隨著大模型技術的興起，SaaS行業正面臨前所未有的機遇與挑戰。本文深入剖析了SaaS廠商在AI化升級過程中的'大模型焦慮'，并探討了如何通過戰略性的AI應用找到自信，實現產品與服務的轉型升級，為SaaS行業的AI之路提供了寶貴的思考與方向。

在向 AI 的轉型升級中，行業 Know-how 依然是 SaaS 廠商可靠的壁壘。文|張保文大模型落地的另一面，是 SaaS 的AI化升級。在與大模型的雙向奔赴中，SaaS 廠商如何走出“大模型焦慮”，找到“AI自信”？

01 “大模型焦慮”

“所有軟件，都值得用大模型重做一遍”。

2022 年底，ChatGPT 火爆出圈，也把不少 To B 從業者帶入一種“大模型焦慮”中。

兩、三個月后，第一波焦慮慢慢緩解下來。因為大家發現，當時的大語言模型，更像一個偏 C 端的“大號玩具”，加上大語言模型幻覺、隱私安全、落地場景等制約，距離真正的 To B 生產力工具，還有點遠。

隨著 OpenAI 開放 API 接口，Meta、谷歌推出開源大語言模型，以及大語言模型應用開發工具 LangChain 的興起，大語言模型在 B 端的商業化路徑，逐漸清晰起來：

首先，開源降低了大語言模型技術應用的門檻。例如，SaaS 廠商可以在開源大語言模型的基礎上，訓練和微調自己的行業大模型，幫助客戶解決具體業務場景中的問題；此外，LangChain 等 Agent 平臺和工具，也為 SaaS 廠商的創新和業務探索提供了很多便利。

職行力創始人兼 CEO 林華榮，一直在密切關注大語言模型技術的進程?！伴_源大語言模型只是變化的起點，真正讓 To B 行業興奮起來的，應該是 LangChain 這類可以實現 Agent 概念的框架出現。大家開始意識到：AI 已經可以被業務場景需求駕馭了?！?/p>

在林華榮看來，通過類似 LangChain 的開源框架，加上 RAG 技術（檢索增強生成），大語言模型通過外掛知識庫（向量數據庫），很好地解決了大語言模型非要訓練才可用的問題。這也讓許多 SaaS 從業者非常興奮，至少找到了一個大語言模型落地最直接的場景：企業內部知識庫的智能問答。

“大語言模型可私有化部署，企業數據可私有向量化，是大語言模型技術在 To B 場景落地的重大轉折點?！?/p>

無論 SaaS 廠商，還是企業客戶，在訓練大語言模型時，都比較擔心數據安全和知識產權保護的問題：把自己的數據喂給大語言模型，訓練結果萬一被對手抄去了怎么辦？

大語言模型技術，模擬的是人的神經網絡方式，不同于傳統的硬盤，它的數據存儲和管理都很難精確化管控。因此，林華榮認為，通過“訓練”來實現企業“私有智慧大腦”是存在一定誤區的。

首先，訓練大語言模型掌握了特定的知識以后，要求大語言模型要對信息做一些針對性的保密，這有點像內部員工交流時，“我告訴你個秘密，你不要告訴別人”，實際上就很難真正保密了。

其次，大語言模型的輸出和人類的表述方式類似，大多數情況下并沒有所謂的“標準答案”，如果缺少一些知識邊界的約束，就會不可控地產生“幻覺”，也就是我們經常說的“一本正經地胡說八道”。

最重要的是，企業知識本身存在持續性的快速迭代，訓練完的知識，如果要替換舊的知識，不能像以前那樣通過硬盤信息的“刪除”或“修改”操作來實現。新舊知識，就會像人的記憶一樣會產生疊加，很容易產生混淆，這樣也會產生“幻覺”。

基于以上分析，林華榮以為，“通過知識向量化的方式，把企業知識植入私有的向量數據庫，這些向量數據庫可以部署在自己的云上，或者本地服務器上，類似于以往 SaaS 對企業私有數據所提供的混合部署，這樣就能很好地解決大語言模型落地的隱私安全問題；同時，通過 Agent 平臺來約束大語言模型在不同的場景下，在指定的知識范圍內，作出篩選回答，就可以較好地解決大語言模型在 To B 場景的幻覺產生問題?！?/p>

Gartner 技術成熟度曲線表明：每一項新技術從誕生到成熟，都會經歷技術萌芽、欲望膨脹、泡沫破裂、穩步爬升、技術成熟的周期，同時也會伴隨著一些“短期高估”和“長期低估”的誤判。

從長期看，AI 浪潮不可逆轉，應當看到AI 轉型升級的戰略意義；從短期看，如何“+ AI”，利用AI升級自己的產品，許多 SaaS 廠商尚處于摸索階段，應當避免因為 FOMO（錯失恐懼癥），而盲目投入或轉向。

在向 AI 的轉型升級中，行業 Know-how 依然是 SaaS 廠商可靠的壁壘。

經歷過短期焦慮，面對大語言模型浪潮，林華榮充滿信心，“這波大語言模型技術，核心價值還在于 AIGC ，也就是通過大語言模型來把企業內的隱性經驗，輸出成可用的顯性知識或者服務，大語言模型技術正在重塑我們的產品。所以我們今天不僅不焦慮了，而且由于我們在知識運營管理賽道上的 Know-how 積累，反而對未來的市場更加自信?！?/p>

02 “落地之痛”

據牛透社調研，目前大語言模型在國內 To B 場景的落地，仍處于探索和試點階段，主要有智能客服、企業培訓、AI面試、營銷獲客、數據分析、法律咨詢、產品研發等場景；此外，還有一些偏 AI 平臺、工具類的賽道，如低代碼、AI Agent、RAG flow等。

在大語言模型的商業化落地中，目前主要面臨安全合規、準確性、可控性、易用性、規?；忍魬?。

安全合規：這是企業經營不能觸碰的“紅線”。大語言模型商業化，也必須符合國家法律法規，確保信息安全、內容合規；此外，還要滿足一些行業的特定要求，比如金融、政務行業，一些場景會要求大語言模型私有化部署。

準確性：生成數據不準確、文案效果不理想、胡說八道……幻覺問題，仍是大語言模型在 To B 場景落地的一個重要“BUG”。我們也發現有廠商在探索通過 Function Calling（函數調用）、RAG（檢索增強生成）等技術，以增強生成內容的實時性和準確性。

可控性：安全可控是決定 To B 產品使用深度的一個重要因素。如何解決安全可控？除了合規和準確性要求，權限管理也非常重要。以知識管理場景為例，如何讓大語言模型在不同場景下，針對不同權限的對象，輸出正確的知識，動態權限管理非常重要，否則就只適用于淺層次場景，很難在全員應用的場景落地，業務價值也將大打折扣。

易用性：“我們公司里，Prompt 寫得最好的，不是產品經理，也不是技術，而是測試工程師”。有 SaaS 廠商在面向客戶提供 Prompt 工具時，發現客戶不會用，甚至連自己的人員也不清楚怎么去用。這種情況下，能面向普通使用者，不用敲代碼就可以搭建業務應用的 Prompt 工具就非常重要。

規?；捍笳Z言模型技術，一定是在某個行業、某類客戶中普惠，讓大多數人可用，才能真正實現規?；?。受制于成本、實施能力、技術穩定性等因素，有的 SaaS 產品結合大語言模型技術后，只能服務極少部分的高客單價客戶，還無法全面推廣。

此外，咨詢、數據治理等生態服務同樣也不可少。SaaS 廠商要與AI生態廠商、客戶共建標準化解決方案，通過“大模型+服務”，才能更好地閉環。

在大語言模型落地中，如何界定大語言模型的能力邊界（優勢）？

一些高頻、高標準化、海量數據的場景，如數據分析、客戶洞察等，不僅適合傳統數字化技術，同樣也比較容易結合大語言模型的優勢。

以 Chat BI 為例，結合大語言模型的自然語言處理和數據分析能力，能夠極大提高對話式 BI 的能力，使 BI 產品更易被業務場景深度使用；此外，大語言模型在自然語言交互、推理能力、學習效率、執行能力等方面的優勢，能夠擴展、打通原來某些智能化環節，甚至會重新定義一些工作流程和崗位。比如在大語言模型能力的加持下，客服部門就有可能實現從服務中心到銷售中心的升級。

林華榮說，做管理軟件出身的人，容易習慣性地通過軟件來增加管理控制的精確性，但如果僅從精確性來使用大語言模型技術，就很可能限制了大語言模型的優勢能力：“我們要把大語言模型當作‘人’，而不是當作工具來看，這是一個非常重要的思考方式?！?/p>

在企業級大語言模型產品的實施交付上，同樣也需要把大語言模型當作“人”來理解，并不局限于數據訓練、微調等技術服務，而是要具備駕馭大語言模型的能力，讓它能為企業所用。林華榮把大語言模型實施歸結為三項主要工作：提示詞工程、Agent 流程設計、行業 Konw-how 植入。核心目標是要把行業 Konw-how 轉化為駕馭AI的能力，幫助客戶實現業務結果。

03 “升級之路”

大模型浪潮下，企業的 AI 轉型，不再是一個選擇題，而是一個生存題。

在與一部分 SaaS 廠商的交流中，我們發現產研提效，是目前“SaaS+AI”的一個重要落地場景。

例如，一家 SaaS 企業產品負責人表示，自今年2月份以來，便要求所有研發人員必須使用大模型開發，否則就會被要求離開公司。目前該公司AI寫代碼占到了60%，研發效率得到了極大提升。

除了在產研和運營上的提效，SaaS 廠商也在積極探索產品與大語言模型技術的結合點。

林華榮表示，這里面一個難點在于大語言模型與傳統管理軟件輸出的價值，是兩個不同的維度?！肮芾碥浖儆诮鉀Q管控性的系統，而大語言模型技術則相反，是要替代人的知識類高負荷工作。這也是為什么很多 SaaS 廠商一直很難找到大語言模型和自身產品產生 ‘化學反應點’的原因?！?/p>

這一差異，造成大語言模型技術與國內大部分企業管理軟件的融合，仍處在體驗升級階段，尚未深入管理業務的核心。SaaS 企業的 AI 升級，也因此分為兩條路線（或兩個階段）：

一為體驗升級之路。即讓原有能力，能夠更好地被 AI 駕馭和驅動。這是適合當下大部分 SaaS，尤其一些復雜的管理軟件 SaaS 廠商的升級之路。

二為重塑產品之路。即利用AI能力，做出一個全新的產品。這是適合更多創意工具、知識管理、智能客服等 AIGC 相關賽道 SaaS 廠商的升級之路。

相比之下，體驗升級之路，更容易落地，但 SaaS 廠商在這條路上，多少有點 FOMO（錯失恐懼癥）的因素：有的是被大語言模型裹挾，不得不卷；也有的是想在大語言模型藍海中找到新機會。

這有點像燃油車到電動車的轉型：原來只是做汽車，現在還要裝上冰箱、彩電……核心產品、價值鏈沒變，更多是在卷體驗（同樣價格水平更多體驗），很容易掉入“炫技陷阱”：為了一點體驗改善，去加大語言模型，最后叫好不叫座。

想象一下：用大語言模型去點外賣、訂機票，是不是真的比用 APP 更便捷？SaaS 廠商在交互體驗升級上的投入，是否真的能夠提高客單價和續費率？

重塑產品之路，目前主要集中在 AIGC 高度相關的賽道。

以職行力為例，林華榮提到，以往職行力產品主要面向中大型客戶，這些企業都是具備相對較為完備的知識培訓體系的，職行力可以在此基礎之上，幫助客戶解決讓培訓更有效果的問題，從而快速提升人效；但由于中小企業往往都不具備完備的知識培訓體系，所以，以往職行力是不做中小企業客群的：不是不想做，而是做不了，因為這樣往往會把軟件交付做成咨詢案交付。

大語言模型技術出來之后，職行力推出了基于 AIGC 的智能陪練系統。與以往的產品相比，這更像是一種快速見效的“特效藥”。

無需通過漫長的系統化治療（建立培訓體系并推動體系落地），而是直接給每一位員工配備一名貼身的“專業醫生”（提供咨詢、輔導、帶教服務的專業教練），就可以更加快速、高效、低成本地滿足中小企業客群在業務培訓上的需求，這就是傳統產品和大語言模型能力結合后產生的“化學反應”。

結合以上兩條路線來看，SaaS 廠商在大語言模型方向的探索，目前主要還在于提升產品交互體驗，提高研發和運營效率上：比如在現有產品上增加特性，提升交互體驗，或體現在一些單點功能的突破上，尚未與業務深度融合。從更長期看，隨著大語言模型對 To B 業務場景的滲透， SaaS 廠商可能就需要思考如何借助大語言模型，重構產品服務。也就是說，體驗升級之路，最終會走向重塑產品之路。

無論哪條路線，大語言模型技術，都為 To B 行業帶來了新的生態融合。

近段時間，國內大語言模型廠商，逐漸從“拼參數”轉向“爭生態”。SaaS 廠商也能從中明顯感受到大廠態度的轉變：以往找大語言模型廠商談 API 合作，對方可能不太理會；現在各賽道頭部的 SaaS 廠商，經常都會收到多家大模型廠商的測試邀請。

說到底，大模型廠商的商業化破局，關鍵還在應用生態：ISV 伙伴的質量和數量，決定了大模型廠商的市場滲透能力和長期優勢，這也是近期國內通用大語言模型“價格戰”背后的邏輯。

但也有一部分 SaaS 廠商，看到了在 AI 生態中面臨的挑戰：AI Agent平臺、AI 原生應用，會不會沖擊到原有 SaaS 的地位？

林華榮認為， SaaS 廠商的 AI 升級，有點類似于燃油汽車向電動汽車升級轉型的過程。如果讓汽車廠商自己去做電池，或者生產車載彩電、冰箱，顯然是有點不現實的。更合適的方式是去找專門的電池廠家、電器廠商合作。要做到這一點，燃油汽車廠商首先要做的是把自己原有平臺升級到電動化平臺，能夠掛載電池和電機，在車內可以接入冰箱、彩電等各種電器。

對于 SaaS 廠商來說，關鍵也是要保持開放，與專業的大語言模型廠商、Agent廠商合作，讓自己能被AI驅動，融入到AI生態中。

04 結語

在大語言模型的商業化落地上，目前還面臨安全合規、準確性、可控性、易用性、規?；榷嘀靥魬?，如何降低大語言模型技術的服務成本，完成閉環是關鍵。

SaaS 的 AI 升級，目前主要有兩條路線：一為體驗升級之路：即讓原有能力，更好地被 AI 駕馭和驅動；二為重塑產品之路：即利用 AI 能力，做出一個全新的產品。隨著大語言模型對 To B 業務場景的滲透，體驗升級之路，最終會走向重塑產品之路。

大模型時代，行業 Know-how 依然是 SaaS 廠商可靠的壁壘。尤其是資本退潮以后，SaaS 廠商打造盈利模型，最終還是要回到核心競爭力上，積極融入 AI 生態。相比較卷價格，卷專業價值更有未來。