ToB机会榜单：打破旧时代幻觉的权威推荐

2026-06-17阅读 0热度 0

ai 人工智能

ToB领域真的没机会了吗？前智谱COO张帆的6个反常识洞察，碘伏你对AI时代的创业认知。
核心内容：
1. ToC不再是主战场，AI时代需要重构行业底层流程
2. AI不是工具而是"数字员工"，要从劳动力市场角度思考
3. 需求侧缺口远大于供给侧，关键在于创造真实商业价值

“ToB没机会”、“AI只是工具”——这些话听起来是不是很耳熟？听完前智谱COO、现原理智能创始人张帆的一期播客后，我发现很多自以为是的“常识”，其实都还站在旧时代的地基上。这篇文章整理了其中最碘伏认知的6个反共识观点，以及由此引发的一些思考。

1. ToC不再是时代主战场

互联网时代的逻辑很简单：线下已经被填满了，线上却是一片空白。只要肯在模式上动脑筋，ToC玩家就能快速圈地。但到了AI时代，局面完全不一样了——线上和线下都“满了”。当体验感被大模型快速拉平，靠ToC产品建立护城河的难度指数级上升。

张帆用携程打了个比方：

这个对比很直白。与其在“新App、新交互”上找机会，不如去看看有哪些行业的底层流程或供应链，可以被AI重新写一遍。

传统SaaS的逻辑是：能力 = 人 + 工具。企业的预算已经被人力成本占满了，再添一套SaaS就成了零和博弈——“买了工具，是不是该裁人了？”这就是传统软件推广时的死结。

张帆提出了一个反常识的判断：AI对标的不是软件市场，而是劳动力市场。“AI不是工具，AI是你的同事。”这句话值得反复咀嚼。

当你把AI当作一个员工来设计——给它明确的职责、设置KPI、进行绩效评估——讨论的问题就不再是“要不要多花一笔钱买个系统”，而是整体产出能不能被放大。从实践的角度看，真正在做AI产品时，一个明显的转向是：刻意少说“系统”，多用“数字员工”的叙事和设计语言。

这几年行业里卷的是什么？算力、芯片、大模型参数，几乎所有人都涌向了供给侧。但张帆的感受是：从基础智能到真正的生产力之间，存在一个巨大的鸿沟，而需求侧的投入严重不足。

他打了一个很形象的比方：就像拿着电线和灯泡跑到原始部落推销——“你看这灯泡多亮，我还给你打折，多用点电吧。”可问题是，部落里早就摆满了灯泡，人家根本不知道这东西能用来干什么。真正需要的，其实是电器。

这个比喻很说明问题。与其天天追问“模型还能多强”，不如多想想“我能帮谁多赚一块钱，或者省一块钱”。

基座模型就像不断上涨的海平面。你在海面上砌一座灯塔——完全依赖模型能力——海水每涨一次，你的优势就被淹没一次。正确的做法是造船：让产品和模型能力解耦，海水上涨，你也跟着上涨。

Jasper就是典型的反面教材——产品几乎纯靠大模型能力支撑，ChatGPT一发布，它就被拍在了沙滩上。而Notion则不同，它拥有自己完整的协作和编辑体系，AI只是用来放大原有优势的一层外衣。

张帆给了一个很实用的判断标准：“模型含量”最好控制在50%左右。一半是原有的业务能力，另一半才是模型的放大作用。如果有一天所有人都能用上同一水平的大模型，你还能留下些什么？

传统软件的思路很直接：“你要CRM？要知识库？我给你一个功能。”但张帆把这个逻辑反了过来：

他提出了一个很有意思的概念：“工种”是连接通用智能和生产力之间的桥梁。基座模型就像一个聪明的高中生，要想让它变成能干的医生、客服或运营，就必须围绕每个工种设计对应的环境、反馈和学习机制。这套方法，他们称之为“商业强化学习”。

做AI产品时可以问自己一个很实用的小问题：“我到底在升级哪个工种？又该如何评价这个‘数字同事’的好坏？”

张帆引用了一句话，很戳人：“企业的竞争，本质上是认知的竞争。”人可以招，技术可以买，算力可以租——但没有人能替你回答那个问题：“AI对你的生意，到底意味着什么？”

AI对企业来说不是技术问题，而是业务问题。你不需要搞懂Transformer的每个细节，但必须理解什么是“模型性”：

这些特质直接影响你该怎么用它、在哪些场景用。

这次对谈带来的最大启发是：少用旧时代的坐标系——比如互联网、SaaS——来看待今天的AI。试着从“工种、生产力、业务结果”这些层面，一层一层往下拆。

如果你也在做AI，或者想做ToB，不妨问问自己：