陈亮（北京理工大学网络空间国际治理研究基地研究员）

过去几年，大模型的故事主要讲给技术圈和资本市场听，参数规模、算力价格、性能排行榜轮番刷屏，融资额和资本开支不断刷新想象。但当模型能力在通用场景上逐渐收敛，决定下一轮胜负的，已经不再是谁的模型更大、更快，而是谁能在真实的专业场景里，持续创造可定价的价值。

新华社

在这条新的问题链上，AI To P作为一条与To C、To B并行的路径，正在中国浮出水面。这里的P不是泛指普通用户，而是professional，即那些依靠知识、判断、责任和经验在市场中获得溢价的专业人士：医生、律师、工程师、教师、金融分析师、政策顾问、研究员、设计师以及各类专业服务提供者。

在教育领域，AI已经能批改作业、生成错题分析、整理知识点，并为不同学生提供个性化学习建议。教师可以从成堆作业中解放出来，从“改作业机器”转向启发者和因材施教者，把时间花在教学设计和学生发展上。在金融领域，AI可以自动抓取财报、公告、新闻和舆情，生成摘要和风险提示，让分析师从找数据中脱身，把精力集中在构建逻辑框架和做出判断上。在医疗领域，影像与病理AI能辅助医生识别病灶、提示异常指标，把医生的注意力从基础筛查转向疑难病例和医患沟通。

这些场景有一个共同点：AI接手的是专业角色最希望被系统化和自动化处理的部分。一旦这些工作由AI承接，专业角色本身的价值反而会被放大。未来专业竞争的门槛，正从谁更懂业务，转向谁更会用AI放大自己的专业能力。

在AI To P语境下，大模型商业模式正在发生几处方向性迁移。

首先，从通用能力转向垂直深耕。通用大模型仍是底座，但要在医疗、金融、法律、教育、工程、政策等专业场景站稳脚跟，离不开行业语料、业务流程和合规边界的持续注入。真正有竞争力的，将是那些在关键行业里能给出稳定、可解释答案，并被一线专业人士反复使用的行业模型，而非泛泛而谈的通用助手。

其次，从一次性交付转向长期运营。专业用户需要的是随监管、市场和业务策略演进的能力系统，而不是一个静态版本。这推动收费模式从一次性授权，转向按席位、按场景、按效果计费的订阅或服务，把数据回流、模型升级和场景优化纳入持续服务关系中。

再次，从技术提供方转向产品与流程的一部分。孤立的AI工具价值有限，真正关键的是被嵌入教务系统、投研平台、律所管理系统等重要界面，成为专业人士日常工作的一部分。谁真正占据了这些界面，谁才有资格谈入口。

在To P赛道上，入口之争不再是一个超级应用吃天下，更像是一场围绕工作台的多中心竞争：谁能占据专业人士每天高频打开的那一屏，谁就更接近入口。

大型平台和云厂商依托算力和通用模型优势，更容易成为行业级底座。但下沉到科室、团队和业务单元，入口往往掌握在既有系统服务商和垂直SaaS手里——谁长期服务教务、医疗信息、投研、律所管理等系统，谁就更容易把AI模块变成默认选项。与此同时，深耕某一环节的垂直方案商，则在形成一批小入口：投研团队的研报助手、法务团队的合同红线工具、医生的影像初筛助手、工厂里的排产优化组件等。面向的人群不一定广，但只要牢牢占据某一类专业人士的桌面，就具备很强黏性和溢价空间。

从产业结构看，AI To P很可能最终呈现出三层格局：底层是少数通用与行业大模型，中间是围绕行业和职能的专业工具与SaaS，最上层是深入具体环节、承载高频交互的轻入口。竞争的关键，不再是谁一家独大，而是谁在各自层级构建起难以复制的能力和信任。

在这一轮从“比模型”到“比场景”的迁移中，AI To P指向的，其实是一场专业主义的升级：对个人而言，真正的门槛不再是会不会用AI生成几份文案或PPT，而是能否把AI纳入自己的知识体系和工作流，用它支撑复杂决策、搭建可解释的逻辑链、拓展专业边界；对大模型公司而言，真正的考题也不再是技术秀场上的参数和算力，而是在教育、金融、医疗、法律、工程、政策等高价值场景中，能否把模型打造成值得长期信任的专业入口。当AI的叙事从谁家模型更强转向谁在真实场景里更有用时，最有价值的，很可能并不是功能最炫的模型，而是最懂得理解专业、尊重专业、成就专业的那个。