文 | 王智远

最近，朋友给我反馈：Kimi广告投放真猛。

听网易音乐、刷bilibili都能看到，说产品给普通用户使用的，这点儿毋庸置疑。不过，8月才过半，Kimi一些行动却让人感觉有些不同。

不同在哪呢？

一方面，8月2日，Kimi的母公司月之暗面(Moonshot AI)宣布正式发布了Kimi的企业级API。这种企业级模型，相比普通用户版，提供了更强的数据安全保护和更快的处理速度，能够帮助企业处理复杂的工作和大量数据。

紧接着，他们宣布将Kimi开放平台的上下文缓存Cache技术的费用下调，从原来的10元每1M tokens每分钟降到了5元。我了解到，这项降价从7月1日就已经开始在开放平台上进行公测了。

读到这里，也许你会好奇，缓存Cache到底是什么？

简单来说，它的作用是提前存储那些可能会被反复使用、经常被查询的文本或数据，从而在不增加成本的情况下提高模型的推理效率。

所以，这些动作让我不禁思考，AI在B2B领域，是否已经找到了一条有效的道路？经过一圈调研，我认为：是的。

01

先说一个行业共识：AI应用无疑是模型成功的关键。

今年，世界人工智能大会上，百度CEO李彦宏讨论了他对大模型应用的一些看法。他说：尽管C端开发很重要，但B端应用场景，才是大模型能够取得更好成果的地方。

他认为，AI时代，能够深刻影响产业，显著提高效率的应用更具备价值，他预见，在医疗、金融、教育、制造、交通和农业等领域，将会根据各自的特点和数据资源，开发出定制化的智能体，未来智能体将达到百万级别，形成一个庞大的生态系统。

今年，百度在医疗、金融、能源、环保和交通等多个领域中标了17个项目，涵盖大型国企、行业领头公司，金额也非常可观。

显然，李彦宏认为，AI应用要快速落地到智能体上。

咱不说具体落不落到智能体上，那么多标书，也要一个个交付，一年半载不作出个成型的东西来，客户肯定是不愿意的。

我们再看(Moonshot AI)创始人杨植麟怎么看。

6月份，极客公园创始人张鹏与杨植麟的一次对话中，杨提到他们并不完全排斥B端，但主要还是专注于C端。他的产品Kimi在AI领域已经达到了顶级流量和使用量。

尽管如此，用户在高峰时段经常体验到由于算力不足而导致的问题。为了应对这种情况，他们采取了一些措施来降低运营成本并提高效率。

其中之一，是通过缓存技术来优化模型的推理性能，这项技术使Kimi在处理复杂请求时能够更快响应，减少了重复计算的需要。

这种改进不仅提高了系统的响应速度和处理效率，还确保了对话或文本生成的连贯性和准确性；这在未来，面对可能做B端生意时，要大量集中处理数据请求时，显得尤为重要。

因此，杨植麟认为，若想转向B端，首先必须解决算力问题，确保算力的稳定是基础。

另一方面，我觉得，做C端生意不那么性感，他主要通过广告投放换转化，长期看，没有那么引人注目。

我从多名广告从业者口中了解到，从2024年上半年开始，人均转化成本在不断上升，每一个 Kimi PC 端的用户转化，基本达到40元/人，这个数据我没有求证官方。

不过，就大趋势看，C端场景下的AI市场竞争成本不断提高，无疑推动许多AI公司，重新评估他们的市场战略。

所以，C端市场虽然潜力太，但B端的应用场景，才是实现大模型深远影响和高效成果的关键领域，毕竟，只有为企业实现真正的降本增效，才能推动行业乃至整个产业的进步。

02

既然共识正确。那么，智能体、或AI、大（小）模型如何有效切入B2B领域呢？第一个办法是，做B端的上游。

什么意思呢？

所谓B端上游，即供应链的源头。举个例子：假设有家医药公司，有利用AI的需求和应用场景，但作为大模型公司切入很困难怎么办？

这时，你发现这家医药公司正在使用某种SaaS软件，AI大模型公司可以考虑与软件供应商合作；这样，AI就能被加到现有的软件产品里，医药公司就能在用软件的同时，顺利过渡到使用AI。

这是很多传统B端业务人的思考方式。

其实，B2B软件有多种部署形态。首先，本地化部署，将软件安装在客户自己的服务器或设备上，让客户能控制数据和安全。

这种方式需要定期升级，维护起来麻烦且成本较高。比如，以前奔驰、宝马这些大厂商，为了管理代理商，会采用传统的CRM系统作为本地化部署。

但本地化部署在实现AI集成时面临很多挑战，尤其要预先训练好的模型；这样的模型一旦安装，即便在不联网的情况下，也能够响应客户的查询。

虽然许多ToB公司都有意尝试，但现实操作的复杂性很高。例如，医药集团或医院，他们的数据管理需求庞大，一旦需要更新软件集成新的AI功能，整个过程将极为复杂。

另外，对项目负责人来说，他们要向老板解释，为什么要花大笔钱引入AI功能。

比如：

花2000万搞一个模型。听起来好像很厉害，我们有了AI能力，但实际情况可能让人觉得，这不过是一个AI知识问答系统。这么看，总觉得不太划算。

还有一点，即便企业引入一个模型，万一员工用不去来怎么办？那这笔钱不就打水漂了？于此，怎么算都不合适，当然，一些公司甚至连知识库都没有，更没必要引入AI能力了。

而SaaS模式，作为另一种形态，允许用户通过订阅方式支付费用，如飞书等协同工具。这种模式下，SaaS公司可以直接集成AI功能，甚至有能力绕过小模型公司，直接从大模型公司购买服务，进行流程改造。

在所有这些形态中，SaaS模式集成AI功能最为简便，因为服务提供商可以在后端统一更新和维护AI功能，客户无需担心技术细节。

因此，从上到下看，提供AI解决方案的公司可能拿下一些订单，但真正让客户成功的过程可能相当艰难，付出与收获往往不成正比。

03

那么，有没有一种新的解法呢？有。不妨自下而上看。

我们要建立一个新认知：

在公司里使用AI，实际上，是找到了一个突破口，它主要帮我们提高做事的效率，AI一般用来加强已有的工作流程，而不是彻底重新开始。

什么是彻底开始？

即从头开始，完全重新制定某个事物的流程，不依赖任何现有的结构和计划；在工作流程或项目管理的语境中，这意味着放弃旧的方法和系统，采用全新的方法来解决问题或执行任务。

比如说，一个公司原本使用一个非常传统的客户关系管理（CRM）系统。随着时间推移和业务的增长，这个系统无法满足公司的需求了。

公司决定不再对老旧系统进行修改或升级，决定从头开始开发一个全新的CRM系统，这个新系统将使用最新的技术栈，设计更符合现代业务流程的功能，并且可以更好地集成最新的数据分析工具。

这就是一个“彻底开始”的例子。但是，你知道吗？AI颠覆流程再造的过程，AI大部分时间是在处理人类已经很熟悉的工作，不用重复再造轮子。

什么意思呢？

当一个公司开始用AI模型时，这些模型得和公司自己的工作流程紧密结合。比如，有些公司在医疗或教育领域想用一些高级的大模型，但这过程可能会碰到很多难题。

因为每个公司的业务和流程都是特别的，AI需要的数据也特别，所以通用的大模型可能不太合适，在公司里要真正用上这些宽泛的理念，通常很难。

怎么办？这个时候，有一个小模型、小助手就好办了。

比如说：

中小企业的会计通常用金蝶、用友、畅捷通这些软件。这些软件里已经存了很多数据；对于操作员来说，他们只是想用AI的力量快速找到一个数据，或者得出一个结论就行了，不用去大改原来的软件。

所以，要把AI用到企业（ToB）的场景中，一个好方法是把复杂的业务流程分解成很多小任务，或者是具体的小场景，然后在每个小场景中用AI来帮忙做改进。

我们还看到，像微软这样的OpenAI的投资方，以及作为CRM行业领头羊的Salesforce，他们并没有用AI开发出全新的产品。

虽然他们不断地为产品加上新功能的标签，但实际上，是在现有业务流程或产品功能中，利用大模型进行辅助和增强。

也就是说，它们把小模型，精炼成了一个助手，或者说一种增强能力，这样可以更好地融入并优化现有系统，而不是完全替换它们。

这有点像最近很多AI公司在PC端做的那些插件。你只要轻轻一滑鼠标，或按下快捷键，AI就能弹出来帮忙。它们的核心功能，是帮助我们做出更好的决策。

04

不信，你还可以思考下：对于ToB企业来说，真正需要AI来做什么？

经过智远调研认为，他们主要是用数据来帮助做运营、管理、决策和营销方面的决定。那么，对AI公司来说，怎么样才能做到既实用又省钱呢？关键就是要实现快速复制，用很低的成本覆盖多种场景。

怎么复制？

一个办法，把AI封装成一个智能体，它可以调用本地数据。这就是为什么Kimi Chat会降低缓存Cache的费用；因为把那些被频繁使用的本地文本存下来，可以帮助提高小助手的准确度。

但这里有一个问题，怎么做到既准确、又通用，同时成本还低呢？

对此，我们可以这样定义“高准确率”：业务能用就行，准确率足够高，即使偶尔出错，用户也能识别出来，并且能解释为什么会这样。

“低成本”则意味着项目初期的成本必须低，能在单一机器上部署，并且使用和维护都很简单。现在很多大模型的硬件成本很高，如果公司还不确定能赚多少钱，肯定不愿意投入太多。

大模型的优势在于解决了早期AI算法的通用性问题。

理论上，一个模型可以应对所有场景；实际上，我们要对它进行微调。所以，我们将“高通用性”定义为能够实现工具化和自动化，这样就能大规模复制，实现低成本落地。

一个亿级大模型已经实现了超过95%的准确率，然后，我们从这个大模型衍生出一个小模型，把它封装成助手，这样就解决了使用入口的问题。

想象一下，大模型公司有一个超级强大的大模型解决方案，它就像一个父模型，支撑着整个企业的广泛需求。

这个大模型特别厉害，可以处理复杂的数据分析，给出非常准确的见解。它特别适合需要大量计算资源和进行大规模数据处理的B端公司。但其实，并不是所有B端公司都要这么庞大的系统。

对于更多的中小型企业来说，一个更小、更专注的模型就足够了。我们可以视作大模型的“子模型”。

这些小模型从大模型中继承了核心能力，但经过了优化和调整，这样它们能更好地适应具体业务需求和小规模的操作环境。

小模型不用大模型那样多算力，而是专注特定的任务，能够根据不同需求调整，比如生成智能的分析报告或者进行智能分析。

这就使得资源有限的小型企业也能用上AI，提高工作效率和决策质量。

所以，小模型像从大模型中提炼出来的精华，它只要有基本的知识库能力就够，关键是把它做成一个小助手，嵌入到工具中使用。

千万不要认为这代表逻辑正确。经过智远调研，目前已经有AI产品落地到了B端企业中；所以，对于TOB来说，AI应用场景，是智能体，是插件。

这么做还有一个好处即容易交付，不用投入昂贵的成本。

总结

TOB AI，没走老路。

如果说小模型是TOB关键点，那么，将其做成智能体、小助手，就是连接TOB最后一公里的关键环节，毕竟，自下而上，是以人、以任务为中心，不是以软件为中心。