有赞白鸦：AI 的最大意义，是让客户把产品用得更好了

面临 AI 冲击，企业软件行业会不会做着做着就没了？如何找到 AI 应用的场景？

整理｜保文；编辑｜燕子

在「DeepTalk」第三个系列话题栏目「AI 落地实战」对话中，崔牛会创始人 & CEO 崔强，与有赞创始人 & CEO 白鸦，围绕 “从想法到原型：ToB 公司如何启动第一个 AI 功能模块？” 这一主题进行了深度对话。

白鸦认为，AI 不是新玩家的机会，而是老玩家的升级机遇。AI 将推动企业软件实现从卖功能向卖结果转变，是软件行业的一个 “天大的机会”。

中国的 SaaS 从业者正面临供给出清和 AI 升级的 “双浪叠加”，破局之道是让自己赚钱和主动进行 AI 升级。

以下是经牛透社编辑整理的对话内容：（有删减）

“老玩家” 的升级机会

崔强：我们从 2022 年聊起，那一年 ChatGPT 刚出来。2022 年，你刚好也在美国待了很长时间。

当时是什么原因，让你投入这么大的时间和精力去美国研究 AI 这件事，并且之后回国就开始自己动手干？

白鸦：主要有两个原因。

第一个原因，当时有朋友在关注 AI 投资，让我一起去看看。在看的过程中，我发现AIGC的发展势头很可能为软件行业带来一个巨大的升级。当时国内也找不到特别多的人聊这件事，所以就想去美国看看。

第二个原因，我一直在看有赞的国际化机会。去美国之前，我计划是在美国待三个月，再去欧洲待三个月，东南亚待一两个月，最后回国。所以，一半的任务是看 AI，一半的任务是看国际化。

到美国，正好碰上 ChatGPT 大火，我就在美国待了四个多月，把欧洲、东南亚的行程计划也取消了，迫不及待地回国开干。

崔强：当时你的最大感知是什么？有哪些焦虑或者顾虑？

白鸦：当时，关于国际化我有一个非常坚定的认知：如果我们要做国际化业务，我自己肉身在中国是不可能做好的，所以我就放弃了。

关于 AI，我感觉到以往我们卖软件，更大程度上是在卖功能，AI 来了之后，我们卖的不是一个软件功能，而是直接向用户交付结果。这对于软件行业是一个 “天大的机会”，所以我就立刻回国。

当然，我们在做这件事时，也问过自己几个问题：

第一个问题，这究竟是谁的机会？是传统 SaaS 的机会，还是新企服公司的机会？

后来，我们认为这不是新玩家的机会，而是老玩家升级的机会。AI 和移动互联网浪潮不一样，移动互联网来了之后，中国网民从 3 亿增加到 10 亿，每天多了几小时的使用时长，这带来了一个增量市场，也带来了很多新玩家的机会。

但 AI 并没有给企业服务行业带来很多的增量用户，所以，它不是新玩家的机会，而是老玩家的升级机会。

有意思的是，中国的 SaaS 从业者们现在又面临着 “双浪叠加”：一个是供给出清，一个是 AI 升级。所以，从国外回来之后，我同时要干两件事：一是让自己赚钱，等待供给出清；二是 AI 升级。这是我们对第一个问题的思考。

第二个问题， AI 到底应用在哪？

当时我画了一条线：越往后端的应用场景会越 “软件化”，越往前端的应用场景会越 “AI化”。

后端场景如仓库、供应链管理等，作业流程相对稳定，企业组织短期也不会有很大变化，仍用数字化软件管理就可以了。所以，越后端的就越软件。前端场景如广告投放、内容营销、消费者运营、在线销售，这些场景会越来越 AI 化。

第三个问题，会不会做着做着行业就没了？

我们的答案是不会。AI 是越垂直就越强大，越通用就越普通。所以，我们深耕垂直领域就可以了。

软件，从本质上看，就是在结构化数据上套一层图形界面的 “壳”，中间把壳和数据库 “粘” 在一起的是 API。目前，AI 更多的是把图形界面迭代成一个更友好的、更新的人机交互方式。

当然，这样说可能不够精确，但大体如此。无论是做 AI，还是做软件，都需要先完成对客户作业流程的抽象，才会有合理的数据库，这两者是必不可少的。

所以，未来即便 SaaS 和软件行业没了，企业服务行业仍会存在，我做的事情依然是理解和抽象客户的业务逻辑，建立数据库，但不同的是要为客户交付结果。

崔强：AI 落地到产品功能和应用场景，要做的第一步是什么？

白鸦：一开始并不知道能做什么，但又必须做，所以我们就试着去做。

第一步，是先搞定自己的心态。前半年我们最主要的动作是在组织上，重要的战略要组织先行。

我做的第一件事，是在公司的二楼办公区做了一个 AI 部门，搞了一个透明办公区，让公司所有人都能看得见。如果我要做一个 AI 项目，就会拉上产品经理、技术团队组成一个项目组在这个办公区干活，现在这个 AI 部门叫 AI 使能部。

后来，我们又做黑客马拉松，智能打卡、快捷任务这些 AI 功能都是从黑客马拉松出来的。我也参与了一些 AI 的早期基金。

AI 落地场景

崔强：黑客马拉松中第一个落地项目是什么？

白鸦：我们的产品，主要经过了两轮大的迭代。

第一轮是利用生成和对话能力，做出了生成营销文案、智能助手、自动任务。现在我们在自有模型基础上，做了一些开箱即用的智能体产品。

我们的智能体产品主要分为托管类（代运营）、营销类（如营销活动策划）、自动任务三大类。

崔强：你们在选择这些产品时，如何判断它是必做的，或者是要放弃的？

白鸦：首先是在理解这一轮 AI 能力的基础上，判断它能为企业服务行业带来什么变化。

这轮 AI 在某种程度上，是脑力劳动的工业革命。我们要去理解脑力劳动背后的工作流程，抽象出它的业务逻辑和业务流，结合新的 AI 技术设计新的工作流。

我们设计 AI 产品的大逻辑，是要准确理解客户业务的作业流程，抽象背后的业务流和业务逻辑，并从中找到两个点：哪些地方我们可以创造 10 倍价值？哪些地方我们拥有独特的数据？

我们的基本做法是找到具备这两点的场景。

目前，我们看到的应用场景主要分为三类：一是可以外包或者托管的场景，比如客服和销售等外包场景，或者小红书账号运营和微信小店等托管场景；二是通过人海战术就能做好的事，这里面通常可能出现 10 倍价值的场景；三是我们拥有大量最佳实践和数据，可以为商家提供正确的改善和运营建议的场景。

以上三类场景，基本上可以理解为两件事：外包公司干的事情，和咨询公司干的事情。

崔强：刚才你提到 AI 是老玩家升级的机会。你觉得最佳实践是最重要的一个方面吗？

白鸦：我认为最佳实践并不是最重要的。很多最佳实践，如果不能提炼成数据，也是没用的。

能否做好 AI，取决于两个重要因素：行业垂直数据加上行业 “老法师”，二者结合才能打造出一个成功的 AI 产品。

崔强：做一个智能体的成本和门槛不高，你怎么看许多小智能体公司参与市场竞争的这种现象？

白鸦：我有两个原则：第一，不去看那些拼命卷价格，甚至卷免费的所谓竞争对手；第二，做好自己真正擅长的行业和领域，而不是随意扩大。

崔强：刚才你谈到可训练的数据最重要。对于你们公司内部的 AI 团队，你们真实的业务数据也是完全对他们开放的吗？

白鸦：除了必须保密的东西之外，我们其它数据都是向所有人开放的。如果为了防止竞争对手拿到我们的一些业务知识和行业数据，就要付出公司内部信息和协作不通畅的代价，只会让损失更大。

战略就应该打明牌，要保持开放。

崔强：原来的 AI 部门改成了 AI 使能部，它的定位是什么？

白鸦：主要做三件事：一是做有赞自用的 AI 产品；二是做面向有赞商家的基础大模型；三是教其它部门如何做 AI。

概括来说就是让有赞把 AI 用起来，做有赞的基础模型，以及指导、参与和支持其他部门的 AI 项目。

崔强：成立 AI 部门对于 AI 落地的实际意义有多大？

白鸦：更大的意义，是解决了如何让商家更好地用好有赞这件事。同样是有赞的产品，有的商家可以用得很好，有的商家却始终用不起来，主要原因在于后者缺乏懂得如何做好这件事的人。

过去我们是卖功能，客户如果不会使用我们的功能，就拿不到结果。AI 来了之后，我们可以直接向客户交付结果了。

所以，AI 对于有赞的最大意义，在于让商家可以把有赞用得更好了。

商业化挑战

崔强：现在你们的 AI 产品是以订阅模式收费，还是以 订阅+RaaS（按结果付费）的模式来收费？

白鸦：今天还没有到成熟商业模式的阶段，未来大概率是按照工作量和结果来收费。但我们今天还没走到这个阶段，还是把这些能力加到我们不同的产品版本里。

改变销售方式和商业模式，应该是在产品和市场真正匹配之后再升级，即先要创造价值，再去获取价值。

崔强：现在你们AI 产品的商业化大概是一个什么样子？能评估出来 AI 带来的收入量级吗？

白鸦：准确来说，我们是在今年四、五月份才开始做 AI 商业化的。我觉得大概率要到明年，AI 才能真正带来收入上的变化，预计会为我们带来大约二三亿的收入。

崔强：ToB 企业在做 AI 产品时，如何做好 MVP（最小可行化产品）。在这个过程中你有哪些建议？

白鸦：我做产品时不怎么看 MVP，主要还是看 PMF（产品市场匹配度），还是要先想清楚几个问题：

第一，市场价值是否真正存在？这件事情非常重要，很多时候价值都是我们自己假设的。所以，如果要直接交付结果，就要清楚这个结果对于客户来说是不是真的重要？

第二，今天做 AI 产品，通常需要经历一个TPF（产品技术匹配）的过程。因为今天的模型在很多地方都能做到 80 分，但在有些地方可能出现 “负分”，这样向客户交付结果就会出现问题，所以必须有一个技术验证的过程。

崔强：通用大模型也可以做很多事情，未来 SaaS 厂商必须要自研垂直大模型吗？

白鸦：过去十几年，我们有一个特别好的习惯：积累了大量的数据和行业最佳实践。

每个客户都有档案卡，我们会定期复盘和总结知识、经验，我们还有分行业的 CSGB（客户成功指导手册），以及质检和运营方面的专家，具有数据集、测试集、用户场景等基础积累。做垂直模型所需要的数据量，并没有大家所想象得那么大，这件事现在是可行的。

所以，我们明确地要做到“业模一体”。一定要把业务揉进模型里，才能确保有确定性的交付结果。

当然，“业模一体” 一定要考虑成本问题。这里还是要感谢开源精神，DeepSeek 一开源，也帮助我们真正实现了 “业模一体”，大大降低了成本问题。我们花了更多精力在模型训练上，持续调优强化学习的奖励参数。

实际上，现在 AI 投入的成本，与以往的技术投入相比其实并不算大，而且我们也要相信摩尔定律：未来卡和算力的成本，一定还会不断下降。

崔强：成立新的 AI 部门之后，整个组织的协作方式有什么改变吗？

白鸦：这是一个很令人头疼的问题：一个十多年的公司，要干一件新事情，整个公司要怎么升级？不同的公司有不同的做法。

这个问题，我们也想了很久，最后的结论是：战略型的跨部门协作，最好的解决方案就是不用协作。

重要的战略级动作，如果一号位能够带头做，就不存在协作不协作的问题了，这是我们的第一个动作。

第二个动作，是让资源向干 AI 的人倾斜。比如不干 AI 的人，是不可能获得升职机会和奖金的，这些资源都会给到那些干 AI 的人。

崔强：刚才你说黑客马拉松出了很多好的创意，并且都商业化了。对于这些商业化的产品，你们除了发奖金，还会有一些额外激励吗？

白鸦：直接给钱就好了。举个例子，我们公司内部论坛设了一个 “AI 先锋赛” 的专区，每月都会让大家提报 AI 实用案例，比如用 AI 解决了用户什么需求。

上个月公司内部提报了 23 个案例，选出来了 11 个体验好、可以规模化的案例，并为相关人员发放奖金。还有黑客马拉松，更多是为大家创造一个能够将热情和想法发挥出来，并且可以落实到日常业务项目中的平台。

这些是我们在组织上所做的事。

崔强：在商业化过程中，有没有遇到一些问题或挑战？

白鸦：最大的挑战可能是销售讲不清楚。DeepSeek 之后，整个国人对 AI 都有自己的认知，销售反而不知道怎么卖自己的 AI 产品了，这是我们接下来需要重点解决的问题。

我认为大概可以分为四步来解决：第一步，要让产品做到知道如何卖，这件事我们已经在做了；第二步，要让客户成功在续费和服务过程中知道如何卖；第三步，是让直销知道如何卖；第四步，是让渠道知道如何卖，整体上应该是这样的节奏。

崔强：SaaS 企业在 AI 投入上，如何把握好节奏，你会给大家哪些建议？

白鸦：ToB 行业不是做研发型的技术创新，而是做应用型的技术创新。最重要的基本功是理解客户，找到客户真正的需求点和价值点，然后再利用成熟的技术去做应用创新。

所以，我觉得更应当收敛，而不是直接冲进去 All in，这也是最危险的一种做法。

说明：文章为牛透社原创，未经允许谢绝转载。