AI正在重新定价所有的软件:一场比SaaS革命更深刻的商业重构

摘要：

一家软件公司仍在高速增长，客户持续增加，利润率依然出色，资本市场却突然认为它不值那么多钱了。人工智能正在挑战软件行业沿用二十年的估值逻辑，更大的危机在于：如果AI能够直接完成工作，企业为什么还需要购买软件？

一家软件公司最可怕的遭遇是什么？

不是客户流失，不是收入下滑，也不是竞争对手推出了更便宜的产品。

而是公司明明经营得越来越好，资本市场却突然认为，它的商业模式已经过时。

这正是人工智能时代，许多传统软件公司正在面对的现实。

过去二十年，一家企业软件公司只要保持高速增长、稳定续费和高利润率，就有机会获得资本市场的高估值。投资者相信，软件拥有极低的边际成本，可以随着客户规模扩大持续创造利润。

如今，这套曾经被视为黄金标准的商业逻辑，正在遭受前所未有的挑战。

在新的估值体系下，一家年增长80%、利润率80%的软件公司，可能远不如一家增长160%、利润率只有30%的人工智能公司受到追捧。

甚至后者的估值倍数，可能达到前者的数倍。

更令人不安的是，传统软件公司的经营基本面可能并没有恶化，失去的却是资本市场对其未来的信心。

这种变化背后，隐藏着一个足以颠覆整个软件产业的问题：

如果人工智能可以编写软件、操作系统、处理业务，甚至代替员工完成整个工作流程，那么企业究竟还需要为什么付钱？

是为软件的功能付钱？为使用软件的账号付钱？为人工智能消耗的算力付钱？还是只为最终完成的工作付钱？

每一种答案，都可能对应完全不同的商业模式，也决定着未来哪些软件公司能够生存，哪些企业将失去原有的竞争优势。

拥有约1.6万家企业客户的美国安全与合规软件公司Vanta，正在亲身经历这场变化。

它曾经是传统软件商业模式的典型受益者，如今却必须重新思考自己的产品究竟是什么、应该如何收费，以及在人工智能时代如何证明自身不可替代。

Vanta创始人Christina Cacioppo在一次深度访谈中，揭示了软件行业正在发生的变化。

这场变革真正残酷的地方在于：AI不仅让软件变得更容易开发，还正在改变软件为什么值钱。

一、软件公司的估值逻辑，正在与经营表现脱钩

在传统软件行业，一家优秀企业通常具备几个共同特征：收入持续增长、客户续费稳定、毛利率较高，以及较强的经营现金流创造能力。

这些指标构成了过去二十年软件行业的估值基础。

软件与传统制造业不同。开发一套企业管理系统可能需要巨额研发投入，但产品一旦形成，向更多客户提供相同服务的边际成本通常较低。

随着客户规模扩大，研发投入可以被更多收入分摊，企业有机会实现利润率持续改善。

这也是订阅制软件能够获得较高估值的根本原因。

投资者不仅看重当期收入，更看重未来多年可预测的现金流。

但人工智能正在改变这种预测的可靠性。

Vanta创始人在访谈中提出了一组极具代表性的假设：一家年增长率80%、利润率80%的企业，与一家增长率160%、利润率只有30%的企业，哪一家更值得投资？

如果从长期现金流回报角度衡量，前者可能拥有更加优越的经济模型。

然而，在人工智能投资热潮中，市场可能给予后者远高于前者的估值倍数。

这组数字是访谈中用于说明市场估值偏好的假设，并非Vanta自身披露的财务表现。

估值差异的背后，是投资者对未来产业结构的不同判断。

一家传统软件企业即使增长良好，其收入规模仍然可能受到原有市场边界的限制。

而一家人工智能企业，即使短期利润率较低，也可能因为有机会进入多个行业、替代大量人力工作而获得更高的增长预期。

资本市场正在从奖励稳定性，转向更加积极地奖励潜在的颠覆性。

这种变化还会形成连锁反应。

当人工智能企业获得更高估值，它们就更容易融资，也更容易以高额薪酬吸引优秀人才。

传统软件公司即使经营稳健，也可能因为估值差距而面临人才竞争压力。

估值于是开始影响企业未来的实际竞争能力。

不过，市场预期并不等同于最终结果。高速增长但利润率较低的企业，仍然需要证明自己能够在长期形成可持续的现金流。

对于软件公司而言，最困难的抉择在于：究竟应该坚持已经得到验证的商业模式，还是主动投入尚未成熟的新技术和新产品形态？

过去的软件公司主要需要证明自己能够持续增长；今天，它们还必须证明自己的增长不会被人工智能取代。

二、从提供功能到完成工作，软件的价值正在转移

要理解人工智能对软件行业的冲击，需要重新审视企业为什么购买软件。

过去，企业软件本质上是一套提高员工工作效率的工具。

CRM帮助销售人员管理客户，ERP帮助企业组织业务流程，财务系统帮助会计人员处理账务，安全软件帮助管理员识别和处理风险。

软件提供功能，员工负责操作。

企业获得的价值，来自软件与员工共同完成的工作。

智能体正在改变这一分工。

以Vanta的安全管理场景为例。

传统安全系统能够持续监控企业的账户权限，并在发现异常时发出警报。

如果一名员工已经离职，但仍然拥有某些业务系统的访问权限，系统可以提醒安全管理员处理。

管理员随后需要检查相关账户、确认权限、执行回收，再核实结果。

人工智能智能体可以将这条工作流程进一步自动化。

它不仅能够发现异常，还可以分析需要采取哪些措施，生成相应的处理流程，并在获得用户授权后执行操作。

例如，智能体发现离职员工仍然保留访问权限后，可以提出撤销账户授权的建议。

用户确认后，它便能够执行。

更进一步，智能体还可以询问，是否需要将同类检查设置为持续运行的自动化任务。

这时，软件已经开始从被动工具转变为主动执行者。

过去，客户购买软件，是因为软件能够帮助员工完成工作。

未来，客户购买软件，可能是因为软件本身就能完成越来越多的工作。

这种变化也会重塑用户界面。

传统企业系统通常采用固定的菜单、表单、按钮和操作页面。

用户需要学习软件的功能结构，再按照系统预先设计的流程工作。

Vanta正在探索一种不同的产品体验：智能体根据当前任务动态组织交互，必要时甚至直接生成用户界面。

有些任务适合通过对话完成，有些任务需要用户进行可视化确认，还有些任务可以在事先授权后自动执行。

界面的作用开始发生变化。

它不再始终是员工完成工作的主要场所，而可能成为员工表达意图、设置约束、检查结果和处理例外的控制界面。

这对传统企业软件具有深远影响。

大量ERP、CRM和财务系统的功能，实际上是在将业务流程拆解为一个个需要人工操作的步骤。

如果智能体能够理解业务目标，并安全地完成这些步骤，那么软件原有的功能组织方式就需要重新设计。

当然，这不意味着所有工作都可以交给智能体。

涉及重大财务影响、法律责任和关键业务权限的操作，仍然需要明确的授权、审计与控制机制。

但软件价值的重心正在移动。

未来的软件竞争，将越来越多地围绕能够完成多少实际工作展开，而不只是提供多少功能。

三、按Token收费，可能是AI软件最危险的商业陷阱

人工智能改变软件产品形态之后，接下来必须回答一个更加现实的问题：如何收费？

目前，基础模型厂商通常按照Token消耗量向开发者收取费用。

因此，一些人工智能应用公司自然选择将Token成本转嫁给客户，并在此基础上增加利润。

这种模式看起来符合传统商业逻辑。

但它可能让应用公司陷入不利的竞争位置。

假设一家软件公司使用Claude模型提供服务，并把底层Token成本提高四倍后向客户收费。

客户很容易意识到，自己支付的大部分费用实际上对应同一家模型供应商的能力。

于是客户会问：为什么不直接使用Claude？

如果软件公司无法清晰证明额外收费所对应的业务价值，其价格就会持续受到基础模型价格的约束。

这正是Vanta创始人在访谈中反复强调的问题。

当软件公司按照Token收费时，它实际上主动将自身产品与底层模型放在同一个价格维度上比较。

而底层模型厂商通常在模型能力、算力成本和技术迭代速度上拥有更直接的控制权。

应用公司如果只依靠转售模型能力获得利润，长期竞争空间可能十分有限。

Vanta目前采取的策略，是自行承担智能体产生的模型使用成本，将重点放在提高客户使用率上。

访谈中提到，约25%的客户已经使用相关智能体工作流程。

公司的目标，是逐步将这一比例提高至75%左右。

管理层相信，只有当客户真正体验到智能体能够持续完成工作，产品才能建立新的使用习惯和长期价值。

这种选择意味着企业可能暂时承受较低利润率。

但其战略目的，是优先验证客户对新产品形态的需求。

与此同时，行业正在探索一种更接近客户价值的收费方式：按照工作产出或者业务结果收费。

例如，客服软件可以按照完成的工单数量收费，安全软件可以按照完成的权限回收或风险处理任务收费。

不过，工作产出与业务结果之间存在重要区别。

一张客服工单被关闭，并不意味着客户的问题真正得到解决。

一份合同审核报告被生成，也不意味着所有法律风险已经被消除。

一项财务对账任务完成，也未必意味着相关数据不存在错误。

因此，按照结果收费虽然具有很强的经济吸引力，却面临计量、质量验证和责任归属等问题。

此外，企业软件可能同时包含几十种不同工作流程。

如果每种任务都单独定价，复杂的价格体系又会增加客户理解和管理费用的负担。

未来的软件定价模式，很可能继续融合订阅费、使用量和工作产出等不同维度。

真正重要的是收费依据与客户获得的价值之间的关系。

客户不关心智能体消耗了多少Token。他们关心的是花费这些钱之后，究竟完成了什么工作。

四、当软件越来越容易开发，真正的竞争壁垒在哪里？

人工智能编程工具带来的另一个变化，是软件开发的成本正在下降。

过去，一个软件团队需要经过需求分析、开发、测试和部署等多个阶段，才能交付一项功能。

现在，人工智能已经能够承担越来越多的代码生成、测试编写、问题定位和重构工作。

这并不意味着复杂企业软件能够毫无成本地被复制，但标准化功能的开发门槛确实正在降低。

对于依靠功能差异获得竞争优势的软件公司而言，这意味着传统技术壁垒可能受到削弱。

Vanta创始人认为，公司长期竞争优势的重要来源之一，是早期投入建设的系统集成能力。

目前，Vanta可以连接约400种外部工具，从多个系统持续获得安全、合规和运营相关数据。

这些数据构成其所谓的信任图谱。

这一能力对于智能体至关重要。

大模型可以理解用户提出的问题，也可以生成一套操作建议，但它通常无法凭空知道某家企业真实的账户权限、云环境配置和内部安全政策。

更不可能在没有系统连接与操作授权的情况下，直接完成工作。

只有把模型能力与企业数据、业务流程和实际执行工具连接起来，智能体才能从通用推理工具转变为企业生产系统。

这也是企业软件长期积累的重要价值。

成熟的软件平台往往已经掌握客户的业务流程、数据结构、用户权限及大量系统间的关系。

这些能力不仅可以支持传统业务应用，也可能成为部署智能体的基础。

不过，拥有数据和接口并不自动意味着拥有竞争壁垒。

数据必须足够准确、完整、持续更新，并且能够在合规条件下被有效使用。

系统连接也必须可靠，执行操作需要经过适当授权，并能够留下可追溯的审计记录。

真正难以复制的，是经过长期业务运行验证的数据体系、流程规则和客户信任。

因此，软件行业的竞争重点可能发生转移。

过去，企业主要比较功能是否完整、界面是否易用、价格是否合理。

未来，企业还会关注软件能否理解组织上下文、连接真实业务系统，并持续、安全地完成任务。

模型能力正在变得更加普遍，但企业特有的业务上下文和可信执行能力，仍然需要长期积累。

五、人工智能正在重写软件产品的设计方法

技术能力变化，并不必然带来产品创新。

一个很容易被忽略的问题是，很多成熟软件公司虽然开始使用人工智能，却仍然沿用传统的软件设计思维。

Vanta曾经遇到过一个典型案例。

对于大型企业客户而言，采用新的安全管理平台通常需要导入大量已有资料，包括控制措施、风险记录、制度文件以及合规流程。

传统软件会设计一套逐步引导的初始化流程，让客户按照预先定义的步骤填写信息、上传文件和完成配置。

当Vanta希望优化这一体验时，产品团队最初仍然反复提出更完善的引导页面。

然而，公司管理层希望彻底改变这种模式。

新的方案允许客户直接上传现有文件、截图及其他非结构化资料，由大模型理解内容、提出必要问题，并协助完成系统初始化。

客户不再需要先将所有信息整理成系统能够理解的固定格式。

软件开始主动理解客户已经拥有的信息。

这一案例的重要性，在于它展示了人工智能产品设计与传统软件设计之间的差异。

传统软件需要将工作流程预先结构化。

因此，产品经理必须定义字段、步骤、页面和各种操作规则。

人工智能能够处理更大量的非结构化信息，使软件可以围绕用户目标构建更灵活的工作流程。

这种变化也会影响企业软件的实施模式。

今天，大型ERP和CRM项目通常需要大量人工完成业务访谈、字段映射、数据迁移和流程配置。

未来，其中一部分工作有望通过智能体辅助完成。

但Vanta的案例还揭示了组织转型的另一个障碍。

为什么一支能力很强、积极投入的产品团队，仍然反复提出传统的初始化引导方案？

原因在于，他们熟悉这种设计方法，知道如何保证项目交付，却担心新的人工智能方案无法成功。

在缺乏失败容忍度的环境中，团队自然倾向于采用已经验证的方法。

这意味着，企业推动人工智能转型，不能只要求员工使用新工具。

管理层还需要重新定义什么是值得尝试的产品方案，以及如何评价技术探索过程中的风险。

真正的AI原生产品设计，需要重新理解用户任务，而不只是把大模型嵌入已有页面。

六、AI正在改变软件公司的组织结构与人才价值

当人工智能开始承担更多执行工作，企业内部的人才价值也在发生变化。

Vanta创始人在访谈中提到，优秀人才的薪酬竞争已经变得异常激烈。

她估计，公司最顶尖人才的总体薪酬，相较五年前对应水平可能达到约十倍。

这一数字反映的是公司顶尖人才的薪酬变化估计，并不代表整个软件行业的普遍水平。

但背后的趋势值得关注。

当人工智能能够放大个人执行能力时，能够准确理解问题、作出决策并持续推动结果的人，其价值可能进一步提高。

传统组织往往按照专业分工配置人才。

销售负责销售，产品经理负责需求，工程师负责开发，运营人员负责执行。

但在智能体能够辅助完成大量专业任务之后，企业可能更加看重跨越专业边界解决问题的能力。

Vanta创始人特别强调了两项能力：对企业及客户的深度理解，以及推动工作完成的主动性。

一个熟悉企业内部业务逻辑、客户需求和组织决策方式的人，可能比一个仅仅掌握通用专业技能的人更加重要。

例如，一名资深产品负责人能够理解某项复杂业务规则为什么存在、哪些客户真正需要它，以及它与其他业务流程之间有什么关系。

人工智能可以帮助这个人更快完成系统设计、原型制作和代码开发。

但仅仅拥有编程能力的智能体，未必能够自行判断这些业务问题。

同样，一个熟悉企业经营流程的员工，可以利用人工智能同时处理数据分析、流程设计和方案验证，从而扩大自身的业务影响范围。

这种变化还可能重新塑造企业内部的权责关系。

当执行成本下降，能够决定执行方向的人就变得更加重要。

企业不再只需要大量按照既定流程完成任务的员工，也需要能够发现问题、调动资源、快速验证并持续改善结果的人。

不过，这不意味着所有具备经验的员工都会自然受益。

如果经验主要体现为对固定操作步骤的熟练掌握，那么相关工作的价值可能受到自动化冲击。

真正有价值的经验，是对业务机制、客户需求、组织约束和经营结果的理解。

人工智能降低了执行的成本，却可能进一步提高判断力、责任意识和组织认知的价值。

七、AI越强大，企业越需要可以信任的软件

人工智能进入企业核心业务系统之后，安全与治理问题也会发生变化。

传统软件通常按照预先定义的程序执行任务。

即使用户具有较高权限，其操作仍然受到固定功能和流程的约束。

智能体则具有更大的行动灵活性。

它能够理解自然语言指令、选择工具、组织多个操作步骤，并根据执行结果调整后续行动。

这种能力使其能够完成复杂工作，同时也引入了新的风险。

一旦智能体错误理解业务目标，或者在缺乏足够权限控制的情况下执行操作，影响可能扩散到多个业务系统。

例如，错误的权限调整可能影响员工正常工作，错误的财务操作可能产生经济损失，未经验证的数据修改还可能破坏企业记录的完整性。

因此，人工智能在企业中的普及，不能只依靠模型能力提升。

企业还必须建立与智能体执行能力相匹配的治理机制。

包括明确的权限边界、敏感操作审批、执行记录、异常监测，以及必要的人工复核与回滚机制。

与此同时，人工智能也改变了网络安全攻防的方式。

传统攻击者受到时间、人力和专业能力的限制。

智能体则可以持续尝试不同的攻击路径，将多个独立看来危害不大的漏洞组合起来，寻找复杂的攻击机会。

Vanta创始人在访谈中指出，人工智能对安全行业的影响，可能不仅是发现更多未知漏洞，还包括更高效地串联已有的低严重性问题。

这使传统漏洞管理方法面临挑战。

过去，一个风险较低的配置问题可能被安排在数月后修复。

但如果它能够成为自动化攻击链的一环，实际风险就可能显著提高。

因此，安全系统需要提高问题发现、分析和修复的速度，并重新评估风险之间的关联性。

未来，人工智能可能同时用于自动发现漏洞和辅助修复漏洞。

但对于具有生产影响的修复操作，仍然需要验证和控制，避免自动化本身制造新的风险。

这也解释了为什么Vanta希望从传统合规管理，向更加广泛的安全管理平台发展。

随着人工智能深入业务流程，企业需要持续证明自己的系统是安全、可靠和可控的。

在越来越复杂的数字环境中，信任将成为重要的商业基础设施。

八、未来的软件竞争，将围绕经营结果重新展开

综合这些变化，可以看到人工智能正在从三个层面重新塑造软件行业。

首先是生产方式。

软件开发、测试、实施和维护的部分工作正在被人工智能加速。

这会降低某些功能的开发成本，也会改变软件公司的人员结构和研发效率。

其次是产品形态。

传统软件主要提供功能与工具，智能体则开始承担实际任务。

客户与软件之间的关系，从操作工具逐渐转向委派工作、监督执行和验收结果。

最后是商业模式。

当软件能够直接完成工作，按账号、功能或者模型消耗量收费的合理性，都可能受到重新审视。

越来越多的软件价值，需要通过可验证的业务产出加以证明。

这种变化对于CRM、ERP、合同管理、订单管理以及财务系统尤其重要。

传统企业数字化建设，主要解决的是业务流程标准化和信息线上化问题。

企业通过软件，将客户信息、销售机会、合同、订单、账务和审批流程纳入统一管理。

这些系统创造了大量价值，也形成了企业运营的数字基础。

但它们仍然需要员工在系统之间进行大量协调、判断和操作。

例如，一笔订单从客户需求确认到合同签署、信用检查、执行交付、开票和回款，可能涉及多个部门和多个独立系统。

传统数字化建设通常把这些工作拆分为一系列流程节点，由不同人员在相应系统中处理。

智能体则有机会在获得授权的条件下，连接这些业务环节，辅助识别异常、收集资料、完成核验，并推动后续任务。

因此，未来衡量企业软件价值的方式也可能发生改变。

系统拥有多少功能、覆盖多少员工、处理多少数据，仍然是重要指标。

但企业还需要进一步关注：

软件减少了多少人工操作？缩短了多少业务处理时间？降低了多少错误和风险？提升了多少收入转化或者资金效率？

这些指标更加接近企业愿意持续支付费用的真正原因。

当然，任何效率提升都需要建立合理的评价基准。

人工智能减少了某项流程的处理时间，并不自动意味着企业获得了同等比例的成本节约。

只有当节省的时间真正转化为产能提升、成本下降或经营改善时，才能形成可验证的商业价值。

这也是未来企业软件转型必须解决的核心问题。

软件公司需要从证明产品能够运行，逐步转向证明产品能够持续创造经营收益。

结语：当软件不再稀缺，什么才真正值钱？

过去二十年，企业软件行业建立在一个相对稳定的假设之上：

软件开发是一项复杂而昂贵的工作，而成熟的软件产品能够通过标准化交付和规模化销售创造持续利润。

人工智能正在改变这个假设。

代码生成成本下降，使得部分软件功能更加容易获得。

基础模型能力不断提升，使自然语言交互、文档处理和复杂任务规划逐渐成为通用能力。

智能体进一步将这种能力延伸到业务系统，使软件开始承担越来越多真实工作。

但软件开发更容易，并不意味着所有软件都会失去价值。

真正重要的，是软件究竟控制着哪些不可轻易复制的资源，以及能够为客户创造什么独特价值。

企业特有的数据、长期积累的业务规则、复杂的系统连接、经过验证的执行机制，以及客户建立起来的信任，仍然可能形成深厚的竞争壁垒。

对于软件公司而言，最大的风险也许并非人工智能会复制其全部功能，而是客户可能不再愿意按照原来的方式为这些功能付费。

一个功能再复杂，如果智能体能够以更低成本完成同样的工作，它的商业价值就需要重新评估。

而一套系统即使界面简单，只要能够稳定、安全地完成重要业务任务，也可能拥有更高的价值。

这正是人工智能重新定价软件行业的根本机制。

当开发软件越来越便宜，软件的价值就越来越取决于它能够解决多么重要的问题。

过去，企业购买软件，是为了让员工更高效地工作。

未来，企业购买软件，可能越来越多地是为了让一部分工作直接由软件完成。

而最终获得市场认可的，将是那些能够把人工智能能力、企业真实业务和可验证的经营结果连接起来的软件公司。

软件不会消失，但软件为什么值钱，正在被重新定义。