隨著人工智能技術的迅猛發(fā)展，"AI-native"應用正在重新定義軟件產(chǎn)業(yè)的價值鏈條。這些應用不僅僅是技術架構上的創(chuàng)新，更是產(chǎn)品范式和商業(yè)模式的全新突破。本文將深入探討AI-native應用的特征、評估框架及其未來發(fā)展。

“AI-native 應用”進展不斷打破市場預期：ChatGPT 的周活躍用戶到了 3 億，Perplexity 今天也同時宣布產(chǎn)品單日 queries 從年初 250 萬快速增長到了 2000 萬，據(jù)統(tǒng)計，擁有超過 2500 萬美元 ARR 的 AI-native 應用已從年初的 34 個增加到目前的 47 個。按照這一發(fā)展趨勢，預計到明年同期，將有相當數(shù)量的應用能夠達到 5000 萬美元 ARR 的規(guī)模。

到底什么是“AI-native 應用”？

在這篇文章中， Sapphire Ventures 圍繞“什么是 AI-native 應用”定義了一個關于五維框架，包含了設計、數(shù)據(jù)、把 domain knowledge  AI workflow 化、產(chǎn)品動態(tài)性以及商業(yè)模型等。

在  Sapphire Ventures 的定義中，AI-native 軟件可以是 ChatGPT、Perplexity 、Cursor 等原生于這次 LLM 浪潮中誕生的軟件，也可以是通過疊加 AI/LLM 能力享受到了收入和用戶的增長的存量公司，例如 Abridge，Salesforce，Zendesk 等，這些產(chǎn)品的共同點都是將 AI 真正用戶改進用戶使用體驗、創(chuàng)造了真實價值。對于企業(yè)軟件來說，“是否 Day 1 就圍繞 AI 構建產(chǎn)品這件事”不如企業(yè)在產(chǎn)品開發(fā)和組織建設過程中對 AI 的深度融合來得重要。

此外，AI-native 也一定是一個過渡性標簽，AI 一定像曾經(jīng)的  Internet、Cloud、Mobile 一樣，作為新一波科技浪潮的底層主導力量，如何用好 AI 一定是每個企業(yè)的必備能力。當下這個概念和框架的目的，對于投資者而言可以更好識別到早期的創(chuàng)新者，對于企業(yè)則可以更好地思考如何用 AI 真正創(chuàng)造價值。

?? 目錄 ??

01  什么是 AI-native 應用？

02  評估 AI-native 應用的框架

03  AI-native 應用的未來

一、什么是 AI-native 應用？

在傳統(tǒng)企業(yè)軟件領域，AI 往往作為一種補充性能力被整合到現(xiàn)有系統(tǒng)中。但隨著 ChatGPT 在 2022 年底的驚艷亮相，一種全新的軟件形態(tài)開始嶄露頭角，即AI 原生應用（AI-native Applications）正在從基礎設施到應用層全方位重構軟件產(chǎn)業(yè)的價值鏈條。

這種創(chuàng)新不僅體現(xiàn)在技術架構上，更重要的是開創(chuàng)了全新的產(chǎn)品范式和商業(yè)模式。

數(shù)據(jù)顯示，AI-native 賽道正在實現(xiàn)從概念到規(guī)?；虡I(yè)化的跨越：截至 2024 年 10 月，該領域已吸引 85 億美元投資，其中不乏大額融資案例，例如 Perplexity（5億美元）、Poolside（5億美元）、Magic（3.2億美元）、Sierra（1.75億美元）、Abridge（2.5億美元）、Glean（2.6億美元）、Writer（2億美元）和 EvenUp（1.35億美元）。

雖然大規(guī)模融資反映了市場的樂觀預期，但商業(yè)成功的真正檢驗在于企業(yè)的實際發(fā)展。從這一點來看，AI-native 應用的表現(xiàn)還是很積極的：過去幾個月里，具有顯著收入增長的應用數(shù)量不斷增加。據(jù)統(tǒng)計，產(chǎn)生超過 2500 萬美元 ARR 的 AI-native 應用已從年初的 34 個增加到目前的 47 個。按照這一發(fā)展趨勢，預計到明年同期，將有相當數(shù)量的應用能夠達到 5000 萬美元 ARR 的規(guī)模。

從 Perplexity 到 Writer，從代碼開發(fā)到營銷創(chuàng)意，AI-native 應用正在重新定義各個垂直領域的解決方案。

然而，在這輪變革浪潮中，兩個根本性問題值得深入探討：什么是真正 AI-native 企業(yè)的本質(zhì)特征？這類新型企業(yè)將如何重塑傳統(tǒng)軟件格局？基于這兩個核心問題，Sapphire Ventures 通過廣泛的實地研究，從 5 個維度構建了評估 AI-native 應用分析框架。本文將深入剖析 AI-native 應用的發(fā)展邏輯，探討其在重構企業(yè)軟件版圖中的關鍵作用。

AI-native 應用指 AI 是應用體驗的核心，而不僅僅是一個輔助功能。雖然這個術語被廣泛使用，但其定義——如同 AI 領域的許多概念一樣——仍在不斷演變。通過與 Canva、Glean、Meta、Runway、Figma、Abridge 等公司的開發(fā)者進行深入交流和研究，我們提出了一個更具描述性和細致的定義框架：

AI-native 應用的特征

1. 建立在基礎 AI 能力之上，包括從大規(guī)模數(shù)據(jù)集中學習、理解上下文或生成新穎輸出的能力。

2. 能夠突破傳統(tǒng)速度、規(guī)模和成本的限制，開創(chuàng)全新的可能性。

3. 具備持續(xù)改進的能力，既可以利用底層模型的進步，也可以通過真實世界數(shù)據(jù)的反饋循環(huán)來提升性能。

4. 擁有一定程度的專有 AI 技術，而不是完全依賴現(xiàn)成的解決方案（例如，針對特定功能微調(diào)開源模型、模型編排等）。

需要特別指出的是，AI-native 并不意味著應用必須從一開始就具備GenAI 功能。

如同一些傳統(tǒng)軟件巨頭成功從單機版本過渡到 Cloud-native 產(chǎn)品那樣，例如 Adobe Photoshop、Microsoft Office 等，許多公司同樣可以隨時間推移，逐步從 Cloud-native 演進為 AI-native 。

AI-native 是一個過渡性標簽

“AI-native”這個術語雖然在當下具有一定的區(qū)分意義，但終將只是一個階段性的概念。就像我們現(xiàn)在很少再提” Internet-native “、” Cloud-native “或” Mobile-native “一樣，隨著 AI 成為幾乎所有產(chǎn)品和服務的標配，這個標簽也將逐漸淡化。

我們在當前這個早期階段使用這個概念，主要是為了區(qū)分兩類企業(yè)：

? 一類是迅速強化和擴展現(xiàn)有產(chǎn)品的企業(yè)，

? 另一類是基于全新能力和理念從 0 開始構建的企業(yè)。

隨著時間推移，這種界限將變得模糊，“是否 Day 1 就圍繞 AI 構建產(chǎn)品這件事”將不如企業(yè)在產(chǎn)品開發(fā)和組織建設過程中對 AI 的深度融合來得重要。

即便在一個更加 AI-native 的世界里，價值創(chuàng)造的基本驅(qū)動力并未改變。企業(yè)仍然需要深入理解客戶痛點，打造滿足并超越客戶需求的產(chǎn)品和服務。優(yōu)秀的創(chuàng)業(yè)者依然要組建出色的團隊并持續(xù)不懈地執(zhí)行。無論 AI 技術多么先進，它始終只是服務于這些目標的工具，而不是一味尋找應用場景的“錘子”。

二、評估 AI-native 應用的五維框架

Sapphire Venture 從今年開始一直使用一個框架來評估構建 AI 應用的公司，這個框架包含了 5 個維度：設計（Design）、數(shù)據(jù)（Data）、專有領域知識（Domain Experience）、分發(fā)（Distribution）以及動態(tài)性（Dynamism）。

1. 設計（Design） AI 推動更深層的系統(tǒng)思維，開啟了眾多新的設計可能性。

2. 數(shù)據(jù)（Data） 利用AI 釋放專有數(shù)據(jù)的價值，使數(shù)據(jù)獲取和管理成為關鍵的競爭優(yōu)勢。

3. 專業(yè)化（Domain Expertise） 深厚的行業(yè)和團隊專業(yè)知識體現(xiàn)在多個能力層面，其積累的經(jīng)驗形成護城河。

4. 動態(tài)性（Dynamism） AI 實現(xiàn)多層次的適應、創(chuàng)造和個性化能力。

5. 分發(fā)（Distribution） AI 為定價和部署創(chuàng)造了更大的靈活性，使其能夠更緊密地與價值創(chuàng)造保持一致。

考慮到企業(yè)軟件領域日益激烈的競爭，以及在 AI 輔助開發(fā)下，產(chǎn)品依靠功能拉開差異化的周期快速縮短，我們認為企業(yè)需要在這些維度上實現(xiàn)差異化，才能建立持久的品類領導地位。

設計：核心競爭力

在企業(yè)軟件這個萬億級市場中，長期以來功能主導著產(chǎn)品開發(fā)，而用戶體驗設計往往被忽視。傳統(tǒng)企業(yè)應用充斥著復雜的配置選項、繁瑣的菜單結(jié)構和過度的通知提醒，雖然功能完備但難以帶來愉悅的使用體驗。隨著 AI 技術的發(fā)展，這一狀況正在發(fā)生根本性改變，設計正成為新一代企業(yè)軟件的核心競爭力。

創(chuàng)建新的交互范式

過去兩年，聊天和搜索界面已成為生成式 AI UI 的主導形式，為用戶提供了與數(shù)據(jù)交互的新途徑——提問、綜合分析、總結(jié)和頭腦風暴等多樣化應用場景，都可以通過基于文本的 AI 助手完成。

? 功能解鎖：傳統(tǒng)企業(yè)工具中的強大功能往往因用戶不了解或使用門檻高而被閑置。通過自然語言（文本或語音）表達需求，用戶現(xiàn)在可以更好地使用這些既有功能。

? 多模態(tài)突破：多模態(tài)生成式 AI 模型正在快速追趕文本模型的水平，為軟件交互方式的創(chuàng)新提供更多可能。更高性能的語音和視頻模型提供了新的創(chuàng)建、捕捉和轉(zhuǎn)換方式，補充了傳統(tǒng)的點擊和輸入操作。

? 發(fā)展趨勢：OpenAI 的 Canvas 功能和 Anthropic 的 Artifacts 展示了從聊天機器人向協(xié)作畫布（co-creation canvases）的演進潛力，以及從輔助工具（co-pilots）到自動化工具（auto-pilots）的轉(zhuǎn)變。

加速反饋循環(huán)

Gen AI 輸出的非確定性特征（non-deterministic nature）為生產(chǎn)環(huán)境部署帶來挑戰(zhàn)。在模型層面，RLHF 在提升 AI 與人類意圖一致性方面發(fā)揮重要作用。在與產(chǎn)品負責人的交流中，收集到多種反饋機制的案例，如

? 傳統(tǒng)方式：輸出內(nèi)容的贊踩投票、星級評分系統(tǒng)。

? 人工審核機制：由專業(yè)審核人員對 AI 系統(tǒng)的輸出進行審查和評估，幫助確保內(nèi)容質(zhì)量并收集改進建議。

? 創(chuàng)新監(jiān)測：通過分享行為、停留時長、內(nèi)容時效性、互動頻率、復制粘貼等方式收集用戶意圖信號。

那些能夠智能且無干擾地將反饋整合到用戶體驗中的產(chǎn)品，將實現(xiàn)更快的迭代速度，并能更好地滿足用戶需求。

構建 AI-native 系統(tǒng)

從與 AI-native 公司的交流中，一個最重要的發(fā)現(xiàn)是他們在應用設計中展現(xiàn)出成熟的系統(tǒng)層面思維。這包括在現(xiàn)成的通用人工智能組件和為特定用例優(yōu)化性能的專有能力建設之間取得平衡。同時，這還涉及在模型層面運用多種基礎技術（如微調(diào)、RAG、prompt engineering 等）和集成方法，從而在 query level 實現(xiàn)最佳的性價比。

許多 AI-native 應用在用戶界面層的優(yōu)雅設計背后，實際上掩蓋了大量后端的復雜性。

此外，隨著 AI 從行動輔助（assistance）轉(zhuǎn)向決策（answers）和代理（agents），在流程各環(huán)節(jié)融入可解釋性變得尤為重要。因此，AI-native 應用必須：

? 清晰展示輸入與輸出的關聯(lián)；

? 引用具體內(nèi)容來源；

? 適時提供置信區(qū)間；

? 為需深入了解系統(tǒng)性能的用戶提供更詳細的解釋機制。

應用案例

增強型搜索體驗：Perplexity.ai 和 OpenAI 的 ChatGPT Search 通過集成相關網(wǎng)頁鏈接和引用來增強 AI 生成的響應內(nèi)容，提升可信度。

Perplexity.ai

ChatGPT Search

精細化交互設計：Hebbia 和 Reliant AI 采用表格式用戶界面，建立起強大的反饋循環(huán)機制，讓用戶能夠在更精確、細致的層面上與輸出內(nèi)容進行交互和調(diào)優(yōu)。

Hebbia

Reliant AI

專業(yè)開發(fā)工具：Cognition 提供原生代碼編輯器，用戶可以直接在生成內(nèi)容旁邊進行開發(fā)工作，幫助模型根據(jù)偏好的編碼實踐進行優(yōu)化。

Cognition

行業(yè)解決方案：

1）Rilla 運用多模態(tài) AI 中的語音轉(zhuǎn)文本技術，分析客戶對話以改進銷售培訓，

2）Bland.ai 通過部署易于培訓的數(shù)字化客服代理（配備文本轉(zhuǎn)語音功能），重塑銷售和支持服務流程。

數(shù)據(jù)：關鍵資產(chǎn)

數(shù)據(jù)對于訓練 foundation models 的重要性已經(jīng)成為共識，這些模型支撐著過去兩年涌現(xiàn)的所有 AI 產(chǎn)品和服務。在應用層面，數(shù)據(jù)的重要性可能更高，因為它能幫助將各種通用的基礎功能轉(zhuǎn)化為針對性的、具有競爭壁壘的產(chǎn)品，從而更好地滿足客戶需求。

強化端到端的數(shù)據(jù)管理

“沒有數(shù)據(jù)戰(zhàn)略就沒有 AI 戰(zhàn)略”這句話雖依然真實。盡管 AI-native 應用能夠受益于基礎模型公司集成的全球數(shù)據(jù)，以及客戶現(xiàn)代化的數(shù)據(jù)資產(chǎn)，但通過強有力的數(shù)據(jù)管理實踐，企業(yè)仍然可以實現(xiàn)差異化競爭，這個維度主要包括：

? 數(shù)據(jù)采購和策劃（data procurement and curation），

? 數(shù)據(jù)質(zhì)量管理（data quality），

? 數(shù)據(jù)治理（data governance），

? 數(shù)據(jù)安全（data security）。

隨著多模態(tài)模型能力的提升，跨結(jié)構化和非結(jié)構化數(shù)據(jù)的處理能力將成為充分發(fā)揮生成式 AI 潛力的關鍵。那些能夠更智能、更快速地以安全方式收集、清理和整合數(shù)據(jù)的公司將在競爭中勝出。

激活沉睡數(shù)據(jù)

許多企業(yè)早已意識到數(shù)據(jù)的價值，但如何有效利用這些數(shù)據(jù)一直是個挑戰(zhàn)。在與生成式 AI 公司領導者的交流中，我們發(fā)現(xiàn)其產(chǎn)品能夠激活兩類沉睡數(shù)據(jù)：

? 存儲在各類系統(tǒng)中未被充分利用的數(shù)據(jù)，例如 Box、Google Drive、SharePoint 中的數(shù)據(jù)，

? 完全未被系統(tǒng)捕獲的數(shù)據(jù)，例如客戶通話、患者討論、會議記錄等。

這種數(shù)據(jù)激活帶來顯著優(yōu)勢，使用戶能夠：

? 更流暢地與現(xiàn)有數(shù)據(jù)交互；

? 更快地訪問適合其角色和特定需求的最優(yōu)內(nèi)容；

? 為數(shù)據(jù)資產(chǎn)帶來更多結(jié)構化和明確的分類體系。

這些優(yōu)勢進一步促進對數(shù)據(jù)架構的優(yōu)化，以支持更多 AI 投資，以及向那些已證明早期投資回報（ROI）的可信 AI-native 應用合作伙伴提供更多數(shù)據(jù)。

創(chuàng)造專有數(shù)據(jù)資產(chǎn)

除了激活現(xiàn)有數(shù)據(jù)，生成式 AI 還能捕獲全新的數(shù)據(jù)集，這些數(shù)據(jù)集可能成為相對于傳統(tǒng)應用的競爭優(yōu)勢。新型數(shù)據(jù)包括：

?多模態(tài)交互數(shù)據(jù)（multi-modal engagement data），

? AI 生成內(nèi)容的創(chuàng)建和使用元數(shù)據(jù)（metadata），

? 微觀和宏觀層面的數(shù)據(jù)模式識別（pattern recognition）。

這些數(shù)據(jù)在傳統(tǒng)系統(tǒng)中并不存在，它們?yōu)?AI-native 企業(yè)提供了捕獲數(shù)據(jù)、形成數(shù)據(jù)整合樞紐和構建差異化工作流程以擴展數(shù)據(jù)價值的機會。這些新數(shù)據(jù)和對用戶工作流程的理解可以轉(zhuǎn)化為訓練數(shù)據(jù)，從而不斷改進底層模型性能，擴大 AI-native 企業(yè)的競爭優(yōu)勢。

應用案例

? Glean：通過訓練定制 LLM 和構建組織特定知識圖譜，利用實時反饋為每個用戶提供個性化、上下文相關的搜索結(jié)果。

? Writer：利用專業(yè) LLM 深入理解企業(yè)數(shù)據(jù)中的語義關系，為任何搜索或應用查詢檢索相關、符合上下文的結(jié)果。

? Jeeva.ai：實時整合多源銷售潛客數(shù)據(jù)，使用戶能夠精確定義目標客戶畫像（ICP），快速構建準確的潛客列表，并生成高度個性化的信息以自動化互動。

專業(yè)化（Domain Expertise）：

AI-native 應用的加速器

過去一年，垂直領域的 AI 應用（Vertical AI）備受關注。這種關注是有充分理由的：面向特定行業(yè)的 AI-native 應用發(fā)展最快，在法律、醫(yī)療、房地產(chǎn)和金融服務等領域都有顯著案例。

Gen AI 展現(xiàn)出的深度領域理解能力，不僅體現(xiàn)在具體產(chǎn)品交互中，還體現(xiàn)在端到端工作流程中，這種能力對于 vertical 和 horizontal 軟件都會產(chǎn)生重要影響。

將 Domain Knowledge 轉(zhuǎn)化為 AI 工作流

Vertical AI 快速發(fā)展的一個重要原因是，GenAI 在將特定領域的終端用戶活動數(shù)字化方面表現(xiàn)出色。通過與創(chuàng)始人和產(chǎn)品負責人的交流，我們發(fā)現(xiàn)了許多實踐案例：

? 更準確的對話轉(zhuǎn)譯（如醫(yī)生-患者討論）；

? 更全面的研究輸入總結(jié)（如法律研究和金融分析）；

? 更精準的用戶關系理解（如企業(yè)搜索中的用戶間及用戶與實體間關系）。

在這些場景中，GenAI 模型被訓練來深入理解特定行業(yè)或功能的上下文，并自動執(zhí)行相關操作，幫助用戶更快、更高效地達成目標。

專業(yè)化并不總是特定于行業(yè)。一些產(chǎn)品和工程負責人描述了他們?nèi)绾窝芯靠蛻艚M織中的高級用戶和資深領導者的使用模式。通過將這些模式轉(zhuǎn)化為提示和結(jié)構化輸出，他們致力于讓這些見解在組織的各個層面都能獲取。

比如 Supio 產(chǎn)品負責人 Pamela Wickersham 就提到：“我們觀察平臺上經(jīng)驗豐富的用戶的行為，并將其轉(zhuǎn)化為其他角色和不同層級人員可重復使用的模式。”通過這種方式，基于經(jīng)過企業(yè)特定數(shù)據(jù)微調(diào)的基礎模型的生成式 AI 應用，可以實現(xiàn)提升整個員工隊伍水平的知識轉(zhuǎn)移。

規(guī)?；瘜崟r洞察

AI-native 應用的另一個優(yōu)勢是能夠近實時地從海量數(shù)據(jù)集中獲取洞見。新的 AI-native 應用正在多個領域涌現(xiàn)，它們結(jié)合了經(jīng)過驗證的行業(yè)特定文檔和數(shù)據(jù)（如美國證券交易委員會的 EDGAR 數(shù)據(jù)庫）、微調(diào)模型和基于對話的界面，大大加快了客戶識別和處理特定目標相關信息的速度。

這一趨勢在法律領域表現(xiàn)得最為明顯，如 Harvey、EvenUp、Robin AI 和 Supio 等公司的實踐。同樣的模式也在醫(yī)療、公共部門、保險、金融服務和教育領域開始出現(xiàn)。

AI-native 應用在處理特定領域需求時賦予用戶超人的能力。毫不夸張地說，那些過去需要大量初級員工（或外部顧問）花費數(shù)天或數(shù)周才能回答的問題，現(xiàn)在通過這些新服務幾分鐘就能得到至少部分答案。

全球與本地知識的融合

AI-native 應用在融合知識方面具有獨特優(yōu)勢，主要體現(xiàn)在三個層面：

? 已經(jīng) embedded 到基礎模型中的全球性知識（global knowledge）；

? 行業(yè)數(shù)據(jù)庫中的領域?qū)I(yè)知識（domain-specific knowledge）；

? 組織自身積累的專有認知。

其中，組織層面的專業(yè)知識往往體現(xiàn)在高質(zhì)量的演示文稿、備忘錄、會議記錄、專有研究、培訓資料和歷史文檔中。這些內(nèi)容用于優(yōu)化 AI-native 應用的輸出，確保其符合用戶對“高質(zhì)量內(nèi)容”的預期。

這種融合不僅僅是更好地訪問專有數(shù)據(jù)，更重要的是理解這些數(shù)據(jù)如何在特定場景下反映員工、團隊或組織的知識積累。通過這種組合，用戶能夠突破單個任務優(yōu)化的局限，實現(xiàn)整個工作流程的自動化，同時專注于更具體的成果。

應用案例

? Abridge：通過基于大規(guī)模醫(yī)療對話數(shù)據(jù)集訓練的多 LLM 架構，將實時的患者音頻轉(zhuǎn)換為精確的臨床記錄。

? EliseAI：利用 LLM 整合來自物業(yè)管理系統(tǒng)（PMS）、客戶關系管理系統(tǒng)（CRM）、知識庫以及租賃專業(yè)人員的相關信息，自動回應潛在和現(xiàn)有租戶的詢問。

? Supio：基于大量人身傷害案例數(shù)據(jù)訓練的專有模型，能夠高精度地分析和生成法律文件。

? Magic School：提供 80 多種專門的 AI 工具，幫助教育工作者改進和自動化課程規(guī)劃、考核編寫、學術內(nèi)容生成與管理等工作。

動態(tài)性：AI-native 應用的自適應引擎

Ben Thompson 在其文章 Meta’s AI Abundance 中很看好 Meta 在GenAI 領域的機遇，尤其是公司利用 GenAI 加速多模態(tài)動態(tài)廣告創(chuàng)建和測試的能力，以及通過新的”Imagine Yourself”模型實現(xiàn)下一代個性化內(nèi)容的潛力。這對數(shù)字營銷和電子商務行業(yè)的潛在影響顯而易見，且這種影響可能很快就會顯現(xiàn)。

這也反映了更深層的趨勢：GenAI 將推動應用體驗從靜態(tài)向更動態(tài)化轉(zhuǎn)變。雖然這一維度的普適性略低于我們之前討論的三個維度，例如，在處理總賬（General Ledger）時并不需要太多動態(tài)性，但這種轉(zhuǎn)變趨勢已經(jīng)顯現(xiàn)。

產(chǎn)品體驗優(yōu)化

大多數(shù)公司已經(jīng)從單一模型的概念測試階段，進階到編排多個模型交互的序列來優(yōu)化特定場景的輸出效果。從輸入到輸出的處理過程變得更加動態(tài)化。這些公司在開發(fā)基礎設施時特別注重靈活性，使他們能夠輕松地替換模塊化組件，以實現(xiàn)性能提升和成本優(yōu)化。

這種動態(tài)需求催生了模型路由器（model routers）這一關鍵的新型 infra 組件，比如 Martian 等公司正專注于此類產(chǎn)品的開發(fā)。這些 routers 是支撐 AI-native 應用的 infra 技術棧中的重要組成。

未來，更多當前需要用戶手動選擇的高級 AI 功能，例如在 ChatGPT 或 Perplexity 中選擇底層模型、設定輸出語氣、對輸出進行評分等，將逐漸隱藏在系統(tǒng)后臺，由底層系統(tǒng)更加自適應地代替用戶做出決策。

GenAI 客戶旅程

我們在設計部分中提到，企業(yè)軟件在用戶體驗方面并不是很好，雖然這種情況難以在短期內(nèi)徹底改變，但 GenAI 為改善現(xiàn)狀帶來了可能。我們設想通過創(chuàng)建更具動態(tài)性和適應性的內(nèi)容體驗，體現(xiàn)對終端用戶和客戶的深入理解。例如：

? 定制化營銷：根據(jù)潛在客戶偏好定制的銷售和營銷材料——從外聯(lián)郵件到演示文稿，從落地頁到合同制作。

? 個性化購物：電商平臺讓購物者通過數(shù)字孿生技術在虛擬空間或數(shù)字化身上預覽商品。

多層次超個性化

企業(yè)軟件正迎來更廣闊的個性化體驗機會。隨著人工智能不斷學習相關偏好、互動模式和關系網(wǎng)絡，這種個性化將在企業(yè)內(nèi)部的終端用戶、團隊、部門和整個組織層面逐步實現(xiàn)。

例如，Outreach 為組織內(nèi)的每個團隊和銷售人員都構建了一個定制的贏單模型，并隨著交易進展進行實時更新。同時，銷售溝通和相關材料也在朝著更精準地匹配個別客戶的方向發(fā)展。

長遠來看，具備共享記憶功能的智能代理（agents）將成為這一主題最完整的體現(xiàn)形式。

應用案例

? HeyGen：提供 AI 視頻創(chuàng)作平臺，使市場營銷和學習發(fā)展團隊能夠快速生成超個性化視頻內(nèi)容，在銷售、支持和培訓領域部署全自動的對話式視頻體驗。

? Mercor：開發(fā)了能實時評估候選人的 AI 面試官，在處理簡歷和檔案數(shù)據(jù)的同時，能夠適應實時對話。

? Evolv AI：通過 AI 驅(qū)動的實驗持續(xù)調(diào)整用戶體驗，基于實時用戶行為優(yōu)化客戶旅程。

分發(fā)：AI-native 應用的定價策略

最后，我們需要探討如何包裝和定價這些新的 AI 價值。一個關鍵問題隨之而來：生成式 AI 是否會給云時代應用公司青睞的傳統(tǒng)按席位收費的 SaaS 模式帶來滅頂之災？正如我們在 2024 年 8 月的市場備忘錄中所寫，對軟件即將消亡的預言被嚴重夸大了。雖然現(xiàn)在判斷是否會出現(xiàn)一個顛覆現(xiàn)狀的主導模式為時尚早，但顯然企業(yè)正在積極嘗試，在平衡新價值和成本的同時降低新競爭威脅的風險。

價值最大化的靈活定價策略

我們已經(jīng)進入了一個更加多元化的定價環(huán)境，現(xiàn)階段企業(yè)已經(jīng)開始采用的策略有：

? 在現(xiàn)有服務中免費嵌入 GenAI 功能（如Workday）；

? 創(chuàng)建包含 AI 功能的現(xiàn)有產(chǎn)品高級版本；

? 推出全新的獨立 GenAI 應用；

? 在基礎平臺之上測試基于消費和結(jié)果（consumption and outcome-based ）的收費模式。

屬于 GenAI 時代的主流定價方式還沒有確立，可能因類別而異。但我們認為GenAI 是一項能夠擴展企業(yè)價值交付方式的技術。未來可能會包含 application 和agents 的混合，以及 co-pilots and auto-pilots 的結(jié)合。

在定價方面，我們相信會看到按席位（seat-based）、按消費（consumption-based）和更有選擇性的按結(jié)果（outcome-based）收費等多種模式的混合，而不是非此即彼的爭論。那些能夠平衡不同模式以確?？蛻舾采w面，同時更透明地將定價與價值交付對齊的應用開發(fā)者，將在未來占據(jù)優(yōu)勢地位。

案例

關于軟件賦能服務的增長以及面向特定商業(yè)成果的代理系統(tǒng)的潛在興起，已有大量討論。在此我們只想強調(diào)一點：真正的顛覆性創(chuàng)新從來不僅僅是產(chǎn)品技術能力的函數(shù)，往往還包括商業(yè)模式的轉(zhuǎn)變（例如從許可制到訂閱制軟件的轉(zhuǎn)變）。

許多公司已經(jīng)引入了包含基于消費和基于結(jié)果組件的新定價方式。以下是一些值得注意的例子：

? 傳統(tǒng)巨頭的創(chuàng)新：

1）Salesforce 對其 Agentforce 套件采用每次對話 2 美元的定價。

2）Zendesk 對自動解決的問題收取 1.5-2 美元不等。

? 客戶服務 AI 代理：

Sierra、MavenAGI、Decagon 和 Crescendo 基于結(jié)果（如已解決的工單）定價。

? 專業(yè)服務創(chuàng)新：

Reserv 提供基于 AI 的理賠處理服務，根據(jù)已開立和執(zhí)行的理賠數(shù)量定價。

? 內(nèi)容生成應用：

1）Synthesia 按生成視頻的分鐘數(shù)收費。

2）Imagen 和 Aftershoot 等編輯工具按編輯次數(shù)收費。

三、AI-native 應用的未來

前面 5 個維度為評估 AI 應用提供了一個清晰視角，但真正的突破將來自于如何創(chuàng)新性地融合這些維度。雖然為現(xiàn)有產(chǎn)品增加 AI 能力很必要，但要在未來勝出，企業(yè)需要更深層的變革：打造統(tǒng)一界面、始終在線的多模態(tài)應用，將分散的服務整合為一體化體驗，以及采用靈活的計量收費模式。

要實現(xiàn)這一愿景，需要技術棧各層面的顯著提升。這建立在規(guī)模效應延續(xù)的假設之上，同時還需要大量基礎工作：提升性能、減少幻覺、確保一致性、維持合規(guī)、加強安全和管理成本。令人欣慰的是，這些都是明確的挑戰(zhàn)，我們投資組合中的企業(yè)領導者認為，即便只基于當前模型的能力，只要成本持續(xù)下降，未來幾年仍有巨大的創(chuàng)新空間。

GPT-5 等新一代模型的出現(xiàn)一定會改變市場對 AI 發(fā)展的預期，無論其實際表現(xiàn)如何，突破性進展會帶來狂熱樂觀，但如果只是漸進式改進則可能在短期內(nèi)影響市場預期和估值。無論如何，未來幾年我們將更清楚地看到什么可行、什么不可行，以及具體成本。

值得注意的是，推動行業(yè)發(fā)展未必是更新一代模型。對于未來幾年最令人期待的發(fā)展，很多產(chǎn)品負責人都提到了 reasoning 研究，以及它如何加速agent 系統(tǒng)從核心理解發(fā)展到深度思考的過程。

隨著模型能力的提升和多模態(tài)技術的進步，我們正進入應用層面的實驗創(chuàng)新新時代。對于 AI 應用開發(fā)者來說，他們可以利用的工具庫幾乎每周都在豐富，產(chǎn)品架構、模型選擇、界面設計、數(shù)據(jù)整合方式和交付機制的創(chuàng)新等等。

但也可能出現(xiàn)的情況是：很多領域 AI 的大規(guī)模部署可能比預期更慢，大部分重塑 workflow 的嘗試可能失敗，AI 或許會加強現(xiàn)有軟件巨頭的地位而非顛覆它們。然而，那些能夠展現(xiàn)組合創(chuàng)新能力，快速整合新技術的企業(yè)，必將成為定義 AI 時代的重要力量。