#09 从数字资产的角度看 AI 设计
篇首语：
今年的投资圈格外热闹，ChatGPT 点燃了全球 AI 领域的大规模创业，投资经理似乎都已经不够用了。大家连睡觉都觉得是在浪费时间，担心错过好的投资对象，也担心一不留神投错。
在跟着刷了一段时间后，我决定先不看了，让子弹先飞一会儿。还是到线下与那些有真实诉求的公司、团队聊一聊，看看他们想象中的 AI 设计是什么样子的。这段时间又和几家公司聊了聊，这其中两家公司对于 AI 的思考比较有意思，在这里也和大家分享一下。
寻求转型的 A 公司
A 公司是一家快 20 年的设计解决方案供应商，成立至今一直为各大厂提供各类设计服务。伴随着国内互联网的快速发展，逐渐的发展到上千人的规模。在北上广深等地均成立了子公司，服务的客户也越来越多。
疫情的这几年，客户们纷纷开始缩减投入开支，他们的生意也越来越难做。虽然订单的需求量开始逐步放缓，但依照现有的模式还是能将公司维持下去。而在年头 AI 设计的兴起，则正是在革他们的命，他们所提供的服务可能会是最早被 AI 设计所替代的。
不过在聊天过程中，我发现两位创始人的神情中显然是兴奋大于焦虑的，因为这也许是他们转型的大好机会。
这些年在服务各大厂业务的过程中，他们累积了大量各行业、场景的案例和设计稿。因为这些内容都来源于真实的业务场景，所以他们有着丰富的数据特征。而对于 AI 来说，这些数据比起前面提到过的那些案例库有价值得多。
在我们见面沟通的前一周，CEO 已经成立了一个新的研发团队开始进行前期研究。通过对案例的整理、分类以及标注来建立自己的 AI 能力。期望在不久的未来，能够借助这个 AI 能力先来革自己的命，提升交付的效率、降低交付成本，从而提升公司的整体竞争力。
追求创新的 B 公司
B 公司相当的新，成立至今才一年多的时间。主要提供创意全案服务，从服务几家大公司起步到如今也积累了不少的客户。
与 A 公司相比，他们没有太多的历史包袱，AI 设计带给他们的更多是兴奋，让他们有机会探索更多的可能性。他们核心卖点就是通过新的技术来带给客户不一样的服务。
公司中有几位非常资深的创意人，在过去的工作中积累了丰富的经验和技巧。他们将自己的已经沉淀的案例进行解构，形成一系列的设计模式来喂养给 AI。希望 AI 能够学习这些经验，来帮助他们发散出更多的创意可能性，成为公司创意提案的智能助手。
无论是寻求转型的 A 公司还是追求创新的 B 公司，大家对于 AI 的态度都还是非常务实的，基于自身业务特性出发来建设 AI 能力。而且两家公司都有一个共同点，那就是从对设计资产的角度进行切入。
DAM – 数字资产管理
DAM 的全称是 Digital Assets Management，是一种管理数字媒体资产的系统或者平台，比如我们常用的图片、音频、视频、文档等内容。当然，我们在设计领域中常说的 icon、设计系统、文案、色彩库等资产也属于这个范畴。
数字资产管理并不是什么新鲜概念，很多团队一直都在做，但真正把它利用好却不太容易。
去年增长黑盒针对 50 多家企业的内容核心生产者和使用者，做过一份关于数字资产管理的调研。当企业人数、资产体量越来越大之后，DAM 的问题暴露的越多、使用效率越来越低。
同时报告中还指出了数字资产管理过程中最重要的五大痛点：
•内容取用及流转效率低，降低了业务团队在重要营销活动中的响应速度
•好的内容元素无复用，而相同的内容却被多次重制，导致内容生产成本居高不下且业务效率低
•内容审批与权限依赖人工判 断，合规风险遍布各个渠道，可能损害品牌形象甚至造成法律后果
•无中心化的内容储存和分发导致版本混乱或版本错误，影响业务效果及品牌形象的一致性
•现有内容管理工具无法进行系 统集成，使用和效果数据不清晰，无法支持内容优化和业务发展
报告全文内容见文末 PDF
有了 AI 的帮助，企业可以更高效的管理数字资产，对海量的数字资产进行分类、管理、流转，同时通过对企业内部需求的不断学习，利用现有数字资产创造更多的新资产，辅助内部人员解决实际需求。
原本我以为 DAM 和 AI 的结合在当前还只是一个想法阶段，真正进入到应用层面还需要些时间。没想到准备在这个命题的时候，特赞已经对外宣布的自己的 AI 资产管理产品 DAM.GPT 。
特赞 DAM.GPT
特赞是一家提供内容生产的服务商，除了阿里、字节这些互联网大厂，还有很多比如星巴克、特步、联合利华等传统企业也是他们的客户。将数字资产管理作为 AI 的切入点非常的合乎情理，也非常的准确。
和大部分的 AI 产品一样，DAM.GPT 目前也还只是一条视频 Demo，需要先排队等内测。但从视频中我们也基本能看出一些特赞对数字资产与 AI 之间的一些思考。
01. 资产入库
将图片物料拖拽至 DAM.GPT 对话框，完成资产的入库，通过 AI 识别图片内容，建立与商品的关联及属性的标注。
02. 资产索引
通过关键词搜索，获取相关商品的数字资产及物料。同时还可以结合线上数据进行一些人肉筛选。比如下方案例中，挑选这双鞋在双十一浏览量最高的图片。
03. 资产分发
对数字资产进行中心化合规管理、分发。
04. 资产再生产
通过 AI 能力对现有资产进行二次加工生产。
除了以上这些 DAM.GPT 还提供了审批、wiki等偏 OA 的能力，不过不是我们目前关心的核心，这里就不多讨论了，详细内容大家可以查看下方官方演示视频 。
简单总结一下来看，在数字资产管理领域 DAM.GPT 想要提供「一进三出」的能力。即资产的入库和资产的索引、分发、再生产。而这些也正是一直以来我们在做资产管理过程中最普遍但又解决的并不好的几个核心问题。
在这些场景里面，入库、索引以及再生产其实还存在很多非常细节的问题，我们可以拿出来再单独讨论一下。
资产入库
资产入库是一个看上去简单，想做好却非常复杂的工作。准备一个服务器或网盘、建好文件夹就可以开始了。但随着时间的推移和资产的累积，你会发现对它们做分类、标注的工作流变得极大，想要在海量的数据中找到需要的那个会变得非常麻烦。
资产入库真正的难点其实并不在于如何入，而是在于如何更好的入，以方便后续的使用。很可惜这件事情很难做到自动化，因为我们需要的这些数据都是非机构或数据，想要建立标准真的非常非常难，AI 的出现也许有可能帮我们解决这个问题。
今年的 1 月 Figma 默默的收购了一家叫做 Impira 的公司。这家公司的核心技术就是通过 AI 来管理各类非结构化数据，同时它也可以为其他来建立和训练自己的模型。在被 Figma 收购之前它就已经在票据 AI 处理方面有了非常强的产品能力。
Figma 收购这家公司，我想应该是准备训练自己的 AI 设计，同时也可以进一步增加自己在数字资产管理方面的能力。毕竟在各类 AI 设计工具打得火热的如今，Figma 一直都还没有太大的声音，估计是正在憋大招。
回到特赞的 DAM.GPT，作为一家为品牌提供内容生产的服务商，他们专注于建设商家的私域资产管理能力，这是一个非常实际的切入点。只是不清楚在资产入库的识别、标注方面，它们的 AI 能力是否真的实现如视频中所描述的那样。
资产索引
如前所述，资产入库的良好实施是为了更有效地利用后续资源，其中资产的索引是最常用也是最关键的环节。许多情况下，资产检索效率不高是由于分类标注不完善，而非搜索工具不易使用。
此外，这里还有一个非常重要的问题，那就是真实业务数据与数字资产之间的联系。在实际的业务场景中，对数字资产的需求通常会受到一定前提条件的限制。这就好比视频中提到的「双十一浏览量最高的十张图片」一样。
在阿里，我们也曾为各业务提供“私域”的资产管理能力。但由于缺少与商品、数据之间的关联，它只能成为一个私有的素材库。大部分时候都只能为设计师所用，资产管理的价值发挥得并不高。
在特赞的这段视频演示中，数字资产与商品以及数据产生了紧密联系，这为其使用场景增添了许多可能性。除了设计师外，它还能够为产品、运营等更多角色提供服务。
资产再生产
最后再来说说基于现有资产的再生产，这个也是引入 AI 能力之后在数字资产管理中价值非常大的一个部分。
在过往的流程中，业务方想要基于一些已有的资产（比如商品图、品牌 KV）做一个海报，需要给设计团队或外部供应商来提需求。这些需求基本上很难做到立等可取，需要一系列的沟通和排期。不仅增加了很多的沟通成本还影响了需求上线的时间。
有了 AI 的加持，业务方可以直接基于已有的资产进行二次加工生产，节省成本的同时还大大提升了效率和准确度。而对于设计团队而言，这也会带来生产协作模式的改变。设计师也不再需要重复着各种无意义的需求，将更多的精力放在对设计的抽象、模式的扩充上。
基于现有资产的再生产也能更快的响应时长变化的诉求。运营人员在面临各类营销需求时可以直接利用现有的资产结合 AI 的设计模型快速调整优化，完成符合业务需求的设计需求。这种面对市场变化的快速响应能力，也能进一步提升数字资产管理的价值。
特赞以及前面提及的两家设计公司，都是基于企业已有的“资产”探索 AI 的能力。相较于 MasterGo、即时设计这一类的平台型工具，它们对于 AI 的期望会更加的“接地气”。
数字资产管理作为一个非常复杂但又极其重要的场景，其实非常适合 AI 的介入。我还挺期待这三家公司以及 Figma 在后续 AI 的能力上能探索出一些不一样的可能性，后续有更多的进展我会再与大家分享。
另外，关于平台型工具方面，前段时间有机会与蓝湖的 CEO 在杭州喝咖啡聊了一次。结合前段时间与即时设计的沟通，我会另起一篇文章与大家分享一些关于平台型工具的思考。
文中提及附件内容如下：
https://damgpt.tezign.com/
🙌
既然来了，说些什么？