為什么美國人的AI應用看起來跑的好像更快些？

故老相傳 ： 中國人 擅長 做 應用 ，但在 這次 A I 的應用上結果卻 大相徑庭 ， 美國人 在 A I 應用 上 看起來 跑 的 更快 。

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

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用深度。相比之下，國內的應用不管是在數量還是規模上就遠遜。

這是為什么呢？會一直持續下去么？未來可能的變數是什么？

注：對類似話題或者AI碰撞局感興趣的同學請聯系shuixiu2024

直接解釋：B端數據層缺失

美國人大量新應用全是B端應用，這其實和過去的SaaS一脈相承。

現象上原因明顯：過去美國SaaS也曾經突飛猛進，國內的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，國內就跑的慢。

如果在商業上SaaS跑不通，只是支撐技術變成了AI當然也還是跑不通。

深層次一點的原因則和數據成本有關。

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

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

這兩張圖的共通點是：都存在一個數據層和智能層，數據層是企業的完全表示，智能層導入大模型的通用智能的能力，基于數據層創造服務價值。

Glean和moveworks的差異點是moveworks里面包含一個Agentic Plugins，原因倒也不復雜，moveworks拿企業整體做抽象，面對不同企業的時候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，最終就體現為Plugins。Glean現在越來越走出搜索，未來大概率也會這樣。

比較明顯，是否能構建合適的數據層就變成了智能層和插件層能否生效的前提。

而是否能構建合適的數據層基本上和技術關聯不大。

本質并不是智能好壞的問題，而是數據本身的性、質問題。而數據性、質背后則是生產關系的特征。

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

再比如同樣的數據的價值在時間軸上也不等價，1年前的全量數據，再全價值也逼近于0。而這些是否能夠滿足，全部依賴于數據層的有效性，依賴于生產關系的特質。

所以確實可以講：數據層的缺失卡住了SaaS，也會卡住AI B端應用。從這個角度看：模式和SaaS越像（不是技術），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應用起了個很接地氣的名字叫AI包工頭。

我倒是覺得AI驅動的商業體更貼切，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應用落地的新思考。

我們可以把B端產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：

第一種是經典模式，SaaS是按層按塊進行分工，然后輔助創造價值。全AI驅動的商業體則自身就是價值創造的完整過程。很長時間的典型結構是：

第二種則是大模型之后出現的，以moveworks等為代表的模式。到這里其實事情已經發生了本質變化：

moveworks和SAP這個結構相比最大的區別是：啥都自己做，最多開放插件。

要這么搞的話，再不敏感也會發現，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？因為過去的這些產品核心價值是workflow，而現在非常多的workflow=數據+大模型，不需要單獨做了。

價值稀薄后當然獨立存在的意義也就小了。

當然當下限于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，但第三種也并行發生了。

第三種是AI驅動的商業智能體。

（上圖是Waymo的運行圖，一個AI智能體完全承接出行服務，國內當年的蘿卜快跑應該是要學這個）

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

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，最內核的部分是智能、數據、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和數據驅動，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，自己做也不復雜，那為什么要做水平分工呢？

垂直整合的挑戰

不確定國內是不是能跳過moveworks那個階段，直接過渡到AI驅動的商業智能體。

第三種模式雖然看著先進，其實也不好搞。這么做垂直整合，隨著業務范圍的放大，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系。

顯然的這種整合成本是非常巨大的。

也不只是技術，而是技術、資本、商業、制造、服務、治理的一個智能商業體。這套商業體的核心是對出租服務進行管控的平臺，所有其它環節包括保養、保險等要圍繞這套系統展開。

而為了讓這套服務能轉起來，你需要整合供應鏈、供應鏈的供應鏈等等，打穿所有環節。每個環節拿出一小塊放到自己的體系里來。

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

潛臺詞是每個這樣的商業體都有一套自己的系統。

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

AI驅動的商業體的潛在影響

假如第三種真的普及了，那會怎么樣？

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

類似的任何一個領域一旦出現全AI驅動的商業體，那過去的產業分工模式就會重整。過去企業的整個棧是由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。數字的應該會比想的快。

必須補充說明的是，遠不是很多領域都適合做全AI驅動的商業智能體。

現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和技術的雙重判斷。

商業判斷要判斷整合成本究竟是否能夠負擔。

技術判斷則要判斷這事技術能不能搞定。

舉個例子：比如把法律判決系統變成全AI驅動的。只要證據比較全，當天就出判決結果。這顯然就不靠譜。

從商業上看，沒人能付的起整合成本。

從技術上看，它就沒法保證所有的都判對。

這個判斷是個復雜過程，這里不展開了，可以參照我之前的文章：

非技術、商業的因素

SaaS這模式在國內一直猥瑣發育，看起來在國內是還沒等長起來就要先老死了。這背后除了前面說的數據成本因素等之外，還有一個軟性的原因：

我們的文化背景下好像更傾向于“包產到戶”，不太愿意分工協作。（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驅動的商業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，各有各的結果。那如果能各干各的，不正成為一個個適合拿AI驅動的單元么！

小結

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重比如技術、商業現實，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，愿景上產生的是方向性分歧，維度和權重上產生的是事靠不靠譜的分歧，進度條上產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驅動的SaaS，直接跳到AI驅動的商業體呢？

另，本人新書馬上要出來了，感興趣的同學也聯系shuixiu2024先進群吧。