本文將探討AI如何在B2B領域找到其獨特的價值定位，以及如何通過創(chuàng)新的方式解決傳統(tǒng)業(yè)務流程中的痛點。我們將深入分析AI技術的最新發(fā)展，以及它們是如何被應用于提高企業(yè)效率、降低成本和增強決策支持的實際案例中。

最近，朋友給我反饋：Kimi廣告投放真猛。

聽網(wǎng)易音樂、刷bilibili都能看到，說產(chǎn)品給普通用戶使用的，這點兒毋庸置疑。不過，8月才過半，Kimi一些行動卻讓人感覺有些不同。

不同在哪呢？

一方面，8月2日，Kimi的母公司月之暗面(Moonshot AI)宣布正式發(fā)布了Kimi的企業(yè)級API。這種企業(yè)級模型，相比普通用戶版，提供了更強的數(shù)據(jù)安全保護和更快的處理速度，能夠幫助企業(yè)處理復雜的工作和大量數(shù)據(jù)。

緊接著，他們宣布將Kimi開放平臺的上下文緩存Cache技術的費用下調(diào)，從原來的10元每1M tokens每分鐘降到了5元。我了解到，這項降價從7月1日就已經(jīng)開始在開放平臺上進行公測了。

讀到這里，也許你會好奇，緩存Cache到底是什么？

簡單來說，它的作用是提前存儲那些可能會被反復使用、經(jīng)常被查詢的文本或數(shù)據(jù)，從而在不增加成本的情況下提高模型的推理效率。

所以，這些動作讓我不禁思考，AI在B2B領域，是否已經(jīng)找到了一條有效的道路？經(jīng)過一圈調(diào)研，我認為：是的。

01

先說一個行業(yè)共識：AI應用無疑是模型成功的關鍵。

今年，世界人工智能大會上，百度CEO李彥宏討論了他對大模型應用的一些看法。他說：盡管C端開發(fā)很重要，但B端應用場景，才是大模型能夠取得更好成果的地方。

他認為，AI時代，能夠深刻影響產(chǎn)業(yè)，顯著提高效率的應用更具備價值，他預見，在醫(yī)療、金融、教育、制造、交通和農(nóng)業(yè)等領域，將會根據(jù)各自的特點和數(shù)據(jù)資源，開發(fā)出定制化的智能體，未來智能體將達到百萬級別，形成一個龐大的生態(tài)系統(tǒng)。

今年，百度在醫(yī)療、金融、能源、環(huán)保和交通等多個領域中標了17個項目，涵蓋大型國企、行業(yè)領頭公司，金額也非?？捎^。

顯然，李彥宏認為，AI應用要快速落地到智能體上。

咱不說具體落不落到智能體上，那么多標書，也要一個個交付，一年半載不作出個成型的東西來，客戶肯定是不愿意的。

我們再看(Moonshot AI)創(chuàng)始人楊植麟怎么看。

6月份，極客公園創(chuàng)始人張鵬與楊植麟的一次對話中，楊提到他們并不完全排斥B端，但主要還是專注于C端。他的產(chǎn)品Kimi在AI領域已經(jīng)達到了頂級流量和使用量。

盡管如此，用戶在高峰時段經(jīng)常體驗到由于算力不足而導致的問題。為了應對這種情況，他們采取了一些措施來降低運營成本并提高效率。

其中之一，是通過緩存技術來優(yōu)化模型的推理性能，這項技術使Kimi在處理復雜請求時能夠更快響應，減少了重復計算的需要。

這種改進不僅提高了系統(tǒng)的響應速度和處理效率，還確保了對話或文本生成的連貫性和準確性；這在未來，面對可能做B端生意時，要大量集中處理數(shù)據(jù)請求時，顯得尤為重要。

因此，楊植麟認為，若想轉(zhuǎn)向B端，首先必須解決算力問題，確保算力的穩(wěn)定是基礎。

另一方面，我覺得，做C端生意不那么性感，他主要通過廣告投放換轉(zhuǎn)化，長期看，沒有那么引人注目。

我從多名廣告從業(yè)者口中了解到，從2024年上半年開始，人均轉(zhuǎn)化成本在不斷上升，每一個 Kimi PC 端的用戶轉(zhuǎn)化，基本達到40元/人，這個數(shù)據(jù)我沒有求證官方。

不過，就大趨勢看，C端場景下的AI市場競爭成本不斷提高，無疑推動許多AI公司，重新評估他們的市場戰(zhàn)略。

所以，C端市場雖然潛力太，但B端的應用場景，才是實現(xiàn)大模型深遠影響和高效成果的關鍵領域，畢竟，只有為企業(yè)實現(xiàn)真正的降本增效，才能推動行業(yè)乃至整個產(chǎn)業(yè)的進步。

02

既然共識正確。那么，智能體、或AI、大（?。┠Ｐ腿绾斡行腥隑2B領域呢？第一個辦法是，做B端的上游。

什么意思呢？

所謂B端上游，即供應鏈的源頭。舉個例子：假設有家醫(yī)藥公司，有利用AI的需求和應用場景，但作為大模型公司切入很困難怎么辦？

這時，你發(fā)現(xiàn)這家醫(yī)藥公司正在使用某種SaaS軟件，AI大模型公司可以考慮與軟件供應商合作；這樣，AI就能被加到現(xiàn)有的軟件產(chǎn)品里，醫(yī)藥公司就能在用軟件的同時，順利過渡到使用AI。

這是很多傳統(tǒng)B端業(yè)務人的思考方式。

其實，B2B軟件有多種部署形態(tài)。首先，本地化部署，將軟件安裝在客戶自己的服務器或設備上，讓客戶能控制數(shù)據(jù)和安全。

這種方式需要定期升級，維護起來麻煩且成本較高。比如，以前奔馳、寶馬這些大廠商，為了管理代理商，會采用傳統(tǒng)的CRM系統(tǒng)作為本地化部署。

但本地化部署在實現(xiàn)AI集成時面臨很多挑戰(zhàn)，尤其要預先訓練好的模型；這樣的模型一旦安裝，即便在不聯(lián)網(wǎng)的情況下，也能夠響應客戶的查詢。

雖然許多ToB公司都有意嘗試，但現(xiàn)實操作的復雜性很高。例如，醫(yī)藥集團或醫(yī)院，他們的數(shù)據(jù)管理需求龐大，一旦需要更新軟件集成新的AI功能，整個過程將極為復雜。

另外，對項目負責人來說，他們要向老板解釋，為什么要花大筆錢引入AI功能。

比如：

花2000萬搞一個模型。聽起來好像很厲害，我們有了AI能力，但實際情況可能讓人覺得，這不過是一個AI知識問答系統(tǒng)。這么看，總覺得不太劃算。

還有一點，即便企業(yè)引入一個模型，萬一員工用不去來怎么辦？那這筆錢不就打水漂了？于此，怎么算都不合適，當然，一些公司甚至連知識庫都沒有，更沒必要引入AI能力了。

而SaaS模式，作為另一種形態(tài)，允許用戶通過訂閱方式支付費用，如飛書等協(xié)同工具。這種模式下，SaaS公司可以直接集成AI功能，甚至有能力繞過小模型公司，直接從大模型公司購買服務，進行流程改造。

在所有這些形態(tài)中，SaaS模式集成AI功能最為簡便，因為服務提供商可以在后端統(tǒng)一更新和維護AI功能，客戶無需擔心技術細節(jié)。

因此，從上到下看，提供AI解決方案的公司可能拿下一些訂單，但真正讓客戶成功的過程可能相當艱難，付出與收獲往往不成正比。

03

那么，有沒有一種新的解法呢？有。不妨自下而上看。

我們要建立一個新認知：

在公司里使用AI，實際上，是找到了一個突破口，它主要幫我們提高做事的效率，AI一般用來加強已有的工作流程，而不是徹底重新開始。

什么是徹底開始？

即從頭開始，完全重新制定某個事物的流程，不依賴任何現(xiàn)有的結(jié)構(gòu)和計劃；在工作流程或項目管理的語境中，這意味著放棄舊的方法和系統(tǒng)，采用全新的方法來解決問題或執(zhí)行任務。

比如說，一個公司原本使用一個非常傳統(tǒng)的客戶關系管理（CRM）系統(tǒng)。隨著時間推移和業(yè)務的增長，這個系統(tǒng)無法滿足公司的需求了。

公司決定不再對老舊系統(tǒng)進行修改或升級，決定從頭開始開發(fā)一個全新的CRM系統(tǒng)，這個新系統(tǒng)將使用最新的技術棧，設計更符合現(xiàn)代業(yè)務流程的功能，并且可以更好地集成最新的數(shù)據(jù)分析工具。

這就是一個“徹底開始”的例子。但是，你知道嗎？AI顛覆流程再造的過程，AI大部分時間是在處理人類已經(jīng)很熟悉的工作，不用重復再造輪子。

什么意思呢？

當一個公司開始用AI模型時，這些模型得和公司自己的工作流程緊密結(jié)合。比如，有些公司在醫(yī)療或教育領域想用一些高級的大模型，但這過程可能會碰到很多難題。

因為每個公司的業(yè)務和流程都是特別的，AI需要的數(shù)據(jù)也特別，所以通用的大模型可能不太合適，在公司里要真正用上這些寬泛的理念，通常很難。

怎么辦？這個時候，有一個小模型、小助手就好辦了。

比如說：

中小企業(yè)的會計通常用金蝶、用友、暢捷通這些軟件。這些軟件里已經(jīng)存了很多數(shù)據(jù)；對于操作員來說，他們只是想用AI的力量快速找到一個數(shù)據(jù)，或者得出一個結(jié)論就行了，不用去大改原來的軟件。

所以，要把AI用到企業(yè)（ToB）的場景中，一個好方法是把復雜的業(yè)務流程分解成很多小任務，或者是具體的小場景，然后在每個小場景中用AI來幫忙做改進。

我們還看到，像微軟這樣的OpenAI的投資方，以及作為CRM行業(yè)領頭羊的Salesforce，他們并沒有用AI開發(fā)出全新的產(chǎn)品。

雖然他們不斷地為產(chǎn)品加上新功能的標簽，但實際上，是在現(xiàn)有業(yè)務流程或產(chǎn)品功能中，利用大模型進行輔助和增強。

也就是說，它們把小模型，精煉成了一個助手，或者說一種增強能力，這樣可以更好地融入并優(yōu)化現(xiàn)有系統(tǒng)，而不是完全替換它們。

這有點像最近很多AI公司在PC端做的那些插件。你只要輕輕一滑鼠標，或按下快捷鍵，AI就能彈出來幫忙。它們的核心功能，是幫助我們做出更好的決策。

04

不信，你還可以思考下：對于ToB企業(yè)來說，真正需要AI來做什么？

經(jīng)過智遠調(diào)研認為，他們主要是用數(shù)據(jù)來幫助做運營、管理、決策和營銷方面的決定。那么，對AI公司來說，怎么樣才能做到既實用又省錢呢？關鍵就是要實現(xiàn)快速復制，用很低的成本覆蓋多種場景。

怎么復制？

一個辦法，把AI封裝成一個智能體，它可以調(diào)用本地數(shù)據(jù)。這就是為什么Kimi Chat會降低緩存Cache的費用；因為把那些被頻繁使用的本地文本存下來，可以幫助提高小助手的準確度。

但這里有一個問題，怎么做到既準確、又通用，同時成本還低呢？

對此，我們可以這樣定義“高準確率”：業(yè)務能用就行，準確率足夠高，即使偶爾出錯，用戶也能識別出來，并且能解釋為什么會這樣。

“低成本”則意味著項目初期的成本必須低，能在單一機器上部署，并且使用和維護都很簡單。現(xiàn)在很多大模型的硬件成本很高，如果公司還不確定能賺多少錢，肯定不愿意投入太多。

大模型的優(yōu)勢在于解決了早期AI算法的通用性問題。

理論上，一個模型可以應對所有場景；實際上，我們要對它進行微調(diào)。所以，我們將“高通用性”定義為能夠?qū)崿F(xiàn)工具化和自動化，這樣就能大規(guī)模復制，實現(xiàn)低成本落地。

一個億級大模型已經(jīng)實現(xiàn)了超過95%的準確率，然后，我們從這個大模型衍生出一個小模型，把它封裝成助手，這樣就解決了使用入口的問題。

想象一下，大模型公司有一個超級強大的大模型解決方案，它就像一個父模型，支撐著整個企業(yè)的廣泛需求。

這個大模型特別厲害，可以處理復雜的數(shù)據(jù)分析，給出非常準確的見解。它特別適合需要大量計算資源和進行大規(guī)模數(shù)據(jù)處理的B端公司。但其實，并不是所有B端公司都要這么龐大的系統(tǒng)。

對于更多的中小型企業(yè)來說，一個更小、更專注的模型就足夠了。我們可以視作大模型的“子模型”。

這些小模型從大模型中繼承了核心能力，但經(jīng)過了優(yōu)化和調(diào)整，這樣它們能更好地適應具體業(yè)務需求和小規(guī)模的操作環(huán)境。

小模型不用大模型那樣多算力，而是專注特定的任務，能夠根據(jù)不同需求調(diào)整，比如生成智能的分析報告或者進行智能分析。

這就使得資源有限的小型企業(yè)也能用上AI，提高工作效率和決策質(zhì)量。

所以，小模型像從大模型中提煉出來的精華，它只要有基本的知識庫能力就夠，關鍵是把它做成一個小助手，嵌入到工具中使用。

千萬不要認為這代表邏輯正確。經(jīng)過智遠調(diào)研，目前已經(jīng)有AI產(chǎn)品落地到了B端企業(yè)中；所以，對于TOB來說，AI應用場景，是智能體，是插件。

這么做還有一個好處即容易交付，不用投入昂貴的成本。

總結(jié)

TOB AI，沒走老路。

如果說小模型是TOB關鍵點，那么，將其做成智能體、小助手，就是連接TOB最后一公里的關鍵環(huán)節(jié)，畢竟，自下而上，是以人、以任務為中心，不是以軟件為中心。