从 ChatGPT Images 2.0 看产品分层策略

最近产品圈在讨论一个现象：为什么同样是 AI 图像生成，有的产品免费都没人用，有的产品收费 $200/月还供不应求？

4 月 21 日 OpenAI 发布的 ChatGPT Images 2.0 给了一个很有意思的回答。它没有在”图片质量”上卷，而是做了一个产品层面的结构性创新——把推理能力注入图像生成，让 AI 在出图之前先”想一想”，然后用这个”会思考”的能力作为付费转化的核心杠杆。

这不是一篇产品发布解读。我想借这个案例，拆解 AI 产品在用户分层、付费设计和工作流嵌入上的几个关键决策，希望对正在做 AI 产品的朋友有所启发。

一、AI 产品的付费难题：用户觉得”差不多就行”

做 AI 产品的 PM 大概都遇到过一个共同的困境——用户对 AI 能力的感知是”差不多”。

以图像生成为例。你告诉用户”我们的模型在 FID 指标上提升了 15%”，用户的反应通常是”哦，看起来确实清楚了一点”。你花了三个月优化的技术升级，在用户眼里可能只是”略有改善”。更麻烦的是，当竞品也在同步提升，用户对质量差异的感知会进一步钝化。

这就导致了一个定价困境：如果产品的核心卖点是”质量更好”，用户很难为”好一点”付费。

ChatGPT Images 2.0 的做法值得注意。它没有在”更好看”这个维度上做文章，而是创造了一个全新的能力维度——”会思考的图像生成”。这个维度的差异不是程度差异（好一点 vs. 好很多），而是类别差异（能做 vs. 不能做）。

具体来说，Images 2.0 提供了两种模式：

1. Instant 模式，对所有用户开放，核心是”更好的基础出图”——文字渲染更准、指令遵循更好、支持更多语言。这是一个”做得更好”的升级。
2. Thinking 模式，仅对付费用户开放，核心是”出图前先思考”——AI 会先搜索参考信息、规划构图逻辑、生成多张风格一致的图片、最后自我检查拼写和位置。这是一个”能做新事”的升级。

这里的产品设计启示是：AI 产品的付费转化，与其优化已有能力的“程度差异”，不如创造新能力的“类别差异”。

用户不会为”好一点”掏钱，但会为”我以前做不到，现在能做到”掏钱。

二、分层设计的关键：按”替代的人力成本”定价，而非按”消耗的算力”定价

进一步拆解 Images 2.0 的分层逻辑，会发现一个更深层的设计原则。

Instant 模式替代的是什么？是用户去搜索引擎找图、去免费素材站下载配图的行为。这个行为的时间成本大约是 5-10 分钟，替代价值很低，所以免费开放是合理的——用它来培养用户”遇到出图需求就打开 ChatGPT”的习惯。

Thinking 模式替代的是什么？是用户打开 Canva 花 30 分钟排一张信息图，或者给设计师提需求等两小时返稿的行为。这个行为的时间成本是 30 分钟到数小时，替代价值高得多，所以作为付费功能是用户愿意买单的。

也就是说，OpenAI 的定价锚点不是”Thinking 模式消耗了更多算力所以更贵”，而是”Thinking 模式帮你省了更多人力成本所以更值钱”。

这给我的一个重要启发是：AI 产品的定价不应该锚定在成本侧（我消耗了多少算力），而应该锚定在价值侧（我帮用户省了多少时间和人力成本）。

我把这个思路整理成了一个简单的分层决策框架，供参考：

第一步：梳理用户当前的替代方案。 用户如果不用你的产品，会怎么完成这个任务？用什么工具？花多少时间？

第二步：按替代方案的成本高低划分功能层级。 替代成本低的能力（搜索找图 → 免费出图）放在免费层做引流；替代成本高的能力（请设计师排版 → AI 自动排版）放在付费层做转化。

第三步：确保付费层的能力是“类别差异”而非“程度差异”。 用户对”快 20%”不敏感，但对”以前做不到、现在能做到”非常敏感。

第四步：用免费层的使用数据来验证付费层的需求假设。 如果免费用户频繁尝试某类复杂任务但效果不好，说明这类任务正好可以作为付费层的卖点。

三、交互设计的新课题：当 AI 需要”想一想”，用户在想什么

Thinking 模式带来了一个新的交互挑战：生成时间变长了。

过去的 AI 出图是”秒出”的体验——输入 Prompt，等 3-5 秒，图片就出来了。但 Thinking 模式需要执行搜索、规划、生成、验证的多步流程，复杂任务可能需要几分钟。

几分钟听起来不长，但在用户的心理感受中，这是一个危险区间。

我们做产品都知道”3 秒规则”——网页加载超过 3 秒，用户流失率会急剧上升。但这个规则适用于”等待未知结果”的场景。如果用户能看到进度，能理解”正在发生什么”，等待耐心会大幅延长。

这正是 Agent 类 AI 产品的一个核心交互命题——Thinking ≠ Waiting，你需要让用户感知到“AI 在思考”而不是“AI 在卡住”。

具体怎么做？我从几个做得比较好的产品中总结了三种方案：

方案一：展示思考过程。 类似 ChatGPT 的推理模型已经在做的——展示 AI 的思考链，让用户看到”正在搜索参考资料””正在规划布局””正在检查文字”。用户看到的不是转圈的加载动画，而是一个透明的工作流程。

方案二：提供阶段性产出。 不要让用户等到最终结果才看到东西。可以先展示构图草稿（几秒内），再逐步填充细节（几十秒），最后交付完整成品（几分钟）。用户在每个阶段都能看到进展，焦虑感会大幅降低。

方案三：给用户干预的机会。 在思考过程中允许用户介入——比如 AI 规划了一个三栏布局，用户可以在这个阶段说”我想要两栏的”，而不需要等到最终成品出来再推倒重来。这不只是减少等待焦虑，也是真正提升生成质量的有效手段。

这里还有一个值得关注的体验细节。有用户在测试中发现，Thinking 模式的迭代编辑在 1-2 轮后效果会递减——越改越不对，最终不得不开一个新会话从头来。变通方案是”把当前图片拖到新对话中重新开始”。

这暗示推理链存在”上下文污染”的问题。对于 PM 来说，一个可行的产品策略是——在编辑界面增加一个”基于当前图片重新开始”的按钮，把技术限制转化为自然的交互流程，降低用户的挫败感。

四、生态绑定策略：图像生成不是产品，是粘性层

ChatGPT Images 2.0 还有一个容易被忽略的战略动作——它被直接嵌入了 Codex（OpenAI 的编码工具）中，用户用现有的 ChatGPT 订阅就能在编码环境里生成图片，不需要单独的 API 密钥。

这不是在做”图像生成产品”。这是在用图像生成作为”粘性层”来强化整个 Codex 生态的用户留存。

过去一年，我们看到 OpenAI 在 Codex 中不断叠加能力：编码 → 计算机操控 → 图像生成 → 记忆 → 浏览器。每叠加一层，用户的迁移成本就增加一点。当用户的编码、出图、文档写作、原型设计全都在同一个工具中完成时，切换到竞品的代价就变得非常高。

同时，OpenAI 宣布 5 月 12 日彻底废弃 DALL-E 2 和 DALL-E 3。这不仅是技术换代，更是倒逼存量开发者迁移到 gpt-image-2 的新 API 体系。新 API 从”按张计费”变成了”按 token 计费”，开发者一旦迁移就需要重构成本模型，切换成本进一步增加。

这里的产品策略启示是：AI 产品的竞争力不在于单个功能有多强，而在于多个功能组合起来构建的工作流有多深。

用户不会因为你的图像生成比别人好 10% 而留下来，但会因为你的图像生成 + 编码 + 浏览器 + 记忆组成了一个完整的工作流而无法离开。这个逻辑和微信小程序的策略如出一辙——单个小程序可能不够强，但当你的支付、社交、内容、服务全在微信生态里时，你就走不了了。

对正在做 AI 产品的 PM，我有一个具体建议：不要把每个 AI 能力当作独立功能来规划，而是要思考这些能力之间如何形成“工作流闭环”。 闭环越完整，用户迁移成本越高，产品壁垒越深。

五、竞争启示：从”谁的图更好看”到”谁嵌入工作流更深”

最后想聊聊竞争格局的变化，因为这背后的逻辑对所有 AI 产品都适用。

目前 AI 图像生成赛道形成了三种明确的竞争路线：

OpenAI 选择的是”推理能力 + 生态绑定”。它的核心差异化不是图片质量（虽然也很好），而是 Thinking 模式带来的工作流完整性和 Codex 生态的深度整合。

Google（Gemini / Nano Banana）选择的是”价格优势 + 生态绑定”。同等分辨率下成本约为 OpenAI 的三分之一，且深度整合了 Google Workspace。10 亿张图片在 53 天内被生成，核心靠的是低价 + Google 生态的庞大用户基座。

开源阵营（Stable Diffusion、Flux 等）选择的是”自由度 + 零成本”。单图质量持续追赶闭源模型，但在多图一致性、推理验证、工作流集成等系统能力上短期内难以竞争。

这三条路线其实映射了 AI 产品竞争演化的一般规律——第一阶段比质量（谁的模型更好），第二阶段比价格（谁更便宜），第三阶段比生态（谁嵌入工作流更深）。

我们在 LLM 文本领域已经完整走过了这三个阶段。现在图像生成也走到了第三阶段。

对于 PM 来说，认清你的产品处于哪个阶段很重要。如果你还在第一阶段，堆模型质量是对的；如果已经进入第三阶段，再堆质量的边际收益就很低了，应该把精力放在工作流整合和生态构建上。

写在最后

回到开头的问题：为什么有的 AI 产品免费没人用，有的收费 $200/月供不应求？

ChatGPT Images 2.0 给出的答案是：用户为“能做新事”付费，不为“做得更好”付费；用户为“省下的人力成本”付费，不为“消耗的算力”付费；用户被“完整的工作流”锁定，不被“单个功能的质量”锁定。

这三条原则，适用于几乎所有 AI 产品的设计。

如果你正在做 AI 产品的付费设计，不妨问自己三个问题：

1. 我的付费功能和免费功能之间，是“程度差异”还是“类别差异”？
2. 我的定价锚点是成本侧（算力消耗）还是价值侧（替代的人力成本）？
3. 我的产品中，各个 AI 能力之间是否形成了工作流闭环？

这三个问题想清楚了，付费转化的路径也就清晰了。