成本是真实存在的，定价直接影响用户行为。你必须懂得计算单位经济，懂得设计价格阶梯，懂得如何平衡免费和付费。

 

对创业者，我有两点建议。第一，不要做“ChatGPT套壳”。如果你的产品只是一个提示词模板集合加一个更漂亮的界面，你活不过2026年。你需要真正的技术或数据壁垒。或者，你选择一个非常垂直的领域，做到比通用ChatBot好10倍。第二，警惕供应商锁定。不要把所有鸡蛋放在OpenAI的篮子里。设计你的产品架构时，抽象出模型层，让你可以轻松切换底层模型。今天用OpenAI，明天用Anthropic，后天用Llama。这会让你在价格谈判和功能选择上拥有主动权。

 

最后，回到开头的问题：OpenAI的七年之痒，痒在哪里？痒在理想与现实的碰撞。痒在非营利使命与商业产品的冲突。痒在技术突破与可持续运营的拉扯。但作为一个产品经理，我不认为这是失败。恰恰相反，OpenAI在七年里完成了最艰难的任务——把一项实验室里的技术，变成全球数亿人日常使用的产品。从产品视角看，它的每一步选择——免费获客、分层定价、尝试平台化、战略性发布——都有其逻辑和必然。

 

我们拆解OpenAI，不是为了评判它，而是为了从中学习。学习如何在大模型时代做产品，学习如何平衡理想与现实，学习如何在快速变化的技术浪潮中找到自己的位置。

 

最后，我想留三个思考题给你：第一，如果你的产品明天必须盈利，你会怎么改变它？第二，如果你的核心技术变成开源，你还会有什么价值？第三，你现在的产品，十年后还会存在吗？

 

这三个问题，没有标准答案。但思考它们的过程，本身就是成为更好的产品经理的旅程。

 

公众号：李明Bright