不得不承认，企业客户对AI的采用意愿，如今确实显著提升。IDC的《2023-2024全球企业高管调查报告》中的一组数据客观反映了这一趋势：超过半数的高管将生成式AI视为未来投资的重中之重，而87%的高管至少已展开相关应用场景的初步探索。
至于企业AI的技术架构，行业内也基本形成了共识：性能强劲的AI模型，配合图技术加持的RAG（检索增强生成），再加上智能体搭建与安全防护措施，已然成为标准配置。然而，挑战也随之显现——企业在实际应用AI时，近90%的时间和成本都投入在基础设施及这些核心架构的建设上。此时，自然会产生这样的疑问：是否存在一个平台，能够将这些繁琐的准备工作打包处理，直接提供强大的AI能力？
事实上，已有一些平台在尝试满足这类需求，例如我们先前讨论过的Glean和Sierra。它们走的是垂直发展路线，Glean专注于企业AI搜索，Sierra则致力于对话式客户体验。不过，近期一家名为Writer的创业公司获得了大额融资，他们选择了全栈式发展路径——自主构建AI模型，并搭建完善的企业AI应用基础设施，尤其在成本与安全性方面进行了重点优化。
这家公司刚完成了由Premji Invest、Radical Ventures和ICONIQ Growth联合领投的2亿美元C轮融资，Salesforce Ventures、Adobe Ventures、B Capital、Citi Ventures、IBM Ventures及Workday Ventures也参与了跟投。到目前为止，Writer的累计融资额已达3.26亿美元，估值超过19亿美元。根据其规划，到2024年底，仅来自300多家客户的年度经常性收入，就有望达到约5000万美元。
连续创业者打造的全栈AI应用平台
Writer由May Habib（CEO）和Waseem AlShikh（CTO）于2020年联合创立。两人早在2013年就已共同创办过公司，最初专注于机器翻译，后来逐步发展为一个能够实现各类内容本地化的软件平台。那段创业经历让他们很早就开始自主构建机器翻译模型。当Transformer模型问世后，两人迅速意识到其巨大潜力，于是再度联手，推出了Writer。
凭借首次创业积累的经验，他们此次坚定地押注并自主构建Transformer模型。先从文本处理切入，聚焦营销领域，随后逐步扩展至支持、销售、运营、人力资源及财务等团队。如今，他们已拥有自己的基础模型与行业模型家族，构建起一个全栈式企业AI平台。
Salesforce的产品副总裁Patrick Stokes评价道：“将大模型转化为可靠的业务工具，背后需要大量的工程工作。Writer提供了一个精细化的AI驱动方案，效果出色、部署便捷，并显著加速了我们Salesforce的工作流程。我们不仅是投资方，也是其客户。”
ICONIQ Growth的合伙人Doug Pepper也表示：“我们相信，面向企业的生成式AI正处于一个转折点，而Writer凭借其全栈且安全的平台，真正兑现了AI的巨大承诺。”
企业青睐AI，但应用方式仍处于初级阶段
2024年，AI领域的投融资热度始终未减。根据海外投资机构Accel的报告，今年生成式AI初创企业所获得的风投资金，预计将占整个云技术领域的40%。PitchBook的数据则显示，仅在2024年上半年，针对生成式AI初创企业的投资已超过39亿美元（这还不包括OpenAI那笔66亿美元的融资）。
企业AI正是这股热潮的重要组成部分，其背后支撑的是企业对AI相当高的采用意愿。我们前面提到的IDC调查数据，也反映了企业在实际投入上的力度。然而，必须指出的是，企业对生成式AI的采用仍处于较为初级的探索阶段。许多企业发现，仅用内部行业数据配合GPT模型，根本无法解决那些复杂的操作和使用场景。要让AI真正帮助企业完成复杂的业务操作，就需要搭建企业智能体。这样一来，RAG技术、数据收集与清理、工作流程构建等一系列复杂工作便全部浮出水面。而实际上，这部分工作占据了让AI“实用化”所耗费时间和成本的90%。举例来说，过去若想将AI嵌入企业工作流，员工有时需要花费数小时，在多种格式之间反复处理同一份内容。
Writer这类企业AI平台，其核心理念是开发能够完成企业关键任务的高级AI系统，而非仅仅关注基础模型，或构建仅能解决有限问题的现成应用。
训练自有模型，平台更安全，成本也更低
要构建能胜任企业关键任务的高级AI系统，行业内已摸索出一套基本的技术架构共识：强大的AI模型，加上图技术加持的RAG，再结合Agent搭建与安全护栏。原因很简单：企业AI既要应对现实中的各种复杂场景，又必须确保安全性、可靠性与适应性。
Writer平台的核心，正是其自主训练的Palmyra系列模型。在此基础上，还配备了基于图的RAG、可定制的AI防护措施，以及一套无代码和代码开发工具。在这些核心组件之上，Writer提供了一个灵活的应用层，包括聊天机器人、预构建应用以及一些可组合的UI选项，能够满足企业内部各职能部门的需求。此外，Writer还搭建了集成与API生态系统，将Writer的能力渗透到员工工作的各种场景中。
Palmyra系列大模型主要具备两个差异化特点：成本低，以及安全性与透明度高。
例如，Writer发布了一个几乎完全基于合成数据训练的模型——Palmyra X 004。据其自身介绍，开发该模型的成本仅为70万美元。这个数字听起来不算低？但要知道，类似规模的OpenAI模型，开发成本估计高达460万美元，而GPT-4更是超过1亿美元。两相比较，差距立现。这款新模型在工具调用方面也实现了很高的准确性与可靠性，而这正是执行复杂操作与工作流程的关键能力。
此外，Writer还强调，他们的模型是基于未受版权保护的商业写作材料进行训练的，从而规避了版权方面的一些不确定性。在透明度上，客户可以清晰地检查模型的代码、功能与训练数据，这些模型也绝不会利用客户的数据进行训练。
Writer的创始人May Habib对此解释道：“对我们来说，自主构建大语言模型至关重要。这样一来，我们的模型可以由客户自行托管，并且是开放、透明、可审计的，而非一个黑箱。”
目前，Palmyra系列已拥有超过18个模型，其中还包括针对金融与医疗场景的Palmyra-Fin与Palmyra-Med模型。Palmyra-Med在斯坦福HELM与PubMedQA等多个医疗基准测试中，表现优于GPT-4与Claude 3.5等通用闭源模型，且使用成本更低。它追求的不是天马行空的创意，而是实实在在的准确性。
基于图的RAG，最主要的好处是允许企业客户将模型与自身业务数据源连接起来，从而显著提升模型在研究、事实核查与回答问题的能力。同时，它也是构建Agent的核心技术之一，没有它，Agent就难以真正深入到企业客户的工作与业务流程中。
在AI防护方面，Writer也做了大量工作，核心是保障企业AI的安全性、数据隐私与合规性。其AI严格遵守SOC 2 Type II、GDPR、CCPA、HIPAA与PCI等一系列安全与隐私合规标准。确保无论是人工生成的内容，还是AI生成的内容，都符合法规要求、准确无误、包容性强，并与品牌定位保持一致。
在AI部署方式上，他们既支持企业的私有云部署，也提供在AWS与GCP上的多租户与单租户部署选项。
行业拓展与产品发展相辅相成，拿下顶级客户
在客户开发方面，Writer的策略颇具特色——客户行业的拓展与产品功能的演进是相互促进的。最初，它仅是面向企业写作的工具，主要服务营销团队。后来，业务逐步拓展至支持、销售、运营、人力资源与财务等内部部门，再后来又延伸至金融、医疗等对准确率与安全性要求极高的行业。产品本身也水到渠成地演变为一个全栈式的企业AI应用平台。
如今，Writer在全球拥有数百家大型企业客户。其AI应用与AI智能体，能够在不同系统与团队之间，规划并执行相当复杂的企业工作流程。客户名单中包括Mars、Qualcomm、Salesforce与Uber等财富500强公司，而Vanguard、Accenture、L’Oréal（欧莱雅）与Intuit等行业领军企业，也是他们的长期客户。
Writer自身表示，他们已经为客户节省了数百万小时的生产力，客户平均获得了9倍的投资回报率。按其规划，到2024年底，300多家客户将贡献约5000万美元的年度经常性收入。
具体用例也颇具亮点：Uber利用Writer生成对常见客服问题的回答；Qualcomm的法律团队用它管理数百个商标，并分析市场趋势；Dropbox则依赖Writer生成SEO博客，并对现有内容进行校对。2023年，他们的收入增长了10倍，净收入留存率超过150%。
企业AI创业的两条主线：控成本、攻高价值领域
结合Writer以及Glean与Sierra的案例，我们可以清晰地看到，企业希望AI具备低成本、可控的属性，并期望它能深入自身业务与工作流，解决那些复杂的问题。这里的“低成本”不仅指运营成本，更包括部署与扩展的成本。
但这三家公司其实都带有一定的定制化色彩，并不完全等同于传统的SaaS模式。大家之前普遍认为，定制化会使企业服务类公司难以盈利。上一波AI浪潮中，许多发展不错的公司，最终也卡在了这一难题上。
对于AI公司来说，模型训练是成本的主要部分。Writer的策略是先将模型本身的成本降下来，再通过训练与微调一些行业模型，实现半定制化——这样做能够提升通用性，进一步压低成本。
对于中国市场的企业AI创业者来说，有一个利好值得关注：企业AI的难度，很大程度上在于场景理解、产品化能力以及工程能力，例如解决复杂问题的RAG技术、Agent搭建、AI基础设施部署等。而这些方面，恰恰是中国创业者和工程师们的强项。
另一个好消息是模型成本也在持续下降。无论是使用海外（如Llama）还是国内（如Qwen）的开源模型，或是对大型基座模型进行行业数据微调与增强推理能力的后训练，成本相对均在可控范围内。
至于进入市场，中国显然拥有巨大的市场与丰富的应用场景。而且，由于企业AI能够解决的问题，比传统SaaS解决的更难、也更有价值，因此这个潜在市场可能比我们想象的还要广阔。中国的创业者们完全可以借鉴Writer的客户策略：先选择一个易于切入的领域作为入口，将产品打磨完善，随后再向利润更丰厚的“肥水田”发起进攻。
