AI时代,软件服务企业不断在提高效率,收益却在持续下滑

AI让软件开发更快了，软件企业却未必赚得更多。

软件企业不断在引入AI工具，提升人员能力，效率肉眼可见地在大幅提升，但另一端的收入和利润却呈现出尴尬的局面。

2026年半年报显示，亚信科技、思特奇、科大国创、天源迪科等厂商都在推进AI应用与降本增效，成本费用的下降并未能带来经营回报的同步改善：四家公司的归属股东净利润均同比走弱，典型代表是亚信，人员大幅缩减，收入大幅下降，利润由盈转亏。

按照通常的理解，其他条件保持不变时，成本下降理应有利于供应商增加利润。客户获得的价值没有减少，供应商完成任务所需的资源减少了，双方可以分享的收益就会增加。

只是，实际发生的变化，却往往超过成本这一项。用经济学理论来试图分析看透其中的本质。

纳什议价理论提供了一条分析线索：双方能够分得多少收益，与各自的替代选择有关。生意谈不成以后，谁还有更好的去处，谁就更有条件坚持自己的价格。

这里需要区分“项目创造的价值”与“维持当前合作关系多出来的价值”。一个系统对客户很重要，客户却可以从几家供应商那里获得相近的系统，当前厂商能够据以谈价的空间就会缩小。

软件行业过去和今天的差别，很大程度上在这里。

MBOSS 1.0建设初期，尽管当时厂家也有很多，但真正理解运营支撑体系的人有限。开发CRM、计费、开通编排和资源管理系统，并将这些业务组织成一套完整体系，能力要求很高。

成熟人才需要培养，团队协作需要磨合。企业掌握一批高手，就掌握了稀缺的交付能力。客户缺少同等替代选择，愿意支付较高价格，供应商也就能够取得相应的稀缺租金。

团队还有容量约束。一家运营商提前占用了优秀团队，竞争对手便需要等待或者另找队伍。客户争取供应商，同时也是在争取建设速度。

中国移动推进BOSS1.0时，采取的就是这个策略。圈住了核心厂家的核心队伍来共同建设移动BOSS，从而在相当时间范围内，移动BOSS占据了领先地位，为中国移动大发展助力良多。

当时需求增长得快，高手培养得慢。厂家之间虽然竞争激烈，有效供给依然紧张，项目预算能够覆盖较多人力投入，企业也能获得较好回报。

时间推移，经过二十来年的建设，局面慢慢地在发生着变化。

项目反复实施，规范不断普及，人员在企业间流动。早期需要高手探索的知识，后来进入标准、文档和成熟产品。厂商之间的差距不断在缩小，运营商依赖于厂家的局面同样也在变化。

在业务体系没有革命性变化的情况下，即便技术持续更新，各家掌握技术的能力相差无几，所以各家产品越来越容易互相替代。一家出现问题，运营商能够找到熟悉同一套体系的替补。

AI进一步降低了形成替代能力的门槛。少量高手可以带动更多产出，运营商自研队伍也能接手更多任务。运营商的外部选择改善了，供应商在别处寻找好项目的机会却未必同步增加。

成熟BSS/OSS体系中的需求，受业务收益、组织调整和数据准备约束。开发费用下降三成，客户未必因此多建三成系统。需求价格弹性有限，新增产能便会集中争夺现有预算。

即使没有招投标，这些条件也会进入报价。供应商知道客户可以换厂家、拆项目、转向自研，便会主动调整价格。潜在替代足够可信，便能约束现有供应商。

类似的情况，历史上出现过。

巴菲特在1985年致股东信中，讨论过美国纺织业的设备投资。伯灵顿工业公司拥有雄厚的生产和销售基础，1964年至1985年累计投入约30亿美元资本开支，其中很大一部分用于改善成本和扩大生产。

每项设备投资，按原有售价计算，都可能相当划算。同行也采用类似设备，降低后的成本便逐渐成为全行业重新报价的基础。二十多年后，伯灵顿的销售利润率和净资产回报率反而低于早年。

企业按照旧价格计算提效收益，可没料到的是竞争却改变了那个价格预期。

同样，软件企业也需要把同行的反应算进AI投资回报。客户调整预算，也需要辨认自己究竟在购买什么。

技术进步的收益，从经济学的角度，不会让某一方来独享。

多赢才是目的。如何才能营造多赢的局面，这就需要我们将事情拆开成3个层面来看：

一份软件合同，常常同时购买三种经济性质不同的工作。如果按同一个比例压降预算，容易把它们之间的差别抹掉。

先看范围清楚、成果容易验收、其他厂商能够接手的任务。

这类任务的交付标准明确，替换成本较低，质量也比较容易比较。充分竞争有助于发现真实成本，AI带来的效率改善，可以也应该通过合理降价让客户受益。

这里适用的是竞争市场的价格约束。供应商若持续采用落后的生产方式，其额外消耗很难长期要求客户承担。

预算调整仍应保持口径一致：功能范围、质量要求、维护责任和风险没有变化，才能比较同一项工作的效率收益。代码生成更快，可能节约开发工时；测试、集成和验收若仍需原有投入，整个项目的预算降幅就需要据实计算。

当然，价格应当反映效率变化，也应覆盖有效供给所需的完整成本和正常回报。竞争充分，并不意味着每项工作的利润都要归零。

砍预算也得有个度。

再看具有客户资产专用性的工作。

熟悉某家运营商历史系统的专家，掌握特殊接口、隐性规则和故障处置经验的团队，其能力对这家客户尤其有价值。转到其他客户那里，这些经验可能需要重新积累。经济学将这种特征称为“资产专用性”。

AI能够提高这些人的工作效率，却未必会降低客户需要保留的团队规模。

一个专家过去需要一天完成的问题，现在半天完成了，客户仍可能要求他随时响应故障、参与重要变更、保障业务连续性。释放出来的半天，也很难立即转售给其他市场。

客户购买的内容中，包含一种随时可调用的能力。待命、判断和风险承担都有价值，实际编码工时只能计量其中一部分。

这也解释了一个常见现象：采购部门要求压缩预算，厂商据此减少现场人员，运维部门又马上提出异议。采购节约进入一个部门的考核，运行风险却由另一个部门承担。部门分别优化自己的指标，企业整体成本未必下降。

保持预算稳定，就有了经济依据。

在专属团队规模、保障责任和风险水平基本不变时，AI节约的时间可以用于完善测试、治理技术债、整理知识和培养接班人。客户获得的回报，体现在更少返工、更低故障概率和更稳定的服务中。

反过来，预算按工时同比缩减，厂商可能只能减少人员或者替换成经验较少的员工。合同价格下降，知识流失、交接磨合和运行风险却可能增加。

这类合作还存在事后议价对事前投资的影响。

团队培养完成以后，费用已经沉没。续约价格即使不足以收回全部投入，只要能够覆盖继续服务所需的可避免成本，厂商仍可能接单。

但培养下一批专家，需要预期收入覆盖新的培养费用及正常回报。继续履约与继续投资，适用的是两个条件。低价下仍有人接单，并不能保证这种能力会持续补充。

交易成本经济学将专用投入受到事后议价威胁的情况，称为“敲竹杠”风险。采购者可能只是在执行年度降本要求，厂商却会据此减少下一轮长期投入。

预算稳定因此需要可信的安排，例如适当期限的合作承诺、明确的服务能力要求，以及合理的变更和交接规则。同时保留质量考核、价格复核和退出机制，让长期合作接受持续检验。

第三类，是需要通过试验才能判断价值的探索性任务。

如何从系统级AI迈入企业级AI架构，如何安全可靠准确处理长程任务，在新的业务领域里探索新的运营模式，以及新的运营方式如何形成规模收入，往往需要做过甚至要来回多次以后才有答案。

它的经济价值，需要放到未来收益中衡量。效率在下，经济价值在上。

一次试验可能没有形成可上线产品，却排除了一条代价高昂的错误路线；另一项试验可能暂时只服务少量用户，却证明了一种值得扩大投入的业务模式。用完成了多少人月、节约了多少编码时间评价这些工作，很容易错过其价值。

“实物期权”理论提供了一种投资办法：先投入有限预算取得证据，再决定追加、调整或者停止。前期投入让客户保留了后续选择，也减少了过早押注的风险。

因此，探索性任务需要保留足够的验证预算，并建立连续的投入机制。每一阶段约定要回答的问题、需要取得的证据，以及继续投入的条件。完成了约定验证、帮助避免更大损失的试验，应获得相应报酬。

AI可以让探索更快、更便宜，节约下来的预算也可以支持更多方案比较、更充分的数据验证。只保留最容易确定成功的项目，会使探索范围越来越窄。企业未来的竞争能力，往往需要今天为尚未确定的机会支付成本。

并且，持续投入与及时退出可以兼容。单个项目随证据变化而停止，一组经过筛选的探索活动保持连续，资源才有机会流向预期价值更高的方向。

这三类工作，在同一个项目里经常同时存在，也会随时间转换。探索得到验证，可能形成专属能力；规则和接口成熟以后，又可能成为容易替换的标准任务。预算安排应跟着经济性质变化。

采购考核也需要覆盖相应的时间。年度降价容易记录，几年后少发生一次严重故障、提前验证一项新业务，却较难归因。只考核当年节约，后两类投入就容易被压缩。

软件企业需要说明每笔投入形成了什么能力，客户也需要明确每项预算希望换来什么。通用任务通过竞争分享AI红利，专属服务通过稳定投入维持可靠供给，探索活动通过分阶段投资争取未来收益。

只有这样安排，才能把技术进步的收益落实到不同用途上：成熟系统以更低成本运行，专属团队继续积累经验，新业务获得充分验证。客户取得眼前收益的同时，也为几年后仍有能力可买、仍有供应商可选，支付必要的成本。

期待大家能以经济学的方式来看待当前的局面，期待认知清楚后，让当前的局面能有所改变。