2025年，人工智能（AI）在企业端（B端）的应用迎来爆发期，这一趋势正在重塑ToB市场的竞争格局。从云服务厂商到垂直行业企业，各方都在加速探索AI与业务的深度融合，但落地路径和策略选择呈现显著差异。
在物流行业，极兔速递的实践具有代表性。该公司AI团队负责人表示，企业采用"渐进式"投入策略，优先解决核心业务场景中的痛点问题。"我们不会一次性全量投入，而是分阶段选择最紧迫的需求进行试点，通过打磨、升级后再逐步推广。"例如，在异常件识别系统中，极兔通过集成自研与外采的图像识别、OCR等技术，构建了符合自身需求的解决方案。对于涉及核心竞争力的垂域大模型，则采取场景化微调策略，在通用模型基础上进行二次开发。
企业需求的变化正在推动云与AI厂商调整战略。阿里云相关人士指出，过去IT和云服务主要对接企业运维部门，如今AI落地需要深入业务一线。"现在约三成企业的AI对接部门不再是IT，这要求我们重新理解业务逻辑。"飞书客户成功经理的观察印证了这一趋势：2023-2024年上半年，飞书与客户共创的1500个场景中仅20个有效，而2025年通过AI效率先锋大赛就涌现出230个真实业务案例。
技术架构层面，混合模型策略成为企业主流选择。极兔速递市场营销部编导透露，在视频生成等创意场景中，团队将工作流拆解为脚本生成、分镜设计、内容校验等多个节点，每个节点调用不同模型（如通义、豆包、Deepseek等），再通过混合Agent进行整合。"企业需要的是确定性，即使模型再先进，如果输出结果不稳定也无法采用。"这种"拆解-调用-整合"的模式，有效解决了生成式AI在审美一致性与差异化呈现之间的矛盾。
成本与性能的平衡是企业决策的关键考量。极兔AI团队建立了一套包含效果（准确性）、性能（响应时间）、成本（价格）的三维评估体系。以知识问答场景为例，模型的关键信息抽取准确率需达到95%以上才能进入候选池，而响应时间过长的模型（如DeepSeek）则会被排除。"2024年以来Token价格持续下跌，成本权重有所下降，但性能和效果仍是首要标准。"这种"可插拔"的模型选用机制，使企业能够根据业务变化灵活调整技术方案。
技术供给与需求错配仍是主要挑战。极兔团队发现，尽管大模型厂商不断迭代，但数学推理能力增强带来的过拟合问题，反而导致企业落地时出现严重幻觉和不准确现象。"我们不得不将更多精力放在知识问答的工程化优化和上下文任务规划能力上。"某云厂商人士承认，受限于技术架构，实际给企业的文本处理上限通常不超过3万token，这直接制约了大模型在复杂业务场景中的应用。
这种供需矛盾催生了新的市场机会。飞书等协同工具通过提供任务规划、工具调用等中间层能力，帮助企业弥补大模型垂直应用能力的不足。Manus等新兴解决方案的崛起，也印证了市场对精准任务调度能力的需求——其核心价值在于通过大模型规划任务流程，精准调用各类工具，但3万token的限制仍构成根本性障碍。
现实中的技术生态呈现高度异构特征。极兔速递同时使用多家云服务商和AI模型，其技术负责人表示："不同厂商的销售和解决方案团队常驻企业，这种混合状态既是技术能力差异的结果，也受安全合规要求驱动。"这种局面迫使云与AI厂商重新思考价值创造方式——在IaaS、PaaS、MaaS层长期异构的背景下，如何提供真正符合企业需求的整合方案成为关键命题。
