01

—

过去二十年，软件商的商业模式很简单：研发一个产品→找代理商→卖给客户→实施上线→收钱。

交付物是”系统上线“。

现在不一样了。客户要的不是”系统上线”，是”问题解决”。什么叫问题解决？

排产从三天缩短到三小时、库存周转从四十五天缩短到三十天、断货率从百分之十降到百分之三。

这些”结果”的实现，光靠一个软件产品是不够的。你需要：

• 数据治理能力（客户的数据基础往往一塌糊涂）

• 业务流程梳理能力（很多客户的流程本身就有问题）

• 组织变革推动能力（新系统要用起来，需要人改变工作习惯）

• 持续运营能力（AI模型不是装上去就能跑的，需要持续调优）

传统软件商，哪家有这些能力？

大部分软件商的核心能力只有两个：产品能力和实施能力。

产品做好、实施按期上线——任务完成。

至于”数据是不是干净”、”流程是不是最优”、”人是不是真的用起来了”——那通常是客户自己的事。

但在AI时代，这个分工模式行不通了。因为AI的交付物不是”系统”，是”效果”。系统上线了不等于效果出来了。而效果不出来，客户就不付钱——或者说，下次不找你。

这就是老周们焦虑的根源——你做了二十年引以为傲的能力，突然变成了产业链上的”中间层”。客户冲在最前面的需求，你够不着了。

传统软件商的AI突围战

三个路径

怎么办？我观察了这几年走得还不错的传统软件商，基本有三条路。

没有一条是容易的，但每条路都有走通的人。

路径一：做”AI+数据底座”集成商

这条路的核心逻辑是：

我不做AI模型，但客户要上AI需要什么？数据。谁有数据？我有。

传统软件商有一个巨大的隐形资产——老客户的存量系统和存量数据。

你帮客户做了十年ERP，他全部的财务数据、采购数据、库存数据、销售数据都在你的系统里。

这是最值钱的矿。AI模型有没有用，百分之八十取决于数据质量。而数据质量这件事，没有人比你更了解。

我认识一家做MES起家的软件公司。“口罩”那几年，他们做了一件事：把过去五年积累的客户现场数据全部清洗、标注、结构化。然后基于这些数据，训练了一个排产优化模型。

这个模型不需要客户有”完美的数据基础”——因为模型本身就是基于他们客户的实际数据训练的，知道真实数据长什么样、哪里的数据容易有问题、怎么处理。

然后他们怎么卖？不是卖AI排产软件。是卖”排产优化服务”：客户什么都不用动，他们把客户的历史数据接过来，模型跑一遍，给出排产优化建议。客户看到效果了，再决定要不要深入合作。

这就是”用数据存量换AI入场券”。

这条路的好处是：壁垒高。 你的竞争对手如果想做同样的模型，他需要先积累同样数量的制造业排产数据——那需要好几年。你手里有矿，只是以前不知道怎么挖。

坏处呢？ 你需要尽快行动。

因为数据资产的时效性很强——如果你不挖，客户的数据也在不断更新。

三年以后，今天的数据就变成”旧数据”了。而且AI原生公司也在通过各种方式获取行业数据。窗口期大概还有两到三年。

路径二：做”结果对赌”型服务商

第二条路更大胆，也更考验实力。

什么意思？不卖软件，卖结果。

你跟客户签合同，不写”交付XX系统一套”，写：”承诺在六个月内，将客户排产效率提升百分之五十。达不到，分文不收。超过了，分成。”

这种模式在国外已经不少见了——SAP和西门子都有类似的”按效果付费”的AI服务。但在国内，敢这么干的软件商还很少。

为什么少？因为风险太大了。

你需要对客户的数据质量、流程成熟度、执行能力都有极深的了解，才敢承诺效果。而且效果不是靠你一家就能实现的——客户自己不配合、不执行、不变革，再好的模型也白搭。

但我看到有人在做。

深圳有一家做供应链AI的公司，规模不大，百来人。他们的标准合同就是效果对赌。怎么做？

第一步，免费做诊断。

花三到四周时间，深入客户的业务现场，把数据质量、流程问题、团队能力摸清楚。不出一份厚厚的咨询报告，而是出一份”效果可行性评估”——”我们判断你的排产效率有百分之四十到六十的提升空间，具体取决于以下三个风险点……”

第二步，谈对赌条件。

双方确认基线（当前的排产效率），设定目标值（六个月内提升百分之五十），确定分成比例（节省的成本或者新增的利润，二八开或者三七开）。

第三步，执行。

数据治理、模型训练、流程优化、人员培训——全套打包。客户不是买一个软件，是买一个”提升排产效率”的承诺。

效果怎么样？这家公司成立四年，年营收过了亿。而且客户续约率很高——因为效果是真金白银算得出来的，不是PPT画出来的。

但这条路有一个前提：你得先把自己的本事练出来。

没有经过五个以上项目的磨炼，你不敢对赌。所以这个模式不适合新手——适合有十年以上行业经验、有成熟方法论的老手。

路径三：做”AI+行业SaaS”平台

第三条路，是产品化道路。

传统软件商通常有两种产品形态：一种是标准化软件（功能固定、价格低、覆盖广），一种是定制化项目（需求灵活、价格高、实施重）。

两种形态各有各的问题。

标准化软件在AI时代面临的最大挑战是：

AI是高度场景化的，一个通用的AI模型很难适配所有客户的具体需求。

 定制化项目的问题是：

成本高、周期长、利润薄——每次都要从头做数据清洗和模型调优。

有没有第三条路？

我想跟你分享一个案例。

苏州有一家公司，原来做餐饮SaaS——点餐系统、收银系统、会员系统。客单价低（一年几千块），客户多（几万家），竞争激烈（美团点评都在做）。

三年前他们做了一个决定：

在标准SaaS之上，叠加一个AI能力层，按效果收费。

具体是这样的：

基础SaaS还是每年收几千块，覆盖点餐、收银、会员管理。AI能力层额外付费——比如”AI智能排班”（根据客流量预测自动生成排班表）一个月收三百块，”AI菜品结构优化”（根据历史销售数据建议调整菜单）一个月收五百块。

为什么能这么收？

因为AI能力是”用完即走”的——这个月用得好，下个月续费；用不好，关了也不影响基础系统的使用。降低了客户的决策门槛。

结果怎么样？

他们百分之三十的SaaS客户订阅了至少一项AI增值服务。

AI ARPU（每用户平均收入）比基础SaaS收入高了一倍以上。

这个模式有意思的地方在于：它不是”一步到位的AI转型”，而是”渐进式的AI渗透”。

客户不需要花大钱、不需要做大规模数据治理、不需要改变现有的工作流程——先从一个最小的AI能力开始试，觉得好用再加。

用低门槛切入，用效果拉动续费，用数据积累反哺模型——这是一个正向飞轮。