To B or to C？AI大模型最直接的商业困惑

发布者：横竖有理 2024-6-29 14:15

本文作者：张逸凡

编辑：申思琦

"To B(e) or not to B(e)，这是问题的关键"——莎士比亚赋予哈姆雷特的名句，放在AI时代仿佛成为了一道双关。在AI大模型的商业化道路上，To B或To C的不同方式，确实事关产品的繁荣或消亡。这一问题同时影响到技术路线、研发及商业模式，对于大模型的顶级玩家可谓攸关生死。

正如《德鲁克日志》所说："当今企业之间的竞争不是产品之间的竞争，而是商业模式之间的竞争。"在这个AI大模型商业化的关键时期，每个公司都在努力寻找属于自己的答案。

一、To C市场：潜力巨大，变现艰难

"To C是To B市场的十倍，"百川智能CEO王小川曾给出简单明了的判断。确实，相比复杂多样的To B市场，To C市场的优势显而易见：

- 庞大的潜在用户数：中国拥有12亿互联网用户，这是一个永远令人振奋的市场；
- 快速的用户增长：成功的To C产品可能在短时间内获得指数级用户扩增，以往难以想象的千万级甚至亿级日活并不遥远；
- 用户数据的马太效应：在C端的优胜者一定能取得海量的真实使用数据，凭借数据再进一步提升模型能力。

然而，To C市场也面临着巨大的挑战。用户增长容易，变现却很难。很多To C的AI公司仍在通过真金白银的投放和免费吸引用户，如何盈利很快将成为不得不回答的问题。

国内C端对话产品的困境

统计各大头部公司的大模型C端对话产品后，很容易发现国内市场中的顶级参赛者并不具备openAI和Claude在海外所拥有的付费号召力。而即使是后者，也在尽全力提升免费服务的范围和质量。

我们看到业界在付费问题上略有一些尝试，如Kimi的打赏功能和文心一言的仅先进版本付费，效果也不尽如人意，总体而言逊于海外市场。

一方面在烧钱投流找用户，另一方面训练模型的成本还在不断攀升。

Anthropic的CEO Dario在最近的访谈中提到，目前正在训练的模型成本超过10亿美元。他预测，到2025年，模型训练的成本会达到100亿美元，到2027年，这个数字将有可能飙升至1000亿美元。

显而易见，有效的经营性现金流入对于大模型厂商后续的天价军备赛至关重要。

竞争API调用

虽然各大模型厂商推出的C端对话式产品还没有找到合适的收入模式，但在API调用市场，已经开始产生收入。

这里值得注意的是，API市场实际上同时存在B端和C端两类用户。在当前的讨论中，B端和C端的区分并非简单地以个人或公司来划分，而是根据是否需要大模型公司提供额外的定制服务来区分。

• C端用户：不需要大模型公司提供额外定制服务的用户，使用企业提供的标准化产品，包括个人开发者和部分企业开发者。
• B端用户：需要大模型公司提供额外定制服务的企业用户。

不需要额外投入人力去满足客户的特殊需求，就意味着C端的API调用存在规模效应，用户越多越能摊薄大模型训练成本。

这种模式在传统的互联网产品中已被成功验证，随着用户数量的增多，产品开发成本不断分摊，使得产品的边际成本不断降低。

月之暗面创始人杨植麟在一次早期访谈中提到"C端模型的用户越多，边际成本越低"，正是对这一趋势的洞见。

同时，C端开发者对模型的使用，可以有效带动数据飞轮的运转，显著提升大模型的能力。正如杨植麟曾说过的：“只有C端模型才有可能做到以“日”为单位的迭代速度”。

二、To B市场：关键领域的鏖战？

与海外巨头OpenAI和Anthropic在B端市场斩获颇丰相比，国内大模型厂商在B端市场的表现显得低调的多。

Sam Altman近期在内部透露，在过去六个月左右的时间里，OpenAI的年化收入增长了一倍多，达到34亿美元。从openAI的数据来看，API调用占据收入主要部分，与微软的合作贡献了2亿API调用。这一声明暗示了openAI当前在B、C端市场都游刃有余。

Anthropic CEO在近期接受挪威主权基金采访时，展现出这家业界第二的公司，目前更多地思考toB而不是toC提供服务。“我们正在考虑如何将人工智能融入工作环境。……在金融和医疗领域， Anthropic从一开始就规划了To B变现最大化的商业闭环。

企业客户不会给大模型公司带来像互联网式的爆炸增长，但可能会给公司带来稳定的现金流从而支持公司发展。特别是存在部分行业，如金融、医疗、法律和教育，对人工智能在商业环境的介入有着极高需求，获得大模型的赋能后展现出脱胎换骨的增长空间。

定制化的高成本

然而，To B市场在中国面临着独特的挑战：中国市场的B端用户需求更加繁琐，成本更高。每个企业都实现满足独特的、定制化的需求，而不是单向接受标准化的产品。

定制意味着更高的成本投入，尤其是对于场景复杂、数字化转型较晚的工作环境。

数据不完善、质量差，需要大模型公司投入更多的人力，从底层开始执行智能化设计，成本自然畸高。

更何况，一系列非技术原因，如政策要求、从业者习惯、受众取向及安全，对这一过程产生出关键影响。

这对于人员规模受限、模型持续迭代，处于激烈竞争环境中的初创大模型公司，很难成为一个特别划算的生意。对于追求回报的投资人，也不是一个性感的故事。

除了成本问题，数据资产的敏感性也构成了企业和模型厂商的隔阂。

零一万物的CEO李开复表示，AI要深度融入企业的业务流程，前提是企业愿意共享数据。

但现实情况是，国内大部分企业更注重数据隐私，在共享内部数据的行动上显得十分迟缓和被动。从保护资产角度，这样的迟疑其实不无道理。

然而，高效的信任和合作是B端大模型业务获得数据飞轮的前提。对于初创企业，与被服务的B端公司达成信任合作，需要逾越各种艰难的障碍。

即使是鼎鼎大名的Anthropic，CEO在访谈中也表示数据是公司面临的最大瓶颈，正在与其他公司努力合作解决。

先行者尝试作答——依靠开放和共享撬动B端

那么，国内大模型B端市场如何发展？

早在OpenAI的ChatGPT 3.5尚未爆发的2019年就已成立的智谱AI，与其他大模型"五小龙"发展路径略有不同。

时间差给智谱AI带来了先行机会，目前它在To B市场已取得了不少成果：

- 2023年共计中标13次，合作企业包含中国邮政储蓄银行、中核咨询、中国地质环境监测院等。
- 2000多家合作伙伴，其中有200多家企事业单位参与智谱模型共创；

智谱AI的CEO张鹏在接受采访中对B端业务曾经表达过如下两个观点：

1、包括支持API 和云端私有化部署的开放平台和本地私有化部署方案均通过多种方式确保客户隐私、数据安全与合规。
2、应对定制化高成本：智谱会努力与客户达成共识，行业能力或专业能力可以在通用基座上通过少量数据的微调和深度学习快速获得。这一过程是敏捷式的，其成果可以持续交付和优化。
也是这一代人工智能技术路线同过往的不同之处。大模型拥有较好的通用和泛化能力，微调和定制化难度与能力大幅降低。

关于toB和toC的关系，智谱也有稳健的思路。

智谱AI GLM技术团队成员曾在电话会中阐述，智谱B端和C端是相辅相成的，To B业务保证了公司基础的规模化收入，To C方面的目标是培育颠覆性的“杀手级”应用，也是公司接下来布局的重点方向。

然而，智谱AI所走的这条路径，当下其他大模型"小龙"可能并不具备复制的条件。市场环境的变化、竞争格局的演进，都使得后来者难以重复先行者的途径。