在AI大模型的商业化道路上，技术突破并非唯一的挑战，本文便深入探讨了大模型服务商在推动产业智能化过程中所面临的商业模式和生态困境。从客户对新技术的审慎态度，到定制化服务的高成本与交付难题，再到缺乏CIO职位导致的战略短视，本文为读者揭示了大模型技术在实际应用中的种种挑战，一起来看。

东市买骏马，西市买鞍鞯，南市买辔头，北市买长鞭。

出自《木兰辞》中的诗句展现了充分竞争的自由市场中，供给方各司其职的状态。在同一市场内，消费者往往会从不同供应商处获取不同商品和服务，就像当下扎入垂直行业、走向定制化的大模型服务一般。

如果仔细观察诸如百度、阿里、科大讯飞等大模型服务商透露的产业方向的商业化进展，我们不难发现虽然其客户列表中重量级选手不少，但这些客户们往往“只取一瓢饮”，以探索的方式从点开始大模型及AIGC方面的合作。

新兴技术的未知性特点在大模型的算法黑箱下再度放大，导致产业在面对既往合作伙伴时依旧保持着相当的审慎——虽同为产业智能化，但模型服务的“完整性”远不如上云。这也导致了模型服务商扩大商业化的一个困境，即在体量不大的项目上投入大量定制化服务与资源，成为做多收少的“高科技施工队”。

然而吊诡的地方在于，而今增速趋近停滞的云计算市场已经发生了明确的转向，拓客方向自大客户转向中小客户。但模型服务却因以算力为主的基建成本高企，而难以跟上云计算的节奏，只能试图通过标准化产品广撒网，一点点啃下中小企业。

生成式AI代表未来已经成为业内共识，“断舍离”再难成为选项之一的同时，一众企业不得不迎难而上，冲突亦在这一过程中不断上演。

一、大模型需要好销售

过去一年多的时间内，商业化无疑是国内模型服务商最为关注的重要议题，以至于在一定程度上影响了服务商对模型及相关能力的迭代路线。

一个绝佳例证是，业内在模型易用性、工具链、避免“幻觉”等关乎使用门槛的演进频频落地。事实上，在2024年这一被定义为“AI原生应用”元年的时间节点，以低代码或无代码形式创建AI应用正逐渐成为现实，门槛或早已不是大模型商业化的首要难关。

此外，除少数闭源巨头外的开源社区也在持续缩小国内模型服务商的底座能力代差，几乎业界每每出现突破性的进展，其余主流玩家总能第一时间跟进，在Kimi近期掀起长文本风潮中，百度、阿里等玩家跟进并没有花多少时间。这意味着，通用底座能力难成大模型商业化初级阶段的胜负手。

事实上，在以AIGC为代表的产业智能化的创新扩散中，智能并不是关键，反而更像是一种“添头”。例如我们曾对话的一家SaaS企业，他们与而今逐渐深入业务流程的AI大模型的相遇，不过是一次偶然。

上述企业人士李浩告诉光子星球，就像许多深耕垂直行业的企业一般，他们对技术的感知不算敏捷，之所以了解到大模型，还是源于此前某场展会上的一次闲聊。

“腾讯那边有人和我们CTO聊了会，展会结束后，CTO觉着可行就跟市场部的人接触了”，他说，“机缘巧合下凑了一桌饭局，人家直接让业务VP拎着一大瓶酱酒来，推杯换盏间讲了很多大模型改造业务流程的事情，不过合作还是没能在饭局上谈成”。

尽管腾讯的合作意向非常明确，但李浩的领导还是有些兴致缺缺——早在去年，CTO便有意与业务数据所在的阿里云展开AI合作，但是“阿里那边迟迟不见动静，也没什么优惠”，这才给了腾讯半道截胡的机会。

另一方面，许多垂直行业早在两三年前就感受到了AI的冲击，但实际对业务的改造其实并不算明显。或许大模型的加入足以让AI脱胎换骨，但在销售口中天花乱坠的功能并不足以构成决策理由。

我们不难在云计算的政企BD中看到与之类似的销售场景——不可否认的事实是，“上云是一种趋势”的共识更多存在在互联网视域内，而政企侧对云的需求更多在于对顶层设计的考量。说白了，大多数非互联网企业应用新型技术的根本原因并非技术本身，而是需要“跟上同行的节奏”，AI大模型亦然。

当然，腾讯方面绝无可能放弃这条相对明显的线索，其还在饭局结束后多次登门拜访，“除了婉拒给我们独家提供技术支持外，我们提其他的条件，基本都答应了”。在这么一个几近赔本赚吆喝的情况下，腾讯才堪堪拓展一家企业客户。

据了解，这家SaaS公司经过数月的“AI初体验”后，最终决定在年中前后扩大合作范围。届时，腾讯作为模型服务商提供的由点到面的服务才刚刚开始，成本回收尚不知时日，遑论凭此盈利。

云计算行业从“比较技术性的超前概念”到“上云是一种趋势”，花了足足10年时间。反观技术深度、黑箱、幻觉等问题并存的大模型，似乎其商业化的路途更为崎岖。

这么看来，与其在产品层面持续做加法，倒不如多下功夫挖掘销售线索。另一方面，完善的BD体系也在一定程度上可以打破技术认知的高墙。可惜的是，在大模型技术尚未祛魅的当下，厂商的外宣重点往往落在技术突破上。进一步说，当大模型服务可以像云计算一般召开合作伙伴大会的时候，或许大模型商业化才能迎来真正的春天。

二、大模型需要CIO

模型再强也只能解决业务上的问题，其商业化困境本质上不在于技术，而在于商业模式和生态。不过自模型服务商的视角看，模型服务普及的“鬼故事”同样不少。

正如上文提到的SaaS企业，便在希望更广泛地接入AI能力时犯了难。“现在我们内部可以说是跑着两套系统，内部业务流还像以前一样跑在阿里云上，但尝试对外输出的AI大模型能力却跑在腾讯云上。领导那边还希望再引进语音、OCR之类的AI支持，又准备让我们接触一下科大讯飞”。

李浩无奈表示，现在公司有点“骑虎难下”，既不太方便彻底抛下阿里云做整体数据迁移，又不好再拓展与其他厂商的AI合作，毕竟这背后是搭建混合多云架构的隐性成本。他还提到，前端时间领导才刚刚因为销售团队开不出单而大发雷霆，在AI大模型尚未展现盈利能力的情况下，狠下心全面转投腾讯云怀抱可以说是不可能的事情。

不难看出，即使是有意引入AI能力改造业务的企业，由于领导层对AI大模型的了解仅限于网络公开信息与模型服务商的单向度灌输，其往往对市场没有一个清晰明确的认知。这家SaaS企业在采购决策上犹豫不决便是绝佳例证。

况且，非互联网企业的组织架构也是遭致上述情况的重要原因。或许大部分组织完善的企业都设有CTO职位，但其既有知识域基本局限于企业业务，而设有CIO的企业可以说是寥寥无几。

据红杉于去年末的一次调查显示，以CIO为代表的企业技术管理者将通过应用AIGC满足产品差异化和服务创新需要、增强办公效率与内部沟通作为主要目的;相较而言，CEO则将紧跟前沿技术趋势、拓宽企业经营边界作为AIGC应用的核心动因。哪种更利于AI对业务的深度改造，一目了然。

如果CIO的缺位不过是将AI大改造交由CEO或CTO统筹的话倒也还好，更糟糕的情况是在买方市场下，这份重担被转嫁给模型服务商。在一位模型创业者看来，这无异于是化身客户企业刚刚萌生的AI业务的“保姆”。

“前阵子，和我一起创业的产品经理差点顶不住与客户之间无休止的扯皮，闹离职”，他说，“我那时候还在美国那边做交流，听他辞职信都写好了，我赶紧打飞的回去，好说歹说才劝住他”。

据悉，事件起因是客户在为期三个月试用期内，就提出做多个深入业务流程的应用，从早期的基于RAG（检索增强生成）的企业内部知识问答到数字员工再到智能营销，可是试用项目的合同金额才30万。可怜这位产品经理在试用期内每天抓耳挠腮地控制交付成本，团队两天一小会三天一大会，然而客户还是在试用期结束后便接洽了服务更为成熟的大厂。

定制化项目在固定时限内的交付，将模型服务高大上的“皇帝的新衣”无情扯下，空留一个期货般的内核。

当模型服务商被迫在客户企业的AI改造中承担主要责任的时候，所谓产品的价值交付也就不再存在，取而代之的是极致的成本控制和交付压力。如果不能完全把握客户的需求，那么深入合作破裂也不过是时间问题。

三、定制化之困

近段时间，国内一级市场对AIGC的热情愈发低落。著名投资人朱啸虎亦公开表示，“AIGC PMF（产品/市场匹配），你投十个人找不到，投一百个人同样找不到。”

不可否认，在难销售、难交付、高成本的特性之下，大模型距离养家糊口的距离太远。那么，大模型PMF的终极阻碍是什么？

从上述案例中我们不难看到，首当其冲的难关在于定制化。

这背后的逻辑是，技术尚未进入创新扩散周期之前，依靠标准化产品回笼资金遥遥无期，高强度的BD以及其后的定制化是现金流的唯一来源。而定制化项目扯皮、交付、成本等各种窘境的缘由，则在于服务商丧失了对需求的控制力。

设想一下，如果是模型服务商自己训练某个MoE模型或是针对业务创建AI应用，在技术一把手的统筹下，只需对应业务部门给出明确需求以及不同优先级，便可以按需求驱动的方式进行敏捷开发，确保项目能在时限内以较高完成度交付。

如果将AI开发场景放到模型服务商与客户之间，则情况很可能“两级反转”。一面是客户并不真正了解AIGC对业务创新的抓手所在，导致需求频出而没有重点，另一面是服务商在不断提出的需求中疲于奔命。

如果服务商能在提供服务时获取行业数据的话，转起数据飞轮从而迭代垂直领域能力倒也是一笔不错的买卖。只是大多体量稍大的企业都对自家数据敝帚自珍，导致定制化项目做来做去都没有太多实际收益。

可以预见的是，定制化作为大模型商业化的一个补充手段，很可能只是少数大客户的专属。标准化产品做铲子以及建立在其上的应用生态才是淘金者的未来。

AGI的愿景虚无缥缈，长期主义也不过是商业化举步维艰的推辞。无论是靠定制化拉起营收从而做好市值管理，还是靠标准化打开认知从而将创新扩散出去，这锅夹生饭怎么着都得把它吃下去。