上周和一个刚从大厂出来创业的朋友聊天。他去年还在犹豫要不要做 AI 应用，今年终于下定决心，却发现赛道已经变了：
“半年前我觉得自己能做一个 AI 写作工具，现在发现 Notion、飞书、钉钉全内置了。半年前我觉得 AI 客服是个机会，现在发现大厂已经把价格打到了几分钱一次调用。我出来晚了？”
他没说错。
2023 年 ChatGPT 爆发时，所有人都觉得 AI 遍地是黄金。但到了 2026 年的今天，一个越来越清晰的趋势是：AI 的机会不是越来越多，而是越来越少。
更准确地说：留给普通人和中小团队的机会窗口，正在快速关闭。2026 到 2027 年，是最后的关键期。
[Read More]上周和两个做 To B 的朋友吃饭，一个在 Salesforce 生态里做 ISV，一个在做面向中小商家的 SaaS。
做 ISV 的朋友说：“我们今年的策略很简单，盯住那些已经用 Salesforce 用得很好的大客户，帮他们把最后 10% 的定制化需求补齐。客户预算充足，决策链清晰，签一单够吃半年。”
做中小商家 SaaS 的朋友叹了口气：“我们正好相反。客户连 Excel 都不太会用，你得先教他为什么要数字化，再教他怎么用。但好处是，一旦用上了，粘性极高，因为他自己搞不定。”
两个人说完，桌上安静了几秒。
我忽然意识到，他们说的其实是同一件事的两个面——To B 的生意，归根结底只有两种：帮成功的人更成功，帮不成功的人成功。
这篇文章写完初稿后，一个做企业级 Agent 的创业者找我聊。他说：“我觉得 Agent 赛道不太一样。我们现在既在做 Copilot 帮员工提效，又在做 Auto Agent 帮企业自动化流程。两条路都在试。”
我问：“你们现在有多少客户？”
他说：“十几个吧，但每个客户用的方式都不一样。我们团队被扯得很散。”
我说：“你可能正在经历第三种死法——同一家公司同时做两条路径。”
他沉默了一会儿：“那你觉得该怎么选？”
这篇文章就是完整的回答。
[Read More]2026 年，一个事实已经无法忽视：模型训练不再是一项研究活动，而是一项系统工程。
预训练需要万卡集群和 PB 级数据管线，强化学习需要奖励模型和 RLHF/DPO 的工程化流水线，推理优化涉及量化、蒸馏、speculative decoding 等一整套工具链，Agent 能力构建则横跨 function calling、长上下文、规划与工具使用的多维调优。任何一个方向的突破，如果不能在其他环节配合落地，就只是一篇论文，不是一个产品。
这意味着什么？模型本身正在变成标准化基础设施。 就像今天没有哪家 SaaS 公司拿"我们用了 PostgreSQL"当竞争优势一样，未来也不会有哪家 Agent 公司仅靠"我们微调了一个更好的模型"赢得市场。
那么 To B Agent 创业的制胜变量到底是什么？
[Read More]