AI与Saas思考【中国SaaS的发展】_ai环境下一个saas平台该怎么设计-CSDN博客

本文链接：https://blog.csdn.net/weixin_41864317/article/details/139660584

系列文章目录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
AI与SAAS的思考

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

系列文章目录
前言
一、大模型做不了解决方案
二、单点工具没有意义，SaaS死在这儿了
三、SaaS 厂商如何走出“大模型焦虑”，找到“AI自信”？

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

提示：以下是本篇文章正文内容，下面案例可供参考

一、大模型做不了解决方案

长期做AI的同学大家都知道，上次的人工智能创业因为迟迟无法在产品上构建现金流，最后不管多有名的企业，不管起点是视觉、语音、NLP，最终大家的归宿几乎是一样的：做解决方案。

在开始投标、需求打磨、开发、交付这条路之后，前面说的结构性矛盾就出现了。

对于这种重运营、渠道工作，在内要消耗大量的人力，在外则定价的时候基本没啥发言权。

这难处就正好打在了创业公司的七寸上。

AI创业公司人贵，不擅长精细化运营。

真干上面这类工作要有点干毛巾能拧出水（稻盛和夫）的本事才行，技术在不影响定价权的时候其实反倒是不关键。

创业公司如果有精细化运营的本事那就不是创业公司。

基本处在傻大黑粗干想敢干阶段的创业公司和这个要求是矛盾的。

让科技公司改成这样，那差不多相当于让悟空、八戒天天念经，有紧箍咒都不好使，何况还没有，也没这意愿。

再加上人贵，于是就只能天天亏损。

一亏十年，其实是把一个本应技术产品驱动的活干成了运营业务驱动的细致活的必然结果。

这和谁干没关系，套在这种结构里面，谁进来都够呛。

大模型之后，这个模式的境地其实是变差了（还有经济环境变差的原因）。

因为大模型上的支出其实是提高的，不管是模型本身，还是人员成本，但你定价一端并没有变化，对精细化运营的要求也是有增无减。

有时候就会碰到几十上百万的项目四处找大模型的情况。

而为了拿到这些机会，模型的价格就一路下降。

这是个什么路数呢？

一个公司倾尽全力大模型也不一定能干好，所以随便那个领域的模型也不可能仅靠一点预算就能干出个有价值的结果。

一旦这类活启动，那最后只可能是在这链条上的人一起想办法把事情对付过去。

供给方赚个流水，还不一定赚钱。

消费方，花了钱拿到个不能用或者不好用的模型。（因为技术本身迭代很快，这么做出的模型只可能越来越不好用）

然后在外部声浪的助推下（比如OpenAI的新模型），这事一次一次发生，然后一次一次透支AI的预期。

在小模型或者互联网的情况下，这路不怎么赚钱大致还能走，在大模型的时代，这是条死路。（后面还跟着私有部署、长期运维等一系列事儿呢）

贴个图，这事就适合用五力模型看，一想特别清楚：
在这里插入图片描述

二、单点工具没有意义，SaaS死在这儿了

过去十年还一个和AI双生的巨大失败是SaaS的集体玩不转。

现在甚至一度到要给自己放义勇军进行曲进行激励的程度。（到了最危险的时刻）

说原因的人很多，但一直不怎么在点子上。

到点子上就会有点绝望，但绝望之为虚妄正与希望相同（鲁迅）。

我们可以用一句话从结果先进行总结：

单点工具在国内玩不转，没人付钱。

比如过去CRM不好卖，换成大模型做的CRM就好卖了么？

显然不是。

为什么不付钱呢？

这只能到工具的价值结构里面去找答案。

如果你是生死攸关的工具，那就怎么也得买，顶天不愿意续费。
如果是改善型的工具，那差不多能用就得了，我干嘛多花钱，别的钱还不够呢。
（和SaaS对比，是过去这些年在数字化上花的钱，其实一点也不少）

我们总和外国比，但泥土不一样，其实没的比。
泥土不一样还不是什么经营理念，而是老外IT、人都贵，弄SaaS是顺势而为。
我们要反过来逆势整，肯定就没人埋单，底层是需要创造更大的价值。

为什么从AI说到SaaS了呢？

因为SaaS代表了一种AI落地的形式：单点的功能型工具。

如果把模型进行简单包装，弄成XX写作、XX助理，那命运和SaaS肯定一样。

比SaaS还不如的是还随时得提防会不会被通用大模型碾压。

通用大模型像一个巨大的从山而下的雪球，这种小工具要在它的路上，那稍微挡路肯定被碾死。

上述这种小工具不单是SaaS还有很多变种。

比如各种堆集到音箱后面的技能，做个绘本、放个闹钟等等不一而足。

这种小技能在有些应用商店里一度上万，但其实时间稍微一长，做的人都不记得为什么做它了。

这事唯一有价值的可能是配合上一节说的，在报价的时候看着比较另类，辅助投标。

不是说单点工具不能做，但做的逻辑就变成快点做，快点赚点钱，并且不要在国内。

整体性产品不能从隐性成本高的地儿开始
单点工具不好做，那做ERP整体工具是不是就可以了？

这还有另外一个坑。

近来谈Agent的人多了起来，但看着好像离这个坑越来越近。

整体性工具和直接用chatGPT最大的不同是什么呢？

它重构生产关系。（Copilot生产力，ERP生产关系）

说生产关系大家可能没感觉，可以再换个角度：重构资源流转和利益分配的方式。

这事《创新者窘境》里说的比较透彻：资源、价值观、流程定义分配秩序，而分配秩序就定义了企业擅长干什么不擅长干什么。

这个价值观最核心的部分可不是挂在墙上的以人为本什么的，而是谁拿多少钱，谁花多少钱的根子。

它的变化影响一个组织里面利益分配规则。
最简单的导入机器人都会让一部分人被淘汰，何况更顶级的整体性工具。
在这里整体性工具的收益要对冲的是既有资源流转体系。
如果是企业级工具，那无疑需要极为强势的推动。

新公司来做实在不乐观。

大家应该还记得流传颇广的华为上系统的时候削足适履一说，不支持的请离开。

模型本身就有不靠谱的地儿，再抗这么重的领域，有点像小树苗当大梁用。

第一很难构建现金流，第二即使构建了估计也不可持续。

我如果就写这也不行，那也不行，那估计会被喷：想那么多事干啥，干就完了（义和团用金钟罩铁布衫抗洋枪差不多就这样）。

所以要再写下新的领域究竟在那儿。

从混沌中摘取果实要看到真正创新之处
我们面临两类不同的业务情景：一类是变量数目其实定了；一类是究竟有多少变量还不知道（北大国发院王超老师管后者叫顽劣问题）。

比如我们盖房子差不多是前者，但做大模型或者大模型的应用就是后者。

两类结果都不确定但需要的思维方式其实不同。

前者还是要尽可能专业化，把细节搞很清楚，专业化，然后再下手。挖煤矿不尊重这种专业化，大概率吃不了兜着走。

后者就没法这么清楚和专业，要关注底层逻辑，然后结合到底相信什么做判断。（人类所知甚少的时候就什么都是哲学，但科学昌明后很多哲学问题变成了科学问题）

AI应用基本上是后者的状态，需要在一片混沌中形成一个自己自洽的套路，然后从未来中捞一把，也许能抓到些什么。

为了让这个过程有点套路，我这里提供一个底层逻辑的思维框架供参考：

第一是角色中心式计算视角

不要再考虑单点工具了，在单点工具上AI并不比过去的技术进步多少。邮箱用不用AI其实没那么大区别，加个语音的交互的天气功能和手戳两下也没太大区别。

这次AI核心特征是能够理解概念，能够自主形成判断。

基于这个特征构建出的工具才是蓝海里的工具。至少是现有工具都干不了的事。

过去是累积一圈的各种功能型工具，企业里比如邮箱、电话会议、OA、代码管理工具等，这次是要联通。变成一个自主的“智能人”。

把AI放在原来各个工具里面，有点像电脑都出现了，还只是就用来当算盘或者打字。

第二是图灵测试2.0

即使是角色中心式计算的视角，你还要看到底这事能不能干，如果像上面说的和整个企业犯冲，那做的再好也形不成现金流。

这绝对是个产品视角，产品视角是个大综合的视角，高于现有工具、产品，高于模型。

这时候要有技术视角的判断，比如任何一个角色如果要细分可能要拆解成100个行为或者判断，那现在的模型在这100判断上表现怎么样。

如果考虑它偶尔抽风，精度基本还行，那技术供给是够的。

更要有角色本身的判断，比如这个角色的相关部分是否充分数字化了，别拿到的信息就不可能准，那模型再好也没用。

基础判断没问题，再快速验证，然后AI代理的这个角色不单从与人沟通中无法识别是AI，从现实反馈上也无法识别，那测试就算通过了。(比如你想发Offer，它真的发了)

一定不要互联网思维，不要单点极致口碑快。这些和AI思维冲突。

天时已经改变，换了人间，不要再老套路，如果不信可以回顾下智能音箱。

第三是智能原生应用

能够承接角色中心式计算和通过图灵测试2.0的一定是智能原生应用。

过去所有技术达不成这个目标。

那智能原生应用的核心特征是什么呢？

简单说可以叫：万物皆数、实时反馈、中心决策。

数字化必须足够充分，不管是项目还是统一性。

CEO再英明神武你给他假的信息一样昏聩。比如：坑爹的极致之一就是袁克定给袁世凯办了个报纸，然后袁世凯这北洋领袖就这么走了。

这里最难的不是事本身，而是持续做到这点所产生的隐性成本。

如果上层应用没打通，没有一种持续确保措施，那数据天生会变混乱和不准。

实时反馈说的是信息的在时间轴上价值不等。

那个将军能用两年前的情报指挥战斗呢。

中心决策其实揭示了另一个智能原生应用的底层规律。
智能的效能=模型X信息完整度。

所以必然有个中心代表完整度，这还不单是模型决定的。

架构要按照这三点进行设计。

第四则是落地的时候要搞定从1到10。

三、SaaS 厂商如何走出“大模型焦虑”，找到“AI自信”？

1.“大模型焦虑”

“所有软件，都值得用大模型重做一遍”。

2022 年底， ChatGPT 火爆出圈，也把不少 To B 从业者带入一种“大模型焦虑”中。

两、三个月后，第一波焦虑慢慢缓解下来。因为大家发现，当时的大语言模型，更像一个偏 C 端的“大号玩具”，加上大语言模型幻觉、隐私安全、落地场景等制约，距离真正的 To B 生产力工具，还有点远。

随着 OpenAI 开放 API 接口，Meta、谷歌推出开源大语言模型，以及大语言模型应用开发工具 LangChain 的兴起，大语言模型在 B 端的商业化路径，逐渐清晰起来：

首先，开源降低了大语言模型技术应用的门槛。例如，SaaS 厂商可以在开源大语言模型的基础上，训练和微调自己的行业大模型，帮助客户解决具体业务场景中的问题；此外，LangChain 等 Agent 平台和工具，也为 SaaS 厂商的创新和业务探索提供了很多便利。

职行力创始人兼 CEO 林华荣，一直在密切关注大语言模型技术的进程。“开源大语言模型只是变化的起点，真正让 To B 行业兴奋起来的，应该是 LangChain 这类可以实现 Agent 概念的框架出现。大家开始意识到：AI 已经可以被业务场景需求驾驭了。”

在林华荣看来，通过类似 LangChain 的开源框架，加上 RAG 技术（检索增强生成），大语言模型通过外挂知识库（向量数据库），很好地解决了大语言模型非要训练才可用的问题。这也让许多 SaaS 从业者非常兴奋，至少找到了一个大语言模型落地最直接的场景：企业内部知识库的智能问答。

“大语言模型可私有化部署，企业数据可私有向量化，是大语言模型技术在 To B 场景落地的重大转折点。”

无论 SaaS 厂商，还是企业客户，在训练大语言模型时，都比较担心数据安全和知识产权保护的问题：把自己的数据喂给大语言模型，训练结果万一被对手抄去了怎么办？

大语言模型技术，模拟的是人的神经网络方式，不同于传统的硬盘，它的数据存储和管理都很难精确化管控。因此，林华荣认为，通过“训练”来实现企业“私有智慧大脑”是存在一定误区的。

首先，训练大语言模型掌握了特定的知识以后，要求大语言模型要对信息做一些针对性的保密，这有点像内部员工交流时，“我告诉你个秘密，你不要告诉别人”，实际上就很难真正保密了。

其次，大语言模型的输出和人类的表述方式类似，大多数情况下并没有所谓的“标准答案”，如果缺少一些知识边界的约束，就会不可控地产生“幻觉”，也就是我们经常说的“一本正经地胡说八道”。

最重要的是，企业知识本身存在持续性的快速迭代，训练完的知识，如果要替换旧的知识，不能像以前那样通过硬盘信息的“删除”或“修改”操作来实现。新旧知识，就会像人的记忆一样会产生叠加，很容易产生混淆，这样也会产生“幻觉”。

基于以上分析，林华荣以为，“通过知识向量化的方式，把企业知识植入私有的向量数据库，这些向量数据库可以部署在自己的云上，或者本地服务器上，类似于以往 SaaS 对企业私有数据所提供的混合部署，这样就能很好地解决大语言模型落地的隐私安全问题；同时，通过 Agent 平台来约束大语言模型在不同的场景下，在指定的知识范围内，作出筛选回答，就可以较好地解决大语言模型在 To B 场景的幻觉产生问题。”

Gartner 技术成熟度曲线表明：每一项新技术从诞生到成熟，都会经历技术萌芽、欲望膨胀、泡沫破裂、稳步爬升、技术成熟的周期，同时也会伴随着一些“短期高估”和“长期低估”的误判。

从长期看，AI 浪潮不可逆转，应当看到AI 转型升级的战略意义；从短期看，如何“+ AI”，利用AI升级自己的产品，许多 SaaS 厂商尚处于摸索阶段，应当避免因为 FOMO（错失恐惧症），而盲目投入或转向。
在向 AI 的转型升级中，行业 Know-how 依然是 SaaS 厂商可靠的壁垒。
经历过短期焦虑，面对大语言模型浪潮，林华荣充满信心，“这波大语言模型技术，核心价值还在于 AIGC ，也就是通过大语言模型来把企业内的隐性经验，输出成可用的显性知识或者服务，大语言模型技术正在重塑我们的产品。所以我们今天不仅不焦虑了，而且由于我们在知识运营管理赛道上的 Know-how 积累，反而对未来的市场更加自信”。

2 “落地之痛”

据牛透社调研，目前大语言模型在国内 To B 场景的落地，仍处于探索和试点阶段，主要有智能客服、企业培训、AI面试、营销获客、数据分析、法律咨询、产品研发等场景；此外，还有一些偏 AI 平台、工具类的赛道，如低代码、AI Agent、RAG flow等。

在大语言模型的商业化落地中，目前主要面临安全合规、准确性、可控性、易用性、规模化等挑战。

安全合规：这是企业经营不能触碰的“红线”。大语言模型商业化，也必须符合国家法律法规，确保信息安全、内容合规；此外，还要满足一些行业的特定要求，比如金融、政务行业，一些场景会要求大语言模型私有化部署。

准确性：生成数据不准确、文案效果不理想、胡说八道……幻觉问题，仍是大语言模型在 To B 场景落地的一个重要“BUG”。我们也发现有厂商在探索通过 Function Calling（函数调用）、RAG（检索增强生成）等技术，以增强生成内容的实时性和准确性。

可控性：安全可控是决定 To B 产品使用深度的一个重要因素。如何解决安全可控？除了合规和准确性要求，权限管理也非常重要。以知识管理场景为例，如何让大语言模型在不同场景下，针对不同权限的对象，输出正确的知识，动态权限管理非常重要，否则就只适用于浅层次场景，很难在全员应用的场景落地，业务价值也将大打折扣。

易用性：“我们公司里，Prompt 写得最好的，不是产品经理，也不是技术，而是测试工程师”。有 SaaS 厂商在面向客户提供 Prompt 工具时，发现客户不会用，甚至连自己的人员也不清楚怎么去用。这种情况下，能面向普通使用者，不用敲代码就可以搭建业务应用的 Prompt 工具就非常重要。

规模化：大语言模型技术，一定是在某个行业、某类客户中普惠，让大多数人可用，才能真正实现规模化。受制于成本、实施能力、技术稳定性等因素，有的 SaaS 产品结合大语言模型技术后，只能服务极少部分的高客单价客户，还无法全面推广。

此外，咨询、数据治理等生态服务同样也不可少。SaaS 厂商要与AI生态厂商、客户共建标准化解决方案，通过“大模型+服务”，才能更好地闭环。

在大语言模型落地中，如何界定大语言模型的能力边界（优势）？

一些高频、高标准化、海量数据的场景，如数据分析、客户洞察等，不仅适合传统数字化技术，同样也比较容易结合大语言模型的优势。以 Chat BI 为例，结合大语言模型的自然语言处理和数据分析能力，能够极大提高对话式 BI 的能力，使 BI 产品更易被业务场景深度使用；此外，大语言模型在自然语言交互、推理能力、学习效率、执行能力等方面的优势，能够扩展、打通原来某些智能化环节，甚至会重新定义一些工作流程和岗位。比如在大语言模型能力的加持下，客服部门就有可能实现从服务中心到销售中心的升级。

林华荣说，做管理软件出身的人，容易习惯性地通过软件来增加管理控制的精确性，但如果仅从精确性来使用大语言模型技术，就很可能限制了大语言模型的优势能力：“我们要把大语言模型当作‘人’，而不是当作工具来看，这是一个非常重要的思考方式。”

在企业级大语言模型产品的实施交付上，同样也需要把大语言模型当作“人”来理解，并不局限于数据训练、微调等技术服务，而是要具备驾驭大语言模型的能力，让它能为企业所用。林华荣把大语言模型实施归结为三项主要工作：提示词工程、Agent 流程设计、行业 Konw-how 植入。核心目标是要把行业 Konw-how 转化为驾驭AI的能力，帮助客户实现业务结果。

3 “升级之路”

大模型浪潮下，企业的 AI 转型，不再是一个选择题，而是一个生存题。

在与一部分 SaaS 厂商的交流中，我们发现产研提效，是目前“SaaS+AI”的一个重要落地场景。

例如，一家 SaaS 企业产品负责人表示，自今年2月份以来，便要求所有研发人员必须使用大模型开发，否则就会被要求离开公司。目前该公司AI写代码占到了60%，研发效率得到了极大提升。

除了在产研和运营上的提效，SaaS 厂商也在积极探索产品与大语言模型技术的结合点。

林华荣表示，这里面一个难点在于大语言模型与传统管理软件输出的价值，是两个不同的维度。“管理软件属于解决管控性的系统，而大语言模型技术则相反，是要替代人的知识类高负荷工作。这也是为什么很多 SaaS 厂商一直很难找到大语言模型和自身产品产生 ‘化学反应点’的原因。”

这一差异，造成大语言模型技术与国内大部分企业管理软件的融合，仍处在体验升级阶段，尚未深入管理业务的核心。SaaS 企业的 AI 升级，也因此分为两条路线（或两个阶段）：

一为体验升级之路。即让原有能力，能够更好地被 AI 驾驭和驱动。这是适合当下大部分 SaaS，尤其一些复杂的管理软件 SaaS 厂商的升级之路。

二为重塑产品之路。即利用AI能力，做出一个全新的产品。这是适合更多创意工具、知识管理、智能客服等 AIGC 相关赛道 SaaS 厂商的升级之路。

相比之下，体验升级之路，更容易落地，但 SaaS 厂商在这条路上，多少有点 FOMO（错失恐惧症）的因素：有的是被大语言模型裹挟，不得不卷；也有的是想在大语言模型蓝海中找到新机会。

这有点像燃油车到电动车的转型：原来只是做汽车，现在还要装上冰箱、彩电……核心产品、价值链没变，更多是在卷体验（同样价格水平更多体验），很容易掉入“炫技陷阱”：为了一点体验改善，去加大语言模型，最后叫好不叫座。

想象一下：用大语言模型去点外卖、订机票，是不是真的比用 APP 更便捷？SaaS 厂商在交互体验升级上的投入，是否真的能够提高客单价和续费率？

重塑产品之路，目前主要集中在 AIGC 高度相关的赛道。

以职行力为例，林华荣提到，以往职行力产品主要面向中大型客户，这些企业都是具备相对较为完备的知识培训体系的，职行力可以在此基础之上，帮助客户解决让培训更有效果的问题，从而快速提升人效；但由于中小企业往往都不具备完备的知识培训体系，所以，以往职行力是不做中小企业客群的：不是不想做，而是做不了，因为这样往往会把软件交付做成咨询案交付。

大语言模型技术出来之后，职行力推出了基于 AIGC 的智能陪练系统。与以往的产品相比，这更像是一种快速见效的“特效药”。无需通过漫长的系统化治疗（建立培训体系并推动体系落地），而是直接给每一位员工配备一名贴身的“专业医生”（提供咨询、辅导、带教服务的专业教练），就可以更加快速、高效、低成本地满足中小企业客群在业务培训上的需求，这就是传统产品和大语言模型能力结合后产生的“化学反应” 。

结合以上两条路线来看，SaaS 厂商在大语言模型方向的探索，目前主要还在于提升产品交互体验，提高研发和运营效率上：比如在现有产品上增加特性，提升交互体验，或体现在一些单点功能的突破上，尚未与业务深度融合。从更长期看，随着大语言模型对 To B 业务场景的渗透， SaaS 厂商可能就需要思考如何借助大语言模型，重构产品服务。也就是说，体验升级之路，最终会走向重塑产品之路。

无论哪条路线，大语言模型技术，都为 To B 行业带来了新的生态融合。

近段时间，国内大语言模型厂商，逐渐从“拼参数”转向“争生态”。SaaS 厂商也能从中明显感受到大厂态度的转变：以往找大语言模型厂商谈 API 合作，对方可能不太理会；现在各赛道头部的 SaaS 厂商，经常都会收到多家大模型厂商的测试邀请。说到底，大模型厂商的商业化破局，关键还在应用生态：ISV 伙伴的质量和数量，决定了大模型厂商的市场渗透能力和长期优势，这也是近期国内通用大语言模型“价格战”背后的逻辑。

但也有一部分 SaaS 厂商，看到了在 AI 生态中面临的挑战：AI Agent平台、AI 原生应用，会不会冲击到原有 SaaS 的地位？

林华荣认为， SaaS 厂商的 AI 升级，有点类似于燃油汽车向电动汽车升级转型的过程。如果让汽车厂商自己去做电池，或者生产车载彩电、冰箱，显然是有点不现实的。更合适的方式是去找专门的电池厂家、电器厂商合作。要做到这一点，燃油汽车厂商首先要做的是把自己原有平台升级到电动化平台，能够挂载电池和电机，在车内可以接入冰箱、彩电等各种电器。

对于 SaaS 厂商来说，关键也是要保持开放，与专业的大语言模型厂商、Agent厂商合作，让自己能被AI驱动，融入到AI生态中。