2025年，人工智能（AI）在企業端（B端）的應用迎來爆發式增長，成為行業關注的焦點。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者指出，企業上云時代主要對接IT部門，而AI大規模落地后，約三成項目不再局限于IT部門，而是滲透到業務一線。
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出230個真實業務場景案例。飛書客戶成功經理表示，AI的落地方式從自上而下轉變為自下而上，業務人員在日常工作中主動應用AI工具，推動實踐創新。
AI與IT部門的融合呈現三種模式：激進型企業設立獨立AI部門；漸進型企業將AI團隊融入現有IT部門；還有企業成立由高層直管的AI辦公室，作為中臺協調資源。這種變化促使云與AI廠商調整策略。阿里云人士提出，IT和云的目標是運維，而AI需要深入業務核心。飛書也持類似觀點，認為AI的落地依賴業務一線的實踐。
以物流企業極兔為例，其AI應用策略強調漸進式投入。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。在系統建設上，極兔采取外采與自研結合的方式：核心系統和應用自主研發，底層通用大模型服務則依賴外部采購。例如，異常件識別系統通過集成圖像識別、OCR等技術實現；物流垂域大模型則基于外部方案進行場景化微調。
企業對于高度集成的PaaS產品表現出濃厚興趣。極兔市場營銷部門在應用生成式AI時發現，企業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，但商標環節仍需人工干預。為解決這一問題，團隊將內容生產拆解為多個節點，每個環節調用不同模型，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，企業能提升流程的確定性。
在模型選擇上，企業更關注性能、效果與成本。極兔實踐顯示，當前企業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、客服等環節，提升協作效率。評估模型時，企業主要考察效果（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用需求。盡管快遞行業利潤微薄，但2024年以來Token價格下跌使成本權重降低，企業更傾向于采用技術領先的模型。
極兔的預算機制也體現靈活性。2025年，集團為物流AI決策大腦的十余個業務制定預算規劃，并設立季度或半年度滾動機制。新需求或新技術出現時，企業會快速調研、測試，符合流程后立即上報。這種彈性預算支持了業務與技術的頻繁迭代。
然而，企業應用仍面臨挑戰。2025年底，海外大模型迭代后數學推理能力增強，但存在過擬合問題，導致幻覺和不準確現象。某云廠商人士承認，實際給企業的文本上限僅3萬，限制了AI落地效果。Manus雖通過任務規劃調用工具，但在Token限制下難以發揮優勢。上下文限制成為大模型在B端遇冷的重要原因，也促使企業轉向決策式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，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，也涉及安全與合規考量。對于大廠而言，如何為異構的IaaS、PaaS、MaaS層創造真實價值，成為亟待解決的問題。
