为什么美国人的AI应用看起来跑的好像更快些？

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？