站在2026年的回望视角，2025年无疑是AI在B端应用落地的高光年份。这一共识背后，源于B端业务的独特属性——相较于C端市场的波动起伏，B端需求展现出更强的稳定性与持续性。正如阿里云一位资深B端业务专家所言：”ToB的商业模式与ToC截然不同，B端客户一旦认可产品便会形成长期合作关系，既不会因短期波动轻易弃用，也不会盲目跟风，粘性远超C端市场。”这种高粘性为AI技术的持续渗透提供了坚实基础。
飞书的发展历程生动诠释了这一趋势。从2023至2024年上半年的实践来看，飞书与客户共创的1500个AI场景中，真正投入实际应用的不足20个。但到了2025年，仅飞书AI效率先锋大赛就涌现出230个真实业务场景案例，这一数据变化清晰地反映了AI技术从概念验证到规模化落地的跨越式发展。AI的影响已从单纯的生产资料重构，深入到企业组织肌理的变革层面。
在AI大规模落地过程中，企业内部的组织架构也发生了深刻变化。阿里云专家指出，当前约三成的AI项目不再局限于传统的IT部门主导，而是扩展到更广泛的业务部门。AI与IT部门的融合呈现三种典型模式：激进型企业单独设立AI一级部门；渐进型企业将AI团队嵌入现有IT架构；特殊情况下则成立由企业一把手直管的AI办公室，虽规模不大但优先级极高。
云与AI大厂的战略也随之调整。前述阿里云人士强调：”IT与云的目标曾是优化运维，而AI时代则需要深入业务一线。”这一观点与飞书不谋而合——AI的落地路径已从传统的自上而下转变为自下而上，由业务一线人员根据实际工作流程创造性地应用AI工具。这一转变促使阿里云和飞书等企业重新思考ToB业务的AI应用逻辑。
极兔物流的AI落地实践为我们提供了宝贵的案例。与AI云厂商专注于提供基础元器件不同，极兔更倾向于渐进式实施策略。”我们不会一次性全量投入，而是聚焦阶段性的关键问题，通过试点、打磨、升级、推广的循环模式逐步推进。”极兔AI团队表示。这种策略源于全球化企业内部系统建设的现实考量——核心系统倾向于自主研发，而通用大模型服务则更多依赖外部采购。
在极兔的实践中，外采与自研的边界往往以集成形式呈现。自动化设备领域尤其典型——物流行业多年的发展已形成成熟的条码、分拣、存取、GPS跟踪等系统，各企业会根据自身需求进行集成。”快递企业面对成熟解决方案时，没有必要重复造轮子。”一位极兔人士解释道。但对于涉及核心竞争力或市场缺乏现成方案的领域，企业只能选择自研。同时，底层原子化能力如图像识别、OCR、人脸识别等则普遍采用外部成熟方案，这也是ToB厂商强调”被集成”战略的核心原因。
极兔对高度集成的PaaS产品表现出浓厚兴趣。尽管生成式AI曾吸引大量企业关注，但在企业级应用中仍存在明显短板。极兔速递中国市场营销部编导坦言：”企业流程中追求的是确定性，无论是生产场景还是宣传片制作，准确输出才是关键。”视频生成大模型存在一个悖论——既要保持审美一致性，又要根据脚本呈现差异化，最终商标等关键元素仍需人工干预。为此，极兔团队采用工作流拆解技术，将内容生产切割为脚本生成、分镜生成、校验等N个节点，每个环节调用不同模型（通义、豆包、Deepseek、即梦等），并混合使用自研与第三方Agent进行物料整合。
在混合云与混合模型策略下，极兔展现出灵活的技术选择能力。”我们会根据业务场景灵活运用自研AI平台或飞书平台，搭建智能体和工作流应用，确保AI应用效果的可控性。”极兔方面表示。这种策略也反映了云下市场的现实——Token计算存在明显边界。阿里云资深市场人士测算显示，中小企业主要在云上训练，Token消耗可预测；但合规、安全或IT能力强的企业则采用私有化部署和云下训练，这部分Token消耗难以统计。极兔的混合技术策略正是这一现象的典型体现：高频Token消耗来自主流模型调用，但核心业务场景则通过基于可微调基座模型的自主精调实现定制化效果。
AI落地的核心评估体系包括效果、性能和成本三大指标。世界人工智能大会数据显示，截至2023年7月全球已发布3755个大模型，其中1509个来自国内。但极兔实践表明，企业对中小模型的需求远超大模型。部分原因在于通用模型难以解决垂直场景问题，而核心场景对延迟要求极为苛刻（需20毫秒以内），大模型难以满足。”下单时生成电子面单必须依赖小模型，而AI助手、智能客服等场景则可使用大模型。”极兔方面解释道。这一需求差异促使极兔构建物流AI决策大脑，整合揽收、中心操作、运输、末端、客服等环节，提升整体协作效率。
在模型评估过程中，企业关注的核心是业务反馈而非厂商参数。具体流程为：业务部门提出需求→技术团队调研测算ROI→需求与产研部门对齐。评估指标包括准确性、响应时间和成本。以知识问答为例，极兔要求关键信息抽取准确率高于95%，同时考虑调用量巨大的场景下响应时间。DeepSeek模型虽准确率高但响应缓慢，在可用性上表现不佳。最终模型选择以效果和性能为首要考量，成本因素在Token价格持续下跌后权重有所下降。
极兔的AI应用展现出典型的”可插拔”特性——随着业务变化灵活调整模型。尽管坚持渐进式思维，但集团对AI的投入力度巨大。2025年预算规划中，为十余个业务制定了详细方案，并建立了季度或半年度的滚动调整机制。当出现新需求或新技术时，集团会立即启动调研测试流程，符合标准即可快速上线。这一实践揭示了厂商包不圆的异构现实——单一云服务商或AI厂商难以满足企业全部需求。
技术路线在现实应用中总会遇到调整。极兔一位人士透露，企业常驻的多家云服务和模型厂商销售代表，不仅包括大模型，还有云基础设施厂商。这一现象反映了混合云与混合模型业态下的普遍情况：单一厂商无法提供全面解决方案。从极兔案例可见，技术、服务、安全合规等多重因素决定了企业需要构建异构技术生态。
大厂们真正需要思考的是，在混合模型趋势下如何创造真实价值。IaaS、PaaS、MaaS层的异构将成为常态，而企业级应用的价值创造需要超越单纯的技术维度。正如商业世界中始终存在的异构现象，大厂们需要从更宏观的视角思考如何为企业在复杂技术环境中创造最大价值。
