当软件开始像人一样干活,SaaS 企业该如何经营

外挂的幻觉

行业里几乎每家软件公司都在谈AI原生。落地时，大量企业把外挂式AI助手当成转型——在原有系统上加一个对话窗口，接上大模型API，就宣布产品已经AI原生。钱花了，架构没变，商业模式照旧，技术债却背上了。

区分外挂和原生，八个维度足够说明问题。战略主线上，外挂把AI当功能补充；原生是AI即产品，所有工作流围绕模型能力重构。产品定位上，外挂是提效工具，决策与执行仍靠人；原生是自主智能体，直接交付最终成果。系统架构上，外挂是单体或微服务外挂大模型API，数据层严重割裂；原生基于复合AI系统，集成模型上下文协议与模型路由，把模型、检索、工具调用、安全治理深度解耦。交互密度上，外挂产品每日操作中调用模型推理的比例低于百分之十；原生通常高于百分之六十。

最容易被忽略的是评估体系。外挂没有专门的模型评估框架，缺黄金测试集和实时观测；原生有完善的评测集、推理可观测仪表盘和红队测试。这决定了产品能不能持续稳定地交付结果。没有评估，智能体输出质量就是黑箱，按结果收费无从谈起。

这些维度不是营销概念。它们指向同一个问题：软件的价值锚点到底在哪里。外挂AI卖的还是工具，按人头订阅，帮助人更高效地操作软件。原生AI卖的是业务结果，按成果计费，直接替代人完成工作。两者的经济动力完全不同。传统软件争的是企业IT预算，AI原生软件争的是体量更大的人力服务预算。当软件销售的标的从提供操作工具变成交付业务结果，厂商就能从客户节省的人力成本里抽取高附加值。行业数据显示，AI原生企业的扩张速度平均比传统SaaS厂商快约百分之四十。

薄封装没有明天

只做薄封装的企业注定同质化。把大模型API包一层界面，加几个提示词模板，这种产品的壁垒约等于零。底层模型厂商随时能把那层封装做进自己的产品。过去一年，OpenAI和谷歌不断在ChatGPT、Gemini里内建功能，无数套壳工具一夜失去用户。

真正的AI原生必须基于复合AI系统搭底座。这个底座分三层。最底层是数据与上下文工程。传统检索增强生成已被上下文工程取代——把结构化与非结构化数据深度融合，对接企业原有CRM、ERP，整合业务规则、权限体系、历史交互序列、知识图谱。通用模型能力正在被商品化，企业固有的数据重力与私有工作流上下文才是护城河。金山办公走的就是这条路。它不参与底层大模型军备竞赛，聚焦办公场景的深度上下文工程，提出三二一落地体系：通知识、通数据、通能力，管成本、管安全，以WPS Comate和WPS 365做统一智能入口。文档编辑、即时通讯、业务表格、企业私有知识库彻底打通，做成最懂企业办公的AI入口。WPS AI月活跃用户突破一千九百万，验证了固有应用生态上做AI重构的飞轮效应。

中间层是智能体编排与治理。用LangGraph类框架做规划、记忆管理、ReAct循环；用模型上下文协议做连接第三方API与底层系统的受控桥梁——你可以把它理解成给智能体的万能插座，插上就能调用各种工具。这一层还嵌入实时推理钩子与安全审查，对模型工具调用和输出结果做毫秒级允许或拒绝裁决，再配评估仪表盘和推理可观测面板，持续监控输出质量与模型漂移。

顶层是模型路由与级联。不绑定单一模型：文本提炼、数据抽取这类简单任务路由给轻量小模型；复杂业务决策、长链条推理才调用高阶模型。这套架构让软件从等指令的记录系统，变成自主感知、推理、规划、执行的执行系统。钉钉正在往这个方向跨越：推出覆盖设计印刷、招聘差旅、生产制造等高频场景的商业级专属Agent，AI印刷Agent结合图文生成与专业排版，能秒级生成可直接对接印刷工厂的商业设计图，设计效率提升二十倍。它发布的DingTalk Real企业级AI硬件终端，给智能体开了安全的局域网与内网数据入口，把软件和硬件的边界打通。

毛利率的过山车

传统SaaS的服务器成本只占收入百分之十到二十，毛利率稳在百分之八十以上。AI原生把大模型推理费用直接计入销售成本，初期毛利率掉到百分之五十到六十。这是很多软件公司犹豫的原因：转型等于先砍自己的利润。

但毛利率的曲线是U形的。工程化算力优化能把推理成本降低百分之七十到九十。方法包括低成本模型优先、遇不确定性自动升级的级联路由，配合模型蒸馏、结构化输出约束、Token预算管理、Prompt缓存与语义缓存。一旦优化到位，毛利率重新向传统软件水平回归。Intercom的Fin就是例子：它用专门针对客服场景微调的Apex模型，自主解决率达到百分之七十三到七十六，超过通用大模型，同时推理成本可控，支撑起每工单零点九九美元的定价。

商业模式的底层逻辑也出了自我悖论。既然AI原生的价值是提效甚至替代人力，客户要买的席位必然越来越少——按人头订阅在逻辑上自我拆台。转型必然走向新计费。目前有三种模式：混合席位加弹性点数，基础席位费加点数包，Salesforce Agentforce每操作零点一美元；工作量计费，按Token、处理数据量、任务数收费，Cursor和OpenRouter为代表；结果导向计费，按成功解决的工单、合格商机、完成合同收费，Fin每成功解决一张工单零点九九美元。三种模式各有权衡：弹性点数更好过渡但仍是变相席位；消耗量透明但客户预算可预测性差；结果导向最有说服力，却要求产品具备极高的评估精度与容错率。

资本市场给成效计费的溢价是实打实的。Fin迅速做到近一亿美元ARR，最终母公司被高价收购。一级市场对AI原生企业的ARR估值倍数可达十五到三十倍以上，而传统SaaS的基线溢价只有一到三倍。软件的价值锚点从功能与席位迁移到业务结果，卖功能时按人头收费，卖结果时按成果收费。软件行业第一次需要为自己的输出负责，每误判一次都在烧钱。

不是所有软件都要当司机

把AI原生讲成唯一正确路径，容易忽略一个事实：很多软件场景并不适合全自动。创意设计、战略分析、复杂谈判，这些工作人机回环比完全替代更合理。外挂式AI助手在短期也能提升效率，微软Copilot帮程序员补全代码，并没有重构整个开发工具链，但确实省了时间。

但战略上必须看清自己是在哪个赛道。如果产品的核心价值是帮助人操作信息，按人头收费的模式还能持续，但增长天花板就是客户的IT预算。如果产品的核心价值是直接交付业务结果，就必须重构架构和商业模式，否则会被真正原生的对手切走人力服务预算。客户不会为两个功能类似的软件付两份钱，他们会选那个能把活干完还便宜的。

对存量软件厂商，激进废弃现有系统等于业务断裂。最稳的路径是五阶段渐进：先做上下文工程与数据基础设施重构，打破数据孤岛，搭统一的企业上下文引擎；再部署复合AI系统与模型路由，建评估体系和成本控制；第三步重塑产品交互与工作流，从外挂Copilot进化到自主Autopilot；第四步平滑过渡商业模式，保留基础席位包加弹性点数，选一两个成效易量化的高频场景试点结果计费；最后变革组织架构，引入Prompt工程师、评估工程师和业务领域专家，推行Agent-First开发范式。

对初创企业，坚定全栈AI原生，放弃传统复杂GUI，直接以服务即软件模式切入垂直细分场景，用结果导向定价去够传统巨头够不到的人力服务预算。对成熟厂商，别参与底层大模型军备竞赛，也别停留在外挂打补丁。核心防御屏障是沉淀多年的企业上下文与数据重力，用复合AI系统把记录系统升级为执行系统，在保护现有客户的前提下平滑跨越。

当软件开始替人干活，人与软件的关系就反转了。传统软件是记录系统，等着人来操作；AI原生软件是执行系统，自主感知、推理、规划、执行，人只在高风险节点通过人机回环把关。软件从等指令变成自己动手。这轮重构最终落在研发范式上：敢把产品价值直接锚定在业务成效上的组织基因，才是终局壁垒。