帆软首次披露AI转型全貌，不做风口上的“猪”

文｜白 鸽

编｜王一粟

“如果不做AI，是不是就落伍了？”

在2025年AI大模型落地的元年，这样的观点，同样存在于企业软件赛道。

市场上不乏“AI重构一切”的呐喊，无数软件厂商仓促跟风，发布会PPT上的“AI功能”眼花缭乱，却鲜少能落地生根。

“刚开始决定做AI的时候，我们也差点跟风。”帆软副总裁张驰在回忆转型初期时坦言，“看到很多公司做的AI产品，觉得我们也能做。但真的跟客户共创时，每做一个就倒吸一口凉气，原来很多看似美好的功能，在企业真实场景里根本行不通。”

那么，企业落地AI真实情况，到底什么样？传统软件企业想要转型做AI，又面临着哪些困境？

帆软的思考可能是一个很务实的参考。

因为帆软可以说是中国企业软件中的异类。在SaaS模式在中国遭遇惨败，很多公司只能靠融资续命时，帆软坚持不融资、不上市，年度营收却预计高达17.4亿元，比现在一些上市的大模型公司还高。

日前，光锥智能与张驰展开了一次深度对话，我们试图通过帆软这家BI（Business Intelligence，商业智能）厂商的AI转型之路，窥见AI大模型的真实进程。

事实上，帆软的AI转型之路并不“快”，甚至相比于其他企业来说，还有点“慢”。

“我也比较着急，很想把能够真正解决客户问题的产品尽快做出来”，张驰说道，“但不着急的点，我们很清楚当前整个行业中产品落地情况。”

总体来说，帆软AI转型这一年，并没有追求“大干快上”，而是遵循“愿景要激进、计划要稳妥、动作要敏捷”的原则，走出了一条“从内到外、从试错到落地”的路。

AI转型第一步：先搞定自己，再服务客户

帆软的AI转型，始于一场“向内开刀”。

“过去帆软的产品是各自独立研发的，数据治理、数据分析、数据收集三条线泾渭分明，用户体系和数据都不互通，简道云和数据分析产品之间传数据还要用API。”张驰回忆道。

为了给AI落地铺路，帆软启动了成立以来最大的组织架构调整。

从原来的产品化管理，转变为职能化管理，并成立了产研委员会，其核心任务只有一个：“砍掉各个模块的重复部分，把独立的功能重新设计成大产品架构，打造一个一体化平台。”

这个一体化平台就像帆软的“AI底座”，将用户体系、数据处理、数据基建等核心能力全部整合，所有产品共用一套底层逻辑。

组织架构的调整，为帆软的AI转型奠定了底座。但想要让AI真正落地，必须要先找到场景。

那么，要怎么找场景？

这个问题，帆软并没有靠产品经理闭门造车，而是交给了全体员工来回答。

张驰在帆软内部共发起了三场活动，一场是“提需求兑奶茶”的活动，让2000多名员工填表单，描述自己日常工作中“重复性高、耗时久”的任务，以及是否能被AI替代、该怎么替代。

一场是“你买AI产品我报销”，不管是基础大模型，还是C端的AI美颜软件，只要员工买了、用了，就能报销费用。此基础上，又举办了AI黑客马拉松，明确规则：“只要能做出满足业务需求、准确率和落地率达标的AI项目，就给2万到10万块钱奖金。”

通过三场员工活动，帆软也进行了一次自下而上的需求挖掘，摸清了内部场景的核心痛点。

基于这些挖掘出来的需求，“我们做了很多AI Agent，覆盖了差旅提报、财务报销、人事流程、会议室预约、数据查询等场景。如员工想查某个部门的月度业绩，不用再登录专门的系统，直接跟Agent对话就能得到答案。”张驰说，这些内部场景的改造，不仅提升了效率，更重要的是“让我们自己先成为AI的使用者，而不是旁观者”。

事实上，帆软的AI转型，一开始也想走“客户共创”的捷径。

“看到很多公司发布AI子产品，PPT做得特别棒，我们也想跟客户一起做，但真的落地时才发现，客户的需求比我们想象的更复杂。”张驰回忆道，有客户买了一体机和大模型，却不知道怎么用；有客户想了解AI，但连基本的技术原理都不清楚。

这些“意外发现”让帆软调整了共创策略：“先从内部交货，等我们自己觉得产品‘能用、好用’了，再让销售对外推销。”帆软的产品经理也被派往各个业务部门驻场，帮财务、行政、人事等部门做AI升级改造，直到这些内部场景跑通，才启动外部共创。

据张驰表示，目前帆软内部每一个团队都在做AI相关的探索，同时还专门成立了AI实验室，但这个实验室并不向所有企业开放，而是联合几百家共创企业，快速迭代试错各种功能，效果好的保留，效果不好的直接下掉换新场景。

通过跟客户共创，帆软也找到了一些真实的AI业务场景。“一般来说，客户自己能做到70%-80%的效果，但要从80%提升到95%，就需要我们专业团队介入。”张驰说道。

比如ChatBI这个产品，就是在跟客户共创过程中发现的机会点，“客户反映，传统BI的拖拉拽虽然降低了门槛，但还是需要理解指标逻辑，他们希望能像聊天一样做数据分析。”

正是这个需求，最终催生了ChatBI的诞生。

企业AI落地，三重架构与避坑之路

修炼完内功，就需要对外输出。

在组织调整之时，帆软也对技术架构进行了重构。在此过程中，帆软也逐渐摸清了AI在企业落地的底层逻辑：“AI要在企业里发挥作用，离不开三个东西，少一个都不行。”

第一个是“最强大脑”，来自通用大模型。

帆软没有选择做行业大模型，而是兼容了市面上十几个最强的通用大模型，产品可以无缝对接。“我们的核心不是造大脑，而是让大脑更懂企业、更懂我们的工具。”张驰说道。

第二个是“行业心法”，即领域知识和私有数据，也就是一套完善的上下文工程。

张驰发现，大模型用公网数据训练，能理解“我饿了”这种C端场景，但很难搞懂企业里的“台前毛利率”、“区域营收贡献率”等专业术语。

“这就是上下文工程的价值，我们要把企业的私有数据、业务逻辑、指标体系都梳理清楚，让大模型进入企业后，能快速‘听懂行话’。”

第三个是“手脚”，即系统权限和工具链。

就像新员工入职需要开通各种系统账号才能工作，大模型要落地也离不开工具支持，“我们的产品在重构时，就专门做了适配，让各种大模型Agent接入后，能轻松调用我们的数据分析引擎、公式算法和分析节点，不用再额外搭建工具链。”张驰表示。

这套技术架构核心，是不跟大模型厂商抢赛道，而是做大模型和企业间的“翻译官”和“连接器”。

张驰强调：“很多创业公司以为有了大模型就能颠覆一切，但实际上，处理10亿条数据时，大模型的上下文限制根本扛不住，还是需要专业的数据分析工具。”

帆软要做的，就是把专业工具和大模型的优势结合起来，基于这套产品理念，在AI大模型带来的数据3.0时代，帆软找了三大核心场景：

战略洞察：很多企业老板学华为做5-10年战略，但目标制定往往是“拍脑子”。帆软的AI产品能结合外部市场数据和企业内部经营数据，用有逻辑的方式测算出未来能达成的营收目标，而不是盲目定数。

商机推荐：定完战略目标后，AI会通过分析历史客户画像和公网数据，找到企业“应该做但还没做”的客户，帮中层管理者做战略拆解和落地。

经营分析会：传统经营分析会需要管理员处理几百个指标，做一套复杂的看板，耗时耗力。而AI能直接生成经营分析报告，指出季度经营问题，还能支持对话式交互，让不懂经营分析的中层管理者，也能快速定位到区域、产品线甚至个人的问题。

不过，这三个场景在张驰看来，是对AI在企业中落地的价值延长线，是属于长期主义的未来。而放到当下，其AI产品已在多个大客户落地。

“国内某头部科技企业已经实现了ChatBI的全覆盖，尤其是移动端场景。”张驰说。

该企业有很多一线门店的店长，很少有机会用电脑看数据，“以前他们想了解门店经营状况，要登录专门的系统，面对复杂的仪表板，体验很差；现在通过IM软件，直接语音提问，AI就能告诉他销售额、客单价、需要改进的地方，真正实现了‘送数下基层’。”

除此之外，志邦家居等很多大企业也已经成为帆软AI产品的客户。这些客户的共同特点是“有复杂的数据分析需求，且愿意接受AI的‘不完美’”。

据张驰介绍，这些客户的反馈集中在两个方面：一是数据触达更便捷，“以前只有管理层能看到的核心数据，现在一线员工也能轻松获取”；二是效率提升明显，“数据分析师原来要花几天做的报表，现在AI几分钟就能完成，他们可以把精力放在更有价值的洞察分析上”。

值得注意的是，帆软的AI产品交付，并不是“一卖了之”。

“我们会跟客户一起搭建上下文工程，把企业的指标体系、业务逻辑、私有数据梳理清楚，让大模型更好地适配客户场景。”张驰说，对于经营分析会这类复杂场景，客户会安排专人复核AI给出的数据和报告，“就像招了一批助理做基础工作，专家只需要做最终校验，效率提升的同时，也保证了准确性”。

尽管产品已落地多个大客户，但张驰坦言，AI在企业场景的落地，依然面临很多难题，核心就是“准确率”，“没有一家公司能保证AI的结果100%准确，这是我们跟客户达成的第一个共识。”

这个共识的达成，经历了不少波折。

“以前我们做工具，交付的东西都是100%准确的，客户也习惯了‘零误差’。但AI就像人，接受数据训练后依然会出错，客户一开始很难接受。”张驰说，帆软踩的第一个坑，就是客户预期管理：“后来我们找到了解决方案——不是杜绝错误，而是用流程和机制兜底错误。比如AI给出的经营建议，会有专门的审核环节，确保不会因为AI的失误影响决策。”

第二个坑是技术选型。为了提升准确率，帆软一开始尝试自己喂数据、精调模型，但后来发现，作为应用层厂商，这条路“投入巨大且没有好结果”，甚至可能让模型越调越乱。“最后我们决定，专注于做上下文工程，让大模型进入我们的工具体系后，能拥有最好的上下文支持，从而减少谬误。”

第三个坑是标准化。Agent的开发有两种路线：workflow式（几百个节点编排每一步动作）和自主决策式。帆软一开始押注workflow式，但发现它的泛化能力太弱，切换客户时很难低成本适配。“后来我们采用了混编架构，把自主决策式和workflow编排式结合起来，既保证了准确率，又提升了复用性。”

张驰坦言，这些难题的存在，导致AI产品的落地速度“比我们预期的慢”。

“我们当然想尽快把好产品交给客户，但现在市面上的AI产品，真正能落地、能给客户带来价值的并不多。与其仓促发布，不如稳扎稳打，把每个场景都跑通。”张驰说道。

商业模式探索，不挣钱现状与10倍增长野心

AI浪潮下，很多厂商都在喊“颠覆行业”“重塑格局”，但帆软商业化探索，却保持着难得清醒。

“AI带来的增量营收目前还很小，除了模型厂商，应用层没有多少公司赚到大钱。”张驰的这句话，道出了AIToB行业的真实现状。

帆软的AI商业化之路，起步并不算晚，但营收增长却很“克制”。“去年AI增量营收占比很小，今年能达到千万级别。”张驰解释说，这背后有两个核心原因：

一是AI产品的定制化需求强。

“目前不存在真正的AI标准化产品，每个企业的业务、knowhow、管理模式都是独一无二的。我们能做到60%的标准化，但至少40%以上需要定制化实施。”张驰说道。

但定制化，就意味着投入大、周期长，很难快速规模化变现。

二是客户的付费意愿仍在培养中。

张驰表示：“客户愿意为能解决实际问题的产品付费，但AI产品的价值需要时间验证。比如ChatBI，客户需要用几个月才能感受到效率提升，而传统工具的价值是立竿见影的。”

尽管营收规模不大，但帆软并没有减少对AI的投入。

“我们把更多的精力放在产品打磨和场景落地，而不是追求短期营收。”张驰说，目前的一些大客户案例，比营收更有价值：“这些案例证明，我们的AI产品能在大型企业的复杂场景中落地，这是比赚钱更重要的积累。”

对于2026年的商业化目标，张驰给出了明确的预期：“希望AI增量营收能翻10倍，达到亿元级别。”要实现这个目标，帆软的商业化探索主要围绕两条路径展开：

第一条路径是“原有工具的智能化升级”。将AI能力融入数据分析的全链路，包括数据源接入、数据治理、数据分析、仪表板生成等环节，让客户能通过对话式交互使用所有产品。“这条路径不会给产品带来太多溢价，但能让用户使用产品的方式更简单，提升用户粘性，扩大市场份额。”

第二条路径是“价值延长线的商业化”。这也是帆软未来溢价的核心来源——从“交付工具”到“交付效果”。“比如我们做的战略洞察、商机推荐、经营分析会场景，能直接帮客户定战略、找客户、解问题，这种价值是传统BI产品无法比拟的。”

为了实现这条路径的商业化，帆软正在探索“按效果付费”的模式。

“如果我们帮客户通过战略洞察找到了10个潜在大客户，带来了千万级的营收，客户自然愿意为这种效果付费。”张驰举例说，他们正在跟顶级咨询团队合作，“咨询团队只能深度服务10家左右的企业，但我们可以帮他们训练Agent，服务更多下一级别的客户，既能放大咨询团队的价值，也能让我们的AI产品触达更多客户”。

面对飞书等厂商的跨界竞争，以及众多创业公司的冲击，张驰显得很从容。“竞争一直存在，但AI并没有颠覆现有的竞争格局。”他认为，帆软的核心优势的是20年积累的“工具+经验”：

一方面是专业的数据分析工具。“大模型再强，处理海量数据时也需要依赖专业引擎。我们投入大量研发做的数据引擎，能实现‘一级数据秒出’，这是很多创业公司无法短期超越的。”

另一方面是深度的行业knowhow。“我们服务了几万家客户，积累了大量的用户案例、解决方案和业务经验，这些知识沉淀在我们的内部知识库，公网上找不到。在AI的加持下，这些经验能被放大，实现‘模型越强我越强’。”张驰说道。

而对于AI对中国软件行业的影响，张驰的观点更是清醒：“AI本身不会改变中国软件行业，真正的改变来自信息化进程、人口结构、经济发展等综合因素。AI只是一个放大器，能让好的软件变得更好，但不能让没有价值的软件突然有价值。”

当然，对于做好软件的秘诀，张驰认为从来没有变过，“就是给客户创造价值，并且长期坚持。”这是张驰给出的“做好软件的秘诀”，也是帆软AI转型的核心逻辑。

张驰说，AI时代企业软件行业，最容易犯的错误就是高估短期影响，低估长期价值，“现在很多人觉得AI能颠覆一切，但实际上企业需要的还是能解决问题的产品。AI只是手段，不是目的。”