当 AI 开始替人操作软件，软件公司要怎么变？｜AI 重做软件公司

产品能力沉到底座，交付走向闭环，产研开始对结果负责。

图片由 AI 生成

文 |燕子

这次和数阔信息联创半仙聊，我原本想问一个很具体的问题：一家做数据采集、CEM、RPA 和 AI 自动化的公司，到了 AI 时代，组织内部发生了哪些变化？

聊完之后，我对数阔这家公司有了一个新认知。数阔把“AI 重做软件公司”这件事，拆成了几层具体变化：产品从功能变成能力，客户落地从 Agent 变成业务闭环，产研协作从岗位接力变成小团队对结果负责。

半仙有一个判断很直白：以前是人用工具，现在开始变成 AI 用工具。

这句话听起来简单，但放在 ToB 软件公司身上，影响很大。

Neuters

以前，软件公司做产品，默认使用者是人。产品经理设计页面，研发实现功能，销售讲清楚价值，客户成功教客户怎么用。AI 出现以后，很多软件能力会被 Agent、MCP、API 或自动化流程调用。

人不一定每次都登录系统、点击按钮、配置字段。AI 可以替人调用底层能力，拿数据、跑流程、生成结论，再把需要人判断的部分推出来。

数阔看得很清楚。八爪鱼采集器真正有价值的，已经不只是上层怎么操作。

底层采集环境、数据能力和自动化能力，开始变得更关键。

半仙说，给原有产品增加 AI 功能，当然能让人更好上手，但如果产品对象已经变了，只做这一层远远不够。

这也是数阔今年 5 月以后重新调整产品和业务打法的原因。

01

AI 落地，不能只看一个 Agent

数阔分享了两个客户案例。第一个是跨境汽配公司桑椹，年营收 10 亿级，约 600 人规模，有 40 多人的 IT 团队。

这个客户在亚马逊上有大量 ASIN（Amazon Standard Identification Number，亚马逊标准识别号）链接，价格、评论、排名、购物车状态、竞品促销、广告动作都可能影响利润。

以前这些信息靠人盯。运营团队会定期看页面、查数据、跟竞品。但问题是，人很难做到每小时看一遍，也很难长期保持同样的覆盖频率和判断标准。

数阔给它搭了一套闭环。

Neuters

RPA 机器人负责采集亚马逊前台页面，补足 API 拿不到的数据。AI 负责对异常信息做降噪、分类和分发。钉钉机器人把不同紧急程度的预警推给对应运营。数据再沉淀到 AI 表格里，后续可以查询、分析和复盘。

人在什么时候出现？

人在收到预警之后，判断要不要调价、要不要补货、要不要跟进竞品促销、要不要修复折扣。半仙说，AI 可以告诉你发生了什么，也可以给出建议，但策略决策仍然是人的职责，并且人也要确保给AI的数据是正确的。

这套分工很清楚：RPA 负责采集和执行，AI 负责建议，人负责判断。

它也解释了为什么数阔一直强调，企业 AI 落地的最小有效单元是完整业务闭环。一个 Agent 可以完成一个动作，但业务价值要从数据进入、AI 判断、系统执行、人类确认、结果度量这一整条链路里产生。

这对 ToB 软件公司很有启发。

很多时候，客户要的并不是一个“会回答问题的 Agent”。他们真正需要的，是一个能接住业务任务、跑完流程、交付结果的系统。

02

数字员工的背后

是人和机器重新分工

第二个案例来自一家国内电商卖家「笑驴AI」。它用 7～8 个数字员工，重做了从选品到上新的流程。

以前，运营助理要人工检索市场数据、找关键词、看竞品；设计要根据运营描述做图，来回改稿；最后再由人工完成商品信息和视觉素材组装。

一个店铺每周大约上新 10 个品，产能很大程度取决于人的时间和状态。

改造之后，凌晨就有 RPA 机器人开始采集全品类近一年的关键词趋势和竞品数据。AI 智能体分析哪些关键词未来可能上涨，哪些品类有体量、竞争度可控、利润空间也成立。RPA 再去拉销量和投流数据，AI 继续筛选。

人拿到的不再是一堆原始数据，而是一份有依据的候选清单。

到视觉环节，AI 会拆解竞品表达和卖点，生成方案。

人只需要判断这个方案是否符合品牌调性和合规要求。最后，RPA 自动组装商品信息、视觉素材并上架。

原来 3 个人协作跑完的流程，现在 1 个人可以跑；单店每周上新从 10 个品提升到 50 个品。

比数据更重要的，是背后的分工变化。

客户坦言，这件事的重点，是重新分配人和机器的分工。

重复、有明确标准的事情，交给数字员工。商业判断、对外谈判、审美和价值兜底，交给人。这样一来，人从流程执行者，变成流程决策者。

这是 AI 对组织最实际的改变。

它不一定先表现为组织架构图变化，而是先发生在每天的工作里：谁来找数据，谁来判断异常，谁来执行动作，谁来负责结果。

03

软件公司真正值钱的

可能会回到底座

聊到产品变化时，半仙讲了一个更大的判断。

他说，采集器、BI、CRM 这类产品，未来真正有价值的部分都会回到底座。BI类公司有数据标准化底座，CRM企业有业务流程和客户数据底座，采集器类公司有采集底座和环境能力。

以前软件公司会在底座上搭很多上层界面和功能。用户点按钮、填字段、看报表、跑流程。

现在，AI 可以直接调用能力，也可以快速生成界面、图表和临时应用。上层界面当然还需要，但长期价值会向底层能力集中。

这也是为什么数阔会开放 MCP、OpenAPI、CLI，让八爪鱼的采集能力被 AI 和业务系统调用。

这个变化会改写产品经理的工作。

以前做产品，很多精力放在功能、页面和操作流程上。现在还要问：这个能力能不能被 AI 调用？调用边界是什么？权限怎么管？失败怎么处理？数据能不能追溯？客户把它接进自己的流程后，谁来承担结果？

所以半仙说，产品更多是在做底座，做支撑交付相关的能力。

这句话对很多 ToB 软件公司都很现实。

AI 时代，客户未必只买一个界面功能。客户更在意的是，这家公司有没有稳定、可信、可调用的能力，能不能被放进自己的业务闭环里。

04

产研协作，从横切变成竖切

AI 时代，数阔内部变化最明显的是产研。

以前一个需求进来，产品经理做调研、写需求、出原型，设计接过去，研发再开发，测试再验收，最后交付给客户。

每个岗位都负责自己的一段，链条清楚，但交接和等待也很多。更麻烦的是，端到端结果很难由一个人负责。

现在数阔更倾向于按需求或项目 owner 制推进。一个人，或者 3 到 5 人的小团队，直接面向业务结果闭环。

需求梳理、原型、代码生成、测试、Code Review，这些执行工作都可以交给 AI 做一部分。人要负责的是目标确认、边界定义、上下文提供、AI 输出审核、客户交付和结果兜底。

采访中有一句话我印象很深：工作拆解要从流程的横切，转向按结果的竖切。

以前是产品、设计、研发、测试按职能横向切开。现在是围绕一个需求、一个项目、一个结果，从头到尾切出一个小闭环。

这个小团队要理解客户，也要理解技术，还要知道 AI 能做什么、不能做什么。

这就牵出了数阔对人才的重新定义。

以前大家常说 T 型人才，有一项深度的专业能力，再加一些横向能力。数阔现在提出复合的π 型人才：业务理解能力、专业深度、AI 协同能力。

AI 可以帮人写初稿、写代码、整理资料、生成 demo。可客户沟通、需求理解、问题定义、责任心，这些更难靠 AI 补上。

半仙说，优秀的人用 AI 会更优秀，差距也会被拉大。

05

踩过 Vibe Coding 的坑

才知道规范多重要

数阔也踩过坑。

半仙复盘过一次 Vibe Coding 的失败。有段时间，团队广泛使用 Vibe Coding 做研发，一个重要项目最后做得很不理想，前后浪费了大量的时间，最后几乎重写。

问题出在哪里？

问题不只是能不能用 AI 写代码。更深的问题是，人对 AI 的驾驭能力不够，工程规范不够，协作方式还是老的，每个人只管自己一段。出了问题以后，也容易把责任推给 AI。

这件事后来倒逼数阔建立 AI 驾驭工程和安全防护栏。

• 公司级要把控方向、数据安全和合规边界；

• 团队级要维护公共上下文、公共 Skill、资产和知识库；

• 项目级要在真实场景里跑通闭环；

• 个人级要能基于标准贡献、维护和执行。

这部分特别值得留意。

因为很多公司一开始用 AI，会先被速度吸引。

原型很快，页面很快，代码也很快。但软件公司真正交付给客户的东西，不能只看快。它还要稳定、可维护、可追溯、可验收。

AI 让产研变快，也会让“工程债”来得更快。最后能不能跑起来，仍然要看上下文、标准、架构、测试和责任。

06

和半仙聊完，我对数阔最大的感受是：他们很早就把 AI 从“工具提效”往“业务闭环”上推。

一个跨境电商客户，用 RPA 采数据，也让数据、预警、判断和运营动作连起来。

一个国内电商客户，让 AI 帮人写文案或做图，也把选品、视觉、上新和复盘放进一条自动化链路。

数阔自己也不只给产品加 AI 功能，它把采集、CEM、RPA、数据服务这些能力重新放到 AI 可调用的底座里。

这背后其实是同一个问题：AI 之后，软件公司到底靠什么继续创造价值？

如果界面可以被 AI 生成，如果代码可以被 AI 辅助，如果很多功能都能被快速复制，那么真正有价值的可能会回到底层能力、业务理解、数据质量、流程设计和结果责任。

对 ToB 软件公司来说，AI 转型也许不是先把公司改成一个很漂亮的新组织。

更真实的变化，往往发生在一条条业务链路里：

• 销售和售前能不能更早做出 demo；

• 产品能不能沉到底座；

• 研发能不能理解客户；

• 客户成功能不能盯住结果；

• 一个小团队能不能从头到尾负责一个闭环。

数阔最后给出的答案很短：重新定义人才标准，重新定义协作范式。

这句话听起来大，但在它的案例里并不虚。因为当 AI 开始替人找数据、跑流程、生成方案、执行动作，人真正要承担的，反而更清楚了：定义问题，做判断，负责任，把结果拿回来。

栏目介绍

本文为《ToB 软件 / SaaS 企业 AI 转型组织白皮书》的样本访谈采访手记。数阔信息在 AI 时代的转型组织样本将收录于白皮书。

▲点击抢购门票