AI在B端應用充滿潛力與挑戰(zhàn)，助力效率提升與商業(yè)平權。

AI正在肉眼可見地泛化與下沉：有問必答，能陪聊，還是打工人給自己找的一個免費助理。

見此情形，B 端商家有點急了。大模型如此全能，AI對一門生意的理解和經(jīng)營，是不是也應該發(fā)揮點作用？

只是跟C 端用戶的拿來主義不同，AI提高B 端生產力的前提是懂這門生意，甚至可能需要進一步精調訓練大模型。

雖然「AI to B」好看不好吃，但沒有人敢，也沒有人愿意錯過。產業(yè)鏈的每個角色或主動或被動，都被這場AI風暴所裹挾。

1.好看不好吃的「AI to B」?

一個春節(jié)，所有人都患上了AI焦慮癥。尤其是面對「AI to C」的火熱浪潮，血統(tǒng)純正的B類商業(yè)平臺也坐不住了。

在近日1688舉辦的好生意大會上，核心的議題就是如何用AI讓生意更簡單。整個大會給人的感覺就是，1688 看到大模型迭代能力如此之快，開始擔心鏈接工廠的主場是否會被新的角色替代，這個中國最大的B類商業(yè)平臺不想踏空「AI to B」紅利。

目前1688已經(jīng)有超過一億的年度活躍買家，很多買家希望AI能更好服務他們個性化和輕定制的采購需求。而平臺上超過一百萬的源頭廠商，則希望得到更有效的AI解決方案去幫他們打造柔性供應鏈。

雖然需求旺盛，但是AI響應B 端能力卻不如C 端那樣，可以即插即用。

相比C端應用的普適性，娛樂性，解決問題的即時性，B端生意要更復雜，更個性化，鏈條也更長。B類商業(yè)平臺對模型能力的要求不盡相同。最基礎的，不同行業(yè)所需構建的知識庫天差地別，知識壁壘的跨越就是一個難題。

再進一步，同樣是電商領域的AI 客服，C 端買家跟B 端買家要解決的問題又不一樣。前者通常是默默下單，有問題幾個對話輪次可能就解決了；后者不然，需求復雜，決策鏈條長，有現(xiàn)貨，有定制，還存在大量復購和議價。

其實這是B 端的共通問題，他們存在大量非結構化和差異化的元素，簡單搜索和推薦難以深度匹配他們的需求，更談不上給予他們商機發(fā)現(xiàn)和決策指引。

當然，除這些客觀存在的問題之外，國內B 端付費習慣的歷史問題，間接導致AI 在B 端推進的速度似乎有點慢?，F(xiàn)在1688已經(jīng)把平臺所有AI產品全部免費，可謂開了B類電商的先河，也足見其押注「AI to B」的決心。

但「AI to B」好看不好吃，要想吃到紅利，需要極大勇氣、耐心和運氣。對1688來說，它需要拿出自己在產業(yè)帶重投入時那種「結硬寨、打呆仗」的笨辦法。

2.AI?帶來的平權和效率?

回到根本，AI在B 端做生意這件事上到底能解決什么問題？

以電商為例，1688過去一直試圖拆解生意鏈路，根據(jù)買賣雙方的需求，圍繞「找挑詢付履」，技術團隊試圖抽離出AI 可以發(fā)揮關鍵作用的場域或環(huán)節(jié)。最后是聚焦在商機、商品、搜推、客服和經(jīng)營幾個場景，提煉出十幾個AI 項目，重點發(fā)展。

如果站在橫向的維度，他們似乎打算通過AI 解決兩件事：平權和效率。

以選品為例，很多超級買家可能會搭建上百人的團隊，從收集數(shù)據(jù)到選品會，再到成交，他們固定時間內可以并行運作所有環(huán)節(jié)。作為一個人的小B，不論從覆蓋半徑還是財力，都沒法與之相提并論。

但是AI 時代，也許這兩個群體的商業(yè)戰(zhàn)斗力可以趨于拉齊，這就是所謂的AI 平權。

除平權之外，AI 在B 端解決的另一個核心問題是效率。

B2B 產業(yè)生意鏈條長，左右因素復雜，這讓決策變得困難。一位經(jīng)營輕奢連衣裙、服務中年女性的商家，需要尋找一款一定價格區(qū)間、口碑評價好的熱銷商品，傳統(tǒng)的做法，是不斷嘗試搜索關鍵詞提高成功可能性，但AI 可以基于數(shù)據(jù)統(tǒng)計和邏輯推理提高匹配效率。

平臺會根據(jù)海量交易數(shù)據(jù)，通過生意貨盤、興趣、采購偏好等對買家進行分層，然后用AI大模型結合賣家供應鏈能力和履約的穩(wěn)定性做一個匹配。

1688 在大會上給了一個數(shù)據(jù)：啟動這個模型兩周時間，灰度了 5% 的商家實驗，目前回收的統(tǒng)計數(shù)據(jù)是商家GMV 平均增量達到 7.5%。

AI 輔助決策只是其中方面，除此之外，AI 生成圖文、客服、運營等多個環(huán)節(jié)，都關乎效率提升。

可以預見，隨著「AI to B」的發(fā)展，商家能觸達過去不愿意服務、服務不好、服務不了的「小B大C買家」。甚至B和C、內貿和外貿、線上和線下、國內和國外的生意邊界都變得模糊。

3.AI解決問題的深度更重要?

AI解決問題的寬度不是瓶頸，重點在于處理問題的深度。

目前，很難寄希望AI 能創(chuàng)造多大規(guī)模的GMV ，客戶的使用率、使用時長和有效性，是平臺和商家最關注的。

普通人使用AI 產出的結果往往不僅取決于AI 本身的能力，也跟輸入Prompt（提示詞）的精確度相關。B 端用戶也存在同樣的問題，同樣的產品，使用的效果卻很不一樣。

一家義烏的電商供應鏈公司，春節(jié)后接入了1688的AI數(shù)字員工之后，公司幾乎進入開掛局面。

AI 客服能跟買家進行多輪對話，甚至能根據(jù)之前訓練的價格段與對方談價，確定交易，AI直接推送合同給對方。你能想象嗎，一年幾個億的生意，只有一個人工客服，其他工作都靠AI 完成。除此之外，維護老客戶，喚醒沉睡客戶的工作，也都交給AI。AI 完全掌握他的產品、材質、工藝、流程甚至庫存和利潤，幾乎可以當一個傻瓜式的智能存在。

當然，這一切收獲是他花了大量時間，針對AI做了大量訓練工作的結果。

與此同時，另一位商家卻感到迷茫，似乎也就解放了一些時間精力，節(jié)省了一些人員成本，生意效果卻沒有突破性飛躍。這可能跟他投喂AI 語料，建立知識庫的水平，開放數(shù)據(jù)權限的程度等有關系。當然，也離不開所處行業(yè)的特性和發(fā)展階段。因為AI在B類行業(yè)的滲透也是分波次、漸進式的。

所以你看，起點相同，但是思路不同，方式不同，行業(yè)不同，甚至運氣不同，就會形成完全不同的局面。

已經(jīng)下水的人，體感不同，站在岸邊的人也在尋找入水角度。不管怎樣，AI對B類產業(yè)的滲透勢在必行，有的肉眼可見，有的于無聲中潛移默化地改變。這一切僅僅是開始，畢竟AI 現(xiàn)在解決的都是已知問題，那些未知呢？