TOB AI，跑通了？
最近，朋友給我反饋：Kimi廣告投放真猛。
聽本站音樂、刷bilibili都能看到，說產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)宣佈正式發佈了Kimi的企業級API。這種企業級模型，相比普通用戶版，提供了更強的數據安全保護和更快的處理速度，能夠幫助企業處理複雜的工作和大量數據。
緊接着，他們宣佈將Kimi開放平臺的上下文緩存Cache技術的費用下調，從原來的10元每1M tokens每分鐘降到了5元。我瞭解到，這項降價從7月1日就已經開始在開放平臺上進行公測了。
讀到這裡，也許你會好奇，緩存Cache到底是什麼？
簡單來說，它的作用是提前存儲那些可能會被反覆使用、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領域，是否已經找到了一條有效的道路？經過一圈調研，我認爲：是的。
01
先說一個行業共識：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李彥宏討論了他對大模型應用的一些看法。他說：儘管C端開發很重要，但B端應用場景，纔是大模型能夠取得更好成果的地方。
他認爲，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、製造、交通和農業等領域，將會根據各自的特點和數據資源，開發出定製化的智能體，未來智能體將達到百萬級別，形成一個龐大的生態系統。
今年，百度在醫療、金融、能源、環保和交通等多個領域中標了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，李彥宏認爲，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，那麼多標書，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，楊提到他們並不完全排斥B端，但主要還是專注於C端。他的產品Kimi在AI領域已經達到了頂級流量和使用量。
儘管如此，用戶在高峰時段經常體驗到由於算力不足而導致的問題。爲了應對這種情況，他們採取了一些措施來降低運營成本並提高效率。
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在處理複雜請求時能夠更快響應，減少了重複計算的需要。
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，要大量集中處理數據請求時，顯得尤爲重要。
因此，楊植麟認爲，若想轉向B端，首先必須解決算力問題，確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瞭解到，從2024年上半年開始，人均轉化成本在不斷上升，每一個 Kimi PC 端的用戶轉化，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略。
所以，C端市場雖然潛力太，但B端的應用場景，纔是實現大模型深遠影響和高效成果的關鍵領域，畢竟，只有爲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
既然共識正確。那麼，智能體、或AI、大（小）模型如何有效切入B2B領域呢？第一個辦法是，做B端的上游。
什麼意思呢？
所謂B端上游，即供應鏈的源頭。舉個例子：假設有家醫藥公司，有利用AI的需求和應用場景，但作爲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就能被加到現有的軟件產品裡，醫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B端業務人的思考方式。
其實，B2B軟件有多種部署形態。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，讓客戶能控制數據和安全。
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，爲了管理代理商，會採用傳統的CRM系統作爲本地化部署。
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，也能夠響應客戶的查詢。
雖然許多ToB公司都有意嘗試，但現實操作的複雜性很高。例如，醫藥集團或醫院，他們的數據管理需求龐大，一旦需要更新軟件集成新的AI功能，整個過程將極爲複雜。
另外，對項目負責人來說，他們要向老闆解釋，爲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，總覺得不太划算。
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？於此，怎麼算都不合適，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，作爲另一種形態，允許用戶通過訂閱方式支付費用，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。
在所有這些形態中，SaaS模式集成AI功能最爲簡便，因爲服務提供商可以在後端統一更新和維護AI功能，客戶無需擔心技術細節。
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，但真正讓客戶成功的過程可能相當艱難，付出與收穫往往不成正比。
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：
在公司裡使用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，採用全新的方法來解決問題或執行任務。
比如說，一個公司原本使用一個非常傳統的客戶關係管理（CRM）系統。隨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升級，決定從頭開始開發一個全新的CRM系統，這個新系統將使用最新的技術棧，設計更符合現代業務流程的功能，並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顛覆流程再造的過程，AI大部分時間是在處理人類已經很熟悉的工作，不用重複再造輪子。
什麼意思呢？
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合。比如，有些公司在醫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。
因爲每個公司的業務和流程都是特別的，AI需要的數據也特別，所以通用的大模型可能不太合適，在公司裡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。
比如說：
中小企業的會計通常用金蝶、用友、暢捷通這些軟件。這些軟件裡已經存了很多數據；對於操作員來說，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件。
所以，要把AI用到企業（ToB）的場景中，一個好方法是把複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，以及作爲CRM行業領頭羊的Salesforce，他們並沒有用AI開發出全新的產品。
雖然他們不斷地爲產品加上新功能的標籤，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並優化現有系統，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：對於ToB企業來說，真正需要AI來做什麼？
經過智遠調研認爲，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公司來說，怎麼樣才能做到既實用又省錢呢？關鍵就是要實現快速複製，用很低的成本覆蓋多種場景。
怎麼複製？
一個辦法，把AI封裝成一個智能體，它可以調用本地數據。這就是爲什麼Kimi Chat會降低緩存Cache的費用；因爲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。
但這裡有一個問題，怎麼做到既準確、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，並且能解釋爲什麼會這樣。
“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，並且使用和維護都很簡單。現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，肯定不願意投入太多。
大模型的優勢在於解決了早期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，我們將“高通用性”定義爲能夠實現工具化和自動化，這樣就能大規模複製，實現低成本落地。
一個億級大模型已經實現了超過95%的準確率，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。
這個大模型特別厲害，可以處理複雜的數據分析，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模數據處理的B端公司。但其實，並不是所有B端公司都要這麼龐大的系統。
對於更多的中小型企業來說，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，但經過了優化和調整，這樣它們能更好地適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。
千萬不要認爲這代表邏輯正確。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，對於TOB來說，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。
如果說小模型是TOB關鍵點，那麼，將其做成智能體、小助手，就是連接TOB最後一公里的關鍵環節，畢竟，自下而上，是以人、以任務爲中心，不是以軟件爲中心。