未來可能沒有軟件，只有數(shù)據(jù)庫
未來可能沒有軟件了，就剩個數(shù)據(jù)庫，前面全是AI調(diào)用，機(jī)器人就把所有事都干了。
當(dāng)DeepSeek以開源之勢席卷技術(shù)圈，企業(yè)軟件行業(yè)正面臨一場前所未有的價值重估。大模型的能力平權(quán)是否會讓SaaS廠商失去技術(shù)壁壘？AI驅(qū)動的“數(shù)字員工”是否會終結(jié)傳統(tǒng)軟件的存在邏輯？既有廠商該如何守住護(hù)城河，新銳勢力又該如何抓住彎道超車的機(jī)會？
在崔牛會策劃的“DeepTalk｜DeepSeek猜想系列”對話中，崔牛會創(chuàng)始人&CEO崔強(qiáng)主持了主題為“DeepSeek對企業(yè)軟件是「利好」還是「利空」？”對話，特邀沃行科技創(chuàng)始人&CEO郭舜日、53AI創(chuàng)始人&CEO楊芳賢、「信息化與數(shù)字化」主理人沈旸，就相關(guān)話題進(jìn)行了深入探討。
郭舜日認(rèn)為，有價值創(chuàng)造能力和組織力的企業(yè)不容易被淘汰。如果問哪類軟件最危險，他認(rèn)為是單一功能的技術(shù)型、工具型SaaS。以RPA（機(jī)器人流程自動化）軟件為例，現(xiàn)在Claude提出的MCP協(xié)議等功能，已經(jīng)能用多模態(tài)技術(shù)直接觀察屏幕操作，完全替代傳統(tǒng)RPA。企業(yè)不再需要專業(yè)的RPA工具，就能輕松實(shí)現(xiàn)自動化。這對傳統(tǒng)RPA公司是顛覆性的。
再比如機(jī)器人領(lǐng)域。以前波士頓動力的機(jī)器人需要編程各種動作規(guī)則，現(xiàn)在基于大模型的機(jī)器人可以通過學(xué)習(xí)直接執(zhí)行任務(wù)，不再需要預(yù)先編寫規(guī)則。這類技術(shù)進(jìn)步會讓很多單一功能的工具型軟件失去存在價值。
楊芳賢的判斷是，今天大模型端到端的能力被嚴(yán)重高估了。無論是科技界、學(xué)術(shù)界還是產(chǎn)業(yè)界，對大模型的預(yù)期都非常高。實(shí)際上目前大模型在企業(yè)的落地應(yīng)用，真正能拿到確定性結(jié)果的場景還比較有限。而且這些場景需融合企業(yè)知識、流程，還有一些需要基于企業(yè)現(xiàn)有的數(shù)字化基座實(shí)現(xiàn)的。他認(rèn)為，10-20年后，傳統(tǒng)SaaS將消失，AI的終極形態(tài)是AI生產(chǎn)力，會是數(shù)字人與SaaS的融合。傳統(tǒng)軟件會消亡，軟件從業(yè)者會轉(zhuǎn)型為AI從業(yè)者。
沈旸的看法則更為激進(jìn)，認(rèn)為這個時間周期會更短，可能在半年內(nèi)是“救命稻草”，但半年或一年后就會變成“殺手锏”。未來SaaS會變成“Service as a Service”，Software本身的重要性會大大降低。他認(rèn)為，SaaS的訂閱模式（按人頭收費(fèi)）會被AI顛覆，未來要么賣實(shí)時數(shù)據(jù)，要么賣服務(wù)效果。
這場對話充滿了尖銳的觀點(diǎn)碰撞，對于企業(yè)來說，與其焦慮被顛覆，不如先讓AI幫你省下10個外包人力。
閱讀目錄
1.是“救命稻草”，還是“催命符”？
2.“前期投入，后期躺賺”將不復(fù)存在
3.哪類軟件會先被淘汰？
4.AI有哪些真正可落地的場景？
5.比技術(shù)和產(chǎn)品更重要的是方法論
6.別做“半吊子”產(chǎn)品
7.“數(shù)據(jù)安全”不再是企業(yè)落地大模型的主要障礙
8.企業(yè)“上云”，還是“下云”？
說明：在此，也特別感謝EC CRM創(chuàng)始人&CEO張星亮對這場對話的參與和支持。
以下為對話內(nèi)容，經(jīng)牛透社編輯整理：（有刪減）
是“救命稻草”，還是“催命符”？
崔強(qiáng)：今天是我們「DeepTalk」欄目的第三期討論，主題是探討DeepSeek對SaaS行業(yè)的影響。前兩期我們分別從投資人和原生AI創(chuàng)業(yè)者的角度進(jìn)行了探討，今天我們將聚焦SaaS從業(yè)者的視角。三位嘉賓簡單介紹下自己。
郭舜日：我是沃行科技的創(chuàng)始人，公司對外叫WallTech，主要做航運(yùn)SaaS。我們有兩類產(chǎn)品：國際貨代SaaS和跨境電商物流SaaS。目前國內(nèi)3%的國際物流企業(yè)使用我們的平臺，服務(wù)了1500多家SaaS客戶。期待和大家交流AI如何賦能To B企業(yè)。
楊芳賢：我是53 AI創(chuàng)始人。過去兩年我們一直在探索大模型在企業(yè)的落地應(yīng)用，我親自參與了公司大部分重要項(xiàng)目的售前與交付工作，同時也擔(dān)任了幾家上市公司的大模型落地應(yīng)用顧問。很高興能和大家分享我以一個創(chuàng)業(yè)者的角色在一線的實(shí)踐經(jīng)驗(yàn)和思考。
沈旸：我在To B領(lǐng)域工作多年，最早做了十年ERP咨詢，后來轉(zhuǎn)到甲方做數(shù)字化建設(shè)，現(xiàn)在負(fù)責(zé)一家供應(yīng)鏈金融公司的數(shù)字化業(yè)務(wù)。過去兩年我們在AI落地方面做了很多實(shí)踐，也踩過不少坑，積累了一些心得。很高興能和大家交流。
崔強(qiáng)：今晚我們主要討論兩個核心問題：一是DeepSeek對SaaS行業(yè)來說是“救命稻草”還是“催命符”？DeepSeek是不是SaaS的“葵花寶典”？大家都知道“欲練此功，必先自宮”，但練完之后可能也沒什么用。各位怎么看？
楊芳賢：這個觀點(diǎn)很有意思，我也很認(rèn)同。從長遠(yuǎn)來看，比如10～20年的維度，DeepSeek確實(shí)是SaaS的“催命符”?；貧w到當(dāng)下，未來3～5年大模型對SaaS企業(yè)是有促進(jìn)作用的。核心在于，AI終極形態(tài)是AI生產(chǎn)力，是要替代知識工作者的腦力勞動，本質(zhì)上是數(shù)字人與SaaS的融合。從這個角度看，傳統(tǒng)SaaS軟件將會消失，但SaaS行業(yè)的從業(yè)者會一直在，因?yàn)橹袊髽I(yè)的創(chuàng)新精神不會消失。
沈旸：我基本同意楊芳賢的觀點(diǎn)，不過我認(rèn)為這個時間周期可能會更短?？赡茉诎肽陜?nèi)是“救命稻草”，但半年或一年后就會變成“殺手锏”。未來SaaS可能會變成“Service as a Service”，Software本身的重要性會大大降低。
郭舜日：這個問題需要結(jié)合SaaS行業(yè)和企業(yè)發(fā)展的現(xiàn)狀來看。AI既帶來機(jī)遇也帶來挑戰(zhàn)，本質(zhì)上是對現(xiàn)有商業(yè)模式的重構(gòu)。很多SaaS企業(yè)不盈利，主要因?yàn)楦甙旱膶?shí)施和獲客成本。如果AI工具能替代這些非結(jié)構(gòu)化工作，將極大降低成本結(jié)構(gòu)。從這個角度看，AI對一些企業(yè)確實(shí)是"救命稻草"。
更進(jìn)一步，運(yùn)用AI得當(dāng)?shù)钠髽I(yè)不僅能解決生存問題，還能提升競爭力。但對AI反應(yīng)遲緩的企業(yè)來說，AI就是"催命符"了。他們可能會被擅長使用AI的競爭對手超越，甚至出現(xiàn)小企業(yè)借助AI反超大企業(yè)的情況。所以關(guān)鍵要看企業(yè)擁抱AI的程度，以及AI能具體賦能哪些業(yè)務(wù)環(huán)節(jié)。
“前期投入，后期躺賺”將不復(fù)存在
崔強(qiáng)：如果拋開現(xiàn)有的立場和包袱，作為一個新進(jìn)入企業(yè)服務(wù)領(lǐng)域的創(chuàng)業(yè)者，應(yīng)該怎么看待和思考這個問題？
郭舜日：我認(rèn)為現(xiàn)在AI的發(fā)展給新創(chuàng)業(yè)者帶來了非常好的機(jī)會。首先，AI帶來了全新的能力，很多原本需要復(fù)雜架構(gòu)和大量人力才能完成的工作，現(xiàn)在通過AI就能實(shí)現(xiàn)，大大降低了管理難度和成本。
其次，對于新進(jìn)入SaaS領(lǐng)域的企業(yè)來說，如果能用好AI技術(shù)，可以在某些特定功能上實(shí)現(xiàn)突破，甚至超越傳統(tǒng)的行業(yè)領(lǐng)先企業(yè)。我舉個具體的例子，比如倉庫管理軟件（WMS），以前需要開發(fā)復(fù)雜的調(diào)度算法和處理策略，現(xiàn)在通過AI大模型就能實(shí)現(xiàn)，而且效果可能比傳統(tǒng)算法更好。
最關(guān)鍵的是，傳統(tǒng)企業(yè)可能需要10年積累的經(jīng)驗(yàn)和能力，新創(chuàng)企業(yè)通過運(yùn)用AI大模型就能快速掌握。這意味著新創(chuàng)企業(yè)可以更快地開發(fā)出創(chuàng)新的產(chǎn)品體驗(yàn)，建立更具競爭力的成本結(jié)構(gòu)。所以這對新進(jìn)入者來說是個巨大的機(jī)會，而對于現(xiàn)有的行業(yè)領(lǐng)先企業(yè)來說，則需要特別警惕這個發(fā)展趨勢。
崔強(qiáng)：沈旸，你屬于以前是客戶的身份，你剛才的判斷很激烈——說半年內(nèi)是“救命稻草”，半年到一年后就是“催命符”。這個判斷是基于什么邏輯？那天有朋友來找我說，未來可能沒有軟件了，就剩個數(shù)據(jù)庫，前面全是AI調(diào)用，機(jī)器人就把所有事都干了。會不會是這樣？
沈旸：現(xiàn)在的情況已經(jīng)很接近這個預(yù)測了。除了DeepSeek，市面上另一個模型Claude的影響也很大。特別是Claude 3.5和3.7版本出來后，具備了很強(qiáng)的調(diào)用工具和軟件的能力。在這之前，包括DeepSeek更多是做推理，能把過程拆解，但直接落地還做不到，需要很多外掛處理。
我最近和工程師打交道比較多，明顯看到像Cursor這樣的編程工具，借助Claude模型可以調(diào)用很多本地工具，通過MCP協(xié)議操作本地文件，甚至可能誤刪文件。這讓原本只是聊天的AI變得可執(zhí)行。
DeepSeek進(jìn)化快的一個重要原因是強(qiáng)化學(xué)習(xí)。數(shù)學(xué)題訓(xùn)練有個特點(diǎn)：學(xué)得好可以拿滿分，但語文很難滿分，因?yàn)樵u判標(biāo)準(zhǔn)不固定。同樣，大語言模型很難做到100%準(zhǔn)確。但在DeepSeek領(lǐng)域，雖然仍是概率模型，但通過強(qiáng)化學(xué)習(xí)可以驗(yàn)證答案是否正確。在代碼領(lǐng)域更明顯：代碼可以運(yùn)行測試，驗(yàn)證頁面是否符合預(yù)期。一旦工業(yè)化、規(guī)?；珹I很容易處理這種場景。最近三個月這樣的場景越來越多。
Manus帶給行業(yè)很大的刺激，但更多進(jìn)展是在軟件工程領(lǐng)域。未來，只要是AI能看到的，它就有能力復(fù)制軟件。如果軟件靠功能點(diǎn)疊加，比如企業(yè)管理軟件按功能點(diǎn)計價，以前要追趕需要投入同樣的人力。但任何公司都很難持續(xù)投入上千人做三年?，F(xiàn)在AI可以把軟件拆解、運(yùn)行、驗(yàn)證，24小時并行處理，很快就能找到可復(fù)制的方式，這對軟件工程是巨大顛覆。
以前，SaaS和軟件行業(yè)想“前期投入，后期躺著賺錢”的模式將不復(fù)存在。企業(yè)要么持續(xù)投入研發(fā)，要么提供實(shí)時服務(wù)和數(shù)據(jù)，不可能再靠十年前做的軟件持續(xù)盈利。
崔強(qiáng)：芳賢，你怎么看剛才的問題？為什么判斷“AI對于企業(yè)軟件來說，十年內(nèi)是救命稻草，十年后是催命符”？
楊芳賢：首先，從AI的終極形態(tài)來看，我跟沈旸的觀點(diǎn)是一致的。但沈旸說半年、一年，我覺得沒那么快。背后的邏輯在于，今天大模型端到端的能力被極大的高估了。無論是科技界、學(xué)術(shù)界還是產(chǎn)業(yè)界，對大模型的預(yù)期都非常高。實(shí)際上，目前大模型在企業(yè)的落地應(yīng)用，真正能拿到確定性結(jié)果的場景還相對有限。而且這些場景需要融入企業(yè)的知識和流程，還有一些需要基于企業(yè)現(xiàn)有的數(shù)字化基座來實(shí)現(xiàn)。
大模型被稱為“第四次工業(yè)革命”，這在業(yè)界已經(jīng)有極大的共識。以史為鑒，無論是電力還是信息技術(shù)，從技術(shù)出現(xiàn)到極大地提升生產(chǎn)力，需要一定的時間。所以我的觀點(diǎn)是，大模型落地應(yīng)用也是這樣，大規(guī)模地形成AI生產(chǎn)力也需要三五年，甚至十年以上的時間。
一方面是源于對歷史的觀察，另一方面是我們過去兩年在企業(yè)落地實(shí)踐看到的——今天還無法直接通過大模型及各種Agent全鏈路完成大部分崗位的全流程，但是在這些崗位工作流中的一個節(jié)點(diǎn)、一個工序，借助大模型能極大地提升效率?；诖?，在未來很長的一段時間企業(yè)軟件還是會長期存在，并且會成為企業(yè)邁向智能化的基礎(chǔ)。
郭舜日：我補(bǔ)充一下?，F(xiàn)在AI應(yīng)用面臨的最大問題是，很多企業(yè)的數(shù)據(jù)還處于信息孤島狀態(tài)，數(shù)據(jù)清洗和基礎(chǔ)知識的完整度、單元化程度都不夠。這種情況下，AI對知識的積累和理解是有限的。目前，主要瓶頸不在于AI技術(shù)本身，而在于傳統(tǒng)SaaS領(lǐng)域的數(shù)據(jù)沉淀和經(jīng)驗(yàn)積累不足。比如我們平臺上有37%的出口數(shù)據(jù)，看似量大，但這些數(shù)據(jù)之間互不聯(lián)通，很難形成系統(tǒng)化的知識體系。
所以，現(xiàn)在最關(guān)鍵的不是AI能力的問題，而是如何把分散的數(shù)據(jù)和經(jīng)驗(yàn)整合成可供AI學(xué)習(xí)的素材。我們正在做的重要工作，就是把數(shù)據(jù)和能力真正沉淀下來，形成可學(xué)習(xí)的知識體系。這才是當(dāng)前最需要解決的問題。
崔強(qiáng)：到底是利好還是利空？剛才沈旸提到大家都在用MCP協(xié)議，今早我看到AI大神卡帕西（Andrej Karpathy）的觀點(diǎn)，他說內(nèi)容服務(wù)、AI服務(wù)應(yīng)該停止使用MCP。為什么現(xiàn)在有人追捧，也有人看不上？
沈旸：其實(shí)MCP本質(zhì)上就是個簡單的API服務(wù)協(xié)議，讓Claude等大模型能方便調(diào)用各種工具。在MCP出現(xiàn)前，大家也是通過API調(diào)用工具，只是Claude把它標(biāo)準(zhǔn)化了?，F(xiàn)在有幾百個開源軟件和SaaS服務(wù)都支持該協(xié)議。現(xiàn)在AI領(lǐng)域有個特別的現(xiàn)象：以前推廣一個開源項(xiàng)目可能要幾年才能獲得1萬Star，現(xiàn)在兩三天就能達(dá)到。如果你的軟件不支持MCP、沒有API，或者不能被AI抓取，就會面臨被淘汰的風(fēng)險。
目前MCP有個局限，它原本為本地編程設(shè)計，沒有考慮商用軟件的計費(fèi)問題。有些SaaS公司雖然支持MCP，但會在內(nèi)部設(shè)置調(diào)用次數(shù)限制。MCP生態(tài)主要基于開源體系，未來可能出現(xiàn)兩種情況，要么商業(yè)軟件都加入這個生態(tài)，要么AI只使用免費(fèi)開源工具，把商業(yè)軟件排除在外。目前還看不清楚最終會如何發(fā)展。
崔強(qiáng)：兩位對這個話題有什么補(bǔ)充嗎？
郭舜日：沈旸提到MCP主要是開源體系，但它本質(zhì)上是個協(xié)議標(biāo)準(zhǔn)。我們公司內(nèi)部也在討論如何利用MCP協(xié)議來提升內(nèi)部AI能力。我們現(xiàn)有的SaaS軟件已經(jīng)積累了各種基礎(chǔ)能力，比如制單、訂倉、客戶通知（通過微信、企業(yè)微信、QQ、郵件等）。
通過MCP協(xié)議，我們可以把這些能力標(biāo)準(zhǔn)化，讓AI來執(zhí)行交互流程，減少對人工操作的依賴。因?yàn)锳I本身就具備行業(yè)知識，這樣能簡化架構(gòu)，快速實(shí)現(xiàn)對現(xiàn)有交互流程的優(yōu)化和能力替代。雖然協(xié)議本身不難實(shí)現(xiàn)，但關(guān)鍵是大模型引擎廠商都接受這個事實(shí)標(biāo)準(zhǔn)。這是我們內(nèi)部架構(gòu)團(tuán)隊(duì)正在討論的方向。
崔強(qiáng)：有網(wǎng)友問沈旸：按照你剛才的觀點(diǎn)，像金蝶這樣的企業(yè)該何去何從？
沈旸：這個問題很敏感。未來軟件必須加速迭代，把所有AI能力整合進(jìn)來。傳統(tǒng)軟件往往多年才做一次大升級，比如ERP通常5～7年才升級一次。這不是企業(yè)不想升級，而是測試和變更太復(fù)雜。現(xiàn)在必須提升迭代效率，把7年一次的升級周期縮短到2～3年。就像電動車對燃油車的替代，燃油車5～7年升級一次，現(xiàn)在電動車每年都有新款，智能駕駛等功能快速迭代。
對金蝶這樣的大公司來說，最危險的還不是現(xiàn)在，因?yàn)樗麄冞€有資源投入。但必須意識到AI帶來的變革。如果意識不到這點(diǎn)，就會像燃油車面對電動車那樣，兩三年后就發(fā)現(xiàn)自己無力進(jìn)行架構(gòu)升級。整個組織的開發(fā)模式和文化都可能成為阻礙變革的因素，所以首先要從文化上進(jìn)行重大改變。
哪類軟件會先被淘汰？
崔強(qiáng)：做個極限假設(shè)，以你們的觀察來看，哪類軟件會最先面臨風(fēng)險，最可能被淘汰？
楊芳賢：在企業(yè)服務(wù)領(lǐng)域，后發(fā)優(yōu)勢特別顯著。軟件行業(yè)不完全是技術(shù)驅(qū)動的，市場、銷售、服務(wù)和交付等環(huán)節(jié)同樣重要，技術(shù)領(lǐng)先性沒那么關(guān)鍵?；氐缴驎D說的時間問題，如果只有半年一年，像金蝶、用友這樣的企業(yè)確實(shí)危險。但如果有5～10年時間，它們都會轉(zhuǎn)型成AI企業(yè)，就像金蝶已經(jīng)從傳統(tǒng)軟件轉(zhuǎn)型為SaaS企業(yè)一樣。
具體到哪些軟件企業(yè)容易被淘汰？我認(rèn)為還是看企業(yè)的組織能力和運(yùn)營效率。與軟件類型無關(guān)，組織能力弱、運(yùn)營效率低的企業(yè)最容易倒下。軟件企業(yè)無論是創(chuàng)新還是保守，最終競爭的都是組織效率。從品類來看，AI最先替代的是大量簡單重復(fù)性腦力勞動的崗位，我目前看到的這是一個增量市場，可能會逐步蠶食與這些場景相關(guān)的，功能相對單薄的工具類軟件。
崔強(qiáng)：郭總，你怎么看這個問題？
郭舜日：一般來說，有價值創(chuàng)造能力和組織力的企業(yè)不容易被淘汰。如果要具體說哪類軟件最危險，我認(rèn)為是單一功能的技術(shù)型、工具型SaaS。最直接的例子就是RPA軟件?，F(xiàn)在像Claude提出的MCP協(xié)議、OpenAI的Operator等功能，已經(jīng)能用多模態(tài)技術(shù)直接觀察屏幕操作，完全替代傳統(tǒng)RPA。企業(yè)不再需要專業(yè)的RPA工具，就能輕松實(shí)現(xiàn)自動化。這對傳統(tǒng)RPA公司是顛覆性的。
以沃行科技為例，我們用多模態(tài)技術(shù)實(shí)現(xiàn)了OCR（光學(xué)字符識別）功能。傳統(tǒng)OCR需要大量樣本訓(xùn)練特定模板，而現(xiàn)在的AI多模態(tài)技術(shù)不僅識別率更高（達(dá)到99%），還能理解內(nèi)容含義。比如我們與客戶在珠海合作的項(xiàng)目，AI不僅能識別貨運(yùn)單據(jù)上的文字，還能理解運(yùn)輸條款和貿(mào)易條款的關(guān)聯(lián)性，這是傳統(tǒng)OCR做不到的。
再比如機(jī)器人領(lǐng)域。以前波士頓動力的機(jī)器人需要編程各種動作規(guī)則，現(xiàn)在基于大模型的機(jī)器人可以通過學(xué)習(xí)直接執(zhí)行任務(wù)，不再需要預(yù)先編寫規(guī)則。這類技術(shù)進(jìn)步會讓很多單一功能的工具型軟件失去存在價值。
沈旸：我補(bǔ)充一下，什么樣的軟件容易被替代？像金蝶這樣的跨部門軟件其實(shí)比較難被取代，因?yàn)樗鼈儾粌H是功能工具，更是組織內(nèi)部達(dá)成共識的磨合過程。比如ERP系統(tǒng)，從前端銷售到后端財務(wù)，整個流程是各部門長期磨合形成的體系。要替換這樣的系統(tǒng)，組織往往不愿意改變。
但部門級或個人級的軟件就不同了：一，部門級軟件未來被替代的可能性非常大；二，個人工具領(lǐng)域，會出現(xiàn)很多新的AI工具替代舊工具。由于AI能大幅提升效率，個人會愿意花錢購買AI工具來提升競爭力。在SaaS領(lǐng)域，如果只是針對某個非常細(xì)分的部門級應(yīng)用，這樣的軟件會面臨較大風(fēng)險。目前還看不到這類軟件能保持優(yōu)勢的路徑。
AI有哪些真正可落地的場景？
崔強(qiáng)：目前有哪些讓人眼前一亮、真正可落地的AI應(yīng)用場景？去年崔牛會AI大賽時，60%～70%的項(xiàng)目都是知識庫、陪練等方案。經(jīng)過一年發(fā)展，三位看到了哪些有價值的原生應(yīng)用？具體在什么場景？
郭舜日：知識庫確實(shí)是一個非常典型的場景，效率提升非常明顯。通過向量化機(jī)制，特別是RAG技術(shù)的應(yīng)用，可以把企業(yè)私有數(shù)據(jù)庫建立起來。以我們企業(yè)為例，近10年積累的大量文檔知識，以前都要去問人，個別專家還不一定掌握全量知識。現(xiàn)在我們通過內(nèi)部知識庫建設(shè)，相當(dāng)于培養(yǎng)出一個機(jī)器人專家，可以沉淀企業(yè)十幾年的知識。這塊效能確實(shí)很明顯。
但難度我也要說明，絕對不是簡單把文檔扔進(jìn)去就能產(chǎn)生好效果。因?yàn)榇嬖诖罅恐R沖突，需要花精力進(jìn)行知識梳理、向量化處理。我們和AW工程師合作，做了很多知識增強(qiáng)的工作，才讓效果真正顯現(xiàn)出來。建議有一定沉淀的SaaS公司都應(yīng)該在內(nèi)部效能提升上應(yīng)用知識庫，但需要認(rèn)真對待知識增強(qiáng)和梳理工作。
第二點(diǎn)，我認(rèn)為更重要的是企業(yè)內(nèi)部組織對AI的理解和意識培養(yǎng)。我們現(xiàn)在每周都組織AI高層匯報會，要求全員使用AI。只有真正用起來，才能在具體工作中發(fā)現(xiàn)有價值的應(yīng)用場景。這是比找單點(diǎn)應(yīng)用更重要的事。
在具體應(yīng)用場景方面，AI在單點(diǎn)能力上的提升非常明顯。以我們航運(yùn)軟件為例，以前處理各家船公司的運(yùn)價導(dǎo)入非常復(fù)雜，需要業(yè)務(wù)理解，而且格式經(jīng)常調(diào)整。以前要投入幾周開發(fā)時間跟進(jìn)這些變化，現(xiàn)在用大模型動態(tài)識別就能快速完成。還有財務(wù)對賬，AI理解財務(wù)邏輯、處理非結(jié)構(gòu)化數(shù)據(jù)的能力都很強(qiáng)。這些單點(diǎn)技術(shù)突破投入低但客戶價值高，是SaaS廠商應(yīng)該重點(diǎn)關(guān)注的。
崔強(qiáng)：沈旸，你現(xiàn)在看到了哪些比較令人興奮的應(yīng)用場景？
沈旸：最近最令人興奮的是像Manus這樣的AI Agent，能夠從前到后完成閉環(huán)場景。這類場景從去年12月底才開始出現(xiàn)，之前完全沒有這樣的工具和體系。這種AI Agent能在內(nèi)部集成瀏覽器、虛擬機(jī)等組件，最終運(yùn)行出結(jié)果并驗(yàn)證可行性。這才是最重要的突破。過去我們做的很多工作，比如知識庫梳理，其實(shí)更多是在為AI服務(wù)，而不是為人服務(wù)，因?yàn)锳I對知識的理解能力遠(yuǎn)超人類。
現(xiàn)在更有價值的是讓AI完成特定環(huán)節(jié)的閉環(huán)，并驗(yàn)證結(jié)果是否正確。比如郭總提到的報價環(huán)節(jié)，如果能用AI完成并驗(yàn)證，就是重大進(jìn)步。雖然目前AI處理數(shù)據(jù)的速度和精度可能不如傳統(tǒng)軟件（比如傳統(tǒng)軟件半秒完成的任務(wù)，AI需要10秒～20秒），但這不重要。一旦證明可行，后續(xù)肯定會有人優(yōu)化性能。
目前這類應(yīng)用主要在科技公司和工程師團(tuán)隊(duì)中測試，但我預(yù)計3個月左右就會在各行業(yè)普及，用于POC測試。開源版本也會很快出現(xiàn)，我們內(nèi)部也在測試類似的開源方案，一旦實(shí)現(xiàn)閉環(huán)，就能清晰看到這個技術(shù)的終點(diǎn)在哪里。
崔強(qiáng)：一個再小的業(yè)務(wù)，你也要把它閉環(huán)做完，能單獨(dú)搞定它，對吧？
沈旸：對。但是很多事情，比如像知識庫，它可能就并不是一個真正的閉環(huán)。因?yàn)樽罱K你還是依賴于人去評判做得好不好，或者要人去落地完成。對我來說這就不是一個閉環(huán)的事情。
楊芳賢：大模型在企業(yè)的落地場景我們見得比較多，說知識庫是一個場景，我認(rèn)為這是一個誤讀。今天行業(yè)里大家講的知識庫，本質(zhì)是讓大模型掌握企業(yè)的知識和流程，替代重復(fù)性腦力勞動。但這個說法太泛了，需要拆到具體解決什么問題，投入產(chǎn)出比是怎樣，這才能算是一個落地的場景。
比如：客服助手場景、在線客服場景、對員工服務(wù)的共享服務(wù)中心、業(yè)務(wù)陪練、加盟商指導(dǎo)、數(shù)字教練、客戶篩選、客戶孵化、邀約到店等等。這些場景的第一階段目標(biāo)都是成為員工的數(shù)字助理提升效率，當(dāng)數(shù)字助理有了極高的準(zhǔn)確率和采納率后，就可能直接替代部分真人工作，這些單點(diǎn)場景在有一定規(guī)模的企業(yè)里，其投入產(chǎn)出比非常高。
除了知識庫，智能工單在很多大企業(yè)也應(yīng)用得特別好。例如：通過RPA機(jī)器人自動感知微信上內(nèi)外部聊天內(nèi)容，自動創(chuàng)建、處理、流轉(zhuǎn)工單，包括對工單數(shù)據(jù)進(jìn)行分析和預(yù)測。把業(yè)務(wù)專家的能力萃取出來后，它的感知和分析能力會比人更穩(wěn)定、更可靠。我們有客戶的客服團(tuán)隊(duì)有幾百人，水平參差不齊，借助AI后相當(dāng)于每個客服旁邊都坐著一位業(yè)務(wù)專家，直接給出85分以上的意圖識別和處理建議。
我再舉個具體的審核場景例子。我們有個客戶去年一期項(xiàng)目用AI支撐近千家經(jīng)銷商，今年的二期項(xiàng)目做業(yè)務(wù)審核。他們目前有500人的業(yè)務(wù)審核團(tuán)隊(duì)，預(yù)計今年業(yè)務(wù)量要翻倍。如果不引入AI，他們的客服審核團(tuán)隊(duì)要再招500人。
在他們的審核流程中有六個步驟，例如：信息審核時要處理不同區(qū)域的電費(fèi)劃轉(zhuǎn)單、各省不同的購售電合同、投資項(xiàng)目備案證等；技術(shù)審核時要檢查光伏組件安裝是否被遮擋、施工規(guī)范是否符合要求等。過去一個資深審核員處理一單要15～20分鐘，現(xiàn)在用AI輔助1～2分鐘就能搞定。
企業(yè)里有很多依賴資深的業(yè)務(wù)專家的場景，這些業(yè)務(wù)專家的知識、經(jīng)驗(yàn)和流程萃取出來之后，AI掌握后往往比人做得更好，而且不需要考慮人員流動的問題。過去兩年，我們看到很多類似的場景，企業(yè)規(guī)模越大、同一個崗位影響的人越多邊際成本越低，AI帶來的ROI就越大。
比技術(shù)和產(chǎn)品更重要的是方法論
崔強(qiáng)：現(xiàn)在很多SaaS企業(yè)都在考慮AI落地的問題。AI到底要怎么幫助我們這些SaaS企業(yè)實(shí)現(xiàn)真正的落地？現(xiàn)在很多廠商都想要嘗試，但是不知道具體該怎么開始，需要投入多少資源，以及能帶來什么樣的實(shí)際價值。郭總，聽說你們已經(jīng)在做這方面的落地實(shí)踐，馬上要發(fā)布新產(chǎn)品了，能具體說說嗎？
郭舜日：我結(jié)合我們的實(shí)踐經(jīng)驗(yàn)來說說。從技術(shù)實(shí)現(xiàn)的角度來看，AI落地可以分成三個主要的階段，每個階段的難度和投入都不一樣。第一個階段是提示詞工程（Prompt Engineering）。這個階段主要是利用現(xiàn)有的大模型技術(shù)，通過優(yōu)化提示詞來解決具體的業(yè)務(wù)場景問題。根據(jù)我們的實(shí)踐，只是做好提示詞工程就能解決80%左右的常見業(yè)務(wù)場景。
比如我們現(xiàn)在做的OCR場景，就是通過多模態(tài)技術(shù)加上精心設(shè)計的提示詞，已經(jīng)能夠完美替代傳統(tǒng)方案。還有我們即將發(fā)布的AI助理產(chǎn)品，以及像Manus展示的那些閉環(huán)應(yīng)用案例，核心都是基于提示詞構(gòu)建的任務(wù)流程。
楊芳賢：不過要說明的是，提示詞工程在POC階段可以用來快速場景驗(yàn)證，應(yīng)用到生產(chǎn)環(huán)境，光靠提示詞是不夠的。
郭舜日：確實(shí)是這樣。所以，第二個階段就是RAG增強(qiáng)。這個階段難度會大一些，主要是通過知識補(bǔ)充和能力增強(qiáng)來解決更復(fù)雜的業(yè)務(wù)問題。
我舉個具體的例子，很多企業(yè)都在用BI系統(tǒng)，但老板們經(jīng)常用不起來，因?yàn)槊看蜗肟磦€報表都得找數(shù)據(jù)工程師專門配置。我們現(xiàn)在做的方案是，通過RAG技術(shù)把歷史報表數(shù)據(jù)向量化，當(dāng)老板說“我想看最近一個月銷售對利潤的貢獻(xiàn)情況”時，AI就能自動生成相應(yīng)的復(fù)雜報表。知識庫建設(shè)也是類似的原理，但這里特別要注意向量化的質(zhì)量，這個很關(guān)鍵。
第三個階段就是模型微調(diào)。當(dāng)業(yè)務(wù)場景需要帶入大量上下文信息時，可能就需要對基礎(chǔ)模型進(jìn)行微調(diào)了。這個階段的投入會比較大，因?yàn)橐獦?gòu)建自己的專用模型，硬件投入可能要幾十萬到上百萬。所以，要不要走到這一步，需要仔細(xì)評估業(yè)務(wù)價值。
我們內(nèi)部現(xiàn)在就是按照這三個階段來規(guī)劃AI應(yīng)用的，從提示詞工程開始，逐步推進(jìn)到RAG增強(qiáng)，最后根據(jù)業(yè)務(wù)需要決定是否進(jìn)行模型微調(diào)。
崔強(qiáng)：芳賢，剛才有不同意見，你們看到的相對成熟的落地方法論是什么？
楊芳賢：在參與運(yùn)營LangGPT提示詞社區(qū)時，我們和客戶一起共創(chuàng)了一套被廣泛認(rèn)可的大模型落地應(yīng)用“三步走”方法論。
我們認(rèn)為企業(yè)落地大模型可以分三步走。
第一步是“工作+AI”。就是讓大模型提升全員的工作效率。很多人認(rèn)為大模型只在企業(yè)內(nèi)少數(shù)崗位，例如：文案、設(shè)計、開發(fā)等崗位提效顯著。其實(shí)不是這樣。我們看到在企業(yè)內(nèi)，每一個部門、每個崗位，借助AI都能獲得不同程度的效率提升，只是有些崗位能提效5倍～10倍，而有些可能只提效5%～10%。而且落地“工作+AI”幾乎沒有門檻，甚至零投入，但需要企業(yè)有AI文化，老板有AI思維，在企業(yè)內(nèi)部營造AI的氛圍，鼓勵大家工作中能用上的AI工具都盡量能用上。
第二步是“業(yè)務(wù)+AI”。就是讓大模型掌握企業(yè)的知識和流程成為AI生產(chǎn)力。今天基于大模型構(gòu)建AI生產(chǎn)力有兩種范式，一種是替代簡單的重復(fù)性的腦力勞動，另一種是輔助創(chuàng)造研究型的腦力勞動。
讓大模型掌握企業(yè)的知識和流程不是和大模型對話或者將企業(yè)的知識一股腦的上傳就完成了，將企業(yè)的知識進(jìn)行清洗和加工是前提，上線后持續(xù)的調(diào)優(yōu)是效果越來越好的關(guān)鍵步驟。
讓大模型像剛?cè)肼毜男聠T工一樣，先掌握基礎(chǔ)的企業(yè)知識和作業(yè)流程，然后再基于數(shù)據(jù)持續(xù)的迭代。就像招個985畢業(yè)生，在熟悉了公司的知識和流程后才能上崗，在日積月累的工作中能力不斷的提升。
第三步是“AI x業(yè)務(wù)”。這個階段是以AI為基礎(chǔ)重構(gòu)產(chǎn)品和服務(wù)流程。就像今天所有企業(yè)都是互聯(lián)網(wǎng)企業(yè)、電商企業(yè)一樣，未來所有企業(yè)都會是AI企業(yè)。
也可以分享一下我們在實(shí)際落地應(yīng)用的最佳實(shí)踐的幾個關(guān)鍵點(diǎn)：
一是企業(yè)內(nèi)領(lǐng)導(dǎo)層、管理層和骨干員工對大模型的能力邊界要有統(tǒng)一的認(rèn)知。今天我們大多數(shù)對大模型的了解來自短視頻和各種自媒體的推送，自媒體為了抓眼球往往只報道極端條件下的成功案例，與實(shí)際的落地應(yīng)用有很大差距。
二是了解行業(yè)內(nèi)的先進(jìn)企業(yè)及跨界的先進(jìn)企業(yè)的真實(shí)案例拆解。不只是看媒體的宏觀報道，而是看企業(yè)配置了什么資源，真實(shí)做了什么、踩了什么坑、投入產(chǎn)出比如何。
三要先聚焦單個場景進(jìn)行試點(diǎn)?，F(xiàn)在很少有企業(yè)有專業(yè)的AI團(tuán)隊(duì)，臨時組建的AI虛擬團(tuán)隊(duì)一定要先集中資源做好一個場景。一個場景驗(yàn)證成功后，代表這個企業(yè)、這個團(tuán)隊(duì)有駕馭大模型的能力，一個場景拿到超出預(yù)期的效果再擴(kuò)展到其他場景會容易很多。
今天落地應(yīng)用大模型技術(shù)和產(chǎn)品很重要，比技術(shù)和產(chǎn)品更重要的是落地方法論。相比于已經(jīng)發(fā)展了20年的數(shù)字化，大模型進(jìn)入到產(chǎn)業(yè)才2年多時間，能力變化也很快。落地應(yīng)用遇到挑戰(zhàn)是普遍現(xiàn)象，全球范圍內(nèi)都缺乏成熟案例，最頂級咨詢公司也是在探索階段。在這個過程中，找到正確的落地方法和靠譜的落地團(tuán)隊(duì)比單純追求技術(shù)更重要。
別做“半吊子”產(chǎn)品
崔強(qiáng)：沈旸，你剛才提到自媒體的局限性，但我覺得新媒體人還是有價值的，畢竟不是每個企業(yè)都有像你這樣的專業(yè)CIO。你怎么看這個問題？能不能分享些實(shí)際踩過的坑？
沈旸：我舉個去年底的例子。我們嘗試做一個智能會議室預(yù)定場景，聽起來很簡單：讓AI根據(jù)“朝南”“看?！边@種需求自動選會議室。這需要解決幾個問題，給會議室打標(biāo)簽、讓AI看懂平面圖方位、處理企業(yè)微信里的聯(lián)系人（包括重名情況），還要解析“下個月第二天”這種模糊時間表達(dá)。
我們半天就搭了個原型，但實(shí)際使用發(fā)現(xiàn)問題很大——時間理解準(zhǔn)確率70%，地點(diǎn)匹配80%，人員識別80%，三個維度一疊加，結(jié)果完全沒法用。
后來我們沒急著調(diào)模型，而是做了兩件事，一是用AI生成測試數(shù)據(jù)集，比如針對時間維度造了2000多條“下周二”“大下周”之類的樣本；二是拿這個數(shù)據(jù)集持續(xù)測新模型，直到去年10月發(fā)現(xiàn)某家模型的時間解析突然做到100%準(zhǔn)確（雖然理論上大模型是概率模型，但實(shí)測結(jié)果就是全對）。
如果一個場景一周內(nèi)搞不定，說明要么團(tuán)隊(duì)能力不足，要么技術(shù)還不成熟。
去年我們做了一個類似Manus的金融版AI工作流，但當(dāng)時開源工具鏈殘缺，評估要縫上百個接口，直接放棄。技術(shù)迭代快得很，去年6月國內(nèi)能私有部署70B模型（具有700億個可訓(xùn)練參數(shù)），年底Claude和DeepSeek出來又是質(zhì)變?，F(xiàn)在每季度回頭測舊場景，發(fā)現(xiàn)很多過去做不到的現(xiàn)在能做了。
我們最后把AI深度嵌到企業(yè)微信，員工不用跳轉(zhuǎn)系統(tǒng)，直接聊天界面就能用。比如設(shè)計師做了個吉祥物生成工具，運(yùn)營同事 機(jī)器人10秒出圖，以前找設(shè)計部排隊(duì)得等半天。
所以，要么做成“開箱即用”的閉環(huán)（比如集成到釘釘/企微），要么明確測試標(biāo)準(zhǔn)，耐心等機(jī)會，千萬別做個半吊子功能，既浪費(fèi)資源，又透支團(tuán)隊(duì)信任——用戶試兩次不好用，以后連AI本身都不信了。
“數(shù)據(jù)安全”不再是企業(yè)落地大模型的主要障礙
崔強(qiáng)：一個網(wǎng)友的問題：企業(yè)在引入AI過程中如何防護(hù)數(shù)據(jù)安全，有哪些泄露風(fēng)險點(diǎn)？特別是需要私有化部署的企業(yè)，目前他們可能更關(guān)心這個問題。我看你今年給很多大企業(yè)、國央企講過課，他們肯定很關(guān)心安全問題。這個有解嗎？怎么解？
楊芳賢：關(guān)于大企業(yè)通過私有化部署來解決數(shù)據(jù)隱私和大模型的安全問題，有兩個維度的私有化：第一個是中間層應(yīng)用私有化部署，比如Agent平臺，語料向量數(shù)據(jù)庫部署在內(nèi)部，但模型層通過開發(fā)者接口接入。這種情況下，大模型廠商用自己的商業(yè)背書承諾不會把這些接口數(shù)據(jù)用于模型訓(xùn)練。如果不是涉密部門，這種模式是值得信任的。就像今天我們使用公有云一樣，對大模型廠商來說，單個企業(yè)的數(shù)據(jù)意義并不大，他們愿意用商業(yè)信用做背書，這個方案是OK的。所以企業(yè)可以把涉及企業(yè)內(nèi)部流程、知識的Agent平臺，語料向量數(shù)據(jù)庫部署在自己本地。
當(dāng)然對于黨政機(jī)關(guān)、軍工企業(yè)、涉密機(jī)構(gòu)等特殊部門，他們需要基座模型都做私有化部署。這也是為什么今年DeepSeek開年之后就出圈了，各行各業(yè)都非常關(guān)注。因?yàn)檫^去的開源模型和國產(chǎn)模型能力跟OpenAI還是有一定的差距，但DeepSeek的R1模型已經(jīng)接近甚至在某些中文場景下超越了OpenAI的o1模型。而且它開源后可以做私有化部署，這就解決了大家過去只能用少量脫敏后的數(shù)據(jù)測試體驗(yàn)一下，現(xiàn)在可以大規(guī)模的應(yīng)用在工作生產(chǎn)環(huán)境了。
如果基座模型也做了本地化部署，那么它的安全問題其實(shí)和數(shù)字化時代的安全管理非常類似。針對大模型也有一些額外的安全防控點(diǎn)，很多安全廠商也給出了解決方案。所以，安全不是落地應(yīng)用大模型的主要障礙。前兩年大家還在討論要不要上、怎么接入的問題，而今天已經(jīng)變成討論怎樣借助大模型構(gòu)建AI生產(chǎn)力了。今年，我們看到很多企業(yè)都在找具體場景，思考怎樣融入業(yè)務(wù)。數(shù)據(jù)安全現(xiàn)在對企業(yè)落地大模型來說，已經(jīng)不是一個很重要的門檻了。
企業(yè)“上云”，還是“下云”？
崔強(qiáng)：今天的DeepSeek對企業(yè)軟件到底是利好還是利空？回到SaaS這部分，DeepSeek會不會使得業(yè)務(wù)部門傾向于自己私有部署，這會是一個“下云”的趨勢嗎？會不會影響現(xiàn)有SaaS軟件公司的業(yè)務(wù)？
郭舜日：數(shù)據(jù)安全確實(shí)是非常敏感的問題。我們這些做了十幾年的SaaS服務(wù)商，在安全方面都有保障和承諾。像我們服務(wù)的中國郵政、民航等大型企業(yè)，500多個分公司、3000多個賬號都在我們平臺上運(yùn)行，已經(jīng)建立了對SaaS軟件的信任。
但AI帶來的新問題是，當(dāng)數(shù)據(jù)都在公有云平臺時，通過大數(shù)據(jù)挖掘可以分析出企業(yè)自己都還沒總結(jié)出的商業(yè)邏輯和規(guī)則。去年9月，我們?nèi)ッ绹疾鞎r發(fā)現(xiàn)，SAP的很多大型客戶正從公有云轉(zhuǎn)向私有云部署，就是擔(dān)心公有云廠商可能利用平臺數(shù)據(jù)挖掘能力來服務(wù)整個行業(yè)。這對數(shù)據(jù)貢獻(xiàn)最大的企業(yè)來說確實(shí)存在戰(zhàn)略顧慮。
不過對中小企業(yè)來說，它們既沒有足夠數(shù)據(jù)量，也沒有能力進(jìn)行獨(dú)立的數(shù)據(jù)挖掘。所以我認(rèn)為會有兩個趨勢：一是超大型企業(yè)可能會選擇私有化部署，出現(xiàn)“下云”趨勢；二是大多數(shù)企業(yè)還是會相信SaaS服務(wù)商，因?yàn)閱蝹€企業(yè)的數(shù)據(jù)價值有限，而SaaS廠商可以提供行業(yè)級的AI賦能。
崔強(qiáng)：沈旸，從客戶角度你怎么看？“下云”和“上云”會是什么比例？
沈旸：我以前在企業(yè)提出過“敏變穩(wěn)”架構(gòu)：SaaS軟件+開源低代碼+商業(yè)ERP套件?，F(xiàn)在AI可能會替代原來的低代碼場景，業(yè)務(wù)部門不再需要拖拉拽，直接通過AI對話就能調(diào)用API獲取數(shù)據(jù)。
對于SaaS軟件來說，如果軟件不持續(xù)迭代，客戶很可能會用AI在內(nèi)部復(fù)制一套。很多客戶其實(shí)只用到SaaS軟件的少數(shù)功能，以前用低代碼重建很困難，但現(xiàn)在AI讓這事變得簡單。
未來，要讓大企業(yè)真正使用SaaS，必須做到功能持續(xù)迭代，提供實(shí)時更新的數(shù)據(jù)服務(wù)，比如提供股票信息的SaaS，因?yàn)閿?shù)據(jù)實(shí)時更新才有價值。如果軟件功能或信息常年不變，客戶就沒必要用SaaS。
楊芳賢：從企業(yè)視角看，DeepSeek這類模型的本地化部署是增量業(yè)務(wù)，不會影響企業(yè)現(xiàn)有的云策略。算力也不一定要本地部署，也可能在云計算廠商租用算力私有化部署，而且算力成本正在急劇下降，未能相同能力的模型尺寸會越來越小。未來的趨勢是云側(cè)的大尺寸模型和端側(cè)的小尺寸模型的混合協(xié)同架構(gòu)，所以云上的比例未必會下降。
從SaaS服務(wù)商角度看，過去依賴閉源大模型，現(xiàn)在可以用開源模型開發(fā)更匹配場景的應(yīng)用，模型部署在云端，通過集中調(diào)度能大幅降低成本。所以不一定是“下云”，部分業(yè)務(wù)“下云”，但更多業(yè)務(wù)會“上云”，整體對云服務(wù)還是利好的。
崔強(qiáng)：今天我還見了個投資人，他們非常看好這波Agent浪潮會催生全新的服務(wù)形態(tài)。就像沈旸說的“Service as a Service”，關(guān)鍵是要能交付明確價值的服務(wù)。我們把服務(wù)分為兩類：開源（創(chuàng)收）型和節(jié)流型，但都需要清楚計算出為客戶解決了什么問題，創(chuàng)造了多少價值。
本文來源：36氪
文章轉(zhuǎn)載于其他網(wǎng)絡(luò)，如有侵權(quán)請聯(lián)系我們及時刪除
