To B大模型应用的落地实践与思考

1. 背景

2023年新年伊始，ChatGPT一夜之间家喻户晓，市场闻风而动，各家模型百花齐放，百家争鸣，各家AI产品竞相发布，各类AI场景争相涌出，媒体铺天盖地的报道，一时间好不热闹，各类场合各色朋友，言必谈大模型。仿佛错过大模型，就是错过了泼天的富贵。既兴奋又焦虑，兴奋的是所谓人类奇点的来临，焦虑的是，大模型会不会一夜之间改变我们在众多领域的认知，大模型所信奉的大力出奇迹是否会作用在To B领域：

a. 会不会改变当下的To B商业模式、商业周期以及商业逻辑？

b. 当下的To B产品市场规律、方法、策略、财务模型是否还适用？

c. 在当下经济大环境下，B端客户如何看待AI？

机缘巧合，带着一系列好奇和疑问，有幸进入一家互联网公司做To B领域的大模型应用。这里只讲述从2024年3月中旬至11月底的实践过程和观察结果，并对比当下的To B商业模式，各位见仁见智。

2. 经历

a. 市场

2024年元月，该公司大模型战略正式发布，短短一两个月内，有近千家企业找上门，无论是进一步了解交流，还是方案咨询寻求合作，然而，截至2024年11月底，从市场到线索（MTL），再从线索到现金（LTC），最终的转化率几乎为0。

b. 产品

年初规划推出的一系列面向企业服务的大模型应用，在经历了上半年磕磕绊绊的项目历练和市场筛选后，最终只保留了两个产品，仍处于早期客户的挖掘阶段。

c. 项目

有价值的项目商机仍然来自公司的老客户，上半年被认为最有可能成单的三个项目：

1）A项目，客户需求蔓延，同时竞争对手介入提供了更多承诺，最终放弃；

2）B项目，上半年投入大量研发资源完成了项目一期，客户在拟订合同中增加了多项排他条款，禁止将产品输出给同行业其他客户，但截至11月末，仍未完成项目合同签署；

3）C项目，上半年提供了产品Demo，但一直未能了解客户的真实需求，下半年驻场调研，结果发现，客户现状远未达到产品所设想的目标场景，需要预投入大量的资源完成前期准备工作，举步维艰；

d. 业务

年初被梦幻开局冲破了头，定下了1个亿的业务目标，截至11月底，完成额只有小百万。落差之大，不得不令人反思。

3. 反思

反思一：对于市场风口的判断

对于战略发布会后的这近千家主动联系的企业，将其按照市场线索及商机管理分类，呈多个“二八法则”的分布：

a. 观望学习者居多，约占80%

b. 有意向，需进一步挖掘需求的占20%

c. 有明确需求，可立项、可共研共创的占20%*20%

d. 满足上述条件，公司产品和技术可以满足需求的占20%*20%*20%

e. 满足上述条件，公司商务跟得上，项目没被友商拿走的占20%*20%*20%*20%

总结下来，就是看热闹的多，愿意掏钱的少。大部分只是想学习和了解，少数带着问题场景要寻找技术可行性，真正愿意花钱尝试解决问题的并不多，有明确场景需求的仍然来各行业的头部企业，而且是对数智化转型要求较高、走得较前的行业企业，他们有一定的战略视野、业务洞察以及技术前瞻力，愿意尝试早期新鲜事物，这类企业本身就屈指可数，又加之项目预算、技术可行性、方案匹配度、商务关系、市场竞争等因素，最终，在一系列“二八法则”的连续作用之下，从MTL到LTC转化率为0也在情理之中。网红式的带货方式，并不适合今天的To B市场。

这些听起来这都是马后炮，其实，Gartner技术成熟度曲线很早就总结了这个特点，也给市场大众提过醒，虽然一遍又一遍再强调，但面临上千家企业找上门的泼天富贵，不冲动不上头恐怕很难。任何技术的市场化，尤其是To B落地，都会经历几个时期，大模型的市场化并没有一飞冲天，它依然没能逃出Gartner技术成熟度曲线的一般规律。2024年从年初到年底，恰巧经历了萌芽期、膨胀期到泡沫期这个过山车。

反思二：To B业务元年目标的设定

基于年初对火爆的市场风口判断，公司年初定下的业务目标是年收入1个亿，当年实现盈亏平衡，在经历了上半年几个项目的艰难落地实践之后，7月份将业务目标下调为年收入3000万，10月份再次把目标下调到500万。

常年做To B产品的都清楚，一个软件产品从构想开始到年收入过亿，通常要7年时间，还要以方向正确、赶上风口、同时自己不犯错为前提，这是由To B业务的漫长商业周期决定的。因此，To B业务前两年的目标设定，通常以产品需求验证以及商业模式验证为主，业务收入通常只做参考，从第三年开始才会正式将业务收入以及业务盈亏平衡等财务指标作为关键业务目标。

To B业务元年，能摸清自己的技术能力，找到匹配的行业客户和场景需求，明确目标市场和产品需求，作出产品原型，完成产品需求验证和商业模式验证，算是取得重大成功了，因为80%的B端产品连业务元年的验证也难以完成。

业务目标不合理，业务拓展就会变形，以收入作为当下业务元年的目标，必然会导致饥不择食，忽视客观规律，忽略策略层面的分析和判断，尤其在客户场景需求挖掘、目标市场和产品定义还不清晰这个阶段。

反思三：To B早期产品市场策略的选择

a. 早期市场客群的选择及产品需求的甄别

产品的需求，是由产品所在领域的发展趋势决定的，领域中只有少数头部客户具备这种前瞻性，大量的客户只是行业的跟随者，因此，对于一个创新产品而言，在市场中选择早期赞助者客户完成产品市场验证极为重要。

不是所有的市场客户都是你的客户，同时，在市场的不同发展阶段，对目标客户群体的选择也不尽相同，尤其在早期市场阶段，不恰当的客户会对产品的关键策略带来误导，有些误导甚至是致命的。以收入作为当下的业务目标，必然会忽略对早期赞助者客户的慎重选择，带来的后果就是：不仅无法对产品需求作出有效的验证，甚至还会陷入到客户需求的沼泽和泥潭中无法自拔，更无法借助市场的保龄球道效应快速形成行业优势。

上半年的三个客户，并不都符合早期赞助者客户的画像要求，包括下半年产品市场化过程中，也没有将重点放在对早期赞助者客户有针对性的挖掘上，仍然试图用通用的市场手段广撒网，不仅浪费了有限的市场销售资源，也没有完成有效的产品市场验证。

b. 资源管理策略

无论外部市场如何天花乱坠，在产品早期阶段，都要合理控制资源投入，小型开发团队完成产品原型，尽快找客户做验证，再快速更新迭代，直到跨越鸿沟后，再加大市场和营销资源的投入。即使现在的硅谷投资，也要看到业务验证结果再判断项目是否值得投资，产品技术是否成熟？能满足哪些业务场景需求？带来哪些差异化价值？

如果在产品定义不清晰、市场验证没完成的情况下就贸然大规模市场化发布，投入大量市场及销售资源去找客户找商机，必然引发B端信任的消耗，以及对公司资源的严重浪费。因此，早期市场阶段，一定要重视资源的投入规模，以及不同资源的导入顺序和导入时机。

反思四：To B大模型应用落地，谁会成为主力军？

现阶段，虽然一众大模型厂商冲在前面，积极帮B端客户探索落地场景，但难以短期之内接过企业数智化的接力棒，原因如下：

a. B端场景需求及领域知识的壁垒（B端业务场景需求理解以及领域知识积累是个长期的过程）

B端客户这么多年对于行业、场景以及业务的沉淀和积累，历经20年才走完了信息化阶段，大模型厂商需要投入和花费大量的时间和资源完成领域知识的学习、理解、转化和实践这个过程，短期内难以突破B端领域知识的壁垒和障碍，即使从外部挖人挖团队，试图从组织层面快速补齐，但也很难在短期产生业务效果，因为现在组织内部的领导和团队不懂，依然难以对业务作出合理的分析和判断，因此，这个问题就演变为：组织内部要完成B端业务场景需求和领域知识的认知共识，然而，这种共识的形成是一个漫长的过程；

b. B端客户既有信息化业务的壁垒（B端业务从信息化到数智化的重构是个长期的过程）

B端客户通过多年的信息化承载了大部分的企业业务，不可能完全舍弃现有信息化底座另起炉灶搞数智化。从AI能力到业务场景，大量依赖定制化，同时，对于完整的客户需求，由于缺少传统产品所积累的功能打底，仅靠AI提供的部分功能或者AI产品原型难以实现完整的功能覆盖，需要大量的功能补齐，而这个过程又难免重复造轮子。因此，企业的数智化需要以当前的信息化为基础，在业务的某些点上，逐步将AI的能力引入进来，实现对当前信息化业务的AI升级改造。

最了解和熟悉B端客户场景和需求，最理解和掌握B端领域知识的还是做信息化的这批人，当前大量的信息化业务仍然掌握在他们中，比如企业自己的开发部门，外部的ISV开发商，以及传统B端产品厂商，他们需要逐步建立AI认知、掌握AI这门新质生产力，依托大模型厂商的AI能力支撑，一步一步对现有信息化业务进行解构以及AI重构，这又是一个长期而漫长的过程。

大模型厂商可以通过与传统供应链合作将AI能力输出，但难以绕过传统供应链另辟蹊径，除了某些低成本可以完成AI重构的简单业务场景，或者有某些新的业务场景和机会出现，业务的信息化和数智化可以一步到位。

c. B端传统生态和供应链的壁垒（B端新旧生态关系的重构是个长期的过程）

但大模型厂商做2B业务需要迎接的另一个挑战来自传统生态和供应链，从信息化到数智化必然会对现有的生态和供应链进行重构，然而生态和供应链并不是一天形成的，形成今天的格局有着错综复杂的历史原因，供应链和客户、供应链与供应链、客户与客户之间有着千丝万缕的联系，各种信任与利益关系需要在数智化过程中逐渐被重构，对大模型厂商而言，这又是长期且漫长的过程。

核心的核心，还是如何解决大模型能力与B端业务需求之间的鸿沟问题。

反思五：大模型B端落地场景

对B端业务场景和需求的理解几乎是目前所有大模型厂商的硬伤，同时，大模型在技术上还需要克服各类幻觉问题，通用大模型在垂直领域又欠缺专业性，因此，早期的大模型应用场景主要集中于企业的非核心业务，对精准性、实时性、重要性要求不高的场景，如企业知识库、员工培训、文案编写等，或者一些离线非实时辅助性场景，如数据分析、数据洞察等。对于复杂化业务场景，尤其针对精准业务逻辑和精准业务数据要求极高的实时交易类型或实时生产类型的核心业务，在很长时间内，难以交给大模型来自动化决策和执行，一方面在于技术层面，AI需要不断突破和扩展其能力边界，另一方面在于合规层面，仍面临错综复杂的问题和挑战。

4、感悟

a. 2B产品只有持久战，没有速胜论

b. 我非常赞同这家公司老板所说的一句话：“企业最大的成本是一把手决策失误的成本”。人总是不断重复错误，我们重复前人犯过的错误，你重复我犯过的错误，并习惯将别人的错误归咎于其个体原因，并没意识到错误背后隐藏的客观规律性。认识规律、尊重规律、按规律做事，对To B来讲尤为重要，建立To B认知的内部共识，对于一个To B组织而言尤为重要。然而不幸的是，组织内部共识的建立过程，是一个又一个不断重复的错误累积而成的。

c. 我们仍然相信，技术的变革一定会带来商业模式的变革，AI有朝一日一定会颠覆当下高成本低效率的To B商业模式，但这件事不会发生在今天，甚至未来多年也难以改变。To B业务没有大力出奇迹，只有日拱一卒。

最后，推荐一篇文章《2025年每一家企业，值得做一次从“N到1”的战略》。

2024，又是收获满满的一年。

原文始发于微信公众号（白日放歌须纵9）：To B大模型应用的落地实践与思考