AI崩盘？中美差距背后，藏着你不敢想的真相！

AI应用：中美差异背后的真相与困境

老生常谈与残酷现实：应用落地，谁更胜一筹？

又来了，又是“中国人擅长应用，美国人擅长底层技术”的老调重弹。这次，AI的浪潮汹涌而来，原本以为我们能凭借“应用”的优势弯道超车，结果却发现，我们似乎又一次慢了半拍。看着Glean、Harvey们动辄上亿美元的ARR，再看看国内还在苦苦挣扎的AI应用创业者，心里真是五味杂陈。别跟我说中国市场大，潜力无限，数据摆在那里，刺痛着每一个心怀希望的从业者。

别再吹捧ARR：泡沫之下的真金与白银

当然，ARR也不是万能的，硅谷的故事里充斥着各种估值泡沫，但至少，这些过亿美金的ARR是实打实的收入，是用户愿意真金白银买单的。这背后，反映的是产品解决问题的深度，是用户体验的优越性，是商业模式的成熟度。相比之下，国内很多AI应用还停留在概念验证阶段，空有漂亮的PPT和Demo，却难以找到真正的商业模式，更别提实现规模化收入了。

差距是客观存在的：数量与规模的双重碾压

承认差距，是进步的开始。无论是AI应用的数量，还是单个应用的规模，国内与美国都存在明显的差距。这不仅仅是技术问题，更是市场环境、商业模式、用户习惯等多方面因素综合作用的结果。我们不能自欺欺人，也不能盲目乐观，必须正视差距，才能找到突破口。

追问本质：为什么是我们落后？这会是常态吗？未来还有机会吗？

抛开那些宏大叙事，我们需要冷静地思考：为什么在AI应用上，我们又一次落后了？是因为技术不行？还是因为商业模式有问题？亦或是因为我们根本不了解用户的真实需求？这种差距会一直持续下去吗？未来，我们还有没有机会赶超美国？带着这些疑问，我们才能更清晰地认识当前的困境，才能更有针对性地寻找解决方案。

数据地基：B端AI应用缺失的根本症结

美国SaaS的华丽转身与中国SaaS的步履蹒跚

美国这波AI应用浪潮，说白了就是SaaS的AI升级版。过去美国SaaS搞得风生水起，Salesforce、Workday哪个不是如雷贯耳？现在有了AI加持，自然是如虎添翼。反观国内，SaaS一直半死不活，磕磕绊绊。你指望在一个连地基都没打好的地方，盖出摩天大楼？别开玩笑了。如果在商业上SaaS都跑不通，只是把底层技术换成了AI，就能成功？这是典型的刻舟求剑。

数据成本：横亘在AI应用面前的拦路虎

SaaS在国内搞不起来，一个很重要的原因是数据成本太高。这不仅仅是说获取数据的价格，更包括清洗、整合、维护数据的成本。国内企业的数据孤岛现象非常严重，各个部门、各个系统之间的数据无法互联互通，想要构建一个统一的数据平台，简直比登天还难。没有高质量的数据，AI再聪明也无用武之地，巧妇难为无米之炊。

Moveworks与Glean：数据层架构的启示

不妨看看Moveworks和Glean的架构图。核心都是构建一个企业级的数据层，然后用AI来驱动各种应用。Moveworks的Agentic Plugins是为了应对不同企业的定制化需求，Glean也在逐步拓展业务范围。

没有合适的数据层，智能层和插件层就是空中楼阁。数据层的建设，跟技术关系不大，更重要的是数据本身的质量和特性。

数据之殇：完整性、时效性与生产关系的羁绊

数据跟物理资产不一样，完整性是命门。只有接近全量的数据才有价值，零散的数据毫无意义。而且，数据的价值会随着时间流逝而贬值，一年前的全量数据，价值可能已经趋近于零。而这些，都取决于数据层的有效性，取决于企业内部的生产关系。

SaaS的梦魇，AI的隐忧：模式陷阱与数据困局

所以说，数据层的缺失，不仅卡住了SaaS，也会卡住AI B端应用。模式上越像SaaS，风险就越大。不要以为换了个技术就能解决问题，问题的根源在于数据，在于企业内部的组织结构和协作方式。

SaaS已死？AI商业体才是未来？

告别SaaS：AI驱动商业体的破局之路

与其在SaaS的泥潭里挣扎，不如另辟蹊径，寻找新的出路。盛景嘉成提出了“AI包工头”的概念，我觉得“AI驱动的商业体”更贴切。这是一种与SaaS完全不同的模式，一种AI应用落地的新思考。它不再是简单的工具，而是价值创造的完整过程。

从分工到整合：SaaS模式的终结？

传统的SaaS模式是按层分工，辅助创造价值。而AI驱动的商业体，则试图整合所有环节，打造一个完整的价值链。过去的典型结构是：

各个环节分工明确，SaaS工具在其中扮演辅助角色。

Moveworks模式：ERP体系的颠覆者？

大模型出现后，Moveworks等公司试图打破这种分工模式。他们啥都自己做，最多开放一些插件。

Moveworks和传统的SAP体系最大的区别在于：它试图用一套完整的解决方案，替代整个ERP体系。

为什么这种颠覆是可能的？因为过去ERP的核心价值在于workflow，而现在，很多workflow都可以通过“数据+大模型”来实现，不需要单独开发。当价值变得稀薄，独立存在的意义也就变小了。

AI驱动的商业智能体：Waymo的垂直整合样本

Moveworks的模式还不够彻底，更进一步的是AI驱动的商业智能体，比如Waymo。

Waymo以AI为中心，在出行领域垂直整合所有环节，直接创造价值。

水平分工的末路：AI时代的生存法则

与SaaS模式不同，AI驱动的商业智能体不需要水平分工。如果每个环节都由AI和数据驱动，智能的供给又过剩，那为什么不自己做特殊化的整合呢？既然没有不得不分工的理由，自己做也不复杂，为什么要选择效率更低的分工模式？

垂直整合：理想很丰满，现实很骨感

打井模型：垂直整合的深度与难度

我不确定国内能否跳过Moveworks的阶段，直接过渡到AI驱动的商业智能体。虽然看起来更先进，但垂直整合的难度也更高。这就像找到一个点，然后不停地往下打井，直到出水。但井口一旦变大，土方量会呈指数级增长。

Robotaxi：一个垂直整合的复杂巨构

想做垂直整合，需要考虑的因素非常多，Robotaxi就是一个典型的例子。

这张图详细地展示了Robotaxi需要整合的各个方面，以及它们之间的关系。

显然，这种整合的成本是非常巨大的。这不仅仅是技术问题，而是技术、资本、商业、制造、服务、治理等多方面的智能商业体。这套商业体系的核心是对出租服务的管控平台，所有其他环节都要围绕这套系统展开。

通用系统的黄昏：每个商业体都将拥有一套专属系统？

为了让这套服务运转起来，你需要整合供应链、供应链的供应链，打穿所有环节。每个环节拿出一小块放到自己的体系里来。这就导致这套系统几乎不可能是通用的，我们很难想象上面的系统会依赖一套通用的ERP系统。

Moveworks的危机：被垂直整合浪潮吞噬？

如果每个智能商业体都有一套自己的系统，那Moveworks这样的公司的位置和价值就会被大大压缩。它们的价值在于提供通用的解决方案，但如果企业不再需要通用解决方案，它们的存在意义也就大打折扣。

AI商业体：重塑产业链，颠覆中介

特斯拉的野心：打穿供应链的Robotaxi帝国

如果第三种模式真的普及了，会怎么样？一句话概括：重整供应链，去中介化。如果特斯拉这样的汽车厂商做Robotaxi，过去的整个供应链就会被打穿。

工具的消亡：AI驱动的商业体对企业栈的降维打击

类似的，任何一个领域一旦出现全AI驱动的商业体，过去的产业分工模式就会重整。过去企业的整个技术栈是由N层工具支撑起来的，比如ERP、CRM等。但在这种模式下，单一工具会被精简掉，变成一个子功能。

物理世界的滞后与数字世界的狂飙

AI越强大，这种折叠就越彻底。物理世界的整合可能会慢一些，因为整合成本更高。但数字世界的整合速度可能会比想象得更快。

并非万能解药：选择突破口的技术与商业双重考量

必须补充说明的是，并非所有领域都适合做全AI驱动的商业智能体。现在还不是一个什么都可以这么干的时间点。选择突破口需要做商业和技术的双重判断。商业上要判断整合成本是否能够负担，技术上要判断这事技术上能否搞定。

法律判决系统：一个反面教材的启示

举个例子，比如把法律判决系统变成全AI驱动的。只要证据比较全，当天就出判决结果。这显然就不靠谱。从商业上看，没人能付得起整合成本。从技术上看，它就没法保证所有的判决都正确。这个判断是个复杂过程，不再赘述。

文化基因：潜藏在技术与商业之下的幽灵

包产到户的偏爱：文化对商业模式的隐性影响

SaaS模式在国内一直发展缓慢，一个除了数据成本之外的原因是，我们的文化背景好像更倾向于“包产到户”，不太愿意分工协作。所以一提阿米巴，大家就很喜欢，虽然阿米巴在很多场景是被诟病的。这种文化偏好，也影响了我们对商业模式的选择。

阿米巴模式：与AI驱动商业体的意外契合？

先不论好坏，这种文化倒是和AI驱动的商业体所需要的纵向整合相匹配。阿米巴的初衷是什么？尽可能各干各的，各有各的结果。那如果能各干各的，不正成为一个个适合拿AI驱动的单元么！看似水火不容的两种模式，却在AI的催化下，产生了某种奇妙的联系。或许，这才是中国AI应用突破重围的关键所在。