今天小編分享的财經經驗：為什麼美國人的AI應用看起來跑的好像更快些？，歡迎閱讀。
文 | 李智勇
故老相傳：中國人擅長做應用，但在這次 AI 的應用上結果卻大相徑庭，美國人在 AI 應用上看起來跑的更快。
Glean、Harvey 等這類應用動辄 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，國内的應用不管是在數量還是規模上就遠遜。
這是為什麼呢？會一直持續下去麼？未來可能的變數是什麼？
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，國内的 SaaS 就沒搞起來，所以基于 AI 對 SaaS 做更新米國自然就也跑的快，國内就跑的慢。
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 裡面包含一個 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，是否能構建合适的數據層就變成了智能層和插件層能否生效的前提。
而是否能構建合适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、質背後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。
所以确實可以講：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後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叙事框架下面來看，我們用幾張圖來分别做代表：
第一種是經典模式，SaaS 是按層按塊進行分工，然後輔助創造價值。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後出現的，以 moveworks 等為代表的模式。到這裡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别是：啥都自己做，最多開放插件。
要這麼搞的話，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。
這為什麼是可能的呢？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。
價值稀薄後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，國内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，在產業裡面選一個突破口，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：如果都是這麼垂直整合，那水平分工就沒空間了。
在這個體系裡面，最内核的部分是智能、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，那為什麼要做水平分工呢？
垂直整合的挑戰
不确定國内是不是能跳過 moveworks 那個階段，直接過渡到 AI 驅動的商業智能體。
第三種模式雖然看着先進，其實也不好搞。這麼做垂直整合，随着業務範圍的放大，難度其實也在變高。
這麼做很像找到了一個點，然後不停的往下打井，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）
上面的圖裡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，彼此間有都是什麼關系。
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台，所有其它環節包括保養、保險等要圍繞這套系統展開。
而為了讓這套裝務能轉起來，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裡來。
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。
潛台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，那會怎麼樣？
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。
類似的任何一個領網域一旦出現全 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，遠不是很多領網域都适合做全 AI 驅動的商業智能體。
現在不是一個什麼都可以這麼幹的時間點。
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，這裡不展開了，可以參照我之前的文章：
非技術、商業的因素
SaaS 這模式在國内一直猥瑣發育，看起來在國内是還沒等長起來就要先老死了。這背後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 "，不太願意分工協作。（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。
阿米巴的初衷是什麼呢？盡可能各幹各的，各有各的結果。那如果能各幹各的，不正成為一個個适合拿 AI 驅動的單元麼！
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願景，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，再之後還要在維度上打進度條，然後才是最終判斷。每個層面都會有分歧，願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幹啥後幹啥的分歧。
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？
