AI 文摘

大模型应用层ToB并不是一个新赛道【2024Q2】





作者: 孔某人的低维认知 来源: 孔某人的低维认知

####TLDR

  • 大模型应用层To B仍然属于传统To B软件开发赛道,仍然要跟其他传统To B供应商在旧的标准下进行竞争。

####0、前言

本文并不是一个复杂的观点,但现在似乎在To B公司以外的人来说还并非共识。为了节省我后续的重复沟通成本,所以单独写一个短篇来简述这个观点。

由于To B领域包罗万象,远非这一个观点能够概括的,所以得先说明这个观点针对的范围

  • 主要讨论To 中大B的场景,面向小微B/Pro C 领域专家个体等的不在讨论范围内。

  • 不讨论品牌价值已经很高的极为知名的公司(如智谱等),更多讨论品牌价值不高的To B公司。

  • 不讨论“核心技术能力在其方向鹤立鸡群,几乎看不到第二名”的以核心技术能力和优秀的战略选择立身的公司。

  • 不讨论客户就是要买大模型产品的“政绩”类需求。

####1、认知的演变

大模型的热潮启动之后,整个领域自然的出现了一些分化,例如:文本模态与Agent、生图场景、泛游戏圈等。

从技术层级来说,大家一般粗略划分为:模型层、中间件层+应用层。目前中间件层仍然较薄,跟应用层的边界模糊。(我个人角度其实认为这个划分太过粗糙,不过这不是本文的主题。)

在应用层中,根据客户的不同大致分为:To B、To C、To Pro、To Dev的中间件等。而本文就是讨论这里的To B。

从应用层To B的团队背景来说主要有两类:

  • 之前就是做To B的,正在往增加大模型能力的方面转型。

  • 原目标是跳大模型的浪潮,一番探索之后决定去做To B方向。

对于前者来说,团队的思路、已有客户、公司品牌等都已经绑定在传统To B赛道中,对他们来说本文的观点才是默认认知。

而对于后者来说,大家在前期的认知可能是:大模型应用层To B是一个新赛道,跟传统To B供应商的竞争有限,也享受着不同的评价标准与定价体系。而这里就是本文抛出不同观点的地方。

####2、房间里的大象

####2.1、客户不会单纯为AI inside支付溢价

经常被大模型创业者所忽视的一点是:客户并不会单纯为AI inside支付溢价。前期过度宣传阶段,大家可能会把新技术与更好的效果联系在一起而为此买单,但很快市场就因为涌入的人太多而良莠不齐。市场经过一段时间教育之后,终会回归为效果付费。

这个不止在To B方面,在To C中,会更偏好AI inside的人也是有限的,想想我们的父母一代,他们是否会只因为一个App使用了GPT4而不看效果就为它持续付费?

不过现在To C方面无论是国内还是海外,做一锤子买卖,骗用户进行订阅然后指望TA忘记退订的商业思路已经大行其道。用户对大模型的信心就那么些,迟早会有用完的时候。我相信即使是海外用户,也不会看着账单上一堆不用的鸡肋订阅费无动于衷。

####2.2、在B客户内落地需要深度“适配”

大模型的应用仍然要深入接入B客户企业内的流程中才能发挥价值,并不是说我们卖客户一个RAG产品就可以直接数钱。想象我们是在没有Office的市场里销售Excel,市场上也没有同类的表格产品。如何才能让用户能够利用上它的价值呢?需要很多的用户培训与原有文档体系的改造,而这些客户自己无法完成。

踏上这条路之后,就跟传统的2B业务没有太多的区别。传统2B中需要的所有事情,在大模型应用层2B中也都需要。而客户也更习惯以对待传统2B供应商的方式来对待未来的供应商。

####3、大模型应用层To B仍然属于传统To B

由于我一直对To B方面关注有限,所以也是直到最近才意识到这个事情,是在与一个2B方向的创业者讨论时意识到的。线下后续与人讨论时,有2B经验的人也都赞同这个观点。

大模型应用To B甚至都不是一个传统To B的子赛道,也不是To B + AI,它与传统To B的区别实际上更小,需要被视为就是传统To B中又增加了一种新技术而已,就像是增加了GBDT模型(例如XGBoost)一样。

目前仍然属于变更期,一些之前没有To B能力的团队可以靠着现在的大模型方案来获得To B的敲门砖,进入到B客户的供应商体系内。但长期来说他们需要补齐To B的其他能力/职能,无法“独善其身”,这可能是一些转型过来的团队没有意识到的。客户只需要一个能力更强的新供应商,而不是一个什么“大模型应用供应商”。脏活累活仍然是要做的,否则要么认识到自己不想做而主动退出,要么被客户嫌弃而丢弃。

相对来说,本文更多是针对于文本模态/Agent的场景,生图/生视频等没有现存替代方案的方面这方面收到的制约会少一点,但也无法不受此影响。

我很难有效的论证这个观点,会同意的人自然会同意,强烈反对人总会反对。所以我只能抛出来引发大家的思考,也许能够帮助到一些中间还没有想清楚的人。

欢迎对此有认同或反对的读者在评论中留下自己的感受。

交流与合作

如果希望和我交流讨论,或参与相关的讨论群,或者建立合作,请私信联系,见 联系方式

本文于2024.5.16首发于微信公众号与知乎。

知乎链接 https://zhuanlan.zhihu.com/p/698098046

更多AI工具,参考Github-AiBard123国内AiBard123