AI领域，为什么越来越多人开始看好ToB？

在今年以前，AI行业里大部分讨论焦点都集中在C端：OpenAI的ChatGPT、字节跳动的豆包、月之暗面的Kimi，谁的日活更高、谁的用户增长更快，常常被当作衡量一家AI公司价值的默认标尺。相比之下，做企业服务（ToB）则被不少人视为"苦活累活"，仿佛是上一代企业软件公司才会走的老路。

但进入2026年上半年后，这种判断开始出现松动。不少投资人和创业者重新打量起Anthropic、智谱这类把主要精力放在服务企业客户的公司，一个原本不太被认同的判断——面向企业卖AI服务，可能才是这一轮AI浪潮里更扎实的生意——正逐渐获得更多人的认同。

这种转向并非单纯的情绪变化。把供给侧、需求侧和资本侧的几条线索拼在一起，会发现B端在结构上确实存在一些天然优势。

算力账，越来越难算平

互联网时代有一条被广泛接受的经验：用户规模越大，边际成本越低，规模效应越明显。但在大模型时代，这条经验似乎不再那么适用。

据报道，截至2026年上半年，日活超过2亿的豆包App，每日收入不足百万元，主要来自电商佣金；而据该报道结合火山引擎公开API价格与毛利率推算，豆包App今年5月每天消耗的算力成本已达数千万元量级。

媒体分析，问题的根源在于成本结构出现了反转。纯文字聊天本身成本不高——按人均每天15到20分钟的使用时长估算，单次成本只有几分钱。但图片识别、语音对话、视频生成等多模态功能，对应的算力成本往往要高出数倍甚至数十倍。也就是说，用户用得越多、越深入，平台承担的成本压力也越大。这还不包括训练模型所需的基础设施投入——一座大型智算中心通常需要数万张AI芯片，再加上数据中心建设、供电、网络与运维支出。据报道，字节跳动计划将2026年的资本开支上调至超过2000亿元人民币，相当于其2025年利润的约六成。

在这样的成本结构下，C端用户规模的扩大未必意味着收益的同步扩大，反而可能加重算力层面的负担。

用户能不能分辨AI的好坏，决定了谁愿意付费

成本是问题的一面，需求侧的情况则更隐蔽。明略科技创始人吴明辉提出了一个角度：AI要赚钱，C端用户的支付能力其实有限，原因不在于他们不愿花钱，而在于缺乏对细分领域的鉴别能力。这种说法点出了C端商业模式中一个常被忽视的问题：当用户难以判断不同AI产品之间的实际差距时，也就缺乏为更高质量付溢价的动力。多数C端产品最终因此卷向相似的竞争方式——免费、补贴、拼日活，而每一个新增的免费用户，在多模态时代都对应着实际的算力支出。

吴明辉认为，B端的情况有所不同。一家做新药研发的药企，往往会优先选择能力更强的AI，并愿意为此付出更高的价格。在他看来，专业程度越高的场景，越容易分辨AI能力的优劣，也越愿意为顶级能力支付溢价——这是B端在需求侧相对C端的一个优势。

Anthropic的营收变化，提供了一组可参照的数据

如果说豆包的算力账提示了C端商业模式可能存在的压力，那么Anthropic的营收变化则提供了另一面的参照。据报道，Anthropic的年化营收已接近450亿美元，而OpenAI的年化营收刚突破300亿美元，目前约330亿美元。半年前这种差距还很难想象——2025年底，Anthropic的年化营收约为90亿美元，不到OpenAI的一半。

类似的信号也出现在竞争对手内部。据报道，两个月前有字节高层访问了Anthropic，此后字节内部开始调整AI资源分配，部分重心从豆包这类大众化产品转向服务企业的产品方向。这类变化或许说明，市场对ToB和ToC优先级的判断正在经历一定程度的重新评估。

值得一提的是，押注企业市场的并非只有Anthropic。微软将Copilot嵌入Office与Teams等企业产品线，Salesforce推出面向客户服务、销售流程的Agentforce，这些尝试也都将企业客户的定制化需求和场景效果作为核心卖点——这与Anthropic、明略科技等公司的逻辑有相似之处，虽然具体打法各不相同。

ToB过去为什么不容易做大

这里会引出一个老问题：如果ToB这么有吸引力，为什么过去二十年，做ToB的公司普遍比做C端的公司更辛苦，利润也相对更薄？

元理智能创始人张帆在2025年的一次论述中谈到了这个问题。他认为，行业里"C端比B端更有价值"的判断更多来自归纳法：互联网时代，做C端的公司普遍盈利可观，做B端则相对艰难，于是不少人把这种经验直接平移到了AI时代，但底层逻辑已经发生变化。他举例说，做C端或许能靠一个好点子较快做到百万美元级别的ARR，但如果验证成功，往往会在较短时间内迎来资源更雄厚的竞争者跟进——留给早期玩家建立壁垒的时间窗口并不长。

这段分析点出了C端模式的一个脆弱之处：点子容易被复制，规模也容易被资源更充裕的对手压制。但AI时代的ToB为何有可能摆脱"靠人力堆砌、难规模化"的旧问题，还需要更具体的解释。

为什么AI时代的ToB，有机会规模化

港股上市的明略科技（2718.HK）提供了一个可供观察的样本。它转向ToB并非因为看到Anthropic的营收数据才跟进——吴明辉此前就尝试过企业级AI（EIP）方向。如今技术条件相对成熟，他更像是较早进入这一判断的实践者，而非后来的跟随者。结合他对ToB模式的几段描述，大致可以拼出一套关于"AI时代ToB为何可能规模化"的逻辑。

一个关键差异在于，传统外包式的服务通常是一次性的，交付完成后不会持续沉淀经验。吴明辉用一个对比来说明AI时代的不同："传统软件外包公司，并没有能力去持续改进系统级的产品。但Palantir的一线团队既服务了前台客户，同时把know-how拿回来不断完善自己的中台产品。"在他看来，AI时代的Agentic Service更接近后一种模式——每一次交付，理论上都有机会反哺产品本身，从而形成一定的复利效应。

与此相关的是计费方式的变化。传统ToB通常按人月、人天计费，扩张空间有限。吴明辉的设想是把收费结构改造成"token成本加管理费"，并且这套模式有机会随着服务能力提升而往上走。更进一步，他设想可以按场景分层定价——能够直接对应业务结果的环节，不一定按token结算，比如广告代运营可以按销售提成分成，而研发类工作则可能按token收费。这种结构与C端"用户用得越多、平台亏得越多"的情况形成对照，理论上有机会成为"服务质量越高、收益越高"的正向循环，并随着算力成本持续下降而逐步改善毛利空间。

护城河的来源也有所不同。C端的护城河更多依赖流量，而流量本身可以靠资本投入获得；吴明辉认为，B端的护城河更多来自具体行业场景里积累的私有数据和上下文，这类积累相对不容易被资金简单砸出来："软件开源，用模型和数据赚钱。开源越彻底，用的人越多，模型的场景数据积累越快，护城河越深。

在吴明辉的设想里，ToB业务的上限并不止于"接单做服务"，而可能延伸到用AI能力对某个传统服务行业进行整体重做——他将其称为AI Roll-up，即不仅服务客户，也可以收购同行业的服务公司，把整个行业的服务流程重新搭建一遍。

几组数据，提供了初步参照

逻辑是否成立，最终还要看具体的运营数据。从公开信息看，明略科技在数据智能业务上已服务过135家世界500强及2100余家企业，大客户续约率超过96%——这项跨越约二十年的留存指标，反映出这是一家长期运营企业客户关系的公司。其相对较新的Agentic Services板块在2025财年实现收入突破1亿元，这项业务目前运营时间约两年。据公司披露，内部约1400名员工与3200多个AI Agent每日在协作平台上共同工作，说明Agent在这家公司的应用已经进入日常运营，而非仅停留在演示阶段。在技术层面，其自研的Mano-P模型在OSWorld等端侧GUI操作评测中位列小模型阵营前列；在出海电商等具体场景中，专用模型的准确率据称可达99.9%，相比通用模型常见的"七十多分、十次操作错三次"的水平更高——这也是其"专用小模型在特定场景里能比通用模型卖出更高单价"的依据之一。

一个判断正在被更多人接受，但还未成定论

把这几条线索放在一起看，B端在这一轮AI浪潮中受到更多关注，似乎不只是情绪上的转向，背后也有一些结构性的原因：供给侧，C端用户规模扩大未必带来同步的成本优势，此外，Anthropic的营收变化与字节内部资源调整，提供了两个可供观察的案例；需求侧，专业用户相对更容易识别AI能力差异，也相对更愿意为高质量付费。而ToB过去常被认为"不容易做大"的几个原因——依赖人力堆砌、经验不沉淀、难以规模化——在部分AI原生公司的实践中，似乎出现了一些新的解法：服务过程本身可能反哺产品迭代、计费方式从按人力转向按智能输出、基于开源策略积累场景数据，以及围绕具体行业延伸服务边界。

当然，这更多是基于目前公开信息和部分公司实践得出的观察，企业级AI服务能否真正摆脱过去ToB业务"重、慢、难规模化"的旧问题，还需要更长时间和更多案例的检验。但至少从目前的迹象看，"面向企业卖AI是否是一门好生意"这个曾经较少被认同的判断，正在获得更多关注和讨论。