前言

上周是风叔正式从鹅厂离职之后，迈向创业旅途的第一周。

粗略统计了一下，从11月11号到今天，包括周末，风叔一共见了10个企业级客户，3个外部合作伙伴，做了两场企业内部的非公开演讲，另外还有不计其数的会议。

今天简单聊聊风叔的一些感受，相信你一定会有收获。

AI大模型确实火，客户商机太多了

首先，从企业内部来看，AI大模型是企业为数不多还有预算增长的领域。很多头部企业缩减了headcount、缩减了营销预算，但是AI相关的底层系统和应用系统的预算仍然在增加。在头部企业，AI大模型是巨大的生产力变革，这点已经基本成为共识，因此头部企业都不想错过这个技术变革，避免在未来的市场竞争中落后。

第二，很多头部企业都成立了AI创新中心或者AI生态合作部门，会有一笔独立的预算用来进行AI大模型项目的预研和验证，这些都是初创公司切入大客户合作非常好的窗口。

第三，如果你去企业聊proposal，前几年比较火的是数字化转型，是降本增效。但是今年，你如果还是拿这些议案，企业已经不感兴趣了，数字化转型的故事企业已经听烂了。但如果你聊的是AI大模型，不管是聊应用场景、技术原理还是行业趋势，从企业CEO、CTO、CIO到下面的业务部门，都会非常欢迎。甚至很多企业已经把对AI大模型的应用和探索，作为高管的考核指标之一。

因此，目前各个行业都出现了非常多AI大模型的商机，大到企业级AI平台，小到一些AI场景的POC验证。

头部企业和头部企业是不一样的

在上一篇文章《离开工作了七年的鹅厂，风叔正式踏上AI大模型的创业之旅》中，风叔有提到，我们锚定在行业头部企业，因为头部企业客户对AI接受程度高，可以减少很多前期的客户教育。经过这段时间的密集交流，风叔发现，同样是头部企业，对于大模型的认知也会存在巨大的差别。

传统的科技行业巨头，比如生产制造业和生物医药业，对大模型的探索非常积极和超前，敢想敢做，甚至已经有了很多非常领先的尝试。比如利用AI大模型进行药物研发、设备运维、销售助理。

但在一些传统行业，比如零售、地产和金融，对AI大模型的认知相对落后一些，认为大模型还只是像chatGPT那样的对话机器人，他们对AI Agent、对Rag的理解还很浅，不知道大模型其实已经可以做非常复杂的事情。

这个差别产生的原因，某种程度上也和企业面对的竞争和视野有关。科技行业更新换代非常快，你不前进就会被竞争对手赶超。而传统行业相对比较保守，一般不会轻易做第一批吃螃蟹的那帮人，除非实际看到某个技术范式已经对行业产生了巨大的影响，才会有动力进行改变，这和当年Cloud的渗透路径几乎是一样的。

另外一个发现是，外企相比国内企业更超前。可能因为在国外，用户能顺畅地使用openAI，而openAI的智能水平，显然是国内很多基座大模型无法望其项背的。很多国外用户已经将大模型应用在实际的日常工作中，这些认知必然也会影响到外企在国内的团队。

以上认知层面的差别，更多体现在企业的中层和基层，头部企业高层对AI大模型的认知还是比较清晰的。

RAG非常重要，现在和将来都是

RAG，无论在现在还是将来，都会是绝对重要的武器。

风叔和客户聊到了很多业务场景，几乎所有场景都涉及到向量数据库或知识图谱，比如设备智能运维场景、医药检索场景、销售培训场景、智能导购场景等等，这些都是此前风叔有预想到的。

未来随着基础大模型越来越智能，prompt和微调的重要性会越来越低。因为prompt的本质是在引导大模型如何思考，当大模型本身越来越智能的时候，对prompt的依赖性就越来越低了。比如GPT-o1出来之后，用很简单的prompt就能做很复杂的事情，不需要像过去那样设计复杂的prompt。微调也是同理。

但RAG的本质是解决企业私域数据的问题，企业永远不可能把自己的核心数据交给基础大模型。无论大模型的智能化如何演进，都需要给大模型挂载企业级专属知识库，这就是RAG的最佳用武之地。

所以，如果你是产品经理或开发，想往AI转型，RAG是你必须精通的领域。

大厂在toB领域确实没有优势

风叔在之前的文章也提到过，大厂在大模型的企业级领域没有优势。

而大模型toB应用是大厂很难发挥优势的地方，这一点风叔深有体会。

风叔在之前的工作中，接触过大量的头部客户，很多AI大模型的应用场景和需求，大厂其实很难接住。大厂内部都有自己的大模型，出于政治正确的考量，基本上都会要求客户使用自己的大模型。但这类大模型往往比较难私有化部署，企业出于法务合规性和数据隐私保护，不可能将企业敏感数据向公网传输。虽然目前很多大厂也发布了可私有化部署的小模型，但其实际性能往往不如公网模型。 

同时，企业级AI场景需要大量的前期人力投入，比如客户调研、场景深挖和模型微调，大厂对于人效的高要求，也很难为客户进行贴身服务，但做不到贴身服务就无法真正落地好的场景。

风叔，公众号：风叔云离开工作了七年的鹅厂，风叔正式踏上AI大模型的创业之旅

和很多客户实际交流过之后，也再次印证了风叔的想法。

很多客户已经对大厂祛魅了，他们也逐渐知道了大厂的顽疾，比如不肯持续投入，组织架构经常变动，不会贴着客户的业务和场景。自以为做了一个所谓最大公约数的标准产品，就觉得客户应该来用，想当然的闭门造车做产品。

现在有些客户之所以还会选择大厂，也更多是看重其他方面的因素，非产品或方案本身的因素，比如云资源、PR资源、流量资源、或者战略合作。但是细问之后你会发现，大厂在企业内部也没有特别好的场景落地。

比如目前风叔参与的一个大型企业的项目投标，第一轮招标12进4，5家大厂全军覆没，在客户提的各项指标上均表现不佳。我们因为能够贴着客户做，场景和效果都打磨得不错，顺利进入第二轮。

这个结果也完全在风叔的意料之中，因为大厂给头部企业做项目，要么找集成商，但是集成商对产品和场景没那么了解。要么大厂自己铺人上，但大厂对于人效的考核很严格，这种模式无法持续，大厂只对超级大的战略级客户才肯投入。

大模型也存在明显的局限性

大模型也不是什么场景都能做的，比如很多客户仍然会存在销量预测、对象聚类、效果归因等方面的需求。这些都不是大模型的强项，得依靠传统的机器学习模型，比如线性回归、KNN、运筹学等等。目前，我们也在尝试利用大模型直接解题的方式，但效果还需要继续打磨。

所以，在未来很长一段时间内，都会是大模型和传统机器学习模型共舞的时代。这里比较合适的做法是，把机器学习模型构建成一个个的工具，让大模型进行调用。

合作伙伴非常多，很多环节不一定要自己做

在现阶段，风叔并没有那么关注竞争对手，还是核心关注客户需求和业务场景，思考怎么能更好地服务和落地这些应用场景。

风叔发现，很多场景我们都能找到非常契合的合作伙伴。有很多合作伙伴原本就深耕某个领域，可能是做大客户项目落地，也可能是专注于做某个垂直领域。他们的优势是客户资源，而我们的优势是对大模型和Agent的理解，以及AI场景的业务咨询和落地能力，这里就能擦出很多火花。

比如风叔上周聊到一个做边缘计算平台的伙伴，之前风叔在智能运维场景下就在思考，怎么提升终端设备数据接入的效率，而正好边缘计算平台就能帮我们补齐这个短板。

虽然也有一些竞争对手，比如其他的AI Agent平台，比如以前做Saas + AI的公司，但目前整个市场渗透率还比较低，发展空间非常大，

后记

上周还有一个挺大的收获，和客户聊到了一个让风叔眼前一亮的场景，用AI Agent取代传统咨询公司，即将传统咨询公司的咨询方法论，沉淀到AI Agent中，自动为客户生成业务诊断建议。因为涉及商业机密，具体的细节风叔就不讲了，后面有机会再详细展开介绍。

其实想分享的内容还有很多很多，但因为风叔的时间和精力有限，这篇文章就先分享到这里。在后面的文章中，风叔还会介绍一些我们实际做的场景和案例，敬请期待。

如果你对风叔做的事情感兴趣，或者你对AI大模型的企业级应用有自己的心得，欢迎添加风叔微信进行交流。

风叔，AI大模型领域创业者，前腾讯产品总监，十多年产品设计和商业化经验，对电商、营销、AI和大数据产品具备丰富的实战经验。风叔将坚持输出自己的总结和思考，希望对你有帮助。