AI越能干,为什么有些软件反而越不值钱?

📌 本文分析AI对软件企业的未来发展的影响，全文约 9600字，读完大约需要 25分钟。建议收藏后细读。

AI越能干，为什么有些软件反而越不值钱？

       在大家经常提到的已经进行了数字化的传统企业里，有一种"已完成"，后面还站着一个人。

假设有一笔1968元的家电退款。客服录入申请，门店补交凭证，主管点下同意，系统把审批状态改成绿色。可仓库还没确认退货，财务也没拿到完整的退款依据，顾客的钱仍然没有到账。

接下来，得有人查订单、找仓库、核对实付金额，判断赠品要不要一并退回，再告诉顾客什么时候能收到钱。软件记下了每一步，步骤之间那些没写清楚的事，还得靠人补上。

如果你做过运营，大概熟悉这种工作。一天结束，各个系统里都有操作记录，你还是要问一圈，事情到底办到哪了。有时，流程能继续往下走，就因为某位同事知道该找谁，知道这次和上次有什么不同，也愿意多追问一句。

企业花钱买了软件，还得一直花钱雇人，把软件之间的工作连接起来。

AI开始接手的，正是这部分工作。

原来花在人力上的预算，有一部分可能转向软件。但这笔钱能不能变成现有软件公司的收入，还得细算。企业愿意为软件承担的工作付费，不代表现在卖软件的人就能赚到更多。

2026年6月，高盛投资银行部发布《Harnessing AI for the Real Economy》。报告把软件称为AI经济的"矿井金丝雀"。过去，矿工用金丝雀提前察觉危险；今天，生产率、定价和利润率结构的变化，率先在软件行业显现。

顺着这个比喻往下看，软件行业感受到的变化，也会传到采购软件的公司。一旦系统能接过一部分执行工作，供应商卖什么、客户为什么付费、员工还要负责什么，都得重新考虑。

软件从帮人记事、流转流程，到现在自己接过一部分执行工作，评价标准也得跟着变。不只看功能，还要看它完成了多少任务，结果是否合格，成本能否接受。

工作由软件来做了，一部分结果由软件直接交付了，算账的方式也得跟着变。

根据高盛全球投资研究部的测算，预计未来十年，自动化与企业软件的总可服务市场，也就是TAM，将扩展至大约原来的2.5倍。支撑这一预测的，是Agent开始接手部分原先由人完成的工作。

2.5倍是整个市场的预测。对一家具体公司来说，能不能分到这块增量，是另一回事。软件能服务的工作更多了，一家公司的收入能增加多少，还要看竞争、价格，以及客户是否真的愿意采用。

过去，企业购买客服软件，是为了让客服查资料、分工单、回复顾客。软件预算通常取决于账号数量和功能模块。假如AI能在授权范围内查订单、核对规则、补齐信息、提交处理并追踪结果，采购者就会换一种算法，把它和人工处理、外包服务的成本放在一起比较，也会考虑有些问题一直没人处理会给业务造成多少损失。

软件由此有机会进入原本用于雇人和购买服务的预算。

还有一些新增业务，容易被忽略。过去，有的小客户得不到持续服务，有的潜在线索没人跟进，有的故障征兆没人及时分析。单笔价值太小，人工成本太高，企业只能放弃。如果合格完成这些工作的成本降下来，原来做不起的业务，就可能值得做了。

接替已有工作，把原来顾不上做的工作做起来，都可能扩大软件市场。不过，这两种情况对企业和员工的影响差别很大，用"降本"两个字概括，就把事情说窄了。

原有的人力支出，也只有一部分可能变成软件收入。客户希望把节省的钱留下来，竞争者会用更低的价格争取客户，新系统还有计算、实施、监督和异常处理的费用。还有些时候，工作确实省了时间，工资、房租和外包合同却照付，当期现金支出并没有减少。

不妨算一笔假设的账。某软件卖给客户100个账号，每个每月100元，月收入1万元。AI接手部分工作后，客户只需要20个付费账号。如果还按原来的方式收费，席位收入就降到了2000元。供应商得通过执行任务等新收费补回8000元，收入才能回到原来的水平。

客户可能已经受益，软件能服务的工作也更多了，这家供应商却还在补原来的收入缺口。

所以，市场扩张与旧产品承压完全可以同时发生。供应商能否增加收入，要看它能不能接下更多工作，稳定交付，再让客户接受新的收费方式。

市场变大之后，还要看新增收入由谁获得，新增成本又由谁承担。

谁赚得多、谁先被挤压，跟软件做的是哪种生意关系很大。

最先受到挤压的，可能是主要靠界面和简单信息搬运提供价值的软件。

GUI是人通过屏幕操作的图形界面；CRUD是对数据进行新增、读取、修改和删除。很多日常软件，让人把信息填进去，再从不同页面调出来。

如果一款产品的主要作用，就是把一组通用表格做成页面，加几个提醒，再让员工来回切换，AI会从两个方面影响它。开发工具让相似功能更容易做出来；Agent则让使用者可以直接说出任务，由系统跨工具取数和操作。员工也就不必花那么多时间熟悉每个界面、记住每个按钮的位置。

原来，员工需要打开销售系统，筛出未跟进客户，再逐个查看记录。以后，他可能只要说清楚业务要求，系统就在权限范围内完成筛选、核验和准备工作。业务还要继续，页面却未必需要一个个打开了。

不过，看起来简单的界面，背后往往有不少复杂业务。

一条库存记录，牵涉占用、调拨、退货和账实一致。一份客户合同，要保留历史版本、价格承诺和履约条件。一笔看似只需修改数字的账务操作，可能有严格的校验与追溯要求。

相似的页面很容易做出来，要处理好这些业务，仍然需要产品、工程和行业知识。具备这些能力的公司，也可能因为AI带来更多系统调用而获得新机会。

"停留在GUI和CRUD层的SaaS压力最大"，说的是那些主要靠表层功能收取溢价、又缺少业务深度的产品。可靠地保存事实、执行交易、维护权限的软件，依然有它的用处。

当更多操作由机器连续发起，底层记录的准确性甚至会更重要。人看到两份冲突的数据，可以停下来问一句。自动执行的系统如果缺少校验，就可能把错误带进下一笔交易。

人不再打开页面以后，后台的记录和交易处理仍然得可靠。

软件公司往后可能要同时服务两种使用者。人需要看得懂、能检查、能接管的界面；Agent需要稳定的调用接口，也需要知道每项操作会改变什么、怎样才算执行成功。每天登录页面的人少了，软件参与的工作量却可能更多。只看页面活跃度，很难判断产品究竟有没有价值。

要让Agent接手工作，软件光有界面和接口还不够。系统得自己理解这笔业务的前因后果，否则它不知道该查什么、按什么规则办、做完算不算数。这就涉及一个常被提起的词，Context，业务上下文。

回到那笔1968元退款。订单数据库能告诉系统，顾客买了什么、花了多少钱、什么时候付款。决定这笔退款该怎么处理，还需要一些散落在别处的信息。

商品有没有拆封，门店当时承诺了什么，顾客参加的是哪一期活动，赠品怎么处理，之前是否补偿过，今天该按哪个版本的规则办。

知道"这是一笔退款"，还只能确定任务类别。把这些信息补齐，才知道这一笔具体该怎么办。

要让系统自己处理，企业还得把几件事说清楚。目标是让顾客拿到退款，流程包括申请、审核、执行和确认，指标要看到账时长与顾客满意度。谁有权批准例外，处理一笔退款要花多少钱，也得有明确的安排。这些要求写进软件，系统才有依据处理这家企业的业务。

有业务上下文的SaaS，可能比只有通用功能的产品更难替代。客户长期通过软件工作，会留下交易关系、异常处理、规则变更和实际结果。后来者可以复制页面，但要弄清这些经过实际业务检验的信息之间有什么联系，就困难很多。

但数据存得多，就够了吗？

三年前的活动规则和今天有效的规则，检索时都可能出现。某次为了安抚顾客作出的例外处理，如果没记下适用条件，下次就可能被当成常规政策。数据库里只有"退款成功"，没有当时为什么允许退款的依据，系统就只能看到结果，无法还原判断过程。

上下文不只是存得多就行，还得在用的时候挑得准。Anthropic把上下文看作有限资源。上下文工程要解决的，就是怎样从大量信息中选出当前任务需要的内容。材料全部塞进去，模型也未必更可靠。

放到企业里，这意味着值得留下的信息，还要带着适用条件、时间和结果。系统作决定时，需要知道这条信息从哪里来，现在还是否有效，过去照着它做，结果怎样了。

一段经验能否再次被使用并且用对，要靠这些记录。

假如AI建议给一组客户发券，人工否决了，系统只保存"已否决"，下次可能还会提同样的建议。如果连理由也留下来，比如"这组客户刚经历售后投诉，应先把问题处理好"，这次否决才有机会影响下一次行动。后来投诉是否解决、客户有没有恢复购买，也要继续记录下来，看看当时的判断是否合适。

这需要有人维护规则、核查反馈、评估新版本。系统运行久了，可能存下了一堆的错误信息和记录。要做到"越用越聪明"，还得有具体的学习机制，光靠时间积累并不够。

企业的数据归谁、供应商可以怎样使用，也要说清楚。供应商能够保存客户资料，未必就有权把它用于其他客户；同一家企业里，不同岗位也未必能看同一份信息。上下文能带来多少优势，还取决于授权范围、数据质量，以及这些资料能否迁移。

如果客户能完整带走自己的记录、规则和工作历史，供应商就得持续证明，自己的产品能把这些材料用得更好。单纯把数据留在系统里，只会增加客户迁移的麻烦。长期改善业务结果，才更有理由让客户继续付费。

有了业务上下文，系统才懂这笔业务。接下来还要问：它有权做哪些事，做到什么程度，谁在约束它。

软件承担哪些工作，也需要分清楚。

System of Record通常译为记录系统，保存组织认可的事实。System of Engagement侧重人与人、人与企业之间的互动。System of Action负责执行任务、改变业务状态。Control Plane，中文常译为控制平面，管的是谁可以执行、任务怎样调度，以及出问题时怎样停下来。

在退款业务里，控制平面管的就是这类问题。这笔退款可以自动执行吗？金额上限是多少？出了问题，谁有权叫停？

用同一笔退款来看，几种职责的差别会更清楚。

这四种职责可以在同一个产品里，也可能由不同产品承担。现实中的CRM、ERP早已有自动化功能，互动系统也可能直接促成交易。企业不一定先有记录系统，再有互动系统，然后才有行动系统和控制平面，实际情况要复杂得多。

AI让软件有机会处理更多表达含糊、格式不统一、需要结合背景判断的信息，再协调一连串操作。行动系统负责推进任务，控制平面负责授权、监控和限制执行。一个会调用工具的Agent，还需要配上这些能力，才能承担完整的工作。

高盛把新的价值集中点概括为结果、编排与Agent、数据与上下文三层。顺着这个区分看，软件公司还会争夺由谁发起执行、解释规则和验收结果的机会。

一些过去被留给实施团队处理的细节，也会影响客户选择哪家产品。

退款发起后没有收到响应，系统要不要重试？如果第一次已经成功，再试一次就可能重复退款。旧规则刚被替换，正在执行的任务该按哪个版本走？两个Agent同时处理同一张工单，谁可以继续？模型写下"处理完毕"，又有哪条真实记录能证明？

这些事能否处理好，决定产品能不能长期承担业务。

退款发起后，谁来管重试、谁来管权限校验、出了错怎么恢复？模型外面这套负责工具、检查和恢复的运行机制，工程里常称为Harness。Anthropic在长任务Agent的实验中发现，即使模型能持续运行，也可能只做完一部分就宣布完成，交接信息留得不全，或者没有充分测试。这些问题需要执行环境和验证机制配合处理。

放到企业业务里，道理很直白。提示词写了"请谨慎退款"，支付系统仍然需要校验金额。权限规则不能只写在文档里，要在实际调用时拦得住。遇到需要人工决定的例外，系统应该在向顾客作出承诺之前，就交给有权负责的人。

这些控制有效，普通任务才可以少等几次人工确认。做得粗糙，企业就得让人盯着每一步，否则出了问题，只能自己承担损失。

谁来提供控制平面，也还没有定论。原有业务系统、身份与权限平台、新的Agent产品，以及企业自己的技术团队，都可能承担其中一部分。模型变强，会改变这些分工，具体由哪家厂商拿下，仍要看产品和业务能力。

控制问题有了答案，软件才能真正干活。干活就得收费，收费方式的变化已经能在公开价目表上看到。不过，任务接得多了，交付成本也可能增加。质量问题、执行异常和人工接管，都会影响最后能赚多少钱。

截至2026年9月19日，Intercom的定价页同时列着人工席位费和Fin每个结果0.99美元起的费用。Fin也可以单独接入现有客服系统，无须购买Intercom席位。软件按使用人数收费之外，又多了一种按它完成的工作收费的方式。

再往下读条款，会发现"结果"有具体定义。Fin的计费条件包括顾客确认问题解决、回复后没有继续求助，或完成指定流程，而指定流程也可能包括交接。账单上的"结果"，要按双方约定的含义理解。

这就又回到了开头那笔退款。

对话结束、流程走完、钱到账，是不同程度的完成。客户愿意为哪一种付多少钱，需要说清楚。技术让按结果收费成为可能，怎样验收，决定了客户是否认可这张账单。

一家供应商说能帮助门店提升销售，门店很快就会问，发出一条消息就收费，还是预约到顾客才收费？如果按成交收费，要不要看这笔交易有没有利润？越接近成交，影响结果的因素越多。促销力度、天气、门店服务和顾客原有的购买意愿，都可能影响销量。

因此，按结果收费也有适用范围。容易识别和核验的任务，可以直接把费用和交付联系起来；需要多人配合、很久才能看到结果，或者很难说清是谁带来效果的工作，更可能把订阅、使用量与服务费结合起来。

客户会越来越想弄清楚，这笔费用究竟换来了什么，有没有可以查证的业务改善。

软件公司的毛利也得重新算。

传统软件要承担研发、运行和支持等成本。AI持续做任务，还会产生随使用增加的推理、检索、工具调用和验证费用。遇到复杂问题，可能要反复尝试，最后再交给人工处理。

模型调用的单价下降，能省下一部分钱。但任务更长、检查更多、复杂案例占比更高，又可能把省下的钱花回去。供应商最终要算的，是一件达到约定标准的任务，从头到尾做完，一共花了多少钱。

假如产品能自动处理大量简单工单，剩下的少数异常却要资深人员逐一追查，收入增长的同时，交付成本也可能增加。核算时漏掉人工兜底的成本，就会高估毛利。

客户也要算这笔账。员工每天少花一个小时填系统，可能带来更快的响应、更少的积压和更好的服务，这些都有价值。至于省下了多少钱，要看加班、外包或其他支出是否减少；释放出的时间有没有带来额外收入，也需要单独核算。

完成任务的SaaS有机会进入更大的市场，也要承担把任务做完的成本。

成本算清楚了，下一个问题也跟着来了：软件要承担工作，原来由人承担的那些事，怎么办。

到了这一步，很多难题就落到了组织身上。

一位熟练员工，常常能补上流程里的空白。两个部门的规则有冲突，他知道先找谁；系统没有这个选项，他知道该怎样解释；顾客的情况超出标准流程，他能从过去的经验里找出一个办法。

这些能力很有用，却往往没有完整写进流程，系统也无从调用。

企业一旦把任务交给AI，原来靠人协调的问题就会集中冒出来。销售希望尽快作出承诺，财务希望多保留一点利润，售后希望少增加难处理的例外。模型可以给出几种方案，公司还是得决定先顾哪一个目标，谁有权批准例外，出了问题谁来处理。

流程里那些没写清楚的地方，一直有人用经验、电话和加班补上。等AI来接手，公司才得认真说清楚，那位同事每天到底在处理什么。

软件从帮忙记录变成承担工作，会触动组织，原因也在这里。软件负责记录时，人把处理状态填回来就可以了；让软件承担工作，企业就得给出明确的目标、授权和判断依据。软件越接近业务结果，组织越需要把相互冲突的要求协调清楚。

这件事可以分出三种角色：意图所有者、模型操作者和结果验证者。有人决定这件事为什么值得做，有人把要求变成可以运行的任务，也有人检验结果。小团队里，一个人可以兼任，但这些职责仍然需要有人承担。

工作会变，利益分配也会跟着变。

老员工愿意讲清楚例外情况怎么判断，把经验留下来，其他人和系统就有机会学会这些处理方法。可如果他看到的回报只有"系统学会了，你就没价值了"，迟疑也很正常。一面要求员工分享知识，一面让分享的人承担全部风险，组织很难得到那些真正有用的经验。

供应商也会犹豫。新产品让客户少买席位，旧产品的收入先受影响，新的收费方式却还没证明能补上缺口。功能可能已经做好了，销售目标、续费机制和内部资源分配，还按原来的收入安排运转。

技术做到了，旧收入怎么补、新贡献怎么算，往往还没有谈妥。

AI转型也可能经历一段投入增加、产出却不明显的时期。经济学家在"生产率J曲线"的研究中讨论过，采用通用目的技术，还需要投入流程、技能和组织等无形资产。这些投入先发生，收益可能要过一段时间才出现。

这也让转型期的投入去向变得重要。企业是在积累自己的工作能力，还是越来越依赖某家供应商，会影响以后收益和议价权的分配。

AI辅助到底有没有用，已经有了一些证据。但这些证据也暴露出组织层面的问题。有一项研究跟踪了5172名客服人员，发现获得AI辅助后，每小时解决的问题数平均提高15%。研究观察的是一家公司的客服工作，衡量的是AI辅助下的效率。企业利润能提高多少，还要另算。

软件接手工作，可以逐步推进。哪些任务继续由人主导，哪些条件明确的环节交给系统，哪些还需要反复调整，都要看实际能力和执行结果。

同一项研究还发现，经验较少的客服获益更明显，最熟练人员的对话质量却出现小幅下降。适合帮助新人的建议，可能也会限制高手的判断。人留在流程里，要看他怎样与系统配合；人退出某个环节，也要验证系统能否接着把工作做完。

要判断一家公司用了AI之后有多少变化，可以看系统实际承担了哪些工作，结果怎样，出了问题又怎样调整。统计"用了多少AI"，能说明的事情有限。

组织层面的难题说完了，还有一个问题没碰：软件真到了门店、车间、工地，还能不能把活干成。

到了实体经济，软件承担工作这件事还会遇到现场的限制，各处的进展也会很不一样。

软件改完一个功能，可以很快发布。门店要完成一次安装，还得有合适的设备、可用的配件、能到场的人，以及顾客方便的时间。AI可能很快就完成了咨询和安排，服务却仍然卡在某个现实条件上。

美国汽车玻璃服务企业Safelite提供了一个例子。据合作方Sierra发布的案例，Scarlett通过聊天和语音回答顾客问题、识别车辆信息、协助预约；面向保险合作伙伴的Agent-Maker，则支持理赔相关咨询、申请与维修安排。这个案例展示了产品怎样进入服务流程，能带来多少新增收入，还需要进一步验证。

这里可以看到，软件已经参与了顾客接受服务的几个步骤。挡风玻璃裂了，顾客需要有人解释、核验和安排，最后还需要技师把玻璃修好。线上处理与现场服务接得越顺，AI前面做的工作才越有可能产生实际收益。

家电门店也一样。

生成十篇文案，只能说明内容变多了。要知道门店有没有因此多赚钱，还得查清哪些顾客看到了内容，谁确实有购买需求，推荐的型号有没有货，报价留了多少利润，最终有没有交付，之后又有没有退货。

其中任何一项都可能改变结论。AI推荐得再好，门店没库存，订单也落不下来。消息发得更多，顾客却觉得被打扰，短期数据好看，后续可能再也不愿意看了。销量增长，如果靠的是更大的补贴，贡献毛利未必增加。

这时候有用的上下文，是当地库存、渠道价格、安装能力、已经答应顾客的服务，以及类似客户过去的反馈。系统能把这些信息及时用起来，才有机会帮助门店把生意做成。

这需要在实际业务中慢慢做。接入模型，可以增加语言理解与推理能力；让它参与销售，还得处理数据更新、人员配合和实际交付。不同门店、不同产业，推进速度自然会有差别。

大企业也还有自己的优势。长期积累的客户关系、设备记录、行业知识和交付网络，都可能派上用场。只是要让AI用得上、业务愿意用，还需要逐项整理、接入和验证。

工业领域也能看到类似的动作。2025年，西门子以51亿美元企业价值完成对生命科学研发软件公司Dotmatics的收购，计划连接从研究到生产的数据。西门子希望通过这笔收购，让软件进一步参与专业研发，并打通相关数据。收购能带来多少回报，仍要看后续经营。

不同规模的企业，会带着各自的长处和难处参与竞争。小团队可以围绕一项具体任务迅速重做流程，但要证明自己能长期交付。已有企业有多年积累的业务基础，也得处理旧系统、旧收入与新工作方式之间的冲突。

不管公司自称多么"AI原生"，整理数据、接入流程、验证结果，这些事一样得做。

说到底，软件从帮人干活到自己干活，这件事可以用四个普通的词来理解：记录、判断、行动、验收。

前面讲的四种系统职责，是从软件分工来看。记录系统保存事实，互动系统接收诉求，行动系统推进任务，控制平面约束执行，回答的是"不同软件各管什么"。

换成一件具体业务，就可以接着问，系统记下了哪些可信事实？根据什么作出判断？可以采取哪些行动？最后由谁确认事情办完了？

这四个问题，对应记录、判断、行动、验收四个环节。前面看软件怎样分工，这里看一件事怎样办完。

还是用那笔1968元退款来看。

记录，是把订单、支付、退货和退款状态保存在系统里，方便核对。很多软件已经能做好这一步。

判断，要弄清商品有没有拆封，赠品需不需要退回，之前是否补偿过，今天适用哪个版本的规则。这些信息散落在不同地方，凑齐了才好决定怎么办。很多软件虽然记下了数据，判断仍然靠人。

行动，是在权限范围内调用业务工具，推进符合条件的退款，再检查执行结果。跨系统连续完成这些操作，还要处理例外情况，对软件的要求会更高。AI正在扩大软件能够自行处理的任务范围。

验收，要看钱是否到账，顾客有没有确认，异常处理了没有。由谁认定完成，按什么标准，出了问题谁来处理，都需要约定清楚。

一套系统能把这四个环节接起来，按约定推进工作并验证结果，才有条件承担一段完整业务。停在记录阶段，它提供的是查阅和核对的工具；参与判断，它能帮人作决定；进入执行，它可以接过一部分人工操作。再把验收接上，软件才能确认自己交付了什么。

供应商与企业的关系，也会跟着变。过去，企业买来工具，自己安排人把事情办完。以后，有些供应商可以持续承接一段业务，企业就会更加依赖它处理规则、执行任务和应对异常的能力。

依赖加深以后，还有一些问题需要问清楚。任务历史存在哪里，判断依据能不能查，换一家供应商需要带走哪些资料，谁有权调整系统追求的目标？

如果企业只说一句"帮我增长"，就把客户理解、行动规则和结果解释都交出去，眼前可能省事了，时间一长，却可能连自己业务里发生了什么都说不清。出了问题，桌上只有供应商的一份报告，想追问几句，都找不到核对的依据。

业务上下文能让供应商更有价值，也让采购者更需要保留自己的知识和判断。谁掌握了持续把工作做成的能力，谁就更有条件谈价格、定规则。

具体哪一方会获得更大的议价权，现在还很难一概而论。任务越标准，供应商越容易替换，价格竞争就越激烈；结果越难界定，执行越依赖特定的业务条件，合作关系就越复杂。模型能力、接口开放程度，以及客户自己组织工作的能力，也都在改变这笔账。

原来衡量软件的一些指标，会渐渐不够用。员工少登录几个系统，可能完成了更多工作；Agent调用了上千次工具，也可能还没把一件事办完。操作记录再详细，最后仍然要看交付了什么。

现在，再打开开头那笔退款。

每个流程节点都可以亮成绿色，审批、通知、交接都留下了完整记录。旁边还可以多一份措辞得体的AI总结，解释这次处理有多高效。

顾客还在看手机。

那1968元，到账了吗？