市面上谈 AI 落地的文章,大多数还是 to-C 产品思维或 SaaS 思维的延伸:做一个产品,找客户,卖订阅,铺规模。但在中小微企业这个市场里,这套打法的水土不服是结构性的——企业主不缺 AI 认知,缺的是"这东西今年能帮我省多少钱"的直接答案。
最近有机会近距离拆解了一套在一线跑通的 AI to-B 落地打法。它不性感、不追新概念,甚至刻意反技术炫耀,但商业逻辑自洽得近乎冷酷。这篇文章把这套打法的骨架完整拆出来,供同样在思考 AI 落地的人参考。
一、唯一定位:不是卖系统,是帮企业省钱
这套打法的起点是一句对主流思路的否定:跟 SaaS 没关系,不是卖用户系统,而是减少他的开支。
逻辑简单到近乎粗暴:企业最关注的是成本和开支。一家企业有 10 到 20 个人做数据录入,慢且出错。你不需要跟他讲 AI native、讲数字化转型、讲大模型能力边界——你只需要算一笔账:一个录入员一年的全部人力成本(工资、社保、工位、管理损耗)是多少钱,一台机器跑一年是多少钱。一笔机器一小时能顶 3 到 5 个员工一天的活。
这笔账算完,销售动作就结束了。降本增效是核心,而且是唯一的核心。
这个定位带来一个反直觉的推论:几乎不需要营销。告诉企业你能解决什么问题就够了。获客靠的不是投放和内容,是渠道和转介绍——后面第三节展开。
二、诊断是筛选器,不是营收
这套打法里有一个容易被误读的环节:收费诊断。一小时两千起,可按天计,车马费另报,不签合同,形式接近律师会面。
表面上看这是一门咨询生意——一次性付费、高翻台率、不错的现金流。但它的真实功能完全不同:诊断的本质是付费资格认定(paid discovery),用一笔先付的钱筛掉"聊聊看"的无效客户。 诊断出可落地的,转成订金进入交付;诊断完不能落地的,到此为止,双方零沉没成本。
几个细节值得注意:
付费方不一定是终端企业。 很多诊断和咨询是渠道对接方先付费——现金流结构因此与一般的"企业付诊断费"模式不同。
不签合同是刻意的。 签合同意味着双向承诺,会绑住交付方自己。不签、按小时收、像律师见客户一样,进退主动权完全在自己手里。
不见面是默认的。 流程是:先电话,再线上会议,需求明确且有成型落地方案之后才见面——减少一切无效见面。落地实际发生时见面才有意义。
这一层在销售方法论里对应 BANT 框架中的 Budget 和 Authority 闸门,但它是用真金白银设的闸门,比问卷和评分卡有效得多。
整层逻辑的优先级被一句话收束:先建立关系成交。 诊断不是利润中心,是成交的入口和筛选器。
三、渠道带客,永远不见 C 端
这套打法里最反主流的一条:从不直接找企业终端用户,见客户必须是中间渠道对接来的、需求明确的用户。
获客动作的方向是反的——先把自己推销给中间人(能接触中小微企业的渠道方、园区、行业协会、服务商),然后把双方利益捆绑,让渠道自己动起来去带客。
捆绑的底层逻辑不是合同,是四条:
- 不可替代——渠道的客户遇到这类问题,除了你没有别人能解决;
- 最经济——用你的方案比任何替代路径都便宜;
- 懂规则——懂渠道的行业规则与潜规则,合作摩擦小;
- 不冲突——不做与渠道竞争的任何业务。
还有一条更锋利的补充:渠道不知道你最赚的是什么。 信息不对称本身就是壁垒——渠道连你真正的利润引擎都看不全,自然无法替代你。黑箱原则不只对客户,对渠道同样成立。
这本质上是间接销售渠道策略(channel partner strategy)的极端版:永远不直连 C 端,只通过中间渠道对接明确需求,把获客成本压到趋近于零。
四、只对老板算账
这套打法的沟通纪律极其严格:真正打动企业的话只对老板说,对中间商都不说,因为没用。
“一台机器一小时顶 3 到 5 个员工一天的活,一个员工一年多少钱,一台机器一年多少钱,你是老板你用不用?"——这样的话只对能拍板买单的人讲。中间商听不懂也不关心,讲了白讲。
这个纪律的背后是对企业决策链的清醒认知:中小微企业里,ROI 账本只有一个人真正关心,就是出钱的那个人。对其他人讲功能、讲架构、讲愿景,全是噪音。
方法上,这套做法接近价值式销售(Value-Based Selling):不卖系统本身,卖的是"一台机器顶三到五个员工"的算账结果,把客户所获效益的货币价值直接摆出来。
至于技术实现——OCR 准确率不到 100% 怎么办?工作流谁来开发?这套打法的回答是:那是技术问题,找专业的人解决就行。可以外包给大学团队,可以定制工作流,交付方自己只管算账和落地。技术不是壁垒,能落地、能算账、能拿到客户才是。 这一点与大多数技术出身创业者的直觉完全相反。
五、融入而不改造
企业最烦的采购体验是"买了 AI 然后被要求改造”。这套打法只做一件事:不动企业现有的工作环境、使用习惯、软件应用,把 AI 融进去。
这在变革管理里叫变革阻力最小化——企业采购 AI 最怕的不是花钱,是被要求改造现有流程和软件带来的组织震荡。降低变革阻力,就是在降低成交门槛。
交付方式也朴素到极致:工作流用 n8n 这类低代码编排工具半天写完,演示时拿一台 Mac 过去,不部署、不交付源码、不做系统集成。客户亲眼看到机器真能代替人,事情就成了。
工具的版本新旧、是否用最先进的编码 agent,都不重要——稳定能跑才重要。企业客户对"稳定"的敏感远高于对"先进"的敏感,这一点在算力、模型选型、工作流交付上全都成立。
六、黑箱交付:know-how 即壁垒
交付物没有源代码,编排工具的调教方式不展开,客户看到的是一个"能干活"的黑箱。
这是一种自觉的商业秘密保护策略:靠不披露 know-how 来守壁垒,而不是靠专利或技术独占。 客户买到的是结果(“真能代替人”),买不到的是调教方法。
黑箱交付的代价是标准化困难——这一点放到风险一节再谈。但作为个人或小团队的起步打法,它把交付成本压到了极限:没有部署、没有运维移交、没有文档包袱。
七、全轻资产:养学员,不养人
这套打法的组织形态也值得拆:
不雇固定员工。 项目来了,从学员池里拉人,按项目分润。学员通过教学体系培养,目的不是赚学费,而是让他们能接触客群、能落地赚钱、有活干。接活分散下去做,不用养人还拥有自己的团队;学员水平提升还能反哺团队能力。
非核心环节全部外部化。 培训外请,不做 MCN,拒绝企业培训邀约——培训不是利润中心,是分心。
连办公场所都是轻资产。 合作方无偿提供几百平场地,没有附加条件,对方还帮忙约人。谈事时出面,其余时间远程办公,非必要不见面。那些名义免费、实际要股份分成的场地,一概不碰——“我是帮你落地的,不是给你赚钱的,更不是租场地的”。
经济学界对轻资产模式有过大样本验证:BCG 对 24 个行业 2687 家公司的分析发现,每个行业里资产较轻的公司平均 ROA 都高于资产较重的公司,关键机制正是高比例可变成本带来的利润波动率下降。这套打法把这条原则执行到了极端:固定成本趋近于零,一切按项目结算。
八、真正的资产:数据飞轮与渠道关系
这套打法里最值钱的一层认知,是关于"什么才是真正的资产"的答案。
用户用不用产品本身不是重点。重点是用户的实际应用会产生反馈,反馈促进智能体完善和服务迭代——这套不断完善的工作流和流程沉淀,才是真正的资产。
后期盈利的结构也随之清晰:按"AI 员工数量"计费(替代了多少个人工岗位就收多少个岗位的钱),加上持续服务和算力收费。而最核心的资产,是跑通后沉淀下来的可复制行业解决方案,加上直通企业和用户的渠道关系——因为这是别人最缺、最难复制的。
换言之,前期诊断和落地都是手段和入口。客户的真实应用反哺智能体完善,沉淀成可复用流程资产,形成"用得越多→越强→越有用"的数据飞轮。
扩张逻辑同样清晰:先占领位置(land-and-expand)。 企业的 AI 认知会慢慢提升,先让企业成为离不开你的用户,等用户有了实际感受和体验,再加项、再改造、再提升,一切就都简单了。同一行业的经验拿到同类客户身上复制——经验曲线持续降本,前期只攻几个行业和场景,越到后面越省事,本质上把自己变成了一家针对特定行业的软件公司,只是从不交付软件。
九、风险与边界:这套打法不是没有坑
任何从实操里长出来的打法都值得尊重,但诚实起见,几个结构性风险必须摆出来:
交付标准化与可复制性。 壁垒是"怎么调教工作流"的个人 know-how,而这恰恰是最难标准化的一层。高度依赖个人经验的模糊调用,一旦要复制给学员或团队,质量就会波动。轻资产模式的经典失败案例就在这条路上——Lego 当年把生产外包给 Flextronics(2005–2008),成本削减激励与质量需求冲突,最终合作终止、回购工厂。BCG 对轻资产失败模式的分析也直接点出:轻资产模式下知识产权泄露和关键 know-how 维护的风险更大。
应收款与现金流错配。 诊断费先收、订金转化、后期按 AI 员工数量计费,听起来现金流不错,但"真正的利润在后期"意味着前期诊断和落地是入口不是利润中心。走这条路的人必须有撑过过渡期的现金储备。行业调查普遍显示,中小企业对 AI 落地呈现"预期乐观但实际投入谨慎"的剪刀差——愿为明确 ROI 付费,但对模糊投入谨慎。这意味着从诊断到订金的转化率不会高,转化周期也不会短。
学员单飞与被渠道踢掉。 “学员学会后自己做"是这套打法的结构性风险,与轻资产 know-how 流失的经典风险完全吻合。学员提升到一定程度就有能力单飞——带走 know-how、带走客户关系。渠道也一样:你可以在企业站稳后踢掉中间渠道,反过来渠道手里握着客户和需求,换一个更便宜的落地服务商就能把你踢掉。壁垒如果不是技术独占而是 know-how,就要接受 know-how 可以被学会这个现实。
底层模型与算力的合规身份。 这是当前环境里最硬的一条边界。如果落地依赖调用海外大模型能力,那么通过未备案的中转通道路由国内企业的数据(往往含个人信息和商业秘密),在现行《生成式人工智能服务管理暂行办法》和《个人信息保护法》的框架下面临真实的合规风险——涉及备案义务、数据出境评估、乃至经营资质问题。行业里已有从业者因此付出过代价,监管层面也明确提示过这类通道的数据出境风险。务实的结论是:这层基础设施不能裸跑,要么依附有合规身份的大平台,要么走已备案的国内模型。 在合规身份解决之前,不该把这条链路放进生产环境。
客户教育成本自担。 中小微企业对 AI 的认知还在很早期。“先占领位置,等认知慢慢提升"意味着前期要花大量时间教育客户——而教育成本是服务方自己扛的,客户不会为被教育付费。如果客户付了诊断费、算完了账、最后说"我再想想”,这单的前期投入就沉没了。
结语:认知框架比打法本身更值钱
这套打法最锋利的地方不在任何一条具体做法,而在它对几个流行假设的系统性否定:
- 不是 to-C,是 to-B 赋能;
- 不是卖系统,是帮企业算账省钱;
- 不是改造企业,是融入企业;
- 不是技术壁垒,是落地能力、算账能力、渠道关系;
- 不是产品资产,是数据飞轮和流程沉淀资产;
- 不是规模化先行,是先占领位置再渐进扩张。
它当然也有明确的适用边界:依赖个人 know-how 的黑箱模式天然难以规模化,轻资产学员网络的质量控制是持续挑战,合规边界必须在动手前想清楚。
但对被困在"做产品→找客户→卖不出去"死循环里的技术创业者来说,这套打法提供的是一个完全不同的思考起点:别问企业要不要买 AI,问企业今年想在哪条业务线上省钱。然后只对老板,把账算清楚。