企业AI转型:为何个人提效了公司利润没涨?
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
过去一年,中国企业软件和SaaS厂商最焦虑的事,就是公司怎么转向AI。摆在面前的是两重压力:AI变化一日千里,订阅商业模式又可能崩塌。不少创始人已经掏钱买工具、改产品、用AI Coding,投入不算少。可这些单点投入落下去,总会撞上同一个问题:个人效率上去了,公司利润为什么没跟着涨?
今年我们围绕竞争、商业、技术和交付做了多轮讨论,聊着聊着话题总要回到组织本身。最怕的一种情形是,老板嘴上喊着AI转型,审批时还是把文件打印出来、层层签字。一个人干活快了,后面的审批、协同、验收照旧走老流程,省下来的时间又耗在别处。
外面的变化却很快。代理商开始“叛逃”,自己去接交付,既想做产品梦,也想多挣一份收入。客户动手搓起了Agent,软件厂商也越过原来的边界。多年形成的产业分工体系,正在悄悄瓦解。
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。其中有些还要等时间验证,但对正在转型的企业来说,或许能提供一些参考。
01
我们都到了一个切换时刻
有位老朋友曾对我说,不管你舍不舍得,我们都到了一个切换时刻。回头再看SaaS的发展:2008 年前后云计算进入中国,SaaS、PaaS、IaaS的分工慢慢清晰;2010 年前后基础设施逐步成熟;到 2014 年,SaaS进入蓬勃发展的阶段。那几年融资消息几乎每周都有,资本对行业的推动至今历历在目。
大模型和Agent这一轮,会不会重演类似的路径?2023 年大模型起来,到 2026 年,Agent成了讨论最密集的话题,有人干脆管它叫Agent元年。在我看来,往后两到三年,企业级Agent大概率会走到百花齐放那一步,资本投向应用端的窗口也打开了。

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,起因是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,就可能退出下一轮竞争。竞争、商业、技术和交付都在变,个人的提升怎么变成组织的能力,是这些讨论最后绕不开的问题。
02
判断一 竞争位置变了
切口虽小,市场却大,打法上叫「围点打援」。软件的边界在消融,竞争已经进入混战。过去企业软件的分工相当固定:基础设施由云厂商提供,核心系统握在平台软件商手里,细分场景交给SaaS厂商,客户关系由代理商维护,实施和定制则落到系统集成商头上。各层各有各的地盘,边界也是彼此默认的。
如今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,原本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,六类人同时涌进了这个市场。

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变成竞争对手。今年我做了很多FDE落地的采访,接触过一个团队:他们先拿客户的经营报表,找出哪些指标异常、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,却贴着客户业务最痛的地方。
一旦进了门,客户就会接着把需求递过来。以前你做CRM、他做HR,边界大家都心照不宣。如今客户信得过你,肯把上下文和相邻业务一并交出来,业务自然朝四周铺开。软件公司原先给自己划的那条线,想守也守不住了。

从一个高价值切口向相邻业务延伸
再看三到五年,竞争可能都指向同一个位置:「企业AI大脑」。无论入口是销售还是财务,最终都得摸清企业的业务对象、对象之间的关联网络,以及在什么条件下能执行什么动作。按业务逻辑推,操作界面会变成类WorkBuddy的工作台,往下是本体(Ontology),原先的IT系统则沉到最底层。

把业务对象关系和可执行规则交给AI
还有一点,行业厂商有条件把多年攒下的业务规则装进去,再往通用能力上走,这也是我看好行业厂商的理由。客户真正肯交出来的核心业务,往往得靠对行业的理解才接得住。
03
判断二 商业价值变了
「改弦易辙」,从卖订阅转向卖结果。今年有个故事挺有代表性:一位朋友判断,SaaS和AI之间大约还剩一两年窗口,不如多加些销售,把软件多卖一点。第一季度还行,第二季度客户的需求就明显变了。再往后,老板坐下来开口就是AI,关心的是你能接下什么活、改善哪个指标,原来那套围绕功能卖软件的路子越来越难走。
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
这些数字来自不同年份,统计口径也不一样。工业营业成本里含着原材料等投入,跟人力支出同样有交叉,拿来对照主要是看个量级。落到单家企业身上,究竟能切进哪一段成本,得顺着业务一条条拆。以前我们掏的是软件采购那笔钱;如今要是能直接接下一段客服、审核、对账或者生产改善的活,就有可能挤进客户原本花在业务和用工上的开支。
盘子大了,价格却未必守得住。昨天(11月13号)AI 实践者峰会的分会场上,一位律师事务所合伙人就说,客户现在会拿“AI 能优化成本”这件事回头压服务方的价。一家企业的法律服务,原先一年单价10万左右,眼下已经降到3万左右。效率一上来,客户就会重新掂量服务值多少钱。服务商自己的成本能降多少、报价会被压多少,这两笔账都得算。
往后看,软件公司的生意大概会分出几种走法。一种是把 Token 和算力做分销,软硬件、模型加用量打包交付。一种是直接做业务服务,接下一个结果,按事先约定结算。还有一种是把行业数据和专业知识做深,攒出能长期服务客户的本事。
我最担心的其实是另一种局面:乙方干着业务的活,最后拿到的还是 IT 软件预算那笔钱。你背着业务指标,派重兵投入,甲方采购那边照旧走原来的招标方式、软件合同和比价逻辑,把你死死压进一个很小的预算空间。

系统建设与业务结果,付费方式要分开约定
所以签合同的时候,这两块得提前谈明白。系统建设、接口、维护各自怎么收费,业务结果怎么验收、怎么核账、由谁来付钱,都得白纸黑字写清楚。
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聊组织调整,有个点挺触动我:他想减少人和人之间来回传话产生的摩擦,让人与机器的协作多扛一些活。人和人之间的上下文经常对不上,同一件事,每个人理解得都不一样,解释、汇报、对齐,耗掉大量管理成本。等到一部分知识能沉淀成 Skill,一部分工作能交给 Agent,组织里的信息流和分工就有了重排的机会。
小鹅通创始人老鲍打过一个很形象的比方,“火锅型组织”。大家为一个任务凑到一桌,这顿火锅吃完,任务结束,组合就散了;下一次任务来了,再重新组一桌。组织会越来越围着任务转,层级也越来越扁。

围着任务,把人跟 AI 组织到一起
AI 原生公司可以从外部的新能力、新交互出发,倒推自己需要一支什么样的团队。存量企业要做的,是从内部改掉研发、运营、交付的干活方式,再把练出来的能力带到外部客户那儿。往后,小组织、高人效会越来越吃香。对存量企业来说,一号位必须亲自下场,强推才可能成。我们私下开玩笑,说得有个“开明的暴君”才推得动组织转型。
AI 进了组织,大致会接三类活。一类是执行助手:人派任务、定标准,AI 负责整理、核对这些具体事,最后由人验收。一类更像业务同事:团队先把企业资料接进去,配好流程和权限,拿真实案例验过,再让它接下一段完整工作。还有一类管协调,汇总进度、提醒异常,帮管理层和一线及时对上。

AI 在团队里承担的三类工作
今年四月我们去 MiniMax 学习,交流时有人说,自己的日程现在被 AI 排得满满当当,面试和后续工作一个接一个派下来。人在给 AI 派活,AI 也开始参与安排人的工作,管理方式自然跟着变。过去我们盯打卡、盯在线时长,希望员工坐满八个小时;现在管理者有机会更具体地看到工作是怎么推进的、问题卡在哪儿。
「AI决策lab」第二期有位创始人讲了个故事。他把 AI 接进客户服务群,替自己汇总异常信息。他们客户群很多,销售未必会主动把每个问题都报上来。多了这层梳理,他每天先看到最该处理的那几个异常,再决定怎么介入。这件事的价值在于,管理者能更早看到问题、看清结果,一线也少了些反复汇报,把时间挪去解决问题。

先看清工作过程,再评价实际成果
05
判断四 技术落地还在试错积累
这个阶段我拿“厚积薄发”来概括。Agent 已经进入爆发前的试错积累期,解法一大堆,大家都在摸着石头过河。头部厂商今天选的路径,将来就一定是那个最优解吗?现在真不好下结论。模型输出带着概率,企业的严肃业务却要对具体结果负责,这两头怎么接上,是落地时得一件件处理的事。
眼下算是内外交困。外部市场变得快,模型一升级,可能就把你原来单卖的功能覆盖掉了;大厂也能把同类能力塞进已有的产品方案里。客户关心的却是另一码事:你到底能省多少钱、多挣多少收入、改善哪个核心指标。企业内部也有一堆难处:数据散在不同系统,口径对不齐,模型会出错,关键动作就得复核、兜底;开发团队还得学会评估模型,把异常案例留下来,持续验证。

Agent 落地:外部的变化与内部的难题
就算某个环节准确率已经很高,客户也未必肯百分之百放手。出了问题谁担责、原来的岗位怎么调,都算在这个决定里。技术往核心业务里跑,一路上会不断撞上组织、权限和责任的问题,回过头看,还是绕回组织。
06
判断五 交付机制需要重做
“以战养战”,让产品和交付转成双飞轮。今年五月前后起,我们一直在盯 FDE。有人吃这个概念,也有人一听就觉得是包装;可模型能力和客户现场之间还隔着那么多活,眼下确实得有人扎进去,把事情接起来。我在 PPT 里画了道剪刀差:一边是模型能力蹿得很快,另一边是企业真上线、稳运行、拿到业务回报的速度。

模型能力与企业价值兑现之间的落差
几份研究各自揭开了不同环节的难处。MIT NANDA 的初步研究里,研究样本中约 95% 的组织没看到可衡量的财务回报。Gartner 的调查则显示,生成式 AI 原型平均有 41% 能进入生产环境。毕马威的报告提到,88% 的受访组织正在往 Agent AI 上投钱;而把视线放到整体 AI 应用上,24% 在多个用例上拿到了投入回报。
这些研究的样本和口径并不一样,得分开来看。不过投入、投产、价值规模化,每一步都有自己的坎。
FDE 的机会恰恰在模型能力和业务结果之间。我跟国内某头部云厂商负责交付的一号位聊过,当年云计算进中国,也要工程师跑到客户现场指导。到今天,这类活还在,只是交付效率、工具和产品化程度都上去了。FDE 会不会长期存在?我的判断是会。更关键的是,每做完一家客户,能不能让下一家的交付更快。
到现场交付,把规则沉淀下来,再去下一家客户那里验证,验证结果又反馈进产品,带着更新过的产品进入下一次交付。这个循环转起来,产品和交付才能互相推着走。

让一次交付成为下一次交付的起点
说到这里,也得重新想想行业信仰这回事。SaaS 时代,我们一门心思学美国的产品、商业模式和发展路径,走到今天,是找到了自己的路,代价也不小。到了企业 AI 时代,硅谷依然值得研究,可中国企业的需求、采购方式、交付结构,答案得从自己身上找。
07
写在最后
留给未来的五个反直觉判断
五个判断讲完,我想再留五个问题,过两三年再回头来看。
关于壁垒
马奇诺防线修得够坚固,德军却换了路线。过去我们引以为傲的护城河,眼下也正被 AI 重新检验。客情关系就一定是护城河吗?攒了这么多年的行业 Know-how,真能把别人挡在外面吗?

堡垒完好,对手已经换了路线
我接触过一个案例,几个原本不懂这行的年轻人,带着 AI 进了业务,在做事的过程中学得很快,慢慢长出了自己的能力。这事对我冲击不小,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的要快。行业厂商的机会还在,但得把经验变成能解决客户问题的产品和交付能力,一直往前跑。
2. 关于技术
英国红旗法要求有人在车前举旗步行示警,车明明已经能跑了,还得跟着人的步子走。今天很多 Prompt 和 Skill,也包含着对现阶段模型能力的补充,或者说限制。等数据足够丰富、足够多了,这些中间态是不是就该去掉?

模型进步会改写过渡工具的价值
这事多久会发生?我和白鸦在一次直播里聊过,时间还很难说清,但做应用的人得把这问题搁在心里。模型再升一轮,自己的产品还能给客户留下什么?今天这些投入里,哪些能随着业务继续积累,也值得再翻出来看看。
3. 关于交付
瓦萨号首航没多久就沉在港内,下了水,工程上的问题才真正露出来。OPC 加 FDE 的供给正在快速增多,里头有不少优秀团队,也有很好的客户实践。可供应能力参差不齐,价格战越打越凶,交付之后的事就更得提前想。

交付能力要在真实运行中接受检验
有朋友转述过一个刚发生不久的客户选型故事:一家成熟厂商报价一百万元,另一家报十五万元。预算就摆在那儿,不少客户会认真考虑十五万元的方案,但选型还得往下追问,后续运维怎么做,出了异常谁来处理,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 拿到更大的业务预算,可真到结账时,可能又绕回 IT 软件采购的老规矩。矿工干了实实在在的活,公司却想拿只能在自家商店花的代用券付钱。下面这张图对应的历史故事,让我想到的就是结算规则。
业务结果和结算规则,可能对不上
干的是业务的活,结的却是软件的账,这恐怕是不少企业 AI 厂商绕不开的尴尬。钱怎么拿、责任怎么担,这两条得先摆到台面上说清楚。业务部门点头认了效果,接下来采购怎么落合同、财务怎么走付款,同样得一并打通。
5. 关于自研
如今 CIO 手上有了趁手的工具,内部团队自己就能搭 Agent,尝试自然会多起来。可一个部门一套数据口径、一套规则,再分头接进企业系统,过段时间留下的“烂尾楼”恐怕比数据孤岛还难收拾。十九世纪的英国铁路越修越多,轨距却各走各的,一到换接站,旅客和货物只能换车。
轨距不同,各条线自己跑得动,却难连成一张网。企业里也可能出现类似场面:每个 Agent 单看都能跑,接到一段完整业务里,上下文、权限、规则就对不上了。更麻烦的是,有些 Agent 还在自动干活,它动了哪些数据、触发了什么动作,没人说得清的话,清理起来只会更难。
08
模型可以借,总闸握在自己手里
前面五张图都是黑白的,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、同行交流下来,发现不少企业会选择用开源方式构建自己的 AI 大脑:外部能力接进来,核心业务的知识、权限和控制权,得自己掌握。
企业 AI 主权说白了就是:AI 归谁做主,得由企业自己说了算。电可以从外面买,但总闸得攥在自己手上——这就是我对企业 AI 主权的理解。这几个周期一路走下来,谁手里都攒了些东西,也都有放不下的部分。接下来,想明白了就赶紧把组织转型推起来,让工具上的进步真正落到企业能力上。
还有一点:ToB 市场急不得,先发那点优势其实有限,眼下什么都还没定,晚些下注未必不是个好办法。把 AI 原生组织搭起来,现金流看住,机会到了再出手。