文 | 李智勇

故老相傳：中國(guó)人擅長(zhǎng)做應(yīng)用，但在這次AI的應(yīng)用上結(jié)果卻大相徑庭，美國(guó)人在AI應(yīng)用上看起來(lái)跑的更快。

Glean、Harvey等這類(lèi)應(yīng)用動(dòng)輒ARR(Annual Recurring Revenue)過(guò)1億美金，ARR過(guò)2500萬(wàn)美金的初創(chuàng)企業(yè)更是有相當(dāng)大一批。

這是真的有收入做支撐，而不是單單的估值高，所以反倒是更能反映應(yīng)用深度。相比之下，國(guó)內(nèi)的應(yīng)用不管是在數(shù)量還是規(guī)模上就遠(yuǎn)遜。

這是為什么呢？會(huì)一直持續(xù)下去么？未來(lái)可能的變數(shù)是什么？

直接解釋：B端數(shù)據(jù)層缺失

美國(guó)人大量新應(yīng)用全是B端應(yīng)用，這其實(shí)和過(guò)去的SaaS一脈相承。

現(xiàn)象上原因明顯：過(guò)去美國(guó)SaaS也曾經(jīng)突飛猛進(jìn)，國(guó)內(nèi)的SaaS就沒(méi)搞起來(lái)，所以基于AI對(duì)SaaS做升級(jí)米國(guó)自然就也跑的快，國(guó)內(nèi)就跑的慢。

如果在商業(yè)上SaaS跑不通，只是支撐技術(shù)變成了AI當(dāng)然也還是跑不通。

深層次一點(diǎn)的原因則和數(shù)據(jù)成本有關(guān)。

這點(diǎn)可以參照moveworks（28.6億美金被ServiceNow收購(gòu)）和Glean（估值56億美金）的架構(gòu)圖來(lái)說(shuō)明：

（上面兩張圖來(lái)自兩個(gè)公司官網(wǎng)：第一張是moveworks，第二張是Glean）

這兩張圖的共通點(diǎn)是：都存在一個(gè)數(shù)據(jù)層和智能層，數(shù)據(jù)層是企業(yè)的完全表示，智能層導(dǎo)入大模型的通用智能的能力，基于數(shù)據(jù)層創(chuàng)造服務(wù)價(jià)值。

Glean和moveworks的差異點(diǎn)是moveworks里面包含一個(gè)Agentic Plugins，原因倒也不復(fù)雜，moveworks拿企業(yè)整體做抽象，面對(duì)不同企業(yè)的時(shí)候HR、IT等各種職能必然有需要進(jìn)行定制的部分，這部分需要開(kāi)放出來(lái)進(jìn)行某些定制，最終就體現(xiàn)為Plugins。Glean現(xiàn)在越來(lái)越走出搜索，未來(lái)大概率也會(huì)這樣。

比較明顯，是否能構(gòu)建合適的數(shù)據(jù)層就變成了智能層和插件層能否生效的前提。

而是否能構(gòu)建合適的數(shù)據(jù)層基本上和技術(shù)關(guān)聯(lián)不大。

本質(zhì)并不是智能好壞的問(wèn)題，而是數(shù)據(jù)本身的性、質(zhì)問(wèn)題。而數(shù)據(jù)性、質(zhì)背后則是生產(chǎn)關(guān)系的特征。

數(shù)據(jù)有一些物理資產(chǎn)不具備的特征，比如完整性與否就影響有價(jià)值與否，每個(gè)省就有5000個(gè)人信息的數(shù)據(jù)價(jià)值為0，有接近全量的數(shù)據(jù)則價(jià)值趨于無(wú)窮大。

再比如同樣的數(shù)據(jù)的價(jià)值在時(shí)間軸上也不等價(jià)，1年前的全量數(shù)據(jù)，再全價(jià)值也逼近于0。而這些是否能夠滿足，全部依賴于數(shù)據(jù)層的有效性，依賴于生產(chǎn)關(guān)系的特質(zhì)。

所以確實(shí)可以講：數(shù)據(jù)層的缺失卡住了SaaS，也會(huì)卡住AI B端應(yīng)用。從這個(gè)角度看：模式和SaaS越像（不是技術(shù)），越危險(xiǎn)。

SaaS不靈，路在何方？

前兩天參加了個(gè)盛景的活動(dòng)，盛景為未來(lái)AI應(yīng)用起了個(gè)很接地氣的名字叫AI包工頭。

我倒是覺(jué)得AI驅(qū)動(dòng)的商業(yè)體更貼切，但不管那個(gè)名字這背后折射的東西都是一種和SaaS完全不同的模式，一種AI應(yīng)用落地的新思考。

我們可以把B端產(chǎn)品放在一個(gè)更為宏達(dá)的敘事框架下面來(lái)看，我們用幾張圖來(lái)分別做代表：

第一種是經(jīng)典模式，SaaS是按層按塊進(jìn)行分工，然后輔助創(chuàng)造價(jià)值。全AI驅(qū)動(dòng)的商業(yè)體則自身就是價(jià)值創(chuàng)造的完整過(guò)程。很長(zhǎng)時(shí)間的典型結(jié)構(gòu)是：

第二種則是大模型之后出現(xiàn)的，以moveworks等為代表的模式。到這里其實(shí)事情已經(jīng)發(fā)生了本質(zhì)變化：

moveworks和SAP這個(gè)結(jié)構(gòu)相比最大的區(qū)別是：啥都自己做，最多開(kāi)放插件。

要這么搞的話，再不敏感也會(huì)發(fā)現(xiàn)，深入下去的話，這是一套完整對(duì)ERP這套體系進(jìn)行置換的方案。

這為什么是可能的呢？因?yàn)檫^(guò)去的這些產(chǎn)品核心價(jià)值是workflow，而現(xiàn)在非常多的workflow=數(shù)據(jù)+大模型，不需要單獨(dú)做了。

價(jià)值稀薄后當(dāng)然獨(dú)立存在的意義也就小了。

當(dāng)然當(dāng)下限于AI的各種進(jìn)展，這種模式的整合深度也還不夠。

我們這個(gè)時(shí)代最神奇的事情是馬車(chē)、汽車(chē)和自動(dòng)駕駛會(huì)并行，同時(shí)還有一種至少在概念上更先進(jìn)的模式也存在。第二種模式還沒(méi)攤開(kāi)，但第三種也并行發(fā)生了。

第三種是AI驅(qū)動(dòng)的商業(yè)智能體。

（上圖是Waymo的運(yùn)行圖，一個(gè)AI智能體完全承接出行服務(wù)，國(guó)內(nèi)當(dāng)年的蘿卜快跑應(yīng)該是要學(xué)這個(gè)）

Waymo在運(yùn)行的Robotaxi模式其核心特征在于：以AI為中心，在產(chǎn)業(yè)里面選一個(gè)突破口，自上往下整合所有的東西，直接創(chuàng)造價(jià)值。

這前面兩種模式的不同在于：如果都是這么垂直整合，那水平分工就沒(méi)空間了。

在這個(gè)體系里面，最內(nèi)核的部分是智能、數(shù)據(jù)、工作過(guò)程是整合在一起的，很難再切出某個(gè)小塊，使用其它的第三方智能體。

既然都是AI和數(shù)據(jù)驅(qū)動(dòng)，智能的供給又過(guò)剩，那很可能都自己做特殊化的整合就好了。

既然沒(méi)有不得不分工的理由，自己做也不復(fù)雜，那為什么要做水平分工呢？

垂直整合的挑戰(zhàn)

不確定國(guó)內(nèi)是不是能跳過(guò)moveworks那個(gè)階段，直接過(guò)渡到AI驅(qū)動(dòng)的商業(yè)智能體。

第三種模式雖然看著先進(jìn)，其實(shí)也不好搞。這么做垂直整合，隨著業(yè)務(wù)范圍的放大，難度其實(shí)也在變高。

這么做很像找到了一個(gè)點(diǎn)，然后不停的往下打井，直到出水。井口一旦變大了，土方量直線上升。

（https://www.mdpi.com/2032-6653/16/1/16）

上面的圖里很詳細(xì)的說(shuō)明了如果想做垂直整合，那在Robotaxi這個(gè)方向上需要整合哪些方面，彼此間有都是什么關(guān)系。

顯然的這種整合成本是非常巨大的。

也不只是技術(shù)，而是技術(shù)、資本、商業(yè)、制造、服務(wù)、治理的一個(gè)智能商業(yè)體。這套商業(yè)體的核心是對(duì)出租服務(wù)進(jìn)行管控的平臺(tái)，所有其它環(huán)節(jié)包括保養(yǎng)、保險(xiǎn)等要圍繞這套系統(tǒng)展開(kāi)。

而為了讓這套服務(wù)能轉(zhuǎn)起來(lái)，你需要整合供應(yīng)鏈、供應(yīng)鏈的供應(yīng)鏈等等，打穿所有環(huán)節(jié)。每個(gè)環(huán)節(jié)拿出一小塊放到自己的體系里來(lái)。

這就導(dǎo)致這套系統(tǒng)幾乎不可能是通用的，我們很難想象上面的系統(tǒng)是依賴一套通用的類(lèi)似ERP的系統(tǒng)。

潛臺(tái)詞是每個(gè)這樣的商業(yè)體都有一套自己的系統(tǒng)。

而如果每個(gè)智能商業(yè)體都有一套自己的系統(tǒng)，那顯然的moveworks這樣的公司的位置和價(jià)值也會(huì)被壓縮。

AI驅(qū)動(dòng)的商業(yè)體的潛在影響

假如第三種真的普及了，那會(huì)怎么樣？

一句話來(lái)說(shuō)叫：重整供應(yīng)鏈，去中介化。Tesla這種汽車(chē)廠商如果做Robotaxi，那過(guò)去整個(gè)供應(yīng)鏈就被打穿了。

類(lèi)似的任何一個(gè)領(lǐng)域一旦出現(xiàn)全AI驅(qū)動(dòng)的商業(yè)體，那過(guò)去的產(chǎn)業(yè)分工模式就會(huì)重整。過(guò)去企業(yè)的整個(gè)棧是由N層工具支撐出來(lái)的，比如ERP、CRM等。那在這個(gè)模式下，單一工具全會(huì)被精簡(jiǎn)掉，變成一個(gè)子功能。

AI越強(qiáng)大，這種折疊越徹底。

物理的也許會(huì)晚點(diǎn)，因?yàn)檎铣杀颈容^高。數(shù)字的應(yīng)該會(huì)比想的快。

必須補(bǔ)充說(shuō)明的是，遠(yuǎn)不是很多領(lǐng)域都適合做全AI驅(qū)動(dòng)的商業(yè)智能體。

現(xiàn)在不是一個(gè)什么都可以這么干的時(shí)間點(diǎn)。

選擇突破口需要做商業(yè)和技術(shù)的雙重判斷。

商業(yè)判斷要判斷整合成本究竟是否能夠負(fù)擔(dān)。

技術(shù)判斷則要判斷這事技術(shù)能不能搞定。

舉個(gè)例子：比如把法律判決系統(tǒng)變成全AI驅(qū)動(dòng)的。只要證據(jù)比較全，當(dāng)天就出判決結(jié)果。這顯然就不靠譜。

從商業(yè)上看，沒(méi)人能付的起整合成本。

從技術(shù)上看，它就沒(méi)法保證所有的都判對(duì)。

這個(gè)判斷是個(gè)復(fù)雜過(guò)程，這里不展開(kāi)了，可以參照我之前的文章：

非技術(shù)、商業(yè)的因素

SaaS這模式在國(guó)內(nèi)一直猥瑣發(fā)育，看起來(lái)在國(guó)內(nèi)是還沒(méi)等長(zhǎng)起來(lái)就要先老死了。這背后除了前面說(shuō)的數(shù)據(jù)成本因素等之外，還有一個(gè)軟性的原因：

我們的文化背景下好像更傾向于“包產(chǎn)到戶”，不太愿意分工協(xié)作。（比如：足球?yàn)樯陡悴缓媚?..）。所以一提阿米巴大家就很喜歡，其實(shí)阿米巴在很多場(chǎng)景是被噴的。

先不論這是好是壞，這文化倒是和AI驅(qū)動(dòng)的商業(yè)體所需要的縱向整合相匹配。

阿米巴的初衷是什么呢？盡可能各干各的，各有各的結(jié)果。那如果能各干各的，不正成為一個(gè)個(gè)適合拿AI驅(qū)動(dòng)的單元么！

小結(jié)

在一個(gè)馬車(chē)、汽車(chē)、自動(dòng)駕駛并存的時(shí)間截面上，我們往往不單要描述愿景，比如自動(dòng)駕駛會(huì)替代汽車(chē)，還要描述維度以及權(quán)重比如技術(shù)、商業(yè)現(xiàn)實(shí)，再之后還要在維度上打進(jìn)度條，然后才是最終判斷。每個(gè)層面都會(huì)有分歧，愿景上產(chǎn)生的是方向性分歧，維度和權(quán)重上產(chǎn)生的是事靠不靠譜的分歧，進(jìn)度條上產(chǎn)生的是先干啥后干啥的分歧。

所以這是個(gè)很有意思的時(shí)候，這個(gè)時(shí)候需要的判斷是：我們是不是可以跳過(guò)SaaS，跳過(guò)AI驅(qū)動(dòng)的SaaS，直接跳到AI驅(qū)動(dòng)的商業(yè)體呢？