今天小編分享的互聯網經驗：大模型沒過“試用期”，歡迎閲讀。
文 | 光子星球，作者 | 吳坤諺，編輯 | 吳先之
東市買駿馬，西市買鞍鞯，南市買辔頭，北市買長鞭。
出自《木蘭辭》中的詩句展現了充分競争的自由市場中，供給方各司其職的狀态。在同一市場内，消費者往往會從不同供應商處獲取不同商品和服務，就像當下扎入垂直行業、走向定制化的大模型服務一般。
如果仔細觀察諸如百度、阿裏、科大訊飛等大模型服務商透露的產業方向的商業化進展，我們不難發現雖然其客户列表中重量級選手不少，但這些客户們往往 " 只取一瓢飲 "，以探索的方式從點開始大模型及 AIGC 方面的合作。
新興技術的未知性特點在大模型的算法黑箱下再度放大，導致產業在面對既往合作夥伴時依舊保持着相當的審慎——雖同為產業智能化，但模型服務的 " 完整性 " 遠不如上雲。這也導致了模型服務商擴大商業化的一個困境，即在體量不大的項目上投入大量定制化服務與資源，成為做多收少的 " 高科技施工隊 "。
然而吊詭的地方在于，而今增速趨近停滞的雲計算市場已經發生了明确的轉向，拓客方向自大客户轉向中小客户。但模型服務卻因以算力為主的基建成本高企，而難以跟上雲計算的節奏，只能試圖通過标準化產品廣撒網，一點點啃下中小企業。
生成式 AI 代表未來已經成為業内共識，" 斷舍離 " 再難成為選項之一的同時，一眾企業不得不迎難而上，衝突亦在這一過程中不斷上演。
大模型需要好銷售
過去一年多的時間内，商業化無疑是國内模型服務商最為關注的重要議題，以至于在一定程度上影響了服務商對模型及相關能力的迭代路線。
一個絕佳例證是，業内在模型易用性、工具鏈、避免 " 幻覺 " 等關乎使用門檻的演進頻頻落地。事實上，在 2024 年這一被定義為 "AI 原生應用 " 元年的時間節點，以低代碼或無代碼形式創建 AI 應用正逐漸成為現實，門檻或早已不是大模型商業化的首要難關。
此外，除少數閉源巨頭外的開源社區也在持續縮小國内模型服務商的底座能力代差，幾乎業界每每出現突破性的進展，其餘主流玩家總能第一時間跟進，在 Kimi 近期掀起長文本風潮中，百度、阿裏等玩家跟進并沒有花多少時間。這意味着，通用底座能力難成大模型商業化初級階段的勝負手。
事實上，在以 AIGC 為代表的產業智能化的創新擴散中，智能并不是關鍵，反而更像是一種 " 添頭 "。例如我們曾對話的一家 SaaS 企業，他們與而今逐漸深入業務流程的 AI 大模型的相遇，不過是一次偶然。
上述企業人士李浩告訴光子星球，就像許多深耕垂直行業的企業一般，他們對技術的感知不算敏捷，之所以了解到大模型，還是源于此前某場展會上的一次閒聊。
" 騰訊那邊有人和我們 CTO 聊了會，展會結束後，CTO 覺着可行就跟市場部的人接觸了 "，他説，" 機緣巧合下湊了一桌飯局，人家直接讓業務 VP 拎着一大瓶醬酒來，推杯換盞間講了很多大模型改造業務流程的事情，不過合作還是沒能在飯局上談成 "。
盡管騰訊的合作意向非常明确，但李浩的領導還是有些興致缺缺——早在去年，CTO 便有意與業務數據所在的阿裏雲展開 AI 合作，但是 " 阿裏那邊遲遲不見動靜，也沒什麼優惠 "，這才給了騰訊半道截胡的機會。
另一方面，許多垂直行業早在兩三年前就感受到了 AI 的衝擊，但實際對業務的改造其實并不算明顯。或許大模型的加入足以讓 AI 脱胎換骨，但在銷售口中天花亂墜的功能并不足以構成決策理由。
我們不難在雲計算的政企 BD 中看到與之類似的銷售場景——不可否認的事實是，" 上雲是一種趨勢 " 的共識更多存在在互聯網視網域内，而政企側對雲的需求更多在于對頂層設計的考量。説白了，大多數非互聯網企業應用新型技術的根本原因并非技術本身，而是需要 " 跟上同行的節奏 "，AI 大模型亦然。
當然，騰訊方面絕無可能放棄這條相對明顯的線索，其還在飯局結束後多次登門拜訪，" 除了婉拒給我們獨家提供技術支持外，我們提其他的條件，基本都答應了 "。在這麼一個幾近賠本賺吆喝的情況下，騰訊才堪堪拓展一家企業客户。
據了解，這家 SaaS 公司經過數月的 "AI 初體驗 " 後，最終決定在年中前後擴大合作範圍。屆時，騰訊作為模型服務商提供的由點到面的服務才剛剛開始，成本回收尚不知時日，遑論憑此盈利。
雲計算行業從 " 比較技術性的超前概念 " 到 " 上雲是一種趨勢 "，花了足足 10 年時間。反觀技術深度、黑箱、幻覺等問題并存的大模型，似乎其商業化的路途更為崎岖。
這麼看來，與其在產品層面持續做加法，倒不如多下功夫挖掘銷售線索。另一方面，完善的 BD 體系也在一定程度上可以打破技術認知的高牆。
可惜的是，在大模型技術尚未祛魅的當下，廠商的外宣重點往往落在技術突破上。進一步説，當大模型服務可以像雲計算一般召開合作夥伴大會的時候，或許大模型商業化才能迎來真正的春天。
大模型需要 CIO
模型再強也只能解決業務上的問題，其商業化困境本質上不在于技術，而在于商業模式和生态。不過自模型服務商的視角看，模型服務普及的 " 鬼故事 " 同樣不少。
正如上文提到的 SaaS 企業，便在希望更廣泛地接入 AI 能力時犯了難。" 現在我們内部可以説是跑着兩套系統，内部業務流還像以前一樣跑在阿裏雲上，但嘗試對外輸出的 AI 大模型能力卻跑在騰訊雲上。領導那邊還希望再引進語音、OCR 之類的 AI 支持，又準備讓我們接觸一下科大訊飛 "。
李浩無奈表示，現在公司有點 " 騎虎難下 "，既不太方便徹底抛下阿裏雲做整體數據遷移，又不好再拓展與其他廠商的 AI 合作，畢竟這背後是搭建混合多雲架構的隐性成本。他還提到，前端時間領導才剛剛因為銷售團隊開不出單而大發雷霆，在 AI 大模型尚未展現盈利能力的情況下，狠下心全面轉投騰訊雲懷抱可以説是不可能的事情。
不難看出，即使是有意引入 AI 能力改造業務的企業，由于領導層對 AI 大模型的了解僅限于網絡公開信息與模型服務商的單向度灌輸，其往往對市場沒有一個清晰明确的認知。這家 SaaS 企業在采購決策上猶豫不決便是絕佳例證。
況且，非互聯網企業的組織架構也是遭致上述情況的重要原因。或許大部分組織完善的企業都設有 CTO 職位，但其既有知識網域基本局限于企業業務，而設有 CIO 的企業可以説是寥寥無幾。
據紅杉于去年末的一次調查顯示，以 CIO 為代表的企業技術管理者将通過應用 AIGC 滿足產品差異化和服務創新需要、增強辦公效率與内部溝通作為主要目的 ; 相較而言，CEO 則将緊跟前沿技術趨勢、拓寬企業經營邊界作為 AIGC 應用的核心動因。哪種更利于 AI 對業務的深度改造，一目了然。
如果 CIO 的缺位不過是将 AI 大改造交由 CEO 或 CTO 統籌的話倒也還好，更糟糕的情況是在買方市場下，這份重擔被轉嫁給模型服務商。在一位模型創業者看來，這無異于是化身客户企業剛剛萌生的 AI 業務的 " 保姆 "。
" 前陣子，和我一起創業的產品經理差點頂不住與客户之間無休止的扯皮，鬧離職 "，他説，" 我那時候還在美國那邊做交流，聽他辭職信都寫好了，我趕緊打飛的回去，好説歹説才勸住他 "。
據悉，事件起因是客户在為期三個月試用期内，就提出做多個深入業務流程的應用，從早期的基于 RAG（檢索增強生成）的企業内部知識問答到數字員工再到智能營銷，可是試用項目的合同金額才 30 萬。可憐這位產品經理在試用期内每天抓耳撓腮地控制交付成本，團隊兩天一小會三天一大會，然而客户還是在試用期結束後便接洽了服務更為成熟的大廠。
定制化項目在固定時限内的交付，将模型服務高大上的 " 皇帝的新衣 " 無情扯下，空留一個期貨般的内核。
當模型服務商被迫在客户企業的 AI 改造中承擔主要責任的時候，所謂產品的價值交付也就不再存在，取而代之的是極致的成本控制和交付壓力。如果不能完全把握客户的需求，那麼深入合作破裂也不過是時間問題。
定制化之困
近段時間，國内一級市場對 AIGC 的熱情愈發低落。著名投資人朱嘯虎亦公開表示，"AIGC PMF（產品 / 市場匹配），你投十個人找不到，投一百個人同樣找不到。"
不可否認，在難銷售、難交付、高成本的特性之下，大模型距離養家糊口的距離太遠。那麼，大模型 PMF 的終極阻礙是什麼？
從上述案例中我們不難看到，首當其衝的難關在于定制化。
這背後的邏輯是，技術尚未進入創新擴散周期之前，依靠标準化產品回籠資金遙遙無期，高強度的 BD 以及其後的定制化是現金流的唯一來源。而定制化項目扯皮、交付、成本等各種窘境的緣由，則在于服務商喪失了對需求的控制力。
設想一下，如果是模型服務商自己訓練某個 MoE 模型或是針對業務創建 AI 應用，在技術一把手的統籌下，只需對應業務部門給出明确需求以及不同優先級，便可以按需求驅動的方式進行敏捷開發，确保項目能在時限内以較高完成度交付。
如果将 AI 開發場景放到模型服務商與客户之間，則情況很可能 " 兩級反轉 "。一面是客户并不真正了解 AIGC 對業務創新的抓手所在，導致需求頻出而沒有重點，另一面是服務商在不斷提出的需求中疲于奔命。
如果服務商能在提供服務時獲取行業數據的話，轉起數據飛輪從而迭代垂直領網域能力倒也是一筆不錯的買賣。只是大多體量稍大的企業都對自家數據敝帚自珍，導致定制化項目做來做去都沒有太多實際收益。
可以預見的是，定制化作為大模型商業化的一個補充手段，很可能只是少數大客户的專屬。标準化產品做鏟子以及建立在其上的應用生态才是淘金者的未來。
AGI 的願景虛無缥缈，長期主義也不過是商業化舉步維艱的推辭。無論是靠定制化拉起營收從而做好市值管理，還是靠标準化打開認知從而将創新擴散出去，這鍋夾生飯怎麼着都得把它吃下去。
