一、引言
过去一年，我们看到了GenAI（生成式AI）在ToC领域大放异彩，创造了超10亿美元的消费规模。相较之下，ToB领域还停留在由FOMO推动的1.0阶段，应用场景稀少，主要用例体现在ChatGPT的“套壳”产品们。
如今C端渐凉，盈利堪忧。如果说Anthropic、OpenAI的低毛利是浇了盆凉水，那么Inflection被微软“生吞活剥”基本宣告C端重磅产品“聊天机器人”暂别初创企业。而且C端的数据基本握在巨头手中，小型初创企业就算解决了“钱荒”，还要经历新一轮“数据荒”，挑战巨头难如登天。
而B端既是“生路”也是“胜路”。首先，尽管庞大的数据由大企业掌管，但不是每个企业都有能力搭建AI团队。其次，出于竞争关系，大企业不太可能将私密数据分享给巨头，而会倾向于找小企业做“中间商”。基于此，小型初创企业“数据飞轮”可以转起来——在垂直领域积累优质数据，逐渐构建技术壁垒。
著名风投机构a16z花了几个月时间，与财富500强企业和顶尖企业的领导者进行深入交流，调查了超过70位企业决策者，以探究他们对GenAI的使用、采购和预算安排。
结果非常惊人——在过去六个月中，这些企业对GenAI的资源投入和态度发生了显著变化。
企业将购买GenAI服务的预算增加2~5倍，推进更多生产级应用；
企业倾向采购多个模型落地不同应用场景，并且愈加青睐开源模型；
企业将优先落地内部应用，并对涉及敏感数据的外部应用持谨慎态度。
a16z的结论：尽管有人质疑GenAI在B端的普及性和盈利能力，但进入2024年，我们预见B端企业市场的AI规模将呈现指数级增长。
如果AI 初创公司能够深入了解客户的预算、关注点和路线图，为企业制定以 AI 为中心的战略计划，预见企业的痛点，同时从“服务至上”转向“构建可扩展产品”，就能成为新浪潮中的“弄潮儿”。
基于以上观察，a16z将关键信息汇总为一份报告《16 Changes to the Way Enterprises Are Building and Buying Generative AI》（企业构建与购买生成式AI的16项变革）。适道对报告内容进行了编译，请安心食用。
一、资源配置：预算暴涨且势头持续
1. 企业对GenAI的预算正在飞速增长
2023年，我们调研的数十家公司，在基础模型API、自托管和微调模型上平均每年支出达到了700万美元。而且，几乎所有企业都对GenAI测试的初步成效表示乐观，并计划在 2024 年将预算增加2~5 倍，以推动更多工作负载转向生产环境。
2. 企业将AI投资“划进”经常性支出
2023年，企业对GenAI的支出主要出自“创新”预算和一次性买卖。然而，在2024年，许多领导者正考虑“长期付费”。仅不到25%的受访企业表示，2024年的GenAI支出还是出自“创新”预算。
我们还注意到，一些领导者开始将GenAI预算用于节省人力成本，尤其是在客服领域。如果这一势头持续，预计未来对GenAI的投资将会大幅增加。例如，有企业表示，AI客服每打一个电话能省6美元，总计可节省约90%开支。因此，企业要将GenAI投资增加8倍。
3. 衡量ROI是艺术，也是科学
目前，企业领导者主要通过由AI提高的生产力，来衡量投资回报率（ROI）。
尽管他们主要依赖NPS（净推荐值）和客户满意度作为代理指标。但他们也在寻找更具体的衡量方法，比如：用例创收、节省成本、提升效率、提高准确性。至少在未来2~3年，提升ROI会越来越重要。
4. 企业渴求轻量化AI部署
仅仅接入API显然不够用，但实施、维护和扩展需要高度专业化的人才，甚至仅“实施”一项就占据了2023年企业AI支出大头。
为了帮助企业快速启动、运行模型，基础模型提供商提供的专业服务通常涉及定制模型开发。同时，又因为企业内部很难找到合适的AI人才，那些能够简化企业内部GenAI开发流程的初创企业会更快地迎来巨大机遇。
二、模型趋势：多元化和开源模型
1. 企业青睐多模型（Multi-model）方案
六个月前，大多数企业还在使用一种模型（通常是OpenAI），最多是两种模型。
现在，他们正在测试——甚至已经在生产环境中使用——多模型（Multi-model）。
多模型方案的优点：
（1）根据不同性能、规模和成本来定制用例；
（2）避免过度依赖单一供应商；
（3）快速利用该领域快速发展的成果。由于模型排名不停变化，高管们希望整合当前最先进的闭源模型和开源模型，以获得最佳效果。
预计未来会有更多模型涌现。虽然在生产用例中，OpenAI 仍然占据主导市场份额，但从测试来看，多模型并存的局面正在形成。
2. 企业青睐开源模型（Open source）
过去六个月中，开源模型的兴起让人惊讶。
我们估计，在2023年的市场中，80%~90%由闭源模型（如OpenAI）占据。然而进入2024年，46%的受访企业偏好或强烈站队开源。
另外，60%的受访企业提到，如果能够通过微调开源模型，以实现与闭源模型相当的效果，他们将会倾向使用开源模型。其中一些企业明确表示，希望开源和闭源模型的占比能达到5:5（2023年为2:8）。
3. 企业选择开源模型的主因：控制/定制>成本
我们惊讶的是，成本问题不是企业首要考虑因素，但却反映了领导层目前的信念，即GenAI创造的超额价值，将会远远超过其价格。一位高管表示：“获得准确的答案是值得的。”
因此，控制（专有数据安全性、了解模型产生特定输出的原因）和定制（针对特定用例进行有效微调的能力）远比成本更重要。
4. 控制：企业担心敏感用例和数据安全
出于对监管、数据安全的顾虑，企业不愿意与闭源模型提供商共享自己的专有数据，尤其是那些将知识产权作为核心护城河的公司。一些高管通过自托管开源模型来解决问题，而其他人则优先考虑具有虚拟私有云（VPC）集成的模型。
5. 定制：企业倾向微调开源模型，而非从0到1
随着高质量开源模型的兴起，大多数企业不是从0开始训练自家LLM，而是使用检索增强生成（RAG）或为特定需求来微调开源模型。
6. 云服务商依然极大影响AI 模型采购决策
2023年，许多企业出于安全考虑通过现有的云服务提供商（CSP）购买模型，2024年的情况依然如此。
这意味着CSP和首选AI模型间的关联性相当高：Azure用户更喜欢OpenAI，而Amazon用户更喜欢 Anthropic或Cohere。
如图所示，在使用API访问模型的72%企业中，超过50%的企业选择其CSP所托管的模型。（请注意，超过25%受访企业选择了自托管，可能是为了运行开源模型。)
7. 企业关注模型的差异化和创新性
即便企业将“推理能力、可靠性、易访问性”作为采用特定模型的首要因素，但他们也更加倾向于采用具有其他差异化功能的模型。
例如，多家企业将“200K上下文窗口功能”，作为此前采用Anthropic的关键原因；一些企业采用Cohere是出于其在上市之初，主打微调功能的易用性。
8. 大多数企业认为模型性能正在趋同
不可否认，AI模型正在变成“瓶装水”——尽管闭源模型在外部基准测试中表现更好，但企业领导者仍然为开源模型打出了较高的NPS，因为它们更容易针对特定用例进行微调。
一家公司发现“经过微调，Mistral和Llama的性能几乎与OpenAI一样好，但成本要低得多。”按照这些标准，模型性能的趋同甚至比我们预期的更快，这为企业提供了更多选择。
9. 企业倾向于“模型花园”
大多数企业都希望，在设计AI应用时，只需更改API，就能在不同模型之间进行切换。一些企业甚至预测试提示，以便切换在按下开关时立即发生，而其他企业则构建了“模型花园”，以便他们可以根据需要将模型部署到不同的应用程序中。
一部分原因出于云时代的惨痛教训，减少对供应商的依赖；另一部分原因是，行业发展太快，将鸡蛋放在单一的AI模型中不可取。
三、实际用例：转向更多生产场景
1. 企业更倾向于自主开发而非直接从第三方购买
有了基础模型提供的API，企业更容易构建自己的AI应用。一些基于熟悉应用场景，例如客服或内部的AI Copilot。同时，企业也在尝试创新，例如编写消费品配方、缩小分子发现范围、提出销售建议等等。
总之，“套壳”GPT又会面临挑战。我们认为，那些能够超越“LLM + UI”公式、重新思考企业基本工作流程、帮助企业更好地利用自身专有数据的AI产品，将市场上大放异彩。
2. 企业对内部应用场景兴奋，但对外部应用场景谨慎
2023年最流行的应用场景，要么是专注于内部效率提升，要么是构建AI Copilot作为客服/销售辅助。这些情况，在2024年可能不会发生太大变化，依然占据主导地位。
这是因为企业对GenAI仍持有两大担忧：（1）幻觉和安全问题；（2）将GenAI部署到敏感消费者领域（如医疗保健和金融服务）的公共关系问题。
类似担忧实在太多，谁能提供控制幻觉与安全问题的AI工具，谁将广受欢迎。
四、结语
a16z预测：到2024年底，模型API（包括微调）市场将增长到50亿美元以上（2023年预估是15亿~20亿美金），而企业支出将是其中的重要部分。
基于企业高层已经发出了“寻找、部署GenAI解决方案”的号令。我们可以预见，过去一年多时间才能完成的交易，现在可能只需2 、3 个月就能完成，且交易规模比以往更大。
虽然这篇文章重点关注基础模型层，但我们相信AI ToB的机会将延伸到技术栈其他模块——辅助微调的工具、模型部署/运维服务、AI应用程序构建、垂直场景的AI应用建构等等。
近期，a16z连发三篇AI ToB调查报告，这足以说明，AI炒作之后，B端市场愈加关键。