2025年，人工智能（AI）在企业端（B端）的应用迎来爆发式增长，成为行业关注的焦点。不同于消费端（C端）的波动性，B端市场一旦采用某项技术，往往会形成长期依赖。阿里云一位资深从业者指出，企业上云时代主要对接IT部门，而AI大规模落地后，约三成项目不再局限于IT部门，而是渗透到业务一线。
飞书的实践印证了这一趋势。2023年至2024年上半年，飞书与客户共创了约1500个场景，但真正有效的不足20个。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。飞书客户成功经理表示，AI的落地方式从自上而下转变为自下而上，业务人员在日常工作中主动应用AI工具，推动实践创新。
AI与IT部门的融合呈现三种模式：激进型企业设立独立AI部门；渐进型企业将AI团队融入现有IT部门；还有企业成立由高层直管的AI办公室，作为中台协调资源。这种变化促使云与AI厂商调整策略。阿里云人士提出，IT和云的目标是运维，而AI需要深入业务核心。飞书也持类似观点，认为AI的落地依赖业务一线的实践。
以物流企业极兔为例，其AI应用策略强调渐进式投入。极兔AI团队表示，公司不会一次性全量投入，而是分阶段解决重点问题，通过试点、打磨、升级后逐步推广。在系统建设上，极兔采取外采与自研结合的方式：核心系统和应用自主研发，底层通用大模型服务则依赖外部采购。例如，异常件识别系统通过集成图像识别、OCR等技术实现；物流垂域大模型则基于外部方案进行场景化微调。
企业对于高度集成的PaaS产品表现出浓厚兴趣。极兔市场营销部门在应用生成式AI时发现，企业级应用更看重确定性。例如，视频生成需保持审美一致性与脚本差异化，但商标环节仍需人工干预。为解决这一问题，团队将内容生产拆解为多个节点，每个环节调用不同模型，并引入混合Agent整合物料。极兔表示，通过灵活使用自研AI平台或飞书平台，企业能提升流程的确定性。
在模型选择上，企业更关注性能、效果与成本。极兔实践显示，当前企业对中小模型的需求高于大模型。例如，下单生成电子面单需依赖小模型以满足20毫秒内的延迟要求；而AI助手、智能客服等场景则可使用大模型。极兔正在构建物流AI决策大脑，整合揽收、运输、客服等环节，提升协作效率。评估模型时，企业主要考察效果（准确性）、性能（响应时间）和成本（价格）。以知识问答为例，关键信息抽取准确性需高于95%，响应时间需满足高频调用需求。尽管快递行业利润微薄，但2024年以来Token价格下跌使成本权重降低，企业更倾向于采用技术领先的模型。
极兔的预算机制也体现灵活性。2025年，集团为物流AI决策大脑的十余个业务制定预算规划，并设立季度或半年度滚动机制。新需求或新技术出现时，企业会快速调研、测试，符合流程后立即上报。这种弹性预算支持了业务与技术的频繁迭代。
然而，企业应用仍面临挑战。2025年底，海外大模型迭代后数学推理能力增强，但存在过拟合问题，导致幻觉和不准确现象。某云厂商人士承认，实际给企业的文本上限仅3万，限制了AI落地效果。Manus虽通过任务规划调用工具，但在Token限制下难以发挥优势。上下文限制成为大模型在B端遇冷的重要原因，也促使企业转向决策式AI和小模型。
极兔的案例显示，单一云服务或AI厂商无法满足企业全部需求。公司同时使用多家厂商的云服务和模型，各厂商派代表常驻企业，提供技术支持。这种混合模式既源于技术和服务能力的差异，也涉及安全与合规考量。对于大厂而言，如何为异构的IaaS、PaaS、MaaS层创造真实价值，成为亟待解决的问题。
