企业AI重构的五个判断
回看这一年,对于中国企业软件和 SaaS 厂商来讲,面对一日千里的 AI 变化,面对订阅商业模式可能面临的崩塌,最焦虑、最大的问题,就是公司和组织如何转 AI。很多创始人已经在 AI 上做了不少投入,买工具、改产品、用 AI Coding。看起来是一个个单点的投入,最后却总会碰到一个问题,个人效率提高了,公司的利润为什么没跟着提高?
今年,我们围绕竞争、商业、技术和交付,做了很多轮讨论。聊着聊着,话题总会回到组织。最怕的是老板嘴里喊着 AI 转型,审批的时候还要把文件打印出来,层层签字。一个人干得快了,后面的审批、协同、验收还按老办法走,省下来的时间,又耗在了别处。
然而,外面的变化很快。代理商开始“叛逃”,自己去做交付,既想实现产品梦,也想增加收入。客户开始手搓 Agent,软件厂商也开始越过原来的边界,多年形成的产业分工体系正在悄然崩塌。
11 月 14 日,在「中国企业 AI 大会」上,我把这一年的观察整理成了五个判断。有些还要等时间验证,但对于正在转型的企业,也许能提供一些参考。
01
我们都到了一个切换时刻
有位老朋友曾经跟我说,不管你舍不舍得,我们都到了一个切换时刻。回头看 SaaS 的发展,2008 年前后,云计算进入中国,SaaS、PaaS、IaaS 的分工逐渐清晰。2010 年前后,基础设施逐步成熟。到了 2014 年,SaaS 进入蓬勃发展的阶段。那几年,融资的消息几乎每周都有,资本对行业的推动历历在目。
那这一轮的大模型和 Agent,会不会经历类似的过程呢?2023 年大模型起势,到了 2026 年,大家开始密集讨论 Agent,也有人称之为 Agent 元年。我的判断是,未来两到三年,企业级 Agent 很可能进入百花齐放的阶段,资本进入应用端的时机也到了。
两条时间线中的应用机会
今年崔牛会做了一个 「AI 决策 lab」 的实验,也是因为我们越来越感受到决策的分量。崔牛会的slogan是「影响和连接企业决策人」,在这样的时代,一次选择做对了,晚两个月,可能还有机会。连续两次关键决策做错了,就可能退出下一轮竞争。竞争、商业、技术和交付都在变,个人的提升怎样变成组织的能力,是这些讨论最后绕不开的问题。
02
判断一 竞争位置变了
小切口,大市场,「围点打援」,软件的边界正在消失,竞争进入混战期。过去,企业软件有一套相对稳定的生态,云厂商提供基础设施,平台软件商掌握核心系统,SaaS 厂商做细分场景,代理商负责客户关系,系统集成商做实施和定制。每一层都有自己的地盘,也默认了彼此的边界。
现在,这条分工链正在瓦解。越来越多的代理商,拿起 AI 编程工具,直接进客户现场做交付。以前要向软件公司采购产品,再赚差价,现在有些需求自己就能做。客户也开始手搓 Agent,原来要交给外部厂商的项目,先在内部试一遍。传统软件、SaaS 厂商、代理商、客户自研、OPC 加 FDE 小队,再加上互联网大厂,六类人同时进入这个市场。
供给门槛下降后的六方混战
代码生成和产品实现的门槛降下来,原来没有研发能力的人,也能把需求做出来,昔日的合作伙伴就可能从此也变成了竞争对手。今年我做了很多 FDE 落地的采访,我接触过一个团队,他们先拿客户的经营报表,找哪些指标异常、哪些数据明显落后于行业水平,再从这个地方切进去,帮客户改善。切口很小,但却贴着客户的业务最痛的地方。
进去以后,客户会继续把需求交给你。原来你做 CRM,他做 HR,大家默认彼此有边界。现在,只要客户信任你,愿意把上下文和相邻业务交给你,业务就会往四周延伸。软件公司原来给自己划的那条线,也就很难守住了。
从一个高价值切口向相邻业务延伸
再往后看三到五年,大家可能都会竞争到一个位置「企业 AI 大脑」。不论你是从销售进去,还是从财务进去,最后都需要理解企业的业务对象、对象之间的关联网络,以及什么条件下可以执行什么动作。从业务逻辑来看,操作界面变成了类
把业务对象关系和可执行规则交给 AI
另外一点,行业厂商有机会把多年积累的业务规则做进去,再向通用能力延伸,这也是我看好行业厂商的原因。客户真正愿意交出去的核心业务,往往要靠对行业的理解才能接住。
03
判断二 商业价值变了
「改弦易辙」,从订阅走向结果。今年我听到一个很有代表性的故事,有位朋友判断,SaaS 和 AI 之间大概还有一两年的窗口,可以再加一些销售,把软件多卖一点。第一季度还可以,到了第二季度,客户的需求就开始明显变化。再往后,老板一上来谈的就是 AI,他关心你能接下什么工作、改善什么指标,原来那套围绕功能的软件销售就越来越难推进。
一家软件公司遇到的冲击,可能来自客户需求和预算方向的变化。
我在演讲里放了三个数。IDC 在 2024 年发布的预测中,2027 年中国企业级 ICT 支出约为 3,500 亿美元,按 1 美元兑 7.2 元人民币粗算,约为 2.52 万亿元。国家统计局的数据中,2023 年中国非金融企业劳动者报酬约为 36.6 万亿元,2025 年规模以上工业企业营业成本为 118.75 万亿元。后两个数字与前面 ICT 支出的粗略规模比值,分别约为 14.5 倍和 47.1 倍。
技术采购与业务用工支出的量级对照
这些数字的年份、统计范围不同,工业营业成本包含原材料等投入,也与人力支出存在重叠,适合帮助我们看量级。具体到一家企业,能服务哪一段成本,还得沿着业务拆开来看。过去我们拿的是软件采购的钱,现在如果能直接接下一段客服、审核、对账或者生产改善,就有机会进入客户原来花在业务和用工上的支出。
机会变大了,价格也可能变低。在昨天(11月13号)AI 实践者峰会这个分会场的交流中,一位律师事务所的合伙人提到,客户会拿 AI 优化成本这件事反过来要求服务方降价。原来一家企业的法律服务一年单价在10万左右,现在降到了3万左右。随着效率提高了,客户也会重新判断服务值多少钱,服务商自己的成本能降多少、报价被压多少,两笔账都得算。
未来,软件公司的生意可能走向几种形态。有人做 Token 和算力的分销,把软硬件、模型和用量组合起来交付。有人直接做业务服务,接下一个结果,按约定结算。还有人把行业数据和专业知识做深,形成可以持续服务客户的能力。
这里面我最担心的,是乙方干了业务的活,最后还是拿 IT 软件预算的钱。你背着业务指标,派人重度投入,甲方采购拿出的依然是原来的招标方式、软件合同和比价逻辑,把你压进一个很小的预算空间里。
系统建设与业务结果分别约定付费方式
所以,签合同的时候,就得把两部分谈清楚。系统建设、接口、维护怎么收费,业务结果怎么验收、如何核账、谁来付钱,都要提前约定。
04
判断三 组织范式变了
AI 原生组织会「异军突起」。刚才现场有赞创始人白鸦讲到组织调整时,有个点让我很有感触,他希望减少人和人之间来回传递信息造成的摩擦力,让人与机器的协作承担更多工作。人和人之间的上下文经常对不上,同一件事,每个人理解的都不一样,解释、汇报、对齐,花掉了大量管理成本。当部分知识可以沉淀成 Skill,部分工作可以交给 Agent,组织里的信息流和分工就有机会重排。
小鹅通创始人老鲍讲过一个很形象的比喻,“火锅型组织”。大家因为一个任务坐到一起,吃完这顿火锅,任务结束,这个组合就散了,等下一次任务,再重新组一桌。组织会越来越围着任务运行,层级也越来越扁平。
围绕任务组织人和 AI
AI 原生公司可以从外部的新能力、新交互出发,倒推自己需要什么样的团队。存量企业要做的是从内部改变研发、运营、交付的工作方式,再把能力带到外部客户那里去。未来,小组织高人效将会越来越被推崇。对存量企业来说,一号位得亲自下场,强力推进才有可能实现。我们开玩笑说需要“开明的暴君”才能够完成组织转型。
AI 进入组织,大致会承担三类工作。一类是执行助手,人派任务、定标准,AI 做整理、核对等具体工作,人来验收。一类像业务同事,团队先接入企业资料,配置流程和权限,用真实案例验证,再让它接下一段完整工作。还有一类承担协调工作,汇总进度、提醒异常,帮助管理层和一线及时对齐。
AI 在团队里的三类工作
今年四月,我们去
「AI决策lab」第二期的一个创始人讲了这样一个故事,他把 AI 接进客户服务群,帮自己汇总异常信息。他们客户群很多,销售未必会主动把每一个问题告诉他。有了这层梳理,他每天能先看到最需要处理的那几个异常,再决定怎么介入。这件事的价值,是让管理者更早看到问题、看清结果,一线员工也可以减少反复汇报,把更多时间用在解决问题上。
看清工作过程再评价实际成果
05
判断四 技术落地还在试错积累
我用「厚积薄发」来概括这个阶段。Agent 进入了爆发前的试错积累期,解法很多,大家都在摸着石头过河。头部厂商今天选的路径,将来一定是最优解吗?现在很难下结论。模型的输出带有概率,企业的严肃业务却要对具体结果负责,两者怎么接在一起,是落地要一件件处理的问题。
现在可谓是内外交困,外部市场的变化很快,模型一升级,可能就覆盖掉你原来单独卖的功能,大厂也可以把同类能力打包进已有产品方案。而客户关心的是,你到底能省多少钱、增加多少收入、改善什么核心指标。企业内部也有难处,数据散在不同系统里,口径不统一,模型会出错,关键动作就需要复核和兜底,开发团队也得学会评估模型,把异常案例留下来,持续验证。
Agent 落地面临的外部变化与内部难题
即使某个环节的准确率已经很高,客户也未必愿意百分之百放手。出了问题谁负责、原来的岗位怎么调整,都包含在这个决定里。技术跑进核心业务的过程,会不断碰到组织、权限和责任的问题,回头看,还是会回到组织。
06
判断五 交付机制需要重做
「以战养战」,让产品和交付形成双飞轮。今年从五月前后开始,我们持续关注 FDE。有人喜欢这个概念,也有人一听就觉得是在包装,但当模型能力和客户现场之间还有这么多工作要做,眼下确实需要有人进去,把事情接起来。我在 PPT 里画了一道剪刀差,一边是模型能力进步很快,另一边是企业真正上线、稳定运行、拿到业务回报的速度。
模型能力与企业价值兑现之间的距离
几份研究分别呈现了不同环节的困难。MIT NANDA 的初步研究中,研究样本里约 95% 的组织未见可衡量的财务回报。Gartner 的调查显示,生成式 AI 原型平均有 41% 进入生产环境。毕马威的报告中,88% 的受访组织正在投入 Agent AI,而讨论整体 AI 应用时,24% 在多个用例上实现了投入回报。
各项研究的样本和口径不同,应该分别理解,但投入、投产、价值规模化,每一步都有各自的难处。
FDE 的机会,就在模型能力和业务结果之间。我和做国内某头部云厂商交付一号位聊过,当年云计算进入中国,也需要工程师去客户现场指导。到了今天,这类工作依然存在,只是交付效率、工具和产品化程度提高了。FDE 会不会长期存在?我的判断是,会。更重要的是,每做一家客户,能不能让下一家的交付更快。
现场交付,把规则沉淀下来,去下一家客户验证,再把验证结果反馈到产品里,带着更新的产品进入下一次交付。这个过程滚起来,产品和交付才能互相推动。
把一次交付变成下一次交付的起点
讲到这里,也需要重新思考行业信仰。SaaS 时代,我们义无反顾地学习美国的产品、商业模式和发展路径,走到今天,找到了自己的路的同时也付出了不菲的代价。企业 AI 时代,硅谷仍然值得研究,但中国企业的需求、采购方式、交付结构,要从自己本身去找答案。
07
写在最后
留给未来的五个反直觉判断
讲完五个判断,我想再留五个问题,过两三年我们再回来看。
关于壁垒
马奇诺防线很坚固,德军换了路线。过去我们引以为傲的护城河,也正在被 AI 重新检验。客情关系一定是护城河吗?积累多年的行业 Know-how,一定能把别人挡住吗?
堡垒完好对手已经换了路线
我接触过一个案例,几个原来不懂行业的年轻人,拿着 AI 进入业务,在实际做事的过程中快速学习,逐渐形成了自己的能力。这件事给我的震撼很大,过去觉得别人很难补上的经验,在 AI 和新的学习方式面前,补课速度可能比我们想象得快。行业厂商的机会依然在,但得把经验变成能解决客户问题的产品和交付能力,持续往前跑。
2. 关于技术
英国红旗法要求有人在车前举旗步行示警,车已经能跑了,还要跟着人的步子走。今天很多 Prompt 和 Skill,也包含了对现阶段模型能力的补充,或者说是限制。当数据足够丰富、足够多的时候,这些中间态是不是就应该去掉了?
模型进步会改变过渡工具的价值
这件事多久会发生?我和白鸦在一次直播时讨论过这个问题,时间还很难说清楚,但做应用的人得把这个问题放在心里。模型再升级一轮,自己的产品还能为客户留下什么?今天做的那些投入里,哪些能随着业务继续积累,也值得重新看一看。
3. 关于交付
瓦萨号首航不久就沉在了港内,下水之后,工程上的问题才真正显现。OPC 加 FDE 的供给正在快速增加,里面不乏有优秀团队,也有很好的客户实践。与此同时,供应能力参差不齐,价格竞争越来越激烈,交付以后的事情就更需要提前考虑。
交付能力要在真实运行中接受检验
有朋友转述过一个不久前刚刚发生的客户选型故事,一家成熟厂商报价一百万元,另一家报价十五万元。预算摆在那儿,很多客户会认真考虑十五万元的方案,但选型还得接着往后问,后续运维怎么做,出了异常谁处理,系统还要不要持续维护?低价进场之后,整个使用周期的钱由谁来出?我的判断是,未来几年,甲方会为一批“野生交付”交学费。
4. 关于商业
大家都想靠 RaaS 拿更大的业务预算,但真正结账时,可能又回到 IT 软件采购的老规则里。矿工干了实实在在的活,公司却想用只能在自家商店消费的代用券付钱。下面这张图对应的历史故事,让我想到的就是结算规则。
业务结果与结算规则可能并不一致
你在客户现场承担了什么责任,最后按什么规则拿钱,两件事都得提前讲明白。业务部门认可了效果,采购怎么签合同、财务怎么付钱,还得一起走通。干业务的活,最后按软件的账结,有可能会是很多企业 AI 厂商要面对的窘境。
5. 关于自研
今天,CIO 手握“利器”,内部团队可以自己做 Agent,这当然会带来很多尝试。但一个部门一套数据口径、一套自己的规则,再分别接进企业系统,过一段时间,可能就会留下比数据孤岛更难清理的“烂尾楼”。十九世纪的英国,铁路越修越多,轨距却不统一,到了换接站,旅客和货物只能换车。
不同轨距各自能跑却难以连成一张网
企业内部也可能出现类似的场面,每个 Agent 单独看都能跑,连到一段完整业务里,就发现上下文、权限、规则接不上。更麻烦的是,有些 Agent 还在自动做事,它动了哪些数据、触发了什么动作,如果没人说得清,清理起来就更难。
08
模型可以借,总闸握在自己手里
前面五张图是黑白的,最后我想给大家一点亮色。模型和工具的能力,可以借,但企业自己的数据、知识和业务决定权,要尽量握在自己手里。我走了一圈,和客户、同行交流以后,发现很多企业会选择用开源的方式构建自己的 AI 大脑。外部的能力接进来,核心业务的知识、权限和控制权, 要 自己掌握。
AI 主权的决定权留在企业自己手里
电可以从外面来,总闸要握在自己手里,这就是我理解的企业 AI 主权。这几个周期走过来,我们手里都有积累,也都有不舍。接下来,判断清楚了,就尽快推动组织转型,让工具的进步真正变成企业的能力。
最后,我还想讲一句,ToB是个慢市场,先发优势并没有那么大,在一切还未明朗的当下,晚点下注并不失为一个好选择。构建AI原生组织,控制好现金流,伺机而动。
本文来自微信公众号“牛透社”(ID:Neuters),作者:崔强,36氪经授权发布。















