最近全球知名风险投资机构红杉资本发布了AI行业年度报告《Generative AI's Act o1》，总结了在生成式AI革命的两年时间里，AI生态系统发生的变化及对未来的预测。报告中有几个观点我非常赞同：

1. 新的Scaling Law：推理竞赛已经开始

(1) o1代表通过“推理时计算在一般推理能力上的重大进展，给与模型推理时的计算越多，模型的推理能力就越强，这将推 动应用层的可用性

 

2. SaaS重新定义：服务即软件

 

(1) 在AI时代，代理推理将“Software as a Service”转向“Service as a Software”

 

3. 领域专业知识重要性

 

(1) 将专业知识与模型能力结合是构建数据闭环、从副驾驶（copilot）到自动驾驶（Autopilot）的关键。

 

再看Gartner 10/21发布的Top Strategic Technology Trends for 2025。其中，Agentic AI名列十大关键字之首。

 

Agentic AI系统会自主的计划并采取行动来满足用户定义的目标。当前的AI助手和大语言模型能够完成包括生成文本、总结内容或者使用基础的工具，但是它们并不能够主动的采取行动，它们是按照用户的提示词或者根据编排好的流程来行动。Agentic AI以目标驱动的规划能力，也承诺能够交付更有适应性的软件系统，能够完成在众多领域内没有被定义过的任务，而不是只能完成设计的功能。

 

AI Agent的能力可以被视为一个连续的光谱，从在特定条件下为传统软件提供智能，以完成特定任务；再到完整的Agenti AI系统——它们能够在环境中自主学习，规划策略，做出决策，并独立执行任务。

 

那么不同领域的两个权威机构做出预测的背后，反映了怎样的技术趋势？根据这样的技术趋势，我们又能推测出怎样的商业趋势？

 

数智化变革的核心瓶颈在“人”

 

LLM技术的突破，大家都有目共睹，从ChatGPT时刻发生到现在，我们可以看到的是正如智能摩尔定律所预测的——随着开源LLM能力的迅速提升，推理成本则指数级下降，因此自然语言理解和表达能力对于任何软件已经触手可及。而OpenAI 今年9月刚发布的o1模型，则打开了推理能力，大模型的推理能力可以由推理时间的Scaling Law来提升，这必将带来的是，随着时间的推移，推理成本能够指数级下降。

 

于是，任何软件又可以再一次获得极其便宜的推理能力。这将给企业软件市场带来什么样的变化？

 

我们试图从时尚服装业过去30年的发展变化中，发现一些规律。从商业角度来看，互联网革命，本质上解决了消费者和品牌之间的连接问题；互联网时代之前，品牌必须通过媒体或线下触达消费者，因此一方面是品牌信号的传递速度缓慢，另外一方面，品牌信号的传播过程也会伴随很多“噪音”。

 

传统时尚服装行业一般是一年为一季，每年都需要经历对于时尚的判断、产品设计、小规模生产、时装秀、拿到反馈，然后生产、压货，其中的风险十分大。

 

而从Zara/H&M，到Shein的品牌发展来看，由于消费者注意力越来越多地被吸引到线上，以及线下供应链越来越成熟、敏捷，整个循环从年，到月再到周维度，在快速迭代周期中，最重要的是能够对于新的物种构建起数据飞轮，因为在数字化的世界里，机器的运作是可以24小时*7天的，此时，人的生产能力就变成了瓶颈。

 

但是在其它的大部分行业，从客户获取价值的流程中，由于种种原因，他们的业务规划执行周期仍然类似30年前的时尚服装行业，是以年或者季度为单位。

 

 

以上述业务架构为例，一般企业都会有业务流程，流程中会涉及到横向的不同职能部门接力来完成一个决策，纵向则有管理来进行管控。而企业内的信息系统只起到了记录的作用，如过去的大数据系统也只具备单一的分析功能。在由不同的角色横纵交叉组成的决策网络中，核心的瓶颈仍然是人。

 

专家知识的数字化和端到端的交互是Agent落地企业并实现数据飞轮的必要条件

 

那么，有了生成式AI带来自然语言理解和表达能力之后，会产生什么变化呢？

 

 

我们发现，专家知识的数字化是AI助手落地的必要条件，端到端的人机交互对于提高AI助手在业务场景中的准确率也是必备条件，因为这样能够更好地解决一线业务人员对于目标上下文理解偏差的问题。

 

但是，在现有的落地场景中，业务人员对于业务目标的拆解、计划以及在业务活动中拿到客户反馈等任务，仍然无法由机器来协助。而推理时计算的出现，则为这些环节的智能化带来可能。

 

如果只是为企业提供更多的自动化/智能化的功能，我们仍然无法解决当前无论是自行购买算力还是买token的成本问题。毕竟现阶段技术尚未成熟，推理时的scaling law也意味着成本的飙升。

 

由此产生的一个问题是，难道只能等模型的成本降低，才能获取智能化带来的价值？

 

我们采访了很多企业，发现有一个显著且具有共性的特点：即使是百年老店或者世界500强企业，在业务能力上仍然是“一招鲜打遍天下”，也就是说它们的经营重点大多都是聚焦在放大自己的竞争优势上。因此，在企业关键业务能力方面，业务专家就成为了瓶颈。假设专家将全部精力投入工作也就是“007”，但业务专家能力越是作为企业的竞争优势，则需要业务专家并行处理的业务任务或业务决策就越多，在此过程中还需要保障业务专家的决策质量，所以，企业需要通过增加新的员工来分担业务专家的工作内容和压力。

 

那么，有没有可能将消费互联网行业的经验迁移到新时代的软件开发中来呢？

 

我们的答案是肯定的。我们认为，可以通过优先找到企业主要价值流程中的决策瓶颈环节，重新设计业务流——让业务专家设计的Agent去拆解目标，并通过交互收集业务信息并给出业务决策，让只有在线下完成的业务活动仍然可以由现在的业务人员去执行。

 

也就是说，企业仍然可以在数字世界里面构建数据飞轮。由于是Agent在处理任务、决策，因此可以24小时*7天在线，并且能够永不疲倦且有耐心的辅助业务人员，通过这样的数字化流程可以帮助专家节省更多时间成本，对Agent处理的业务任务或决策进行分析，并给出改进意见。

 

 

一方面，我们已经看到了o1模型在代码生成准确率上的提升，使得我们可以有能力准确地执行数字世界中的计划；另外一方面，o1在强化学习上，关于self-play和process reward model的创新，也让我们能够通过专家将商业问题映射到相应的数学问题之后，可以用数百条专家标注来学习到专家的隐性知识。

 

同时，我们还可以通过历史数据来构建情景记忆，从而完成规划任务的智能化。最后，也是最难的一步，如何让专家以低成本的方式让Agent通过数据进行反思，并改进它的规划能力，甚至让Agent自主的从经验中学习，这个部分可能有待o1模型或者新架构的模型的推出才能够得到答案。

 

另外一方面，在已有软件的改进或者新软件的设计中，我们需要改变过去以功能为核心的软件开发，变为以业务目标为导向的软件开发，实现从围绕功能堆砌到围绕角色的转变。

 

 

基于此，我们也就能够理解为什么软件商业模式会变成服务即软件。

 

这里简单引用一下红杉文章的观点：

 

红杉认为，由于 Agent 推理，人工智能转型是“服务即软件”。软件公司将劳动力转化为软件。

 

Sierra 就是一个很好的例子。B2C 公司将 Sierra 集成到他们的网站上，负责与客户交流。Sierra 的工作是解决客户问题，它按每次解决问题的数量来收费，这里并不存在「按席位收费」的概念。你有一个需要完成的任务，Sierra 完成了这个任务，获得相应的报酬。

 

从商业模式上看，还是“上下同欲者胜”。SaaS替代传统软件，是因为SaaS模式使得软件开发者可以知道不同功能的客户使用情况是怎样的，那么通过改变收费方式，虽然一次性收入看似降低了，但它让软件公司的功能迭代和客户的付费关联起来，从而让SAAS软件的迭代加速往正确的方向进化。

 

同样的，大模型令软件可以交付业务价值时，新的商业模式虽然看上去收入变少了，但会由于利益的原因进一步加快软件公司去推动数据飞轮的完成。

 

当有新的AI原始软件公司在组织上完成这一步蜕变的时候，那么就是万亿美元的服务市场向新物种开放的时候。而这场战争势必会像19世纪末非洲的土著部落遇到欧洲殖民者的马克沁重机枪一样摧枯拉朽。