AI 不是万能的，不做 AI 是万万不能的。

开源大模型的发展，以及大模型使用成本的不断降低，正将大模型应用推向一个前所未有的爆发期。

先看几组数据，或许能直观感受到这股浪潮的力度。国家互联网信息办公室公布，截至2024年8月，我国已有188个生成式人工智能服务完成备案，大模型正式进入“落地之年”。IDC的预测则更为宏观：到2027年，中国生成式AI的投资规模将超过130亿美元，五年复合增长率高达86.2%。

但热潮之下，泡沫也随之而来。有媒体统计，从ChatGPT发布到今年7月，国内新增AI公司约30万家；而与此同时，倒闭的AI公司也接近8万家。这组数字清晰地揭示了一个现实：技术驱动与商业成功之间，还隔着一条巨大的鸿沟。

从全球范围看，SaaS厂商都在积极拥抱生成式AI技术。然而，“SaaS+AI”面临的终极拷问，依然是商业化的不确定性。目前，国内“SaaS+AI”的商业化仍处于早期探索阶段：大模型技术本身还在快速迭代，新的技术范式尚未成型；落地场景仍在不断被细分和验证，B端具体场景中的应用价值仍有待市场检验；要训练企业级大模型，还需要大模型厂商和SaaS厂商在数据和服务链路上真正打通。

那么，大模型浪潮下，SaaS厂商该如何穿透AI商业化的迷雾，找到真正的增量？

01 增量，还是泡沫？

一位SaaS企业CEO曾向牛透社坦言，“SaaS厂商在AI上的投入有点像‘炼丹’，充满了不确定性。”他描述了一个典型困境：客户在对生成式AI有过高预期后，试用后又产生过低预期，导致其在尝试AI服务时变得非常谨慎。在价值被验证前，客户往往希望厂商能全盘投入，但当需要客户提供数据来训练模型时，他们又会产生顾虑。

这背后折射出的核心问题，是对大模型能力的理性认知。既不能因为低估而畏首畏尾，错失良机；也不能过度神化，以为它能包治百病。合理的做法是，厘清大模型的能力边界，在现有的客户场景中，为它找到恰当的用武之地。同时，这还需要协同传统AI、甚至人工方式共同解决问题。哪些环节适合用生成式AI替代，哪些需要传统AI辅助，哪些又离不开人工兜底，都需要SaaS厂商依托行业know-how，结合场景、数据、成本等因素综合判断。

找到AI落地场景，是迈出企业级应用的关键一步。

成都晓多科技产品与方案中心负责人田曲分享了他们的进展：“今年5月，晓多科技的XPT模型完成了电商行业大模型的国家级备案，这是智能客服领域第一个实现国家级备案的大模型。经过对可控性、成本和效果的反复验证，我们对于在大模型在电商和智能客服领域能做什么、不能做什么，有了更清晰的认知。项目已经从探索阶段，进入了全面落地阶段。”

与传统AI相比，大模型具备更强的推理和内容生成能力，交互方式也更具拟人性，这让它在对话和内容生成场景中优势明显。然而，对于严谨的To B业务场景，“幻觉”和内容生成质量依然是严重制约。因此，大模型的能力边界，特别是可控性，是寻找落地场景时的首要考量。

与之相关的还有安全合规性，这决定了那些不涉及用户敏感信息或数据安全风险的场景，更容易被市场接受。田曲举例说：“比如智能客服领域，用大模型做客服培训就非常适合。AI模拟买家进行咨询，对客服进行训练，整个过程不涉及真实买家对话，也就无关企业的敏感数据和买家隐私。”晓多科技基于这一思路推出的“AI训练场”产品，推向市场后便得到了客户的认可和快速增长。

内容电商赛道也是如此。SaaS厂商帮助商家生成的营销内容，很快就会被分发到各大公共平台，具有天然的公众传播属性，因此也是一个很好的落地场景。

“SaaS+AI” 商业化三要素牛透社制图

结合上图不难发现，那些与AIGC强相关且可控性强的场景，如AI陪练、智能对话、知识管理、内容电商等，往往更容易与生成式AI找到结合点。

每一次科技革命，都会催生一波创业浪潮，也免不了伴随泡沫。从百模大战，到知识库、Copilot、AI Agent，每个热门概念都吸引了大量公司涌入。表面功能的堆砌、同质化的微调、偏离客户痛点的盲目投入……这些都是泡沫的具体表现。正如独立SaaS顾问吴昊老师在“SaaS+AI创新大赛”后总结的三类失败案例：“浅、泛、浮”——“浅”是浅层应用，未深入行业痛点；“泛”是功能泛化，缺乏聚焦；“浮”是缺乏业务基础，试图一蹴而就。这正是技术驱动而非场景驱动所带来的典型问题。

但泡沫的另一面，也隐藏着增长机会。“SaaS+AI”为SaaS带来了新的市场关注度；生成式AI更多通过云端普及，反而促进了客户对SaaS公有云和订阅模式的接受；AI创新增强了客户对SaaS厂商的信任；AI产品的交叉销售，也为厂商带来了ARR的增长。这些都是AI能为SaaS带来的实实在在的增量。

以电商行业为例，极睿科技创始人兼CEO武彬表示：“生成式AI进一步降低了电商商家在选品、供应链、销售等环节的成本，为许多商家带来了弯道超车的可能，也为周边服务商创造了新机会。极睿每年的收入规模都在快速增长，大概两年能翻十倍。”

目前来看，电商、智能客服、知识管理、创意工具等与AIGC强相关的领域，可能是最先被重构的行业。对于这些赛道的SaaS厂商来说，加大AI投入在战略上是正确的。但从ROI角度看，大模型商业化仍处于早期，厂商更应关注AI创新带来的长期价值，如客户黏性增强、交叉销售机会增加等，而非过分看重短期的盈利收入。毕竟，只有为客户创造可量化、持续的价值，才能让他们心甘情愿地续费。

02 混合赛，而非单项赛

从当前实践看，生成式AI与传统AI、数字化工具的融合，包括人机协同的混合模式，是通往AI商业化的可行路径。SaaS+AI，本质上是一场混合赛，而非单项赛。

田曲认为，生成式AI与传统AI结合的有效性，主要基于两点：一是客户业务的实际需求。并非所有场景都需要大模型，比如简单应答，传统AI的效果已经足够了。只有在高价值的复杂业务场景，才需要利用生成式AI去突破效果的“天花板”。二是成本考量。在效果达标的前提下，商业化必然要算ROI。“在一些业务场景下，几百兆的模型跑起来既高效又稳定，从ROI角度看就没必要上大模型。”

在武彬看来，生成式AI与传统AI更多是一种替换和叠加的关系。“极睿最早的产品基于判别式模型，结合模板和规则构建。2022年底生成式AI成熟后，我们的一部分底层能力用大模型做了替换。同时，大模型也为内容电商带来了新能力，比如模特上身图、视频剪辑加工等，我们能做的事情变得更多。”

To B业务的复杂度高，生成式AI的可控性仍然较弱，很难完全满足所有场景。武彬认为，在很长时间内，混合模型仍是必要的。“可控性是To B领域最核心的要求。以电商内容为例，如果做得花里胡哨，但和实际货品不一致，不仅没有用，还可能涉及虚假宣传。因此，可控性一定是最大的优先级。”

除了结合传统AI，生成式AI也需要与人工配合，才能更好地解决落地的可控性难题。武彬提到内容合规审核，除了极睿内部的审核机制外，商家还可以通过Copilot在发布前进行人工辅助审核。这种Copilot的人机协同方式，在医疗、法务等专业领域也大有可为。从Copilot到AI Agent，再到多Agent协同，人机协同模式在不断进化，数字员工正逐步走进现实。但万变不离其宗，核心逻辑仍是以客户需求为导向，用新工具持续提升客户解决问题的能力和效率。

03 开源，还是闭源？

训练企业级大模型离不开专有数据。但当前的挑战在于，大模型与这些数据之间常常是割裂的。企业的私有数据闭源，SaaS厂商的专有数据同样闭源，它们都被视为核心资产和竞争壁垒。出于对核心数据的保护，有条件的SaaS厂商通常会选择利用开源大模型来部署和训练自己的行业大模型。在数据管理上，他们将客户的企业私有知识植入私有的向量数据库，实现租户级的隔离，从而更好地保证数据的安全可控。

谈到开源大模型，武彬表示，极睿科技从未选择闭源大模型，而是基于开源模型，用自己的数据训练垂直行业模型。“开源大模型能保证我们掌控自己的数据，实现更好的训练效果。对我们而言，选择开源不仅是市场需求，更是长期战略。在相当长一段时间内，我们都不太可能选择闭源模型，因为调用闭源API接口，意味着要把我们的数据传出去，而数据是我们最核心的资产和竞争壁垒。”

使用开源大模型，SaaS厂商更容易实现产品迭代，提升服务闭环的效率。田曲也补充道：“大模型厂商如果能将模型开源，让应用厂商加入自己的专业知识和数据，对整个行业和生态创新都是巨大的推动力。闭源大模型对SaaS厂商来说就像个黑盒，底层封闭，如果需要优化和调整，只能向供应方提需求，由其协助，服务和迭代的链路会非常长。而使用开源模型，部署和管理上都更加可控。”

晓多科技的做法则是根据场景不同，选择开源或闭源模型。例如，在涉及买家信息安全的智能问答场景，他们使用自己的专业大模型（XPT模型），这样做效果更可控，客户反馈无需经过第三方，问题处理和服务链路更直接；同时数据安全也更有保障，避免了买家信息泄露给通用模型的风险。而在“AI训练场”这类模拟对话场景，他们则更多采用行业生态合作伙伴的模型能力，共建AI生态。

调研中我们发现，闭源大模型与应用厂商之间更容易存在一种割裂关系。这种割裂不仅体现在技术与垂域知识的融合上，也体现在面向客户的服务闭环上，这恰恰是影响“SaaS+AI”商业化的难点所在。开源和闭源，作为两种技术和生态，就像苹果与安卓、Windows与Linux，注定是长期并行的关系。选择哪条路，终究需要SaaS厂商结合自身战略、客户场景、成本和安全可控等因素综合权衡。

04 AI 替代率

任何技术应用都会带来业务流程的重塑，生成式AI也不例外。这种重塑是一个渐进渗透和替代的过程。

有赞创始人白鸦在解读2024半年度财报时提到，未来将不断加强AI在产品中的体现，帮助客户降低使用和试错成本，提高经营效率。同时，AI也在持续优化有赞内部的客户服务、市场销售、产品研发等作业效率。北森的客服中心通过AI回答客户问题，极大提升了效率。极睿也一直注重用AI提升自身效率。极睿创始团队有着深厚的AI背景，但武彬更看重的是“场景原生”。他提到，极睿聚焦电商场景，通过不断提高“AI替代率”来提升服务客户的效率。“从公司成立第一天起，极睿内部就设定了一个AI替代率的指标，用于考核哪些服务客户的流程能被AI所替代。”

武彬发现，很多品牌和商家并没有真正把工具用起来，这也是国内工具类SaaS常见的挑战。因此，极睿在提供工具之外，也下场做运营和服务。“有些客户不会用工具，我们就用工具直接帮他们生成内容；此外，我们还可以直接帮客户带货，通过内容实现成交。”用武彬的话说，极睿是一家坚持“技术实用主义”的公司。AI替代率考核的是团队在服务客户过程中的效率能力，“这是一个持续改善流程的过程，AI不可能一上来就把所有事情都做了。”

以客服场景为例，在AI的加持下，如果5人能完成原来10人的工作，省下的人力就可以去做更有创造力的事，比如客户洞察、增值服务。同时，生成式AI带来的交互体验和内容生成质量的提升，也会改善客服机器人的对话效果，并催生AI陪练等新场景，从而推动智能客服业务流程的整体升级。随着生成式AI渗透率的提高，它将成为数智化加速的核心技术。“SaaS+AI”的商业化，也正是从一步步提升AI替代率开始的。

05 结语

大模型应用的爆发，可能为SaaS厂商带来新增量，也可能带来泡沫。区别就在于，SaaS厂商是否真正找到了具有商业价值的落地场景。这就好比冲浪，找对浪头比盲目加快速度更重要。

从目前阶段看，“SaaS+AI”的核心不是去创造全新的需求场景，而是在原有的需求场景中，找到更优的解决方案。生成式AI与传统AI、数字化工具的融合，包括人机协同的混合模式，是当前AI商业化的一条可行路径。

采访中我们发现，开源大模型目前能更好地满足使用方对数据安全可控的需求，并提升服务效率。数据是智能的源头。要训练企业级大模型，就必须打通大模型厂商和SaaS厂商在数据和服务链路上的隔阂，这或许正是“SaaS+AI”商业化亟待突破的关键关卡。