文 | 李智勇
故老相传：中国人擅长做应用，但在这次 AI 的应用上结果却大相径庭，美国人在 AI 应用上看起来跑的更快。
Glean、Harvey 等这类应用动辄 ARR(Annual Recurring Revenue) 过 1 亿美金，ARR 过 2500 万美金的初创企业更是有相当大一批。
这是真的有收入做支撑，而不是单单的估值高，所以反倒是更能反映应用深度。相比之下，国内的应用不管是在数量还是规模上就远逊。
这是为什么呢？会一直持续下去么？未来可能的变数是什么？
直接解释：B 端数据层缺失
美国人大量新应用全是 B 端应用，这其实和过去的 SaaS 一脉相承。
现象上原因明显：过去美国 SaaS 也曾经突飞猛进，国内的 SaaS 就没搞起来，所以基于 AI 对 SaaS 做升级米国自然就也跑的快，国内就跑的慢。
如果在商业上 SaaS 跑不通，只是支撑技术变成了 AI 当然也还是跑不通。
深层次一点的原因则和数据成本有关。
这点可以参照 moveworks（28.6 亿美金被 ServiceNow 收购） 和 Glean（估值 56 亿美金） 的架构图来说明：
（上面两张图来自两个公司官网：第一张是 moveworks，第二张是 Glean）
这两张图的共通点是：都存在一个数据层和智能层，数据层是企业的完全表示，智能层导入大模型的通用智能的能力，基于数据层创造服务价值。
Glean 和 moveworks 的差异点是 moveworks 里面包含一个 Agentic Plugins，原因倒也不复杂，moveworks 拿企业整体做抽象，面对不同企业的时候 HR、IT 等各种职能必然有需要进行定制的部分，这部分需要开放出来进行某些定制，最终就体现为 Plugins。Glean 现在越来越走出搜索，未来大概率也会这样。
比较明显，是否能构建合适的数据层就变成了智能层和插件层能否生效的前提。
而是否能构建合适的数据层基本上和技术关联不大。
本质并不是智能好坏的问题，而是数据本身的性、质问题。而数据性、质背后则是生产关系的特征。
数据有一些物理资产不具备的特征，比如完整性与否就影响有价值与否，每个省就有 5000 个人信息的数据价值为 0，有接近全量的数据则价值趋于无穷大。
再比如同样的数据的价值在时间轴上也不等价，1 年前的全量数据，再全价值也逼近于 0。而这些是否能够满足，全部依赖于数据层的有效性，依赖于生产关系的特质。
所以确实可以讲：数据层的缺失卡住了 SaaS，也会卡住 AI B 端应用。从这个角度看：模式和 SaaS 越像 （不是技术），越危险。
SaaS 不灵，路在何方？
前两天参加了个盛景的活动，盛景为未来 AI 应用起了个很接地气的名字叫 AI 包工头。
我倒是觉得 AI 驱动的商业体更贴切，但不管那个名字这背后折射的东西都是一种和 SaaS 完全不同的模式，一种 AI 应用落地的新思考。
我们可以把 B 端产品放在一个更为宏达的叙事框架下面来看，我们用几张图来分别做代表：
第一种是经典模式，SaaS 是按层按块进行分工，然后辅助创造价值。全 AI 驱动的商业体则自身就是价值创造的完整过程。很长时间的典型结构是：
第二种则是大模型之后出现的，以 moveworks 等为代表的模式。到这里其实事情已经发生了本质变化：
moveworks 和 SAP 这个结构相比最大的区别是：啥都自己做，最多开放插件。
要这么搞的话，再不敏感也会发现，深入下去的话，这是一套完整对 ERP 这套体系进行置换的方案。
这为什么是可能的呢？因为过去的这些产品核心价值是 workflow，而现在非常多的 workflow=数据+大模型，不需要单独做了。
价值稀薄后当然独立存在的意义也就小了。
当然当下限于 AI 的各种进展，这种模式的整合深度也还不够。
我们这个时代最神奇的事情是马车、汽车和自动驾驶会并行，同时还有一种至少在概念上更先进的模式也存在。第二种模式还没摊开，但第三种也并行发生了。
第三种是 AI 驱动的商业智能体。
（上图是 Waymo 的运行图，一个 AI 智能体完全承接出行服务，国内当年的萝卜快跑应该是要学这个）
Waymo 在运行的 Robotaxi 模式其核心特征在于：以 AI 为中心，在产业里面选一个突破口，自上往下整合所有的东西，直接创造价值。
这前面两种模式的不同在于：如果都是这么垂直整合，那水平分工就没空间了。
在这个体系里面，最内核的部分是智能、数据、工作过程是整合在一起的，很难再切出某个小块，使用其它的第三方智能体。
既然都是 AI 和数据驱动，智能的供给又过剩，那很可能都自己做特殊化的整合就好了。
既然没有不得不分工的理由，自己做也不复杂，那为什么要做水平分工呢？
垂直整合的挑战
不确定国内是不是能跳过 moveworks 那个阶段，直接过渡到 AI 驱动的商业智能体。
第三种模式虽然看着先进，其实也不好搞。这么做垂直整合，随着业务范围的放大，难度其实也在变高。
这么做很像找到了一个点，然后不停的往下打井，直到出水。井口一旦变大了，土方量直线上升。
（https://www.mdpi.com/2032-6653/16/1/16）
上面的图里很详细的说明了如果想做垂直整合，那在 Robotaxi 这个方向上需要整合哪些方面，彼此间有都是什么关系。
显然的这种整合成本是非常巨大的。
也不只是技术，而是技术、资本、商业、制造、服务、治理的一个智能商业体。这套商业体的核心是对出租服务进行管控的平台，所有其它环节包括保养、保险等要围绕这套系统展开。
而为了让这套服务能转起来，你需要整合供应链、供应链的供应链等等，打穿所有环节。每个环节拿出一小块放到自己的体系里来。
这就导致这套系统几乎不可能是通用的，我们很难想象上面的系统是依赖一套通用的类似 ERP 的系统。
潜台词是每个这样的商业体都有一套自己的系统。
而如果每个智能商业体都有一套自己的系统，那显然的 moveworks 这样的公司的位置和价值也会被压缩。
AI 驱动的商业体的潜在影响
假如第三种真的普及了，那会怎么样？
一句话来说叫：重整供应链，去中介化。Tesla 这种汽车厂商如果做 Robotaxi，那过去整个供应链就被打穿了。
类似的任何一个领域一旦出现全 AI 驱动的商业体，那过去的产业分工模式就会重整。过去企业的整个栈是由 N 层工具支撑出来的，比如 ERP、CRM 等。那在这个模式下，单一工具全会被精简掉，变成一个子功能。
AI 越强大，这种折叠越彻底。
物理的也许会晚点，因为整合成本比较高。数字的应该会比想的快。
必须补充说明的是，远不是很多领域都适合做全 AI 驱动的商业智能体。
现在不是一个什么都可以这么干的时间点。
选择突破口需要做商业和技术的双重判断。
商业判断要判断整合成本究竟是否能够负担。
技术判断则要判断这事技术能不能搞定。
举个例子：比如把法律判决系统变成全 AI 驱动的。只要证据比较全，当天就出判决结果。这显然就不靠谱。
从商业上看，没人能付的起整合成本。
从技术上看，它就没法保证所有的都判对。
这个判断是个复杂过程，这里不展开了，可以参照我之前的文章：
AI 的脉络：非共识时刻的认知价值
非技术、商业的因素
SaaS 这模式在国内一直猥琐发育，看起来在国内是还没等长起来就要先老死了。这背后除了前面说的数据成本因素等之外，还有一个软性的原因：
我们的文化背景下好像更倾向于 「包产到户」，不太愿意分工协作。（比如：足球为啥搞不好呢...）。所以一提阿米巴大家就很喜欢，其实阿米巴在很多场景是被喷的。
先不论这是好是坏，这文化倒是和 AI 驱动的商业体所需要的纵向整合相匹配。
阿米巴的初衷是什么呢？尽可能各干各的，各有各的结果。那如果能各干各的，不正成为一个个适合拿 AI 驱动的单元么！
小结
在一个马车、汽车、自动驾驶并存的时间截面上，我们往往不单要描述愿景，比如自动驾驶会替代汽车，还要描述维度以及权重比如技术、商业现实，再之后还要在维度上打进度条，然后才是最终判断。每个层面都会有分歧，愿景上产生的是方向性分歧，维度和权重上产生的是事靠不靠谱的分歧，进度条上产生的是先干啥后干啥的分歧。
所以这是个很有意思的时候，这个时候需要的判断是：我们是不是可以跳过 SaaS，跳过 AI 驱动的 SaaS，直接跳到 AI 驱动的商业体呢？
