隨著生成式人工智能技術(shù)的飛速發(fā)展，SaaS行業(yè)正站在一個新的商業(yè)化十字路口。本文深入分析了AI技術(shù)在SaaS領(lǐng)域的應(yīng)用現(xiàn)狀與挑戰(zhàn)，探討了SaaS廠商如何在AI泡沫與增量之間找到平衡點，實現(xiàn)真正的商業(yè)價值。

AI 不是萬能的，不做 AI 是萬萬不能的。

開源大模型的發(fā)展，大模型使用成本的不斷降低，推動大模型應(yīng)用進入爆發(fā)期。

據(jù)國家互聯(lián)網(wǎng)信息辦公室公布，截至2024年8月，我國共有188個生成式人工智能服務(wù)完成備案，大模型進入“落地之年”。

IDC數(shù)據(jù)顯示，2027年，中國生成式 AI 投資規(guī)模將超130億美元，五年復(fù)合增長率為86.2%。在近兩年生成式AI的投資熱潮下，誕生了一波明星公司，也產(chǎn)生了不少泡沫。有媒體統(tǒng)計，截至8月，2024年國內(nèi)新增 AI 公司約30萬家；而從 ChatGPT 發(fā)布到今年7月，國內(nèi)倒閉的 AI 公司有近 8 萬家！

從全球范圍看，SaaS 廠商都在積極擁抱生成式AI 技術(shù)。然而，“SaaS+AI”最大的挑戰(zhàn)，仍在于商業(yè)化的不確定性。

目前國內(nèi)“SaaS+AI”商業(yè)化仍處于早期：大模型技術(shù)仍在快速迭代，新的技術(shù)范式尚未形成，落地場景還在不斷探索和細分中，大模型在 B 端具體場景中的應(yīng)用價值仍待驗證；訓(xùn)練企業(yè)級大模型，也需要大模型廠商和SaaS廠商在數(shù)據(jù)和服務(wù)鏈路上打通……大模型浪潮下，SaaS 廠商，如何穿透 AI 商業(yè)化的迷霧，擁抱 AI 新增量？

01 增量，還是泡沫？

一位 SaaS 企業(yè)CEO告訴牛透社，“SaaS廠商在 AI 上的投入有點像‘煉丹’，具有較大的不確定性。對生成式 AI 的過高預(yù)期，試用后的過低預(yù)期，讓當(dāng)前一些客戶在嘗試 AI 服務(wù)時都比較謹慎，在價值驗證之前，客戶通常希望廠商能夠完全投入；模型訓(xùn)練需要客戶提供數(shù)據(jù)，有的客戶也不愿意提供?！?/p>

目前，大模型技術(shù)仍在快速迭代中，新的技術(shù)范式尚未形成。理性看待大模型的能力就非常重要：既不能過于低估而不去嘗試，也不能過于高估，以為大模型能搞定所有問題。合理的做法，是根據(jù)大模型的能力邊界，在現(xiàn)有客戶場景中為大模型找到適當(dāng)?shù)挠梦渲亍?/p>

同時，還要協(xié)同各種技術(shù)手段，包括人工的方式來解決問題。比如哪些可以用生成式 AI 替代，哪些需要結(jié)合傳統(tǒng) AI，哪些需要人工輔助……需要 SaaS 廠商依托行業(yè) know-How，結(jié)合場景、數(shù)據(jù)、成本等因素后綜合判斷。

找到 AI 落地場景，是大模型邁出企業(yè)級應(yīng)用的關(guān)鍵一步。

談到近期在 AI 商業(yè)化方面的進展，成都曉多科技產(chǎn)品與方案中心負責(zé)人田曲稱，“今年 5 月，曉多科技的 XPT 模型，完成了電商行業(yè)大模型的國家級備案，是智能客服領(lǐng)域第一個實現(xiàn)國家級備案的大模型。從目前來看，在綜合考慮和驗證了大模型的可控性、成本和效果（能不能真正解決業(yè)務(wù)問題）之后，我們對于在電商和智能客服領(lǐng)域，與大模型結(jié)合后能干什么、不能干什么，有了更加清晰的認知。從以前的探索階段，進入了一個全面落地的階段?！?/p>

與傳統(tǒng) AI 相比，大模型具備了一定的推理和內(nèi)容生成能力，在交互方式上具備更高的擬人性，這使得大模型在一部分對話和內(nèi)容生成的場景下更具優(yōu)勢。然而對于一些嚴謹?shù)?to B 業(yè)務(wù)場景，大模型幻覺和內(nèi)容生成質(zhì)量，目前仍是一個嚴重制約。大模型的能力邊界（可控性），是尋找大模型落地場景時的首要考慮因素。

此外，與可控性相關(guān)的還有安全合規(guī)性，這也決定了大模型在一些不影響到用戶信息或數(shù)據(jù)安全的場景中更容易推廣。田曲說，比如在智能客服領(lǐng)域，客服培訓(xùn)用大模型就非常適合。AI 模擬買家做咨詢，對客服做訓(xùn)練，并不涉及與真實買家的對話，因此不會關(guān)系到企業(yè)的敏感數(shù)據(jù)以及買家的個人隱私數(shù)據(jù)，這也是目前曉多科技在 AI 應(yīng)用上重點推廣的場景。曉多科技結(jié)合大模型技術(shù)的“AI 訓(xùn)練場”產(chǎn)品，推向市場后也得到了客戶的認可和快速增長。

同樣，還有內(nèi)容電商賽道，因為 SaaS 廠商幫助商家生成的營銷內(nèi)容，很快就會分發(fā)到各個公共平臺，具有公眾傳播的屬性，因此也是很好的落地場景。

“SaaS+AI” 商業(yè)化三要素  牛透社制圖

結(jié)合上圖，一些和 AIGC 強相關(guān)、可控性強的場景，比如 AI 陪練、智能對話、知識管理、內(nèi)容電商等場景，比較容易找到與生成式AI的結(jié)合點。

每一次新的科技革命，總會帶動一波新的創(chuàng)業(yè)浪潮（泡沫）。在這波大模型創(chuàng)業(yè)浪潮中，從百模大戰(zhàn)，到知識庫、Copilot、AI Agent……每個場景都可能有大量公司投入研發(fā)，盲目競賽而導(dǎo)致泡沫：比如表面功能的堆砌、同質(zhì)化的微調(diào)；偏離客戶痛點，投入半年也摸不清客群、市場、產(chǎn)品定位，等等。

正如吳昊老師（獨立SaaS顧問、《SaaS創(chuàng)業(yè)路線圖2.0》作者）在“SaaS+AI創(chuàng)新大賽”后總結(jié)三類失敗案例時所提到的：“淺、泛、浮”：“淺”是指淺層應(yīng)用，沒有深入挖掘行業(yè)需求和痛點；“泛”是指功能泛化，缺乏聚焦，無法提供明確價值；“浮”，是指缺乏業(yè)務(wù)基礎(chǔ)，試圖一蹴而就地實現(xiàn)功能全面的解決方案。

這正是技術(shù)驅(qū)動而非場景驅(qū)動所帶來的泡沫。

然而，泡沫的另一面，還要看到增長機會：“SaaS+AI”，為 SaaS 帶來新的關(guān)注度；私有部署的高門檻，讓生成式 AI 更多通過云端普及，促進客戶更加接受 SaaS 的公有云和訂閱模式；AI 創(chuàng)新，增強了客戶對 SaaS 廠商的認可與信任；AI 產(chǎn)品帶來的交叉銷售，可以增加 SaaS 廠商的 ARR……這些，都是 AI 可能帶給 SaaS 的新增量。

以電商行業(yè)為例。極?？萍紕?chuàng)始人兼CEO武彬表示，“生成式 AI 進一步降低了電商商家的選品、供應(yīng)鏈、銷售等經(jīng)營環(huán)節(jié)的成本，為許多商家?guī)砹藦澋莱嚨目赡?，也為周邊服?wù)商創(chuàng)造了新機會。極睿每年的收入規(guī)模都在快速增長，大概兩年能翻十倍?！?/p>

目前，生成式 AI 可能更快重構(gòu)的行業(yè)，主要集中在電商、智能客服、知識管理、創(chuàng)意工具等與 AIGC 強相關(guān)領(lǐng)域。對于這些賽道的 SaaS 廠商來說，加大 AI 投入都是戰(zhàn)略上的正確。但從 ROI 來看，大模型商業(yè)化還處于早期，SaaS 廠商更宜關(guān)注 AI 創(chuàng)新帶來的長期增長機會，比如客戶黏性增加、交叉銷售機會等，而非過于看重盈利收入。AI 真正能為 SaaS 帶來持續(xù)增長，僅為客戶創(chuàng)造情緒價值還不夠，明確的、可量化的價值體現(xiàn)，才能讓客戶續(xù)費。

02 混合賽，而非單項賽

從目前實踐看，生成式 AI 與傳統(tǒng) AI、數(shù)字化工具融合，包括人機協(xié)同的混合模式，是實現(xiàn)AI商業(yè)化的一種可行方式。SaaS+AI，是混合賽，而非單項賽。

生成式 AI 與傳統(tǒng) AI 結(jié)合，是實現(xiàn) AI 商業(yè)化的有效路徑。田曲認為，這主要是基于兩點考慮：一是客戶業(yè)務(wù)。并不是所有的業(yè)務(wù)場景都必須要使用大模型。比如一些智能客服的簡單應(yīng)答場景，傳統(tǒng) AI 效果已經(jīng)夠了。而在一些高價值的復(fù)雜業(yè)務(wù)場景，才需要利用生成式AI來突破效果的“天花板”；二是成本。在效果能達到的前提下，商業(yè)化必然要考慮ROI，“在一些業(yè)務(wù)場景下，幾百兆的模型跑起來既高效，穩(wěn)定性又強，從ROI上考慮就沒必要使用大模型?！?/p>

在武彬看來，生成式AI 技術(shù)與傳統(tǒng) AI 技術(shù)，更多是一種替換和疊加的關(guān)系?！皹O睿最早的產(chǎn)品是基于判別式模型，結(jié)合Template（模板）、Rule-Based（基于規(guī)則）構(gòu)建的。2022年底，生成式AI技術(shù)逐漸成熟，極睿產(chǎn)品的一部分底層能力用大模型做了替換；大模型也為內(nèi)容電商帶來了一部分新能力，比如模特的上身、視頻的剪輯加工，更好的內(nèi)容生成效果等，我們能做的事情也變得更多?！?/p>

To B 業(yè)務(wù)的流程和復(fù)雜度較高，生成式 AI 的可控性還較弱，目前還很難完全用生成式 AI 來滿足 to B 場景的需要。因此，在武彬看來，很長時間內(nèi)，混合模型仍是必要的。“可控性是 to B 領(lǐng)域最核心的要求。以電商內(nèi)容為例，如果做出的效果很 Fancy（花俏），但和實際貨品不一致，這樣不僅沒有用，還可能涉及虛假宣傳。因此，可控性一定是最大的優(yōu)先級?！?/p>

除了結(jié)合傳統(tǒng)AI技術(shù)，生成式AI也需要與人工結(jié)合，才能更好地解決大模型落地的可控性難題。武彬提到內(nèi)容合規(guī)審核的場景，除了極睿內(nèi)部的審核機制之外，商家還可以通過Copilot，在發(fā)布內(nèi)容前通過人工輔助審核來提高可控性。Copilot的人機協(xié)同方式，目前在醫(yī)療、法務(wù)等專業(yè)領(lǐng)域也有應(yīng)用場景。從Copilot到AI Agent，以及多AI Agent的協(xié)同，人機協(xié)同方式在不斷進化，數(shù)字員工正逐步走進現(xiàn)實，成為新的工作范式。但生成式AI與傳統(tǒng)AI、數(shù)字化工具、人工的結(jié)合，仍是目前AI商業(yè)化的可行模式，核心邏輯仍是以客戶需求導(dǎo)向，用新工具不斷幫助客戶提升解決問題的能力和效率。

03 開源，還是閉源？

訓(xùn)練企業(yè)級大模型，需要一定的專有數(shù)據(jù)。但目前挑戰(zhàn)在于：在很多場景下，大模型與專有數(shù)據(jù)之間是割裂的：企業(yè)的私有數(shù)據(jù)很多都是閉源的。SaaS 廠商的專有數(shù)據(jù)同樣也是閉源的，它們都被數(shù)據(jù)所有者視為自己的核心資產(chǎn)（競爭壁壘）。

出于對核心數(shù)據(jù)資產(chǎn)的保護，有條件的 SaaS 廠商通常會選擇利用開源大模型部署和訓(xùn)練自己的行業(yè)大模型。在數(shù)據(jù)管理上，把客戶的企業(yè)私有知識（數(shù)據(jù)），植入私有的向量數(shù)據(jù)庫，實現(xiàn)租戶級的隔離。通過這種方式，SaaS 企業(yè)或者客戶，可以更好地保證自身數(shù)據(jù)的安全可控。

談到開源大模型，武彬表示，目前極?？萍紱]有選擇閉源大模型，而是在開源大模型的基礎(chǔ)上，拿自己的數(shù)據(jù)來訓(xùn)練垂直行業(yè)的大模型。因為開源大模型能保證SaaS廠商掌控自己的數(shù)據(jù)，以及更好的訓(xùn)練效果。對于極睿而言，選擇開源模型，不僅是出于市場需求考慮，同樣也是企業(yè)的長期發(fā)展戰(zhàn)略?！霸诒容^長的一段時間之內(nèi)，我們都不太可能選擇閉源模型，因為調(diào)用閉源模型的 API 接口，可能把我們的數(shù)據(jù)傳出去，而數(shù)據(jù)是我們的核心資產(chǎn)，也是我們的競爭壁壘?！?/p>

使用開源大模型，SaaS 廠商更容易實現(xiàn)產(chǎn)品迭代，提升服務(wù)閉環(huán)的效率。

“大模型廠商如果能將模型開源出來，讓應(yīng)用廠商可以加入自己的專業(yè)知識和數(shù)據(jù)，對整個行業(yè)和生態(tài)創(chuàng)新都將是一種推動力；閉源大模型對于SaaS廠商來說就好比一個黑盒，模型的底層是封閉的。如果需要優(yōu)化和調(diào)整模型，SaaS廠商只能向大模型供應(yīng)方提需求，由其協(xié)助進行。在商業(yè)化過程中，這樣的服務(wù)和迭代鏈路就會比較長。SaaS廠商使用開源模型，在部署和管理上會更加可控?！?/p>

田曲在提到上述問題時表示，曉多目前的做法是根據(jù)場景不同，選擇開源或者閉源模型。比如，對于涉及買家和用戶側(cè)信息安全的場景，如智能問答，曉多使用的是自己的專業(yè)大模型，即XPT模型。這樣做一是效果更可控?？蛻粲蟹答?，不用再經(jīng)過第三方，在問題處理和服務(wù)鏈路上更可控；二是數(shù)據(jù)安全。避免把買家信息暴露給通用的第三方模型，造成數(shù)據(jù)安全與合規(guī)風(fēng)險；而在類似”AI訓(xùn)練場”模擬買家對話場景，曉多更多是考慮采用行業(yè)生態(tài)合作伙伴的模型能力，來實現(xiàn)業(yè)務(wù)效果和目標(biāo)，共建AI生態(tài)。

在對SaaS廠商的調(diào)研中，我們發(fā)現(xiàn)閉源大模型與應(yīng)用廠商之間更容易存在一種割裂關(guān)系。這種割裂，不僅體現(xiàn)在大模型技術(shù)與垂域知識、數(shù)據(jù)的融合上，也體現(xiàn)在面向客戶的服務(wù)閉環(huán)上，這些都是影響“SaaS+AI”商業(yè)化的難點。開源和閉源，作為兩種技術(shù)和生態(tài)，就像蘋果和安卓，或者Windows和Linux一樣，一定是長期并行的關(guān)系。選擇開源模型還是閉源模型，還需要SaaS廠商結(jié)合自身戰(zhàn)略，以及客戶場景、成本、安全可控等因素綜合考慮。

04 AI 替代率

任何一種技術(shù)應(yīng)用，都會帶來業(yè)務(wù)流程的重塑，生成式AI同樣如此。這個重塑是一個逐漸滲透和替代的過程。

有贊創(chuàng)始人兼CEO白鴉在解讀有贊2024半年度財報時提到，未來將不斷加強AI技術(shù)在產(chǎn)品中的體現(xiàn)，幫助客戶降低使用成本、降低試錯成本、提高經(jīng)營效率；此外，在有贊內(nèi)部，AI也可以持續(xù)優(yōu)化客戶服務(wù)、市場銷售、產(chǎn)品研發(fā)效率等作業(yè)效率。

同樣，北森的客服中心通過AI技術(shù)回答客戶問題，極大提升了效率。

極睿也一直非常注重利用AI來提升自身效率。極睿的創(chuàng)始團隊具有很強的AI背景，但相比較AI原生，武彬更看重場景原生，他提到極睿主要是聚焦電商場景，通過不斷提高AI替代率，來提升服務(wù)客戶的效率。“從 Day one 起，極睿內(nèi)部就有一個AI替代率的指標(biāo)，用于考核哪些服務(wù)客戶的流程是能被AI所替代的。”

武彬發(fā)現(xiàn)很多品牌和商家并沒有真正把工具用起來，這也是國內(nèi)工具類SaaS常見的挑戰(zhàn)。因此極睿在提供工具之外，同時也下場做運營和服務(wù)。

“有一些客戶如果不會用工具，我們可以通過工具直接幫客戶生成內(nèi)容；此外，我們還可以直接幫客戶帶貨，通過內(nèi)容實現(xiàn)成交?！庇梦浔虻脑捳f，極睿是一家堅持“技術(shù)實用主義”的公司，AI替代率考核的是極睿團隊在服務(wù)客戶過程中的效率能力，“AI替代率是一個持續(xù)改善流程的過程，AI也不太可能一上來就把所有的事情都做了”。

以客服場景舉例，在AI的加持下，如果5人能完成原來10人的工作，省下的人力就可以做更有創(chuàng)造力的事，比如客戶洞察、增值服務(wù)等；同時，生成式AI也會帶來交互體驗、內(nèi)容生成質(zhì)量的提升，這些也會改善客服機器人的對話效果，帶來AI陪練等新場景，從而推進智能客服業(yè)務(wù)流程的升級。隨著生成式AI滲透率的提高，生成式AI也將成為數(shù)智化加速的核心技術(shù)，“SaaS+AI”的商業(yè)化，也是從一步步提升AI替代率開始的。

05 結(jié)語

大模型應(yīng)用的爆發(fā)，可能為SaaS廠商帶來新增量，也可能帶來泡沫，主要取決于SaaS廠商是否找到了真正具有商業(yè)價值的落地場景。就好比沖浪，找對浪頭比速度更重要。

從目前階段看，“SaaS+AI”不是為了創(chuàng)造新的需求場景，而是要在原有需求場景中，找到更優(yōu)解。生成式AI與傳統(tǒng)AI、數(shù)字化工具的融合，包括人機協(xié)同的混合模式，是AI商業(yè)化的一種可行方式。

在采訪中，我們發(fā)現(xiàn)開源大模型，目前可以更好地滿足模型使用方（SaaS廠商及其客戶）對數(shù)據(jù)安全可控的需求，提升服務(wù)效率。數(shù)據(jù)是智能之源。訓(xùn)練企業(yè)級大模型，需要大模型廠商和SaaS廠商在數(shù)據(jù)和服務(wù)鏈路上打通，這也是“SaaS+AI”商業(yè)化亟待突破的一個關(guān)卡。