五、效果如何
如果以上4点都ok了 ， 真的会有非常明显的效果 。 用户、政府、公司都很满意 。 （比如前述出行服务商 ， 其“性骚扰”相关的投诉 ， 可能降低了50%）
但是 ， 还有个现实案例是 ， 通过不断的试错、迭代 ， 等这套真的有效的AI系统正式上线时 ，不仅时间已经过去了2年多……连合作业务方的团队都换了3拨人了……
不过 ， 即使效果不错 ， 但这个模式 ， 可能还有其他的弊端……
六、鸟尽弓藏？
这种降本增效类问题 ， 被花大精力解决后 ， 还会有另一个问题 ， 就是团队可能得去找下一个钉子了…… 这也许就是2B AI业务的宿命 。 2C AI可能会不一样 ， 但也会更难 。
从以上信息可以看出 ， 即使大B企业内部就有懂AI且懂业务的负责人 ， 并由他来lead AI降本增效类项目 ， 都是九死一生、费力耗时（可能得2年） ， 其他To B类AI创业公司 ， 作为行业/企业外部的人 ， 要想真的做出效果 ， 难度实在是太大 。
那么 ， To B AI 平台方向公司该认知并应对呢？——
2
To B AI 平台的困境和机会
一、To B AI 平台 1.0 模式 ， 已几乎宣告失败？
1、 To B AI 平台 1.0 模式的概述：奢望一个通用的AI平台 ， 来给不同行业提供AI服务（主要是深度学习） ， 随着行业、客户数的提升、数据越来越多、工具效率越来越高、成本越来越低 ， 整体平台收益就越来越好……
2、这个模式目前 还没成功落地的原因 ， 不仅因为某同行朋友所说“ 客户侧-产品难以标准化；供给侧 ， 算力算法等变量太多 ， 也很难稳定标准化” ， 还有一个关键原因在于 ， 就是前文说的—— 即使客户自己有懂AI且懂业务的负责人 ， 都是九死一生 ， 你作为行业/企业外部的人 ， 要想真的做出效果 ， 几乎是不可能完成的任务 。
3、 资本桎梏给企业以心魔：本来 ， 如果只重点做1、2个（细分）行业 ， 企业也许还能活得轻松一点 ， 但很多AI企业早期接受了 对赌协议 ， 必须在几年之内上市；结果 把自己搞得真心难受 。
4、即使某几家这个模式的AI上市公司 ， 业内其实都知道 ， 其当前业务质量和利润还不够好 。

• 简单来说 ， 如果只是开放AI技术接口 ， 很难真正做大做强 。
• 有观点认为 ， 如果某些公司迟迟不能上市 ， 对于国家形象和从业者信心来说 ， 是不可接受的……

二、从B公司规模角度 ， 阐述To B AI 平台业务的难处
1、 大B公司
1） 背景：只有在头部（大）客户 ， 才能看到最为复杂的环境下、最大规模的生产中需面对的所有困难 。
2年前 ， 某领域第一企业核心数据项X的日数据量 ， 比其他所有公司加起来还多 ， 这种数量级的差别 ， 不论是需求认知还是找解决方案 ， 优势都是不言而喻的 。
而且 ， AI领域应用落地还有一个特点： 即使真的有用 ， 但是在体验侧的效果 ， 别人（C用户或竞争对手）也很难快速发现 。 因为它可能是某个系统维度的提升 。
2）难度：还是如前文提到 ，即使客户自己有懂AI且懂业务的负责人 ， 都是九死一生 ， 作为行业/企业外部的人 ， 要想真的做出效果 ， 几乎是不可能完成的任务 。
3）可行性：
退一步说 ， 即使To B AI平台公司有做这个事情的能力和决心 ， 一旦真的是非常核心、有价值的事情 ， 大企业是不愿意给你做的 。 特别现在 数据、隐私问题这么敏感 ， 一旦有事 ， 那就可能直接game over了 。 ——做这些AI项目 ，内部研发的成本不一定比外部低 ， 还没有数据安全风险 ， 为什么不自己搭团队来做？