為什么美國人的AI應(yīng)用看起來跑的好像更快些？

故老相傳 ： 中國人 擅長 做 應(yīng)用 ，但在 這次 A I 的應(yīng)用上結(jié)果卻 大相徑庭 ， 美國人 在 A I 應(yīng)用 上 看起來 跑 的 更快 。

Glean、Harvey等這類應(yīng)用動輒ARR(Annual Recurring Revenue)過1億美金，ARR過2500萬美金的初創(chuàng)企業(yè)更是有相當(dāng)大一批。

這是真的有收入做支撐，而不是單單的估值高，所以反倒是更能反映應(yīng)用深度。相比之下，國內(nèi)的應(yīng)用不管是在數(shù)量還是規(guī)模上就遠遜。

這是為什么呢？會一直持續(xù)下去么？未來可能的變數(shù)是什么？

注：對類似話題或者AI碰撞局感興趣的同學(xué)請聯(lián)系shuixiu2024

直接解釋：B端數(shù)據(jù)層缺失

美國人大量新應(yīng)用全是B端應(yīng)用，這其實和過去的SaaS一脈相承。

現(xiàn)象上原因明顯：過去美國SaaS也曾經(jīng)突飛猛進，國內(nèi)的SaaS就沒搞起來，所以基于AI對SaaS做升級米國自然就也跑的快，國內(nèi)就跑的慢。

如果在商業(yè)上SaaS跑不通，只是支撐技術(shù)變成了AI當(dāng)然也還是跑不通。

深層次一點的原因則和數(shù)據(jù)成本有關(guān)。

這點可以參照moveworks（28.6億美金被ServiceNow收購）和Glean（估值56億美金）的架構(gòu)圖來說明：

（上面兩張圖來自兩個公司官網(wǎng)：第一張是moveworks，第二張是Glean）

這兩張圖的共通點是：都存在一個數(shù)據(jù)層和智能層，數(shù)據(jù)層是企業(yè)的完全表示，智能層導(dǎo)入大模型的通用智能的能力，基于數(shù)據(jù)層創(chuàng)造服務(wù)價值。

Glean和moveworks的差異點是moveworks里面包含一個Agentic Plugins，原因倒也不復(fù)雜，moveworks拿企業(yè)整體做抽象，面對不同企業(yè)的時候HR、IT等各種職能必然有需要進行定制的部分，這部分需要開放出來進行某些定制，最終就體現(xiàn)為Plugins。Glean現(xiàn)在越來越走出搜索，未來大概率也會這樣。

比較明顯，是否能構(gòu)建合適的數(shù)據(jù)層就變成了智能層和插件層能否生效的前提。

而是否能構(gòu)建合適的數(shù)據(jù)層基本上和技術(shù)關(guān)聯(lián)不大。

本質(zhì)并不是智能好壞的問題，而是數(shù)據(jù)本身的性、質(zhì)問題。而數(shù)據(jù)性、質(zhì)背后則是生產(chǎn)關(guān)系的特征。

數(shù)據(jù)有一些物理資產(chǎn)不具備的特征，比如完整性與否就影響有價值與否，每個省就有5000個人信息的數(shù)據(jù)價值為0，有接近全量的數(shù)據(jù)則價值趨于無窮大。

再比如同樣的數(shù)據(jù)的價值在時間軸上也不等價，1年前的全量數(shù)據(jù)，再全價值也逼近于0。而這些是否能夠滿足，全部依賴于數(shù)據(jù)層的有效性，依賴于生產(chǎn)關(guān)系的特質(zhì)。

所以確實可以講：數(shù)據(jù)層的缺失卡住了SaaS，也會卡住AI B端應(yīng)用。從這個角度看：模式和SaaS越像（不是技術(shù)），越危險。

SaaS不靈，路在何方？

前兩天參加了個盛景的活動，盛景為未來AI應(yīng)用起了個很接地氣的名字叫AI包工頭。

我倒是覺得AI驅(qū)動的商業(yè)體更貼切，但不管那個名字這背后折射的東西都是一種和SaaS完全不同的模式，一種AI應(yīng)用落地的新思考。

我們可以把B端產(chǎn)品放在一個更為宏達的敘事框架下面來看，我們用幾張圖來分別做代表：

第一種是經(jīng)典模式，SaaS是按層按塊進行分工，然后輔助創(chuàng)造價值。全AI驅(qū)動的商業(yè)體則自身就是價值創(chuàng)造的完整過程。很長時間的典型結(jié)構(gòu)是：

第二種則是大模型之后出現(xiàn)的，以moveworks等為代表的模式。到這里其實事情已經(jīng)發(fā)生了本質(zhì)變化：

moveworks和SAP這個結(jié)構(gòu)相比最大的區(qū)別是：啥都自己做，最多開放插件。

要這么搞的話，再不敏感也會發(fā)現(xiàn)，深入下去的話，這是一套完整對ERP這套體系進行置換的方案。

這為什么是可能的呢？因為過去的這些產(chǎn)品核心價值是workflow，而現(xiàn)在非常多的workflow=數(shù)據(jù)+大模型，不需要單獨做了。

價值稀薄后當(dāng)然獨立存在的意義也就小了。

當(dāng)然當(dāng)下限于AI的各種進展，這種模式的整合深度也還不夠。

我們這個時代最神奇的事情是馬車、汽車和自動駕駛會并行，同時還有一種至少在概念上更先進的模式也存在。第二種模式還沒攤開，但第三種也并行發(fā)生了。

第三種是AI驅(qū)動的商業(yè)智能體。

（上圖是Waymo的運行圖，一個AI智能體完全承接出行服務(wù)，國內(nèi)當(dāng)年的蘿卜快跑應(yīng)該是要學(xué)這個）

Waymo在運行的Robotaxi模式其核心特征在于：以AI為中心，在產(chǎn)業(yè)里面選一個突破口，自上往下整合所有的東西，直接創(chuàng)造價值。

這前面兩種模式的不同在于：如果都是這么垂直整

合，那水平分工就沒空間了。

在這個體系里面，最內(nèi)核的部分是智能、數(shù)據(jù)、工作過程是整合在一起的，很難再切出某個小塊，使用其它的第三方智能體。

既然都是AI和數(shù)據(jù)驅(qū)動，智能的供給又過剩，那很可能都自己做特殊化的整合就好了。

既然沒有不得不分工的理由，自己做也不復(fù)雜，那為什么要做水平分工呢？

垂直整合的挑戰(zhàn)

不確定國內(nèi)是不是能跳過moveworks那個階段，直接過渡到AI驅(qū)動的商業(yè)智能體。

第三種模式雖然看著先進，其實也不好搞。這么做垂直整合，隨著業(yè)務(wù)范圍的放大，難度其實也在變高。

這么做很像找到了一個點，然后不停的往下打井，直到出水。井口一旦變大了，土方量直線上升。

（https://www.mdpi.com/2032-6653/16/1/16）

上面的圖里很詳細的說明了如果想做垂直整合，那在Robotaxi這個方向上需要整合哪些方面，彼此間有都是什么關(guān)系。

顯然的這種整合成本是非常巨大的。

也不只是技術(shù)，而是技術(shù)、資本、商業(yè)、制造、服務(wù)、治理的一個智能商業(yè)體。這套商業(yè)體的核心是對出租服務(wù)進行管控的平臺，所有其它環(huán)節(jié)包括保養(yǎng)、保險等要圍繞這套系統(tǒng)展開。

而為了讓這套服務(wù)能轉(zhuǎn)起來，你需要整合供應(yīng)鏈、供應(yīng)鏈的供應(yīng)鏈等等，打穿所有環(huán)節(jié)。每個環(huán)節(jié)拿出一小塊放到自己的體系里來。

這就導(dǎo)致這套系統(tǒng)幾乎不可能是通用的，我們很難想象上面的系統(tǒng)是依賴一套通用的類似ERP的系統(tǒng)。

潛臺詞是每個這樣的商業(yè)體都有一套自己的系統(tǒng)。

而如果每個智能商業(yè)體都有一套自己的系統(tǒng)，那顯然的moveworks這樣的公司的位置和價值也會被壓縮。

AI驅(qū)動的商業(yè)體的潛在影響

假如第三種真的普及了，那會怎么樣？

一句話來說叫：重整供應(yīng)鏈，去中介化。Tesla這種汽車廠商如果做Robotaxi，那過去整個供應(yīng)鏈就被打穿了。

類似的任何一個領(lǐng)域一旦出現(xiàn)全AI驅(qū)動的商業(yè)體，那過去的產(chǎn)業(yè)分工模式就會重整。過去企業(yè)的整個棧是由N層工具支撐出來的，比如ERP、CRM等。那在這個模式下，單一工具全會被精簡掉，變成一個子功能。

AI越強大，這種折疊越徹底。

物理的也許會晚點，因為整合成本比較高。數(shù)字的應(yīng)該會比想的快。

必須補充說明的是，遠不是很多領(lǐng)域都適合做全AI驅(qū)動的商業(yè)智能體。

現(xiàn)在不是一個什么都可以這么干的時間點。

選擇突破口需要做商業(yè)和技術(shù)的雙重判斷。

商業(yè)判斷要判斷整合成本究竟是否能夠負擔(dān)。

技術(shù)判斷則要判斷這事技術(shù)能不能搞定。

舉個例子：比如把法律判決系統(tǒng)變成全AI驅(qū)動的。只要證據(jù)比較全，當(dāng)天就出判決結(jié)果。這顯然就不靠譜。

從商業(yè)上看，沒人能付的起整合成本。

從技術(shù)上看，它就沒法保證所有的都判對。

這個判斷是個復(fù)雜過程，這里不展開了，可以參照我之前的文章：

非技術(shù)、商業(yè)的因素

SaaS這模式在國內(nèi)一直猥瑣發(fā)育，看起來在國內(nèi)是還沒等長起來就要先老死了。這背后除了前面說的數(shù)據(jù)成本因素等之外，還有一個軟性的原因：

我們的文化背景下好像更傾向于“包產(chǎn)到戶”，不太愿意分工協(xié)作。（比如：足球為啥搞不好呢...）。所以一提阿米巴大家就很喜歡，其實阿米巴在很多場景是被噴的。

先不論這是好是壞，這文化倒是和AI驅(qū)動的商業(yè)體所需要的縱向整合相匹配。

阿米巴的初衷是什么呢？盡可能各干各的，各有各的結(jié)果。那如果能各干各的，不正成為一個個適合拿AI驅(qū)動的單元么！

小結(jié)

在一個馬車、汽車、自動駕駛并存的時間截面上，我們往往不單要描述愿景，比如自動駕駛會替代汽車，還要描述維度以及權(quán)重比如技術(shù)、商業(yè)現(xiàn)實，再之后還要在維度上打進度條，然后才是最終判斷。每個層面都會有分歧，愿景上產(chǎn)生的是方向性分歧，維度和權(quán)重上產(chǎn)生的是事靠不靠譜的分歧，進度條上產(chǎn)生的是先干啥后干啥的分歧。

所以這是個很有意思的時候，這個時候需要的判斷是：我們是不是可以跳過SaaS，跳過AI驅(qū)動的SaaS，直接跳到AI驅(qū)動的商業(yè)體呢？

另，本人新書馬上要出來了，感興趣的同學(xué)也聯(lián)系shuixiu2024先進群吧。