今天小編分享的互聯網經驗：TOB AI，跑通了？，歡迎閲讀。
文 | 王智遠
最近，朋友給我反饋：Kimi 廣告投放真猛。
聽網易音樂、刷 bilibili 都能看到，説產品給普通用户使用的，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 ) 宣布正式發布了 Kimi 的企業級 API。這種企業級模型，相比普通用户版，提供了更強的數據安全保護和更快的處理速度，能夠幫助企業處理復雜的工作和大量數據。
緊接着，他們宣布将 Kimi 開放平台的上下文緩存 Cache 技術的費用下調，從原來的 10 元每 1M tokens 每分鍾降到了 5 元。我了解到，這項降價從 7 月 1 日就已經開始在開放平台上進行公測了。
讀到這裏，也許你會好奇，緩存 Cache 到底是什麼？
簡單來説，它的作用是提前存儲那些可能會被反復使用、經常被查詢的文本或數據，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 領網域，是否已經找到了一條有效的道路？經過一圈調研，我認為：是的。
01
先説一個行業共識：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 李彥宏讨論了他對大模型應用的一些看法。他説：盡管 C 端開發很重要，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，能夠深刻影響產業，顯著提高效率的應用更具備價值，他預見，在醫療、金融、教育、制造、交通和農業等領網域，将會根據各自的特點和數據資源，開發出定制化的智能體，未來智能體将達到百萬級别，形成一個龐大的生态系統。
今年，百度在醫療、金融、能源、環保和交通等多個領網域得標了 17 個項目，涵蓋大型國企、行業領頭公司，金額也非常可觀。
顯然，李彥宏認為，AI 應用要快速落地到智能體上。
咱不説具體落不落到智能體上，那麼多标書，也要一個個交付，一年半載不作出個成型的東西來，客户肯定是不願意的。
我們再看 ( Moonshot AI ) 創始人楊植麟怎麼看。
6 月份，極客公園創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。他的產品 Kimi 在 AI 領網域已經達到了頂級流量和使用量。
盡管如此，用户在高峰時段經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的響應速度和處理效率，還确保了對話或文本生成的連貫性和準确性；這在未來，面對可能做 B 端生意時，要大量集中處理數據請求時，顯得尤為重要。
因此，楊植麟認為，若想轉向 B 端，首先必須解決算力問題，确保算力的穩定是基礎。
另一方面，我覺得，做 C 端生意不那麼性感，他主要通過廣告投放換轉化，長期看，沒有那麼引人注目。
我從多名廣告從業者口中了解到，從 2024 年上半年開始，人均轉化成本在不斷上升，每一個 Kimi PC 端的用户轉化，基本達到 40 元 / 人，這個數據我沒有求證官方。
不過，就大趨勢看，C 端場景下的 AI 市場競争成本不斷提高，無疑推動許多 AI 公司，重新評估他們的市場戰略。
所以，C 端市場雖然潛力太，但 B 端的應用場景，才是實現大模型深遠影響和高效成果的關鍵領網域，畢竟，只有為企業實現真正的降本增效，才能推動行業乃至整個產業的進步。
02
既然共識正确。那麼，智能體、或 AI、大（小）模型如何有效切入 B2B 領網域呢？第一個辦法是，做 B 端的上遊。
什麼意思呢？
所謂 B 端上遊，即供應鏈的源頭。舉個例子：假設有家醫藥公司，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麼辦？
這時，你發現這家醫藥公司正在使用某種 SaaS 軟體，AI 大模型公司可以考慮與軟體供應商合作；這樣，AI 就能被加到現有的軟體產品裏，醫藥公司就能在用軟體的同時，順利過渡到使用 AI。
這是很多傳統 B 端業務人的思考方式。
其實，B2B 軟體有多種部署形态。首先，本地化部署，将軟體安裝在客户自己的伺服器或設備上，讓客户能控制數據和安全。
這種方式需要定期更新，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，會采用傳統的 CRM 系統作為本地化部署。
但本地化部署在實現 AI 集成時面臨很多挑戰，尤其要預先訓練好的模型；這樣的模型一旦安裝，即便在不聯網的情況下，也能夠響應客户的查詢。
雖然許多 ToB 公司都有意嘗試，但現實操作的復雜性很高。例如，醫藥集團或醫院，他們的數據管理需求龐大，一旦需要更新軟體集成新的 AI 功能，整個過程将極為復雜。
另外，對項目負責人來説，他們要向老板解釋，為什麼要花大筆錢引入 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。這麼看，總覺得不太劃算。
還有一點，即便企業引入一個模型，萬一員工用不去來怎麼辦？那這筆錢不就打水漂了？于此，怎麼算都不合适，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，作為另一種形态，允許用户通過訂閲方式支付費用，如飛書等協同工具。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。
在所有這些形态中，SaaS 模式集成 AI 功能最為簡便，因為服務提供商可以在後端統一更新和維護 AI 功能，客户無需擔心技術細節。
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，但真正讓客户成功的過程可能相當艱難，付出與收獲往往不成正比。
03
那麼，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：
在公司裏使用 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。
什麼是徹底開始？
即從頭開始，完全重新制定某個事物的流程，不依賴任何現有的結構和計劃；在工作流程或項目管理的語境中，這意味着放棄舊的方法和系統，采用全新的方法來解決問題或執行任務。
比如説，一個公司原本使用一個非常傳統的客户關系管理（CRM）系統。随着時間推移和業務的增長，這個系統無法滿足公司的需求了。
公司決定不再對老舊系統進行修改或更新，決定從頭開始開發一個全新的 CRM 系統，這個新系統将使用最新的技術棧，設計更符合現代業務流程的功能，并且可以更好地集成最新的數據分析工具。
這就是一個 " 徹底開始 " 的例子。但是，你知道嗎？AI 颠覆流程再造的過程，AI 大部分時間是在處理人類已經很熟悉的工作，不用重復再造輪子。
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合。比如，有些公司在醫療或教育領網域想用一些高級的大模型，但這過程可能會碰到很多難題。
因為每個公司的業務和流程都是特别的，AI 需要的數據也特别，所以通用的大模型可能不太合适，在公司裏要真正用上這些寬泛的理念，通常很難。
怎麼辦？這個時候，有一個小模型、小助手就好辦了。
比如説：
中小企業的會計通常用金蝶、用友、暢捷通這些軟體。這些軟體裏已經存了很多數據；對于操作員來説，他們只是想用 AI 的力量快速找到一個數據，或者得出一個結論就行了，不用去大改原來的軟體。
所以，要把 AI 用到企業（ToB）的場景中，一個好方法是把復雜的業務流程分解成很多小任務，或者是具體的小場景，然後在每個小場景中用 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 行業領頭羊的 Salesforce，他們并沒有用 AI 開發出全新的產品。
雖然他們不斷地為產品加上新功能的标籤，但實際上，是在現有業務流程或產品功能中，利用大模型進行輔助和增強。
也就是説，它們把小模型，精煉成了一個助手，或者説一種增強能力，這樣可以更好地融入并優化現有系統，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。你只要輕輕一滑滑鼠，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 企業來説，真正需要 AI 來做什麼？
經過智遠調研認為，他們主要是用數據來幫助做運營、管理、決策和營銷方面的決定。那麼，對 AI 公司來説，怎麼樣才能做到既實用又省錢呢？關鍵就是要實現快速復制，用很低的成本覆蓋多種場景。
怎麼復制？
一個辦法，把 AI 封裝成一個智能體，它可以調用本地數據。這就是為什麼 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确度。
但這裏有一個問題，怎麼做到既準确、又通用，同時成本還低呢？
對此，我們可以這樣定義 " 高準确率 "：業務能用就行，準确率足夠高，即使偶爾出錯，用户也能識别出來，并且能解釋為什麼會這樣。
" 低成本 " 則意味着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。現在很多大模型的硬體成本很高，如果公司還不确定能賺多少錢，肯定不願意投入太多。
大模型的優勢在于解決了早期 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。所以，我們将 " 高通用性 " 定義為能夠實現工具化和自動化，這樣就能大規模復制，實現低成本落地。
一個億級大模型已經實現了超過 95% 的準确率，然後，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，支撐着整個企業的廣泛需求。
這個大模型特别厲害，可以處理復雜的數據分析，給出非常準确的見解。它特别适合需要大量計算資源和進行大規模數據處理的 B 端公司。但其實，并不是所有 B 端公司都要這麼龐大的系統。
對于更多的中小型企業來説，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，但經過了優化和調整，這樣它們能更好地适應具體業務需求和小規模的操作環境。
小模型不用大模型那樣多算力，而是專注特定的任務，能夠根據不同需求調整，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也能用上 AI，提高工作效率和決策質量。
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确。經過智遠調研，目前已經有 AI 產品落地到了 B 端企業中；所以，對于 TOB 來説，AI 應用場景，是智能體，是插件。
這麼做還有一個好處即容易交付，不用投入昂貴的成本。
總結
TOB AI，沒走老路。
如果説小模型是 TOB 關鍵點，那麼，将其做成智能體、小助手，就是連接 TOB 最後一公裏的關鍵環節，畢竟，自下而上，是以人、以任務為中心，不是以軟體為中心。
