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，機器人就把所有事都干了。

當 DeepSeek 以開源之勢席卷技術圈，企業(yè)軟件行業(yè)正面臨一場前所未有的價值重估。大模型的能力平權是否會讓 SaaS 廠商失去技術壁壘？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城河，新銳勢力又該如何抓住彎道超車的機會？

崔牛會創(chuàng)始人&CEO 崔強主持了主題為“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，就相關話題進行了深入探討。

郭舜日認為，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，他認為是單一功能的技術型、工具型 SaaS。以 RPA（機器人流程自動化）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，就能輕松實現(xiàn)自動化。這對傳統(tǒng) RPA 公司是顛覆性的。

再比如機器人領域。以前波士頓動力的機器人需要編程各種動作規(guī)則，現(xiàn)在基于大模型的機器人可以通過學習直接執(zhí)行任務，不再需要預先編寫規(guī)則。這類技術進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重高估了。無論是科技界、學術界還是產(chǎn)業(yè)界，對大模型的預期都非常高。實際上目前大模型在企業(yè)的落地應用，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)字化基座實現(xiàn)的。他認為，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。

如何定义B端产品及B端产品经理方法论

相较于C端产品，B端产品最大的特点是：面向特定领域用户，且数量少得多，但更注重对用户专业领域操作流程的深度挖掘——也就是专业性更强，与业务的结合更紧密。

查看详情 >

沈旸的看法則更為激進，認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。他認為，SaaS 的訂閱模式（按人頭收費）會被 AI 顛覆，未來要么賣實時數(shù)據(jù)，要么賣服務效果。

這場對話充滿了尖銳的觀點碰撞，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）

01 是“救命稻草”，還是“催命符”？

崔強：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 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)的落地應用，我親自參與了公司大部分重要項目的售前與交付工作，同時也擔任了幾家上市公司的大模型落地應用顧問。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踐經(jīng)驗和思考。

沈旸：我在 To B 領域工作多年，最早做了十年 ERP 咨詢，后來轉(zhuǎn)到甲方做數(shù)字化建設，現(xiàn)在負責一家供應鏈金融公司的數(shù)字化業(yè)務。過去兩年我們在 AI 落地方面做了很多實踐，也踩過不少坑，積累了一些心得。很高興能和大家交流。

崔強：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：這個觀點很有意思，我也很認同。從長遠來看，比如 10～20 年的維度，DeepSeek 確實是 SaaS 的“催命符”?；貧w到當下，未來 3～5 年大模型對 SaaS 企業(yè)是有促進作用的。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，因為中國企業(yè)的創(chuàng)新精神不會消失。

沈旸：我基本同意楊芳賢的觀點，不過我認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 既帶來機遇也帶來挑戰(zhàn)，本質(zhì)上是對現(xiàn)有商業(yè)模式的重構。很多 SaaS 企業(yè)不盈利，主要因為高昂的實施和獲客成本。如果 AI 工具能替代這些非結(jié)構化工作，將極大降低成本結(jié)構。從這個角度看，AI 對一些企業(yè)確實是”救命稻草”。

更進一步，運用 AI 得當?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)務環(huán)節(jié)。

02 “前期投入，后期躺賺”將不復存在

崔強：如果拋開現(xiàn)有的立場和包袱，作為一個新進入企業(yè)服務領域的創(chuàng)業(yè)者，應該怎么看待和思考這個問題？

郭舜日：我認為現(xiàn)在 AI 的發(fā)展給新創(chuàng)業(yè)者帶來了非常好的機會。首先，AI 帶來了全新的能力，很多原本需要復雜架構和大量人力才能完成的工作，現(xiàn)在通過 AI 就能實現(xiàn)，大大降低了管理難度和成本。

其次，對于新進入 SaaS 領域的企業(yè)來說，如果能用好 AI 技術，可以在某些特定功能上實現(xiàn)突破，甚至超越傳統(tǒng)的行業(yè)領先企業(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)復雜的調(diào)度算法和處理策略，現(xiàn)在通過 AI 大模型就能實現(xiàn)，而且效果可能比傳統(tǒng)算法更好。

最關鍵的是，傳統(tǒng)企業(yè)可能需要 10 年積累的經(jīng)驗和能力，新創(chuàng)企業(yè)通過運用 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，建立更具競爭力的成本結(jié)構。所以這對新進入者來說是個巨大的機會，而對于現(xiàn)有的行業(yè)領先企業(yè)來說，則需要特別警惕這個發(fā)展趨勢。

崔強：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 進化快的一個重要原因是強化學習。數(shù)學題訓練有個特點：學得好可以拿滿分，但語文很難滿分，因為評判標準不固定。同樣，大語言模型很難做到 100% 準確。但在 DeepSeek 領域，雖然仍是概率模型，但通過強化學習可以驗證答案是否正確。在代碼領域更明顯：代碼可以運行測試，驗證頁面是否符合預期。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，但更多進展是在軟件工程領域。未來，只要是 AI 能看到的，它就有能力復制軟件。如果軟件靠功能點疊加，比如企業(yè)管理軟件按功能點計價，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。現(xiàn)在 AI 可以把軟件拆解、運行、驗證，24 小時并行處理，很快就能找到可復制的方式，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”的模式將不復存在。企業(yè)要么持續(xù)投入研發(fā)，要么提供實時服務和數(shù)據(jù)，不可能再靠十年前做的軟件持續(xù)盈利。

崔強：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、學術界還是產(chǎn)業(yè)界，對大模型的預期都非常高。實際上，目前大模型在企業(yè)的落地應用，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，從技術出現(xiàn)到極大地提升生產(chǎn)力，需要一定的時間。所以我的觀點是，大模型落地應用也是這樣，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、一個工序，借助大模型能極大地提升效率?；诖耍谖磥砗荛L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。

郭舜日：我補充一下?，F(xiàn)在 AI 應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 技術本身，而在于傳統(tǒng) SaaS 領域的數(shù)據(jù)沉淀和經(jīng)驗積累不足。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)驗整合成可供 AI 學習的素材。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，形成可學習的知識體系。這才是當前最需要解決的問題。

崔強：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，他說內(nèi)容服務、AI 服務應該停止使用 MCP。為什么現(xiàn)在有人追捧，也有人看不上？

沈旸：其實 MCP 本質(zhì)上就是個簡單的 API 服務協(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 把它標準化了。現(xiàn)在有幾百個開源軟件和 SaaS 服務都支持該協(xié)議?，F(xiàn)在 AI 領域有個特別的現(xiàn)象：以前推廣一個開源項目可能要幾年才能獲得 1 萬 Star，現(xiàn)在兩三天就能達到。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險。

目前 MCP 有個局限，它原本為本地編程設計，沒有考慮商用軟件的計費問題。有些 SaaS 公司雖然支持 MCP，但會在內(nèi)部設置調(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：兩位對這個話題有什么補充嗎？

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)議標準。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準化，讓 AI 來執(zhí)行交互流程，減少對人工操作的依賴。因為 AI 本身就具備行業(yè)知識，這樣能簡化架構，快速實現(xiàn)對現(xiàn)有交互流程的優(yōu)化和能力替代。雖然協(xié)議本身不難實現(xiàn)，但關鍵是大模型引擎廠商都接受這個事實標準。這是我們內(nèi)部架構團隊正在討論的方向。

崔強：有網(wǎng)友問沈旸：按照你剛才的觀點，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雜?，F(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，因為他們還有資源投入。但必須意識到 AI 帶來的變革。如果意識不到這點，就會像燃油車面對電動車那樣，兩三年后就發(fā)現(xiàn)自己無力進行架構升級。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行重大改變。

03 哪類軟件會先被淘汰？

崔強：做個極限假設，以你們的觀察來看，哪類軟件會最先面臨風險，最可能被淘汰？

楊芳賢：在企業(yè)服務領域，后發(fā)優(yōu)勢特別顯著。軟件行業(yè)不完全是技術驅(qū)動的，市場、銷售、服務和交付等環(huán)節(jié)同樣重要，技術領先性沒那么關鍵。回到沈旸說的時間問題，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？我認為還是看企業(yè)的組織能力和運營效率。與軟件類型無關，組織能力弱、運營效率低的企業(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的，功能相對單薄的工具類軟件。

崔強：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，我認為是單一功能的技術型、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)技術實現(xiàn)了 OCR（光學字符識別）功能。傳統(tǒng) OCR 需要大量樣本訓練特定模板，而現(xiàn)在的 AI 多模態(tài)技術不僅識別率更高（達到 99%），還能理解內(nèi)容含義。比如我們與客戶在珠海合作的項目，AI 不僅能識別貨運單據(jù)上的文字，還能理解運輸條款和貿(mào)易條款的關聯(lián)性，這是傳統(tǒng) OCR 做不到的。

再比如機器人領域。以前波士頓動力的機器人需要編程各種動作規(guī)則，現(xiàn)在基于大模型的機器人可以通過學習直接執(zhí)行任務，不再需要預先編寫規(guī)則。這類技術進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比較難被取代，因為它們不僅是功能工具，更是組織內(nèi)部達成共識的磨合過程。比如 ERP 系統(tǒng)，從前端銷售到后端財務，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 領域，如果只是針對某個非常細分的部門級應用，這樣的軟件會面臨較大風險。目前還看不到這類軟件能保持優(yōu)勢的路徑。

04 AI 有哪些真正可落地的場景？

崔強：目前有哪些讓人眼前一亮、真正可落地的 AI 應用場景？去年崔牛會 AI 大賽時，60%～70%的項目都是知識庫、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用？具體在什么場景？

郭舜日：知識庫確實是一個非常典型的場景，效率提升非常明顯。通過向量化機制，特別是 RAG 技術的應用，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?，F(xiàn)在我們通過內(nèi)部知識庫建設，相當于培養(yǎng)出一個機器人專家，可以沉淀企業(yè)十幾年的知識。這塊效能確實很明顯。

但難度我也要說明，絕對不是簡單把文檔扔進去就能產(chǎn)生好效果。因為存在大量知識沖突，需要花精力進行知識梳理、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 公司都應該在內(nèi)部效能提升上應用知識庫，但需要認真對待知識增強和梳理工作。

第二點，我認為更重要的是企業(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)有價值的應用場景。這是比找單點應用更重要的事。

在具體應用場景方面，AI 在單點能力上的提升非常明顯。以我們航運軟件為例，以前處理各家船公司的運價導入非常復雜，需要業(yè)務理解，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。還有財務對賬，AI 理解財務邏輯、處理非結(jié)構化數(shù)據(jù)的能力都很強。這些單點技術突破投入低但客戶價值高，是 SaaS 廠商應該重點關注的。

崔強：沈旸，你現(xiàn)在看到了哪些比較令人興奮的應用場景？

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、虛擬機等組件，最終運行出結(jié)果并驗證可行性。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，其實更多是在為 AI 服務，而不是為人服務，因為 AI 對知識的理解能力遠超人類。

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 完成并驗證，就是重大進步。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，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。

目前這類應用主要在科技公司和工程師團隊中測試，但我預計 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，一旦實現(xiàn)閉環(huán)，就能清晰看到這個技術的終點在哪里。

崔強：一個再小的業(yè)務，你也要把它閉環(huán)做完，能單獨搞定它，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)。因為最終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、對員工服務的共享服務中心、業(yè)務陪練、加盟商指導、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都是成為員工的數(shù)字助理提升效率，當數(shù)字助理有了極高的準確率和采納率后，就可能直接替代部分真人工作，這些單點場景在有一定規(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)也應用得特別好。例如：通過 RPA 機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)進行分析和預測。把業(yè)務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隊有幾百人，水平參差不齊，借助 AI 后相當于每個客服旁邊都坐著一位業(yè)務專家，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目用 AI 支撐近千家經(jīng)銷商，今年的二期項目做業(yè)務審核。他們目前有 500 人的業(yè)務審核團隊，預計今年業(yè)務量要翻倍。如果不引入 AI，他們的客服審核團隊要再招 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)域的電費劃轉(zhuǎn)單、各省不同的購售電合同、投資項目備案證等；技術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)務專家的場景，這些業(yè)務專家的知識、經(jīng)驗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。

05 比技術和產(chǎn)品更重要的是方法論

崔強：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際價值。郭總，聽說你們已經(jīng)在做這方面的落地實踐，馬上要發(fā)布新產(chǎn)品了，能具體說說嗎？

郭舜日：我結(jié)合我們的實踐經(jīng)驗來說說。從技術實現(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，通過優(yōu)化提示詞來解決具體的業(yè)務場景問題。根據(jù)我們的實踐，只是做好提示詞工程就能解決 80%左右的常見業(yè)務場景。

比如我們現(xiàn)在做的 OCR 場景，就是通過多模態(tài)技術加上精心設計的提示詞，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)應用案例，核心都是基于提示詞構建的任務流程。

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證，應用到生產(chǎn)環(huán)境，光靠提示詞是不夠的。

郭舜日：確實是這樣。所以，第二個階段就是 RAG 增強。這個階段難度會大一些，主要是通過知識補充和能力增強來解決更復雜的業(yè)務問題。

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，因為每次想看個報表都得找數(shù)據(jù)工程師專門配置。我們現(xiàn)在做的方案是，通過 RAG 技術把歷史報表數(shù)據(jù)向量化，當老板說“我想看最近一個月銷售對利潤的貢獻情況”時，AI 就能自動生成相應的復雜報表。知識庫建設也是類似的原理，但這里特別要注意向量化的質(zhì)量，這個很關鍵。

第三個階段就是模型微調(diào)。當業(yè)務場景需要帶入大量上下文信息時，可能就需要對基礎模型進行微調(diào)了。這個階段的投入會比較大，因為要構建自己的專用模型，硬件投入可能要幾十萬到上百萬。所以，要不要走到這一步，需要仔細評估業(yè)務價值。

我們內(nèi)部現(xiàn)在就是按照這三個階段來規(guī)劃 AI 應用的，從提示詞工程開始，逐步推進到 RAG 增強，最后根據(jù)業(yè)務需要決定是否進行模型微調(diào)。

崔強：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)了一套被廣泛認可的大模型落地應用“三步走”方法論。

我們認為企業(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。很多人認為大模型只在企業(yè)內(nèi)少數(shù)崗位，例如：文案、設計、開發(fā)等崗位提效顯著。其實不是這樣。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+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。今天基于大模型構建 AI 生產(chǎn)力有兩種范式，一種是替代簡單的重復性的腦力勞動，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鍵步驟。

讓大模型像剛?cè)肼毜男聠T工一樣，先掌握基礎的企業(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”。這個階段是以 AI 為基礎重構產(chǎn)品和服務流程。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際落地應用的最佳實踐的幾個關鍵點：

一是企業(yè)內(nèi)領導層、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，與實際的落地應用有很大差距。

二是了解行業(yè)內(nèi)的先進企業(yè)及跨界的先進企業(yè)的真實案例拆解。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行試點?，F(xiàn)在很少有企業(yè)有專業(yè)的 AI 團隊，臨時組建的 AI 虛擬團隊一定要先集中資源做好一個場景。一個場景驗證成功后，代表這個企業(yè)、這個團隊有駕馭大模型的能力，一個場景拿到超出預期的效果再擴展到其他場景會容易很多。

今天落地應用大模型技術和產(chǎn)品很重要，比技術和產(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，大模型進入到產(chǎn)業(yè)才 2 年多時間，能力變化也很快。落地應用遇到挑戰(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隊比單純追求技術更重要。

06 別做“半吊子”產(chǎn)品

崔強：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定場景，聽起來很簡單：讓 AI 根據(jù)“朝南”“看海”這種需求自動選會議室。這需要解決幾個問題，給會議室打標簽、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。

我們半天就搭了個原型，但實際使用發(fā)現(xiàn)問題很大——時間理解準確率 70%，地點匹配 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%準確（雖然理論上大模型是概率模型，但實測結(jié)果就是全對）。

如果一個場景一周內(nèi)搞不定，說明要么團隊能力不足，要么技術還不成熟。

去年我們做了一個類似 Manus 的金融版 AI 工作流，但當時開源工具鏈殘缺，評估要縫上百個接口，直接放棄。技術迭代快得很，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。比如設計師做了個吉祥物生成工具，運營同事@機器人 10 秒出圖，以前找設計部排隊得等半天。

所以，要么做成“開箱即用”的閉環(huán)（比如集成到釘釘/企微），要么明確測試標準，耐心等機會，千萬別做個半吊子功能，既浪費資源，又透支團隊信任——用戶試兩次不好用，以后連 AI 本身都不信了。

07 “數(shù)據(jù)安全”不再是企業(yè)落地大模型的主要障礙

崔強：一個網(wǎng)友的問題：企業(yè)在引入 AI 過程中如何防護數(shù)據(jù)安全，有哪些泄露風險點？特別是需要私有化部署的企業(yè)，目前他們可能更關心這個問題。我看你今年給很多大企業(yè)、國央企講過課，他們肯定很關心安全問題。這個有解嗎？怎么解？

楊芳賢：關于大企業(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。

當然對于黨政機關、軍工企業(yè)、涉密機構等特殊部門，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)都非常關注。因為過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)測試體驗一下，現(xiàn)在可以大規(guī)模的應用在工作生產(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，很多安全廠商也給出了解決方案。所以，安全不是落地應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。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。

08 企業(yè)“上云”，還是“下云”？

崔強：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？

郭舜日：數(shù)據(jù)安全確實是非常敏感的問題。我們這些做了十幾年的 SaaS 服務商，在安全方面都有保障和承諾。像我們服務的中國郵政、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行，已經(jīng)建立了對 SaaS 軟件的信任。

但 AI 帶來的新問題是，當數(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，就是擔心公有云廠商可能利用平臺數(shù)據(jù)挖掘能力來服務整個行業(yè)。這對數(shù)據(jù)貢獻最大的企業(yè)來說確實存在戰(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，也沒有能力進行獨立的數(shù)據(jù)挖掘。所以我認為會有兩個趨勢：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 服務商，因為單個企業(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：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：SaaS 軟件+開源低代碼+商業(yè) ERP 套件。現(xiàn)在 AI 可能會替代原來的低代碼場景，業(yè)務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)部復制一套。很多客戶其實只用到 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，提供實時更新的數(shù)據(jù)服務，比如提供股票信息的 SaaS，因為數(shù)據(jù)實時更新才有價值。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，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，所以云上的比例未必會下降。

從 SaaS 服務商角度看，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“下云”，但更多業(yè)務會“上云”，整體對云服務還是利好的。

崔強：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形態(tài)。就像沈旸說的“Service as a Service”，關鍵是要能交付明確價值的服務。我們把服務分為兩類：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。