未來，軟件開發(fā)模式需要從以功能為核心轉(zhuǎn)向以業(yè)務(wù)目標(biāo)為導(dǎo)向。
最近全球知名風(fēng)險(xiǎn)投資機(jī)構(gòu)紅杉資本發(fā)布了AI行業(yè)年度報(bào)告《Generative AI's Act o1》，總結(jié)了在生成式AI革命的兩年時(shí)間里，AI生態(tài)系統(tǒng)發(fā)生的變化及對未來的預(yù)測。報(bào)告中有幾個(gè)觀點(diǎn)我非常贊同：
1.新的Scaling Law：推理競賽已經(jīng)開始
(1)o1代表通過“推理時(shí)計(jì)算在一般推理能力上的重大進(jìn)展，給與模型推理時(shí)的計(jì)算越多，模型的推理能力就越強(qiáng)，這將推動(dòng)應(yīng)用層的可用性
2.SaaS重新定義：服務(wù)即軟件
(1)在AI時(shí)代，代理推理將“Software as a Service”轉(zhuǎn)向“Service as a Software”
3.領(lǐng)域?qū)I(yè)知識重要性
(1)將專業(yè)知識與模型能力結(jié)合是構(gòu)建數(shù)據(jù)閉環(huán)、從副駕駛（copilot）到自動(dòng)駕駛（Autopilot）的關(guān)鍵。
再看Gartner 10/21發(fā)布的Top Strategic Technology Trends for 2025。其中，Agentic AI名列十大關(guān)鍵字之首。
Agentic AI系統(tǒng)會(huì)自主的計(jì)劃并采取行動(dòng)來滿足用戶定義的目標(biāo)。當(dāng)前的AI助手和大語言模型能夠完成包括生成文本、總結(jié)內(nèi)容或者使用基礎(chǔ)的工具，但是它們并不能夠主動(dòng)的采取行動(dòng)，它們是按照用戶的提示詞或者根據(jù)編排好的流程來行動(dòng)。Agentic AI以目標(biāo)驅(qū)動(dòng)的規(guī)劃能力，也承諾能夠交付更有適應(yīng)性的軟件系統(tǒng)，能夠完成在眾多領(lǐng)域內(nèi)沒有被定義過的任務(wù)，而不是只能完成設(shè)計(jì)的功能。
AI Agent的能力可以被視為一個(gè)連續(xù)的光譜，從在特定條件下為傳統(tǒng)軟件提供智能，以完成特定任務(wù)；再到完整的Agenti AI系統(tǒng)——它們能夠在環(huán)境中自主學(xué)習(xí)，規(guī)劃策略，做出決策，并獨(dú)立執(zhí)行任務(wù)。
那么不同領(lǐng)域的兩個(gè)權(quán)威機(jī)構(gòu)做出預(yù)測的背后，反映了怎樣的技術(shù)趨勢？根據(jù)這樣的技術(shù)趨勢，我們又能推測出怎樣的商業(yè)趨勢？
數(shù)智化變革的核心瓶頸在“人”
LLM技術(shù)的突破，大家都有目共睹，從ChatGPT時(shí)刻發(fā)生到現(xiàn)在，我們可以看到的是正如智能摩爾定律所預(yù)測的——隨著開源LLM能力的迅速提升，推理成本則指數(shù)級下降，因此自然語言理解和表達(dá)能力對于任何軟件已經(jīng)觸手可及。而OpenAI今年9月剛發(fā)布的o1模型，則打開了推理能力，大模型的推理能力可以由推理時(shí)間的Scaling Law來提升，這必將帶來的是，隨著時(shí)間的推移，推理成本能夠指數(shù)級下降。
于是，任何軟件又可以再一次獲得極其便宜的推理能力。這將給企業(yè)軟件市場帶來什么樣的變化？
我們試圖從時(shí)尚服裝業(yè)過去30年的發(fā)展變化中，發(fā)現(xiàn)一些規(guī)律。從商業(yè)角度來看，互聯(lián)網(wǎng)革命，本質(zhì)上解決了消費(fèi)者和品牌之間的連接問題；互聯(lián)網(wǎng)時(shí)代之前，品牌必須通過媒體或線下觸達(dá)消費(fèi)者，因此一方面是品牌信號的傳遞速度緩慢，另外一方面，品牌信號的傳播過程也會(huì)伴隨很多“噪音”。
傳統(tǒng)時(shí)尚服裝行業(yè)一般是一年為一季，每年都需要經(jīng)歷對于時(shí)尚的判斷、產(chǎn)品設(shè)計(jì)、小規(guī)模生產(chǎn)、時(shí)裝秀、拿到反饋，然后生產(chǎn)、壓貨，其中的風(fēng)險(xiǎn)十分大。
而從Zara/H&M，到Shein的品牌發(fā)展來看，由于消費(fèi)者注意力越來越多地被吸引到線上，以及線下供應(yīng)鏈越來越成熟、敏捷，整個(gè)循環(huán)從年，到月再到周維度，在快速迭代周期中，最重要的是能夠?qū)τ谛碌奈锓N構(gòu)建起數(shù)據(jù)飛輪，因?yàn)樵跀?shù)字化的世界里，機(jī)器的運(yùn)作是可以24小時(shí)*7天的，此時(shí)，人的生產(chǎn)能力就變成了瓶頸。
但是在其它的大部分行業(yè)，從客戶獲取價(jià)值的流程中，由于種種原因，他們的業(yè)務(wù)規(guī)劃執(zhí)行周期仍然類似30年前的時(shí)尚服裝行業(yè)，是以年或者季度為單位。
圖源來自：瀾碼科技
以上述業(yè)務(wù)架構(gòu)為例，一般企業(yè)都會(huì)有業(yè)務(wù)流程，流程中會(huì)涉及到橫向的不同職能部門接力來完成一個(gè)決策，縱向則有管理來進(jìn)行管控。而企業(yè)內(nèi)的信息系統(tǒng)只起到了記錄的作用，如過去的大數(shù)據(jù)系統(tǒng)也只具備單一的分析功能。在由不同的角色橫縱交叉組成的決策網(wǎng)絡(luò)中，核心的瓶頸仍然是人。
專家知識的數(shù)字化和端到端的交互，是Agent落地企業(yè)并實(shí)現(xiàn)數(shù)據(jù)飛輪的必要條件
那么，有了生成式AI帶來自然語言理解和表達(dá)能力之后，會(huì)產(chǎn)生什么變化呢？
圖源來自：瀾碼科技
我們發(fā)現(xiàn)，專家知識的數(shù)字化是AI助手落地的必要條件，端到端的人機(jī)交互對于提高AI助手在業(yè)務(wù)場景中的準(zhǔn)確率也是必備條件，因?yàn)檫@樣能夠更好地解決一線業(yè)務(wù)人員對于目標(biāo)上下文理解偏差的問題。
但是，在現(xiàn)有的落地場景中，業(yè)務(wù)人員對于業(yè)務(wù)目標(biāo)的拆解、計(jì)劃以及在業(yè)務(wù)活動(dòng)中拿到客戶反饋等任務(wù)，仍然無法由機(jī)器來協(xié)助。而推理時(shí)計(jì)算的出現(xiàn)，則為這些環(huán)節(jié)的智能化帶來可能。
如果只是為企業(yè)提供更多的自動(dòng)化/智能化的功能，我們?nèi)匀粺o法解決當(dāng)前無論是自行購買算力還是買token的成本問題。畢竟現(xiàn)階段技術(shù)尚未成熟，推理時(shí)的scaling law也意味著成本的飆升。
由此產(chǎn)生的一個(gè)問題是，難道只能等模型的成本降低，才能獲取智能化帶來的價(jià)值？
我們采訪了很多企業(yè)，發(fā)現(xiàn)有一個(gè)顯著且具有共性的特點(diǎn)：即使是百年老店或者世界500強(qiáng)企業(yè)，在業(yè)務(wù)能力上仍然是“一招鮮打遍天下”，也就是說它們的經(jīng)營重點(diǎn)大多都是聚焦在放大自己的競爭優(yōu)勢上。因此，在企業(yè)關(guān)鍵業(yè)務(wù)能力方面，業(yè)務(wù)專家就成為了瓶頸。假設(shè)專家將全部精力投入工作也就是“007”，但業(yè)務(wù)專家能力越是作為企業(yè)的競爭優(yōu)勢，則需要業(yè)務(wù)專家并行處理的業(yè)務(wù)任務(wù)或業(yè)務(wù)決策就越多，在此過程中還需要保障業(yè)務(wù)專家的決策質(zhì)量，所以，企業(yè)需要通過增加新的員工來分擔(dān)業(yè)務(wù)專家的工作內(nèi)容和壓力。
那么，有沒有可能將消費(fèi)互聯(lián)網(wǎng)行業(yè)的經(jīng)驗(yàn)遷移到新時(shí)代的軟件開發(fā)中來呢？
我們的答案是肯定的。我們認(rèn)為，可以通過優(yōu)先找到企業(yè)主要價(jià)值流程中的決策瓶頸環(huán)節(jié)，重新設(shè)計(jì)業(yè)務(wù)流——讓業(yè)務(wù)專家設(shè)計(jì)的Agent去拆解目標(biāo)，并通過交互收集業(yè)務(wù)信息并給出業(yè)務(wù)決策，讓只有在線下完成的業(yè)務(wù)活動(dòng)仍然可以由現(xiàn)在的業(yè)務(wù)人員去執(zhí)行。
也就是說，企業(yè)仍然可以在數(shù)字世界里面構(gòu)建數(shù)據(jù)飛輪。由于是Agent在處理任務(wù)、決策，因此可以24小時(shí)*7天在線，并且能夠永不疲倦且有耐心的輔助業(yè)務(wù)人員，通過這樣的數(shù)字化流程可以幫助專家節(jié)省更多時(shí)間成本，對Agent處理的業(yè)務(wù)任務(wù)或決策進(jìn)行分析，并給出改進(jìn)意見。
圖源來自：瀾碼科技
一方面，我們已經(jīng)看到了o1模型在代碼生成準(zhǔn)確率上的提升，使得我們可以有能力準(zhǔn)確地執(zhí)行數(shù)字世界中的計(jì)劃；另外一方面，o1在強(qiáng)化學(xué)習(xí)上，關(guān)于self-play和process reward model的創(chuàng)新，也讓我們能夠通過專家將商業(yè)問題映射到相應(yīng)的數(shù)學(xué)問題之后，可以用數(shù)百條專家標(biāo)注來學(xué)習(xí)到專家的隱性知識。
同時(shí)，我們還可以通過歷史數(shù)據(jù)來構(gòu)建情景記憶，從而完成規(guī)劃任務(wù)的智能化。最后，也是最難的一步，如何讓專家以低成本的方式讓Agent通過數(shù)據(jù)進(jìn)行反思，并改進(jìn)它的規(guī)劃能力，甚至讓Agent自主的從經(jīng)驗(yàn)中學(xué)習(xí)，這個(gè)部分可能有待o1模型或者新架構(gòu)的模型的推出才能夠得到答案。
另外一方面，在已有軟件的改進(jìn)或者新軟件的設(shè)計(jì)中，我們需要改變過去以功能為核心的軟件開發(fā)，變?yōu)橐詷I(yè)務(wù)目標(biāo)為導(dǎo)向的軟件開發(fā)，實(shí)現(xiàn)從圍繞功能堆砌到圍繞角色的轉(zhuǎn)變。
圖源來自：瀾碼科技
基于此，我們也就能夠理解為什么軟件商業(yè)模式會(huì)變成服務(wù)即軟件。
這里簡單引用一下紅杉文章的觀點(diǎn)：
紅杉認(rèn)為，由于Agent推理，人工智能轉(zhuǎn)型是“服務(wù)即軟件”。軟件公司將勞動(dòng)力轉(zhuǎn)化為軟件。
Sierra就是一個(gè)很好的例子。B2C公司將Sierra集成到他們的網(wǎng)站上，負(fù)責(zé)與客戶交流。Sierra的工作是解決客戶問題，它按每次解決問題的數(shù)量來收費(fèi)，這里并不存在「按席位收費(fèi)」的概念。你有一個(gè)需要完成的任務(wù)，Sierra完成了這個(gè)任務(wù)，獲得相應(yīng)的報(bào)酬。
從商業(yè)模式上看，還是“上下同欲者勝”。SaaS替代傳統(tǒng)軟件，是因?yàn)镾aaS模式使得軟件開發(fā)者可以知道不同功能的客戶使用情況是怎樣的，那么通過改變收費(fèi)方式，雖然一次性收入看似降低了，但它讓軟件公司的功能迭代和客戶的付費(fèi)關(guān)聯(lián)起來，從而讓SAAS軟件的迭代加速往正確的方向進(jìn)化。
同樣的，大模型令軟件可以交付業(yè)務(wù)價(jià)值時(shí)，新的商業(yè)模式雖然看上去收入變少了，但會(huì)由于利益的原因進(jìn)一步加快軟件公司去推動(dòng)數(shù)據(jù)飛輪的完成。
當(dāng)有新的AI原始軟件公司在組織上完成這一步蛻變的時(shí)候，那么就是萬億美元的服務(wù)市場向新物種開放的時(shí)候。而這場戰(zhàn)爭勢必會(huì)像19世紀(jì)末非洲的土著部落遇到歐洲殖民者的馬克沁重機(jī)槍一樣摧枯拉朽。
本文來源：36氪
文章轉(zhuǎn)載于其他網(wǎng)絡(luò)，如有侵權(quán)請聯(lián)系我們及時(shí)刪除！
