到底什么是AI原生工业软件?

针对第一个问题，参考“Sapphire Ventures”（全球科技成长型风险投资机构）给出的评估模型进行说明。

Al 强化了深度系统思维，并开启了无数新的设计可能性。这里的设计包括如下的三个维度：

•全新的交互范式

解决传统应用中复杂功能及菜单带来的用户学习和体验问题，通过原生AI界面，让业务执行、查询数据、整合信息、推理决策、工具调用等可以衍生出海量的应用场景，而不需要拘泥于原有的固定式菜单及界面，让用户以更自然的方式操作应用。

•构建可解释的AI原生系统

AI原生应用的交互界面简洁优雅的背后，隐藏着极其复杂的后端体系。行业正从侧重动作执行、辅助操作、知识问答，转向为复杂业务场景产出高价值答案，并实现智能代理的全新阶段。因此，在AI原生系统构建中，一方面需要刻画高价值场景，自研专属最佳实践能力；另一方面需要合理搭配现有AI通用组件，兼容适配大模型、本体、RAG等；最后，还要把结合场景的可解释性嵌入多个环节，给出置信区间，以此建立信任和对齐业务预期。

•加快闭环反馈

生成式AI输出结果具有不确定性，这给功能落地投产带来挑战。部分推理决策要实现完全精准化，部分推理决策允许一定的不确定性来辅助创新。不管哪个维度的实现路径，都有必要引入基于人类反馈的强化学习（RLHF）技术，以优化推理效果，加快功能自我迭代进化速度。

“没有数据战略，就谈不上AI战略”，AI可以解锁企业专有数据价值，从而使得数据获取和治理成为差异化核心竞争力，这个对软件企业和工业企业的价值是共性的。侧重点包括：

• 提升端到端数据管理的严谨性

在企业层面，最有价值的数据是端到端的各类数据：产品维度、质量维度、计划维度、运营维度、供应链维度等都需要端到端的数据链并保持交叉更改后的上下游一致性。这也是企业数字化转型一直以来的痛点：数据分散、不一致、不完整、难追溯，这些问题不解决，AI利用的高价值效果就发挥不出来。

• 挖掘潜在沉睡数据

原来各类系统对数据的管理侧重对业务过程的支撑，大量半结构化数据并没有被解构，比如文档类数据、模型类数据等，还有大量数据被闲置或定期清理，如生产/调试/试验的采集数据、产品运行维护数据、客户服务数据等。这些数据如何被模型表征、实例存储和参与训练推理，是需要具备的关键能力。

• 管理新的专有数据集

Moveworks首席技术官Vaibhav Nivargi指出：“老牌平台依靠‘手握最多数据’构建最强技术护城河的时代已经过去。优先级已经明显转变：竞争重心从数据数量，转向数据质量、数据隐私以及数据实际应用价值。”新数据集的形式多种多样，例如多模态交互上下文数据、AI内容生成的元数据、微观与宏观层面的数据模式识别结果、智能决策判断等。这类数据不存在于传统的旧系统之中。这就给AI原生软件企业创造了机会：建立这类数据建模、采集、利用的能力，进一步放大数据价值。

AI原生应用的优势，是近乎实时地从海量数据中提炼并形成洞察力。在特定行业及企业里构建和沉淀这些专有能力，将实现高阶专家能力的平民化，并成为企业的核心竞争力。比如，发动机设计及仿真的能力，初级工程师很难发挥价值。如果借助AI，就可以利用发动机历史高价值数据为初级工程师研发活动赋能，从而解放高阶工程师进行专注创新。

匹配前面三项的能力，在后台形成动态适配能力。比如：Martian公司的model routers（模型路由器）可以动态调度AI能力。目前需要用户手动选择的高级AI功能将会逐步隐藏，底层系统将自主适配，替用户完成决策。传统数字化系统中复杂的数据逻辑和过程，都可以隐藏在后台，根据用户意图按需展示，一切服务于业务高效决策和体验式执行。

对于市场上充斥的AI应用将给SaaS模式带来毁灭式冲击的论述，有些言过其实。与其说是颠覆，不如说是对传统应用模式的挑战，倒逼传统SaaS软件企业在巩固核心竞争壁垒的同时，进行AI原生转型。

“真正的行业颠覆，从来不只源于产品技术能力，往往还伴随商业模式变革。”对于AI原生应用的商业定价模式，将会出现多种模式，如能力拆分（AI使能平台、专有模型及组件、智能体套件等）销售、按照业务结果收费、按照使用量收费等。典型的如：Salesforce的智能体套件按每轮对话2美元收费；Zendesk对每一次自动化问题解决收取1.5‑2美元；Sierra、Crescendo.ai等客服AI智能体厂商，采用按业务结果计费（例如以工单解决量作为计费依据）；航空公司向空客购买AI数据服务，该数字化服务在近年已为其贡献了数十亿欧元的收入；空客还通过与Helsing等AI厂商合作，在未来战机（如Wingman无人机系统）中将AI算法与硬件寿命解耦，未来可以通过软件订阅和升级持续向军方客户变现。

这里针对上述第二个问题进行说明。企业在数字化转型进入深水区之后，数据及知识深度解构、业务决策判定的高价值作用日益凸显，这就逼迫企业设计AI原生应用架构，并借助AI原生应用的使能技术自主构建和持续迭代专有软件能力，从而持续沉淀企业具有核心竞争力的高价值数据资产和业务能力。

企业的AI原生应用体系通常并不是从零开始构建，历史系统问题、大量数据异构问题将是首先需要在架构设计中面临的挑战。本人在上一篇文章中《AI浪潮下的数字化转型困局：破解“惹不起、追不及、常迭代、难割舍”的企业应用架构密码》下篇中给出了一个企业级AI的应用架构建议（如下图所示），其核心能力包括：

对应上文中描述的“设计”维度的要求，从交互体验、系统后台AI组件、闭环反馈等能力上，导入成熟的AI使能平台及AI通用技术组件。

要实现AI原生，就要对高价值历史系统进行托管或替代，只保留传统历史系统的业务数据更新及查询的能力，但是要改变其交互体验和新增AI能力（智能体调度、决策场景支持等）。这个过程可以是逐步的，但是终极目标是要托管或完全替代这些历史系统。

对历史数据进行治理和本体化建模，可以结合具有最佳实践的软件公司进行本体化建模及映射，实现数据语义级统一化拉动的逐步治理，并使其直接参与AI结合的推理框架。这个过程也是逐步的，但是首先要保障端到端数据的严肃性，即数据维度可以选择，但是最好是端到端的权威数据集。

AI原生应用要在制造业企业进行应用，就需要考虑工业体系的复杂性及特殊性要求。其中，复杂性体现在数据复杂性、端到端业务复杂性、业务判定规则复杂性等，并且由于AI赋能，更进一步释放了工业部门的数据、业务、规则的复杂性及动态性；特殊性体现在特定业务域的专有性、高价值数据的严格安全保密要求、大部分智能决策场景的精准性要求（不允许大模型的幻觉及不可解释性问题）。

因此，AI原生工业软件除了需要具备上述AI原生应用的基本能力之外，还需要构建如下的能力，以体现工业特性：

在底层平台中内置工业本体建模协议匹配服务、业务数据抽取/映射/回调服务、安全保密服务、大数据性能保障服务、工业数据解析服务等工业插件。

避免企业从零开始构建业务数据及本体数据模型，内置行业最佳实践的业务模型及本体模型，形成工业本体标准模型及规则框架，为基于语义的精准推理决策提供基础。

传统工业软件的MOE是Mixture of Experts（即管理的是专家思考及决策的结果），AI原生的专业业务组件的MOE是Mixture of Everything（即是多维度混合的模式，有AI思考及决策的过程及结果）。专用AI原生业务组件将内置工业最佳实践知识，并在此基础上形成AI原生能力。如需求智能组件，其不仅仅保持需求结构化定义及关联追溯的结果管理能力，还可以借助AI开展亲和分析、卡诺分析、QFD分解，并保持多维度需求之间的逻辑推理链路和需求文本内容解析，辅助进行需求质量评审和提出修改建议。

建立工业意图精准识别的能力，并在进行识别后，根据工业场景上下文对AI应用的精准化及性能要求，进行后台组件的动态调度。后台调度的组件能力必须覆盖工业部门的所有可能的业务场景需求。

AI原生工业软件的天生职责就是要对相应业务域的传统历史系统的能力进行融合（或替代），包括前端交互体验的融合以及后台组件的快速封装，以支持能力组件后台化和被动态调度。

引入AI的核心本质是为了支持企业持续深化推进数字化、智能化转型，将AI原生能力融入业务运营体系，释放数据价值，支持智能科学决策，帮助企业构建下一代内核竞争力，必将成为行业趋势和企业发展的必然之路。

Gartner在2026年9月份发布报告称：预计2026年全球人工智能相关支出总额将达到2.7万亿美元，同比增幅49.5%。AI在工业部门的应用将具有更广阔的市场空间和高价值回报。

但是，AI在工业部门的广泛应用，一定需要定义清晰的企业级AI原生应用架构，并在架构牵引下形成“通用AI组件 + AI原生工业软件 + 企业自主智能体”的三层协同应用体系。在初期，企业维度的自主智能体可以借助外部FDE专家进行数据治理、AI高价值场景规划、智能体联合搭建等，后期逐步过渡到自主完成相关能力的持续完善。