2025年，人工智能（AI）在企業(yè)端（B端）的應用迎來爆發(fā)式增長，成為行業(yè)關注的焦點。不同于消費端（C端）的波動性，B端市場一旦采用某項技術，往往會形成長期依賴。阿里云一位資深從業(yè)者指出，企業(yè)上云時代主要對接IT部門，而AI大規(guī)模落地后，約三成項目不再局限于IT部門，而是滲透到業(yè)務一線。

飛書的實踐印證了這一趨勢。2023年至2024年上半年，飛書與客戶共創(chuàng)了約1500個場景，但真正有效的不足20個。到了2025年，僅飛書AI效率先鋒大賽就涌現(xiàn)出230個真實業(yè)務場景案例。飛書客戶成功經(jīng)理表示，AI的落地方式從自上而下轉(zhuǎn)變?yōu)樽韵露希瑯I(yè)務人員在日常工作中主動應用AI工具，推動實踐創(chuàng)新。

AI與IT部門的融合呈現(xiàn)三種模式：激進型企業(yè)設立獨立AI部門；漸進型企業(yè)將AI團隊融入現(xiàn)有IT部門；還有企業(yè)成立由高層直管的AI辦公室，作為中臺協(xié)調(diào)資源。這種變化促使云與AI廠商調(diào)整策略。阿里云人士提出，IT和云的目標是運維，而AI需要深入業(yè)務核心。飛書也持類似觀點，認為AI的落地依賴業(yè)務一線的實踐。

以物流企業(yè)極兔為例，其AI應用策略強調(diào)漸進式投入。極兔AI團隊表示，公司不會一次性全量投入，而是分階段解決重點問題，通過試點、打磨、升級后逐步推廣。在系統(tǒng)建設上，極兔采取外采與自研結合的方式：核心系統(tǒng)和應用自主研發(fā)，底層通用大模型服務則依賴外部采購。例如，異常件識別系統(tǒng)通過集成圖像識別、OCR等技術實現(xiàn)；物流垂域大模型則基于外部方案進行場景化微調(diào)。

企業(yè)對于高度集成的PaaS產(chǎn)品表現(xiàn)出濃厚興趣。極兔市場營銷部門在應用生成式AI時發(fā)現(xiàn)，企業(yè)級應用更看重確定性。例如，視頻生成需保持審美一致性與腳本差異化，但商標環(huán)節(jié)仍需人工干預。為解決這一問題，團隊將內(nèi)容生產(chǎn)拆解為多個節(jié)點，每個環(huán)節(jié)調(diào)用不同模型，并引入混合Agent整合物料。極兔表示，通過靈活使用自研AI平臺或飛書平臺，企業(yè)能提升流程的確定性。

在模型選擇上，企業(yè)更關注性能、效果與成本。極兔實踐顯示，當前企業(yè)對中小模型的需求高于大模型。例如，下單生成電子面單需依賴小模型以滿足20毫秒內(nèi)的延遲要求；而AI助手、智能客服等場景則可使用大模型。極兔正在構建物流AI決策大腦，整合攬收、運輸、客服等環(huán)節(jié)，提升協(xié)作效率。評估模型時，企業(yè)主要考察效果（準確性）、性能（響應時間）和成本（價格）。以知識問答為例，關鍵信息抽取準確性需高于95%，響應時間需滿足高頻調(diào)用需求。盡管快遞行業(yè)利潤微薄，但2024年以來Token價格下跌使成本權重降低，企業(yè)更傾向于采用技術領先的模型。

極兔的預算機制也體現(xiàn)靈活性。2025年，集團為物流AI決策大腦的十余個業(yè)務制定預算規(guī)劃，并設立季度或半年度滾動機制。新需求或新技術出現(xiàn)時，企業(yè)會快速調(diào)研、測試，符合流程后立即上報。這種彈性預算支持了業(yè)務與技術的頻繁迭代。

然而，企業(yè)應用仍面臨挑戰(zhàn)。2025年底，海外大模型迭代后數(shù)學推理能力增強，但存在過擬合問題，導致幻覺和不準確現(xiàn)象。某云廠商人士承認，實際給企業(yè)的文本上限僅3萬，限制了AI落地效果。Manus雖通過任務規(guī)劃調(diào)用工具，但在Token限制下難以發(fā)揮優(yōu)勢。上下文限制成為大模型在B端遇冷的重要原因，也促使企業(yè)轉(zhuǎn)向決策式AI和小模型。

極兔的案例顯示，單一云服務或AI廠商無法滿足企業(yè)全部需求。公司同時使用多家廠商的云服務和模型，各廠商派代表常駐企業(yè)，提供技術支持。這種混合模式既源于技術和服務能力的差異，也涉及安全與合規(guī)考量。對于大廠而言，如何為異構的IaaS、PaaS、MaaS層創(chuàng)造真實價值，成為亟待解決的問題。