赶 AI 时髦的 SaaS 们，该考虑 ROI 了

文 | 冯海阳

过去的一年多，SaaS 对新一轮 AI 技术的向往在沉默中保持着狂热。原因无他，笃定这就是未来。

与之对照的是 2023 年，IDC 发布过一组数据称，到 2024 年，预计有超过 85% 的企业软件将包含 AI 功能，其中 SaaS 应用将成为主要的交付方式。而现实的走向也是如此，基本上国内叫得出名号的 SaaS 都已经实现了部分功能的 AI 化，越来越多的 SaaS 服务商开始走上这条路。

然则，SaaS 产品探索功能 AI 化固然是好事，但万事讲究个“过犹不及”。

“去年 2 月我们就开启功能 AI 化的探索，最后到年底一共完成了 3 个 AI 场景（没产生商业价值），期间动员了多名产品经理、前端、后端、测试以及 AI 架构专家参与，共计投入成本近 100 人月。而 2024 年按照我们预计要开发 10 + 个场景（不确定是否具备商业价值），初步估

算的年投入就超过千万元。”

这位在 SaaS 软件圈知名的服务商此时开始犹豫，自己值得投入那么多吗？何止是他，当下 SaaS 行业里有些人投入更多，却同样收获甚微。

此等情况，如同给一盆花施新肥，放多少？怎么放？如何做到 ROI 最大化？成为大家普遍困扰的问题。为此牛透社找到了 ZohoCOO  夏海峰、53 AI  创始人杨芳贤就上述问题聊了一聊……

不急，要稳

很理解那些拥有技术背景或与曾与技术工作密切相关的 SaaS 创始人们，对先进技术有向往。但在商言商，“大家在 AI 对产品的改造上，现阶段不要那么快，要一步步来。”杨芳贤说到。

尤其是当前中国软件市场还处在白热化的竞争状态里，新一轮 AI 技术不仅没让这种竞争状态放松下来，反而会进一步加剧，倒逼着大家进入“军备竞赛”。此时为了做而做，就容易变成「为了卷而卷」的无效竞争。

毕竟回顾过往企业服务软件的发展，很多新概念、新技术、新方法论带动大家在攀比式借鉴中走偏已经屡见不鲜，所以大家一定要吸取教训，确保自己不受外部嘈杂环境的影响，严格地按照自己的节奏前行。

再者说，企业服务并非单纯的互联网业务，它需要一定的技术积累和足够的落地经验和方法，尽管 AI 大模型的引入为企业服务带来了新的可能性，但并不意味着能够迅速取得成功。

杨芳贤讲到，新一轮AI技术，确实有可能改变企业服务是低人效的苦活，但不容忽视的是，在产品改造阶段，一定需要一把手亲自参与。并且建设中，一味地“比快”就意义有限，反之精细化运作的深度和全员参与的广度才是结出“甘甜果实”的重点。

“ 2014 年就意识 SaaS 会走向智能化，2017 年起我们特别成立了专业的研发团队做这件事，到了 2022 年初，AIGC 新兴 AI 技术的出现打动了我们，在此基础上，我们开始基于新一轮的A技术不断推动产品功能的 AI 化进程。”

但是，“自始至终，Zoho 都没有被过度刺激，也从不为了创新而研发，更没有去盲目地基于新技术去创造新产品。”

至于为何会不急，夏海峰的解释是“够用就行”。

在推动产品功能 AI 化中，SaaS 需要明确一件事：我们不是开拓者，我们的目标也不是变成“乔布斯”，我们的目的是让这项技术可以帮助产品更好解决需求，更广泛地解决需求，这个过程是以产品为基底去实践，只有这样，市场才会广泛地认识我们、认同我们认可我们。

汉弗莱·戴维发明了电灯，但被广泛记住，广泛认同的是那个让电灯走进了千家万户的托马斯·阿尔瓦·爱迪生。

“对于 SaaS 产品来说，在目的明确下，AI 技术的价值就是增加原有产品功能集的服务深度、服务广度。变成为原有‘木桶’中增加「服务容量」的一块新木板。这块‘新木板’不需要有多长，只需要超过原有‘木桶’最短的那块木板就能基本足够。”

所以在 AI 技术的引入中，夏海峰明确谈到“ SaaS 服务商不应该追求技术的先进性，这是现在 AI 大模型厂商，研究机构的工作。相反追求技术的适用性，让产品有更好的体验，更好解决需求的能力才是我们要实践的目标。”

也正是强调技术的适用性，像产品通用的基础功能，完全没必要“重复造轮子”，接入第三方 AI 大模型厂商技术就够用。

而专业的场景需求，SaaS 服务商也不用着急做，除非彻底明确某一场景在产品功能 AI 化后，存在实际商业价值。夏海峰讲到：“这样做可以有效避免沉迷于‘先进性、超前性’技术研发和产品创新的主观幻想中，确保工作始终保持务实和高效。”

实践：与客户共创&数据驱动

“稳”是实践方式，至于选择什么实践路径则是另一个重要问题。

“坦率地说，今天大模型的落地应用，如果不是与客户（包括自身公司有需求）共创的，而是由产品经理和技术人员拍脑袋拍出来的，这个产品一定是不会成功的，一定是无法落地的。”

因为，与客户携手研发的产品，经过市场的初步检验，已满足实际应用场景的需求，为后续的广泛应用奠定了坚实基础。所以只有这种根据各种要求，经过精心打磨的产品，通常都符合市场需求，是值得投入和推广的正确产品。

“况且还是坦率地说，现在其实大模型到底在哪些行业有哪些具体的落地的应用场景，大家都没摸透，整体的商业化还是荒芜的。”作为远离很多行业业务场景的开发端，我们此时做一些自认为有价值的 AI 功能出来，大概率会失败。这属于屁股决定脑袋。

所以找业务场景、找商业化场景，一定要从客户实际业务痛点中挖掘，因为只有找到水管哪里漏了，才能更好地去补。

不过杨芳贤也说到，“并不是每个客户都适合与自己共创。与客户共创的话，一定是要去筛选客户企业，这背后有一套方法。”

例如，在共创客户企业选择上，一定要选行业内相对头部的企业，虽然不一定是最大的，但一定是相对头部的，只有这样的客户，他们的场景需求才可能具有典型性，具有前沿性，所共创出的产品才有可能具有更广泛的适用性。如果与行业内的腰部和尾部企业共创，价值可能就没有这么明显。

还有，选择共创的客户企业，其老板、公司的一把手要特别重视 AI 化，重视智能化，肯始终如一地接受 AI 技术的引入和应用，并主动加入这个项目里，共同推动自己进行智能化的改造，绝不能只是停留在口头承诺上的“叶公好龙”。

此外，所选择的共创企业亦需拥有明确的认知，特别是对接的负责人应具备相应的技术知识。同时，共创企业要理解项目执行，以确保双方沟通保持同步，从而实现有效地互动交流。

最后，即便是“共创”客户企业也一定要“付费”，这样做则是为了保证共创模式的持续性、稳定性。因为只有“付费”，在执行中需求方才可以全心全意地提需求，服务方才会兢兢业业地解决需求，双方共同打磨出的产品才可能真的有价值，否则共创也不会有好的结果。

当然，在推动产品功能 AI 化上，除“共创”极为关键外，“数据驱动”亦是另一条不容忽视的重要途径。

夏海峰强调，产品功能 AI 化的创新优化主要源自两方面。一方面，客户的明确需求是推动某些功能智能化的关键动力。另一方面，团队紧密围绕产品本身，不断研究如何将这些功能进行智能化升级。在后者过程中，“数据驱动”发挥了决定性的作用，是实现这一升级目标的核心要素。

所谓的“数据驱动”，实际上是指通过观察用户在使用产品中，对某项功能的使用率，当某项功能的使用频次高时，这在一定程度上意味着这项功能满足了用户的某种需求，用户对其产生了依赖。特别是那些能够直接帮助企业创收的功能，其打开率越高，越能证明该产品功能 AI 化具备商业化价值。

而 AI 如何增强原有功能，则核心在于明确原有功能旨在解决何种问题，在原有的核心解决能力上通过 AI 技术做加深。

就像，若需增强数据分析能力，用 AI 通过机器学习算法来优化数据处理流程；若需处理高重复率任务，用 AI 通过自动化工具来提高工作效率；若需理解上下文以提供建议等，用 AI 结合自然语言处理技术来实现等。

“通过纯粹的数据反馈采样率，包括工单反馈和呈现效果，基于最客观的数据去找商业化或落地应用场景，这是不容忽视的途径。”

事实上，数据作为客观、无声的证词，能够深度反映用户的实际需求与期望，为我们探索实践路径提供了有力的支持。通过深入分析用户数据，我们可以更加准确地了解用户的行为习惯、偏好和需求，从而优化产品功能和用户体验。

“‘共创’是一种偏被动地去实现产品功能的 AI 化，使用‘数据驱动’则更具有主动性。”夏海峰说到，合理地融合使用这两种方式，会帮助 SaaS 产品加速发展更多的商业化场景，进而为其发展带来利好。

AI 到来，加速 SaaS 间淘汰？

任何事情都有两面性，就像人们常说的某个事件的发生、某项技术的出现，带来的既是挑战，也是机遇一样。这一轮新兴 AI 技术对 SaaS 的改造，也不能免俗。

机遇，大家普遍有了解，这里暂时省略。至于挑战则是：AI 到来，会加速 SaaS 间淘汰。

“功能 AI 化的推进，会让 SaaS 变化成解决一定程度多样性需求的标准化产品。”因为智能化的价值在于其具备高度精准的终端自适配处理能力，无需依赖人的分析，自己直接可完成相应工作，最后再由相关工作人员阅读后决策，即能高效完成任务。

这如同地铁站旁边的共享单车处理交通最后三公里路程一样，走什么路径不再被限制，只需满足停放在周边有摆放区域的地点即可。这样的做法，提升了 SaaS 产品整体的服务价值。

例如，一家医疗的企业找服务商合作，由于他的需求不够明确，往往无法直接点出在哪个环节有哪些问题，无非决定自己想通过什么来提升什么? 这个时候就需要人参与进来，一步步结构场景点挖出待解决的环节问题。

但是现在的 AI 技术通过自我分析及推理，能做到把一个稍微复杂的业务结构构成一个个很小的业务单元，通过标准化和一定的应变能力进入到各个小业务单元里去优化人的解决效率，甚至在特定一些场景直接代替人在这个环节的工作。

也是因为 AI 技术赋予产品在需求末端一定的自处理能力，“SaaS 产品也不用再担心像素级借鉴。”

杨芳贤解释到，未来在解决实际场景需求中，很多 SaaS 虽然看上去的功能类似，但因为 AI 化能力的差异，其造成单功能处理问题的效率与结果会出现差异化，让最终呈现的业务价值变得高低立现。

而这还只是某一环节功能的 AI 化。诸多功能成体系组合，才会集成为一款产品，最终造成的产品层面的价值差异化会更加明显，这就是新一轮 AI 技术带给 SaaS 行业的「月之暗面」。

“所以，随着 AI 技术的不断深入与应用，SaaS 产品的功能与服务将逐渐呈现两极分化的趋势。这一变革将加剧市场竞争，对无法满足用户需求或解决问题能力不足的 SaaS 产品构成压力，进而加速其退出市场。”杨芳贤说到。

夏海峰差不多也是这个意思。“过去的资本的介入让大家有点盲目自信，觉得大家的产品差不多，我先低价拿市场保证市占率，然后通过‘活得久自然而然就成为赢家’的逻辑发展着。”

但在如今市场强调高质量发展的背景下，企业们也经过早期的 SaaS 产品市场教育，其所做出的决策与购买行为变得更为理性。因此，产品必须充分展示其价值，为客户提供远超其所投入的成本回报。此时，AI 化刚好是让各个产品拉开差距的关键点，把握不住的 SaaS 服务商会面临严峻的挑战。

此外，夏海峰亦强调：“实现众多 SaaS 产品的 AI 化并非易事。”这不仅仅依赖于构建一个精确的模型架构，更依赖于基础的数据处理能力。其中，关于模型架构造成的忧虑相对较小。因为根据 Gartner 技术成熟度曲线，技术成熟并普及化会缩小技术差距，届时造成的影响会变小。但数据的丰富程度则不一样，它将成为决定 AI 化能力强弱更为重要的因素。

“ SaaS 服务商所沉淀、掌握的数据专业度和数量差异，极大程度上将决定谁会生存，谁终将离去。”

并非夸张，像一些 SaaS 服务商，它有百万用户、千万用户甚至上亿用户，它在很多行业解决方案上造诣都不错，有世界 Top500、全国 Top500 的标杆客户企业，服务某行业企业有近百余家。那么他们通过服务而沉淀的经验，在转化成数据喂养给 AI 后，其形成的逻辑处理能力一定是具有极高水准的存在，甚至堪比资深业务处理人员。

而那些只有 100 个或 200 个客户，在行业解决方案上处理能力有限的 SaaS 服务商们，即便也走上产品功能 AI 化的道路，但因为积累的差距，自然从开始到最后都无法超越前者。

“在我的理解中，这次 AI 创新带来的机会，更多是偏向有基础有准备的群体。带来的打击，则是瞄向了那些底子薄弱，且依旧不知道积累的群体。”想要万丈高楼平地起，最后会发现小丑就是你自己。

想要避免淘汰，就要在明知道自己“油少”的情况下，少走错路，多走正途，步步为营，及时补油。

夏海峰和杨芳贤都表示，现在还是 AI 化的起始阶段，正如上述所说，大量有商业价值的场景智能化还没明确，此时做行业化的数据量积累，为后续发展做铺垫并不晚。

况且众所周知，每个行业均具备独特的行业特性，其细分领域亦包含多样化的应用场景，这既构成了实现这些场景功能 AI 化的挑战，也是决定未来功能 AI 化价值深度的核心要素，而正如没有全知全能人一样，任何一个 SaaS 的服务商也不可能全知全能，所以现在找到一些日后持续深挖的行业场景为底盘，并在此深扎、发展，在未来还是有可能获得生存空间。

如何深挖？则可以选择成立咨询业务，基于共创服务去进一步熟悉各行业场景外，也能为现阶段帮助客户实现有价值的场景智能化提升建设效率，属于一举两得的方式。除此之外，基于公开的论坛等，对选择某项特定行业的客户企业需求进行提取分析和汇总，亦是一种可操作的积累方式。

与二位交谈过后，牛透社不由想起在 AIGC 刚刚火爆来袭之际，就有人表示这项新技术并不属于所有人的狂欢，而是那些有数据积累，熟悉业务场景群体的盛宴。

当时可能不以为然，但这个言论在当下来看，真的是越发正确，毕竟“这一拳，有 20 年（概数词，指各企业服务软件在业务服务数据方面的积累）功力”，这不是随便一个“愣头青”就能抵挡得住。

可话说回来，虽然现在起步有点晚，但总比“原地等待”要强一些，活下去的概率也大一些。况且山高路远，稳健前行的乌龟，未必不会超过具有天然优势的兔子……