Bentley的AI战略：真正厉害的软件公司，不是做一个AI助手

最近，Bentley Systems在中国举办了一场发布活动，其中关于AI的思路让我印象很深。

Bentley是一家做基础设施工程软件的公司。

道路、桥梁、铁路、机场、电力、地下管网……这些看起来离普通人很远的基础设施，背后都有大量专业的软件和工程数据。

过去，我们理解Bentley，更多是把它看成一家工程软件公司。

但现在Bentley正在发生一个非常重要的变化：

它正在重新思考，AI时代一家工程软件公司到底应该是什么。

这件事情其实非常值得所有软件企业研究。

因为Bentley给出的答案，并不是：

“我们也做一个自己的大模型。”

也不是：

“给每个软件加一个Copilot。”

它真正想做的，是另外一件事情：

让AI成为连接工程师、专业软件、工程数据和工程知识的智能入口。

如果这个战略最终实现，未来工程师使用软件的方式，很可能会发生根本变化。

过去是：

人操作软件。

未来可能是：

人告诉AI自己想完成什么，AI调用专业软件替人完成工作。

这才是Bentley AI战略最值得研究的地方。

一、Bentley首先看明白了一件事：工程AI和普通AI不是一回事

ChatGPT可以帮你写文章。

写错了，可以修改。

但是如果AI帮你设计一座桥呢？

如果设计错了怎么办？

如果AI帮你设计一座大坝、一条铁路、一座电站呢？

这时候，“大概正确”是完全不够的。

普通生成式AI追求的是：

生成一个看起来合理的答案。

工程软件追求的却是：

一个可以计算、验证、追溯，并最终承担工程责任的结果。

Bentley因此特别强调一个概念：

Engineering-Grade AI。

也就是：

工程级的AI必须建立在工程软件和工程验证之上，而不能只建立在大模型的概率生成之上。

Bentley在公开材料中明确提出，基础设施AI需要工程级精度，并展示了AI Agent调用STAAD.Pro进行结构优化的案例；在其测试中，AI Agent通过STAAD找到了一种钢结构方案，使钢材重量降低40%。但最终工程结果仍需要工程师进行验证。

这背后其实是一个非常重要的判断：

AI负责“想”和“做”，专业软件负责“算”和“证”。

这可能是工程软件AI与通用AI最大的区别。

二、所以Bentley没有把重点放在“训练自己的大模型”

这是我认为Bentley最值得软件企业学习的一点。

很多企业一看到AI，第一反应就是：

我们是不是也应该训练一个自己的大模型？

但Bentley的思路并不是这样。

它更倾向于：

利用外部的大模型能力，叠加自己的专业能力。

大模型擅长：

• 理解自然语言；
• 理解用户意图；
• 分解复杂任务；
• 制定执行计划；
• 调用工具；
• 总结结果。

而Bentley擅长：

• CAD；
• BIM；
• 结构分析；
• 道路设计；
• 岩土分析；
• 施工管理；
• 数字孪生；
• 基础设施数据。

把两者连接起来，才真正产生价值。

所以Bentley的逻辑不是：

“我也要造一个大脑。”

而是：

“我让大脑学会使用我的专业能力。”

这其实是一个非常现实的AI战略。

三、Bentley真正想改变的，是“人使用软件”的方式

我们过去使用专业软件是什么样的？

工程师打开软件。

点击菜单。

建立模型。

输入参数。

运行计算。

检查结果。

修改模型。

再次计算。

这意味着：

人是软件的操作者。

软件只是工具。

但是AI Agent出现以后，这个关系可能发生变化。

未来工程师可能只需要告诉AI：

“把这个钢结构优化一下，在满足设计规范的情况下尽可能降低用钢量。”

AI接下来自己完成：

理解要求；

读取模型；

修改参数；

调用结构分析；

进行计算；

比较不同方案；

继续优化；

输出结果。

工程师最后做什么？

验证结果，并做最终判断。

Bentley已经通过MCP在探索这样的工作方式。

它推出的MCP服务器，可以把AI Agent直接连接到Bentley的软件，例如STAAD.Pro和MicroStation，让用户通过自然语言查询数据、执行建模和工程分析任务。

于是软件的角色发生了变化。

过去：

人 → 软件 → 结果

未来：

人 → AI Agent → 专业软件 → 结果

这可能是AI时代软件最大的变化之一。

四、MCP为什么对Bentley这么重要？

如果不了解MCP，很容易把Bentley现在做的事情理解成：

“又一个AI助手。”

其实不是。

MCP可以简单理解成：

AI与外部软件沟通的一套标准接口。

AI知道用户想做什么。

但AI本身不会进行专业结构计算。

于是它需要调用STAAD。

AI知道用户想修改一个模型。

但AI本身并不是CAD软件。

于是它需要调用MicroStation。

所以：

MCP解决的是“AI如何使用专业软件”的问题。

Bentley目前已经把MCP连接到STAAD.Pro、MicroStation等产品，并明确表示，未来会继续扩展到更多产品。Bentley设想的最终状态，是一个AI Agent能够协调多个Bentley产品，甚至调用其他厂商的MCP，实现端到端的工程工作流。

这意味着一个非常有意思的变化：

未来软件的核心竞争力，可能不只是“人能不能操作”，还包括“AI能不能调用”。

五、这时候，Bentley过去几十年积累的专业软件突然变得更加重要

很多人认为AI来了以后，软件价值会下降。

Bentley的案例恰恰说明：

专业软件的价值可能不是下降，而是换了一种方式体现。

以前：

工程师使用STAAD。

现在：

AI Agent调用STAAD。

以前：

工程师操作MicroStation。

未来：

AI Agent可以操作MicroStation。

以前：

工程师使用软件里的专业算法。

未来：

AI Agent调用这些专业算法。

所以，软件不再只是一个：

User Interface。

它还可以成为：

AI调用的专业能力。

这就是Bentley非常重要的一次战略升级。

六、Bentley真正的AI资产，其实不是大模型，而是工程数据

如果说MCP解决的是：

AI如何使用软件。

那么Bentley的另一个战略解决的是：

AI如何理解真实世界的工程。

这就是iTwin和Bentley Infrastructure Cloud的价值。

一个大型基础设施项目，会产生大量数据：

设计文件。

BIM模型。

工程图纸。

施工数据。

项目文档。

资产信息。

传感器数据。

历史项目。

运维数据。

这些数据过去往往散落在不同系统里。

对人来说已经很难管理。

对AI来说更难。

因为AI最怕的不是数据少。

而是：

数据孤岛。

Bentley因此一直在推进基础设施数据的连接和数字孪生能力。

它希望通过iTwin等技术，把不同来源的数据建立联系，让这些数据变成AI能够理解和调用的工程上下文。Bentley近年的公开材料也越来越明确地把“connected data”和“AI-ready data”作为基础设施AI的重要基础。

这其实意味着：

AI时代，数据治理不是IT部门的后台工作，而可能直接成为软件公司的核心产品战略。

七、为什么“工程上下文”如此重要？

假设你问一个通用AI：

“这个桥梁应该怎么优化？”

它可能给你很多答案。

但它不知道：

这座桥在哪里？

使用了什么材料？

历史上发生过什么？

当地环境如何？

之前的设计方案是什么？

施工过程中发生过什么？

现在有哪些传感器？

过去维修过几次？

实际运行效果怎么样？

如果AI知道这些，它的价值就完全不同了。

所以Bentley真正想建立的是：

AI + 工程上下文。

也就是说：

不是让AI知道更多互联网知识，而是让AI真正理解一项工程。

这是非常关键的区别。

八、再往前一步：让AI学习企业过去几十年的经验

这可能是Bentley AI战略里最有想象力的一部分。

一家大型工程公司可能做过几百、几千个项目。

这些项目中隐藏着大量经验。

过去这些经验散落在：

设计文件；

项目报告；

BIM模型；

数据库；

工程师的大脑。

项目完成以后，这些知识很大程度上就“沉睡”了。

但AI时代可能不同。

假设一个工程师问：

“过去类似地质条件下，我们通常采用什么设计方案？”

AI可以去查询历史项目。

再比如：

“过去类似规模的桥梁，哪些结构方案最终运营效果最好？”

如果设计数据和运营数据能够连接起来，AI甚至可以进一步回答。

这意味着AI真正学习的不是：

互联网知识。

而是：

企业自己的工程经验。

这才是工业软件AI真正具有商业价值的地方。

九、于是，Bentley正在构建一个非常漂亮的AI飞轮

把这些事情串起来，就能看到Bentley真正的战略。

过去的项目：

设计数据

↓

施工数据

↓

运营数据

↓

进入基础设施数据平台

↓

AI理解这些工程数据

↓

帮助工程师设计新的项目

↓

新的项目产生新的数据

↓

再反馈给AI

↓

AI越来越了解基础设施

↓

再帮助工程师提高生产效率

这就是一个：

数据 → AI → 工程 → 新数据

的飞轮。

所以Bentley真正的AI护城河，很可能不是模型。

而是：

专业软件 + 专业数据 + 专业知识 + 工程工作流。

十、Bentley的AI路线，也不是一步到位，而是三个阶段

如果仔细观察Bentley现在的产品和公开信息，我认为它正在经历三个层次的变化。

第一阶段：Copilot

让AI帮助人使用软件。

例如：

搜索资料；

回答问题；

自动生成内容；

辅助设计；

减少重复操作。

这是：

AI辅助人。

第二阶段：Agent

让AI开始执行任务。

工程师说：

“优化这个结构。”

AI自己去：

读取模型；

调用软件；

计算；

比较；

优化。

这是：

AI替人完成部分工作。

Bentley目前通过MCP正在快速推进这一阶段。

第三阶段：AI成为整个工程生态的入口

这是更大的愿景。

未来工程师甚至不需要知道：

应该打开哪个软件。

他只需要说：

“帮我完成这个工程目标。”

AI自己决定：

调用哪个软件；

调用什么数据；

进行什么计算；

需要哪些工程规则；

是否需要进一步优化。

这时候：

Bentley几十个软件就不再只是一个产品组合，而会变成一个AI可以调用的“工程能力库”。

这可能才是Bentley真正想达到的终点。

十一、Bentley有一个非常重要的原则：AI增强工程师，而不是替代工程师

这是工程软件AI和互联网AI非常大的区别。

基础设施是高风险行业。

桥梁、道路、铁路、电力、供水等系统，都涉及现实世界的安全。

因此Bentley一直强调：

Human in the Loop。

AI可以：

生成方案；

寻找方案；

进行计算；

进行优化；

发现问题。

但是最终：

工程师负责判断和验证。

Bentley自己的AI条款也明确提醒，AI输出具有概率性，需要根据具体用途进行准确性评估，并强调AI并不替代专业判断。

所以Bentley真正追求的不是：

“AI替代工程师。”

而是：

“让一个工程师拥有AI之后，可以完成过去几个人甚至几十个人才能完成的工作。”

这其实更现实，也更有商业价值。

十二、还有一个很容易被忽略的问题：数据主权

工业软件和普通互联网产品有一个巨大的区别。

一家工程企业几十年的项目数据，本身就是资产。

企业不可能轻易接受：

“把所有历史工程数据上传给一个AI公司，然后让它拿去训练模型。”

所以Bentley特别强调数据控制和治理。

其Data Agreement Registry等机制，强调客户对于数据是否用于AI训练拥有控制权。Bentley也在推进AI治理和用户共创机制。

这件事情非常重要。

因为工业AI最终一定会遇到一个核心问题：

“AI到底可以使用谁的数据？”

如果这个问题解决不了，AI就很难真正进入大型工程企业的核心业务。

因此：

数据主权不是AI产品的附加功能，而是工业AI商业化的基础设施。

十三、更有意思的是：Bentley甚至没有把AI锁死在自己的AI里面

这可能是Bentley策略里最值得软件企业研究的一点。

Bentley的MCP是开放标准。

它支持Claude、GitHub Copilot等外部AI客户端，也明确强调不把用户锁定在单一AI平台。

这背后其实有一个非常聪明的判断：

Bentley不需要赢得“大模型战争”。

它真正需要赢得的是：

“工程专业能力入口的战争。”

未来到底是Claude更强？

还是Gemini更强？

还是Copilot更强？

Bentley不一定需要下注。

因为无论用户使用什么AI，只要AI需要：

道路设计、结构分析、CAD、数字孪生、工程数据……

就可以调用Bentley的专业能力。

于是：

模型可以变化，Bentley的专业能力不变。

这是一种非常值得软件企业思考的AI战略。

十四、甚至连商业模式，都可能因此发生变化

过去软件的收费方式是：

人 × License

后来变成：

人 × Subscription

而AI Agent时代可能出现：

Agent × Capability × Usage

什么意思？

过去，一个工程师买一个软件许可证。

未来，一个AI Agent可能一天调用某个专业软件几百次。

那么软件公司的商业模式就可能从：

卖许可证

变成：

出售专业计算和专业能力。

Bentley已经公开讨论AI自动化可能进一步提升工程软件能力的使用价值，并探索基于API和使用量的价值捕获。

这意味着：

AI不仅可能改变软件的产品形态，还可能改变软件公司的收费方式。

十五、所以，我认为Bentley真正的AI战略可以总结成一张图

如果把Bentley的整个AI战略压缩起来，大概就是：

大模型

↓

理解人的意图

↓

AI Agent

↓

通过MCP调用专业能力

↓

Bentley工程软件

↓

调用专业算法

↓

iTwin / Infrastructure Cloud

↓

获取工程数据和上下文

↓

工程计算与验证

↓

工程师确认

↓

形成最终工程成果

↓

项目进入施工和运营

↓

产生新的工程数据

↓

重新进入AI

这就形成了一个完整闭环。

十六、这其实揭示了AI时代软件公司的一个重大变化

过去的软件公司比什么？

比：

功能。

谁的功能更多。

谁的界面更好。

谁的性能更快。

后来进入SaaS时代，比：

服务。

谁的更新更快。

谁的云服务更好。

谁的客户成功更强。

而进入Agent时代以后，竞争可能逐渐变成：

谁拥有更多可以被AI调用的专业能力。

所以未来的软件产品可能出现一个非常有意思的变化：

过去产品的核心是：

UI。

未来产品的核心可能越来越变成：

API + Data + Workflow + Agent。

UI依然重要。

但它不再是唯一入口。

AI也可能成为软件的新入口。

十七、Bentley真正值得所有软件企业学习的，不是“做一个Copilot”

如果让我总结Bentley的AI战略，我认为最重要的不是某一个AI功能。

而是下面这五个判断。

第一，不要迷信“大模型”

软件公司的价值不一定来自自己训练模型。

更重要的是：

专业能力。

第二，把软件变成AI可以调用的能力

未来用户未必直接操作你的软件。

但AI可能会调用你的软件。

所以：

AI可调用性，本身可能成为产品能力。

第三，把几十年的数据变成AI资产

没有数据上下文的AI，只能泛泛而谈。

拥有专业数据和工程语义的AI，才可能真正进入专业工作。

第四，从Copilot走向Agent

Copilot解决：

“帮我做一点。”

Agent解决：

“你帮我完成这件事。”

这是两个完全不同的产品时代。

第五，不要试图替代专业人员，而要放大专业人员

尤其对于工业软件。

最有价值的AI不是：

让一个外行变成专家。

而是：

让一个专家拥有AI以后，生产力得到数量级提升。

十八、最后，我认为Bentley真正值得学习的是一种“反AI焦虑”的思维

今天很多软件企业面对AI，都有一种焦虑：

大模型越来越强，会不会把我的软件吃掉？

于是开始疯狂给产品加AI。

但Bentley提供了另外一种思路。

你完全可以换一个问题：

如果AI越来越强，我几十年来积累的专业软件、专业数据、专业知识和专业工作流，会不会反而变得更加有价值？

如果答案是“会”，那么AI就不是你的敌人。

它可能是你的放大器。

过去，一个工程师只能操作一个软件。

未来，一个工程师可以指挥一个AI Agent。

过去，一个工程师一天只能尝试几个方案。

未来，AI可以自动尝试几十甚至几百个方案，再交给工程师判断。

过去，企业几十年的历史项目躺在数据库里。

未来，AI可以把这些沉睡的工程知识重新激活。

过去，软件只是工程师手里的工具。

未来，软件可能成为：

AI Agent调用的专业能力。

这可能才是Bentley AI战略真正值得研究的地方。

AI时代，软件企业最重要的事情，不一定是拥有一个多么强大的AI。

而是拥有多少AI无法轻易替代、却可以被AI放大的专业能力。

对于工业软件尤其如此。

真正的护城河可能正在从：

“我有一个软件。”

变成：

“我有专业数据、专业知识、专业算法、专业工作流和一个可以被AI调用的专业能力体系。”

Bentley正在尝试走的，就是这条路。

而这条路，也许比“做一个AI助手”要深得多。

因为它改变的不是一个软件功能，而是软件存在的方式。