AI 不是萬能的，不做 AI 是萬萬不能的。

開源大模型的發展，大模型使用成本的不斷降低，推動大模型應用進入爆發期。

據國家互聯網信息辦公室公布，截至2024年8月，我國共有188個生成式人工智能服務完成備案，大模型進入“落地之年”。

IDC數據顯示，2027年，中國生成式 AI 投資規模將超130億美元，五年復合增長率為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，也產生了不少泡沫。有媒體統計，截至8月，2024年國內新增 AI 公司約30萬家；而從 ChatGPT 發布到今年7月，國內倒閉的 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。然而，“SaaS+AI”最大的挑戰，仍在于商業化的不確定性。

目前國內“SaaS+AI”商業化仍處于早期：大模型技術仍在快速迭代，新的技術范式尚未形成，落地場景還在不斷探索和細分中，大模型在 B 端具體場景中的應用價值仍待驗證；訓練企業級大模型，也需要大模型廠商和SaaS廠商在數據和服務鏈路上打通……

大模型浪潮下，SaaS 廠商，如何穿透 AI 商業化的迷霧，擁抱 AI 新增量？

增量，還是泡沫？

一位 SaaS 企業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 的過高預期，試用后的過低預期，讓當前一些客戶在嘗試 AI 服務時都比較謹慎，在價值驗證之前，客戶通常希望廠商能夠完全投入；模型訓練需要客戶提供數據，有的客戶也不愿意提供。”

目前，大模型技術仍在快速迭代中，新的技術范式尚未形成。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，是根據大模型的能力邊界，在現有客戶場景中為大模型找到適當的用武之地。

同時，還要協同各種技術手段，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，哪些需要結合傳統 AI，哪些需要人工輔助……需要 SaaS 廠商依托行業 know-How，結合場景、數據、成本等因素后綜合判斷。

找到 AI 落地場景，是大模型邁出企業級應用的關鍵一步。

談到近期在 AI 商業化方面的進展，成都曉多科技產品與方案中心負責人田曲稱，“今年 5 月，曉多科技的 XPT 模型，完成了電商行業大模型的國家級備案，是智能客服領域第一個實現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（能不能真正解決業務問題）之后，我們對于在電商和智能客服領域，與大模型結合后能干什么、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。”

與傳統 AI 相比，大模型具備了一定的推理和內容生成能力，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容生成的場景下更具優勢。然而對于一些嚴謹的 to B 業務場景，大模型幻覺和內容生成質量，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，與可控性相關的還有安全合規性，這也決定了大模型在一些不影響到用戶信息或數據安全的場景中更容易推廣。田曲說，比如在智能客服領域，客服培訓用大模型就非常適合。AI 模擬買家做咨詢，對客服做訓練，并不涉及與真實買家的對話，因此不會關系到企業的敏感數據以及買家的個人隱私數據，這也是目前曉多科技在 AI 應用上重點推廣的場景。曉多科技結合大模型技術的“AI 訓練場”產品，推向市場后也得到了客戶的認可和快速增長。

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

“SaaS+AI” 商業化三要素 牛透社制圖

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

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

正如吳昊老師（獨立SaaS顧問、《SaaS創業路線圖2.0》作者）在“SaaS+AI創新大賽”后總結三類失敗案例時所提到的：“淺、泛、浮”：“淺”是指淺層應用，沒有深入挖掘行業需求和痛點；“泛”是指功能泛化，缺乏聚焦，無法提供明確價值；“浮”，是指缺乏業務基礎，試圖一蹴而就地實現功能全面的解決方案。

這正是技術驅動而非場景驅動所帶來的泡沫。

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 創新，增強了客戶對 SaaS 廠商的認可與信任；AI 產品帶來的交叉銷售，可以增加 SaaS 廠商的 ARR……這些，都是 AI 可能帶給 SaaS 的新增量。

以電商行業為例。極睿科技創始人兼CEO武彬表示，“生成式 AI 進一步降低了電商商家的選品、供應鏈、銷售等經營環節的成本，為許多商家帶來了彎道超車的可能，也為周邊服務商創造了新機會。極睿每年的收入規模都在快速增長，大概兩年能翻十倍。”

目前，生成式 AI 可能更快重構的行業，主要集中在電商、智能客服、知識管理、創意工具等與 AIGC 強相關領域。對于這些賽道的 SaaS 廠商來說，加大 AI 投入都是戰略上的正確。但從 ROI 來看，大模型商業化還處于早期，SaaS 廠商更宜關注 AI 創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 帶來持續增長，僅為客戶創造情緒價值還不夠，明確的、可量化的價值體現，才能讓客戶續費。

混合賽，而非單項賽

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

生成式 AI 與傳統 AI 結合，是實現 AI 商業化的有效路徑。田曲認為，這主要是基于兩點考慮：一是客戶業務。并不是所有的業務場景都必須要使用大模型。比如一些智能客服的簡單應答場景，傳統 AI 效果已經夠了。而在一些高價值的復雜業務場景，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，商業化必然要考慮ROI，“在一些業務場景下，幾百兆的模型跑起來既高效，穩定性又強，從ROI上考慮就沒必要使用大模型。”

在武彬看來，生成式AI 技術與傳統 AI 技術，更多是一種替換和疊加的關系。“極睿最早的產品是基于判別式模型，結合Template（模板）、Rule-Based（基于規則）構建的。2022年底，生成式AI技術逐漸成熟，極睿產品的一部分底層能力用大模型做了替換；大模型也為內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，更好的內容生成效果等，我們能做的事情也變得更多。”

To B 業務的流程和復雜度較高，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，混合模型仍是必要的。“可控性是 to B 領域最核心的要求。以電商內容為例，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先級。”

除了結合傳統AI技術，生成式AI也需要與人工結合，才能更好地解決大模型落地的可控性難題。武彬提到內容合規審核的場景，除了極睿內部的審核機制之外，商家還可以通過Copilot，在發布內容前通過人工輔助審核來提高可控性。

Copilot的人機協同方式，目前在醫療、法務等專業領域也有應用場景。從Copilot到AI Agent，以及多AI Agent的協同，人機協同方式在不斷進化，數字員工正逐步走進現實，成為新的工作范式。但生成式AI與傳統AI、數字化工具、人工的結合，仍是目前AI商業化的可行模式，核心邏輯仍是以客戶需求導向，用新工具不斷幫助客戶提升解決問題的能力和效率。

開源，還是閉源？

訓練企業級大模型，需要一定的專有數據。但目前挑戰在于：在很多場景下，大模型與專有數據之間是割裂的：企業的私有數據很多都是閉源的。SaaS 廠商的專有數據同樣也是閉源的，它們都被數據所有者視為自己的核心資產（競爭壁壘）。

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

談到開源大模型，武彬表示，目前極睿科技沒有選擇閉源大模型，而是在開源大模型的基礎上，拿自己的數據來訓練垂直行業的大模型。因為開源大模型能保證SaaS廠商掌控自己的數據，以及更好的訓練效果。對于極睿而言，選擇開源模型，不僅是出于市場需求考慮，同樣也是企業的長期發展戰略。“在比較長的一段時間之內，我們都不太可能選擇閉源模型，因為調用閉源模型的 API 接口，可能把我們的數據傳出去，而數據是我們的核心資產，也是我們的競爭壁壘。”

使用開源大模型，SaaS 廠商更容易實現產品迭代，提升服務閉環的效率。

“大模型廠商如果能將模型開源出來，讓應用廠商可以加入自己的專業知識和數據，對整個行業和生態創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。如果需要優化和調整模型，SaaS廠商只能向大模型供應方提需求，由其協助進行。在商業化過程中，這樣的服務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。”

田曲在提到上述問題時表示，曉多目前的做法是根據場景不同，選擇開源或者閉源模型。比如，對于涉及買家和用戶側信息安全的場景，如智能問答，曉多使用的是自己的專業大模型，即XPT模型。這樣做一是效果更可控。客戶有反饋，不用再經過第三方，在問題處理和服務鏈路上更可控；二是數據安全。避免把買家信息暴露給通用的第三方模型，造成數據安全與合規風險；而在類似"AI訓練場”模擬買家對話場景，曉多更多是考慮采用行業生態合作伙伴的模型能力，來實現業務效果和目標，共建AI生態。

在對SaaS廠商的調研中，我們發現閉源大模型與應用廠商之間更容易存在一種割裂關系。這種割裂，不僅體現在大模型技術與垂域知識、數據的融合上，也體現在面向客戶的服務閉環上，這些都是影響“SaaS+AI”商業化的難點。

開源和閉源，作為兩種技術和生態，就像蘋果和安卓，或者Windows和Linux一樣，一定是長期并行的關系。選擇開源模型還是閉源模型，還需要SaaS廠商結合自身戰略，以及客戶場景、成本、安全可控等因素綜合考慮。

AI 替代率

任何一種技術應用，都會帶來業務流程的重塑，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技術在產品中的體現，幫助客戶降低使用成本、降低試錯成本、提高經營效率；此外，在有贊內部，AI也可以持續優化客戶服務、市場銷售、產品研發效率等作業效率。

同樣，北森的客服中心通過AI技術回答客戶問題，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，來提升服務客戶的效率。“從 Day one 起，極睿內部就有一個AI替代率的指標，用于考核哪些服務客戶的流程是能被AI所替代的。”

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

“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容；此外，我們還可以直接幫客戶帶貨，通過內容實現成交。”用武彬的話說，極睿是一家堅持“技術實用主義”的公司，AI替代率考核的是極睿團隊在服務客戶過程中的效率能力，“AI替代率是一個持續改善流程的過程，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造力的事，比如客戶洞察、增值服務等；同時，生成式AI也會帶來交互體驗、內容生成質量的提升，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務流程的升級。

隨著生成式AI滲透率的提高，生成式AI也將成為數智化加速的核心技術，“SaaS+AI”的商業化，也是從一步步提升AI替代率開始的。

結語

大模型應用的爆發，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”不是為了創造新的需求場景，而是要在原有需求場景中，找到更優解。生成式AI與傳統AI、數字化工具的融合，包括人機協同的混合模式，是AI商業化的一種可行方式。

在采訪中，我們發現開源大模型，目前可以更好地滿足模型使用方（SaaS廠商及其客戶）對數據安全可控的需求，提升服務效率。數據是智能之源。訓練企業級大模型，需要大模型廠商和SaaS廠商在數據和服務鏈路上打通，這也是“SaaS+AI”商業化亟待突破的一個關卡。（文｜張保文）

說明：稿件內容為牛透社（公號neuters）原創，未經允許，謝絕轉載。