传统软件公司可能是最难AI转型的一群人

前面我们讲了AI原生组织以及企业如何转型的问题，这次我们聊聊传统软件公司该如何转型，我的判断是：传统软件公司可能是最难AI转型的一群人。

上个月跟一个做了十五年ERP的老板吃饭，他公司不大不小，两百多号人，靠着一套深耕制造业的管理软件，活得还算滋润，但最近他明显焦虑了。不是因为生意不好，恰恰相反，订单还挺稳定，焦虑的来源很简单，他不知道自己这摊生意，五年后还在不在。他说了一句让我印象特别深的话，「我们就是做技术的，按理说最该懂AI，但AI真来了，我反而最慌。」你可能会觉得奇怪，软件公司诶，天天跟代码打交道，AI不就是代码吗，有什么好怕的，但你仔细想想，就发现这事儿其实特别合理.一个做了十五年ERP的公司，核心系统是Java写的，底层架构是十年前的，客户习惯了按年付费买License，销售团队擅长的是跟甲方CIO喝酒拿单子。你让他突然转成一个AI驱动的智能体平台，让客户按效果付费，让销售去讲Prompt和Token，这不是转型，这是换血...,而且最要命的是，他们自己最清楚这里面的难度,正因为懂技术，他们才比谁都明白，不是接个大模型API、加个聊天窗口就叫AI化了。

我今天就想聊聊这件事,传统软件公司、信息化企业、SaaS厂商，这群「本该跑在最前面的人」，到底该怎么AI转型。

克里斯坦森在《创新者的窘境》里讲过一个道理，一个公司管理得越好、对现有客户服务得越好，就越容易在颠覆性技术来临时被淘汰,"不是因为做得不好，而是因为做得太好"。

你想想看,一家做了十年HR系统的公司，最懂的是组织架构、薪酬核算、考勤排班这些业务逻辑。代码库里沉淀了几百万行业务规则，它的客户习惯了标准化的操作流程, AI来了，你跟客户说，「以后不用手动录考勤了，AI自动处理」，客户当然高兴。但问题来了，你原来按用户数收费，一个客户500个员工，一年收50万。现在AI自动处理了80%的活，客户说，「那我只用100个账号就够了，另外400个不需要了」。你的收入从50万变成了10万，你干不干？

这不是一个技术问题，这是一个商业模式自杀的问题。

所以很多软件公司嘴上说着AI化，身体非常诚实，把AI功能做成锦上添花的小插件，放在最高端的套餐里免费赠送，客户用不用是另一回事，反正不影响我的核心收入。

艾瑞咨询2025年的报告显示，超过60%的SaaS厂商所谓的AI功能，就是调用一下大模型API，简单封装个「智能问答」，缺乏垂直场景的深度训练；Gartner同年的调研更扎心，43%的企业CIO明确表示「对SaaS厂商的AI宣传感到疲劳」，要求供应商提供可量化的ROI证明，否则坚决不续约；还有一个更扎心的数字，超过54%的企业AI产品在老客户中的渗透率不足10%，什么意思呢，客户愿意试用，但不愿意真正用，试用是一回事，买单是另一回事，这就是典型的「被试用但不被使用」。

传统软件公司的三大致命惯性

为什么会这样？我总结了传统软件公司的三大致命惯性。

第一个惯性：产品架构太老了

很多公司的底层架构还是Java EE时代的东西，一个OA系统的核心框架可能十年没动过，你让它跑实时AI推理，高峰期直接卡死。某微就是典型，推出「e-cology AI版」，宣称支持智能审批、会议纪要生成，但客户反馈「AI功能卡顿严重，高峰期甚至无法使用」。为什么？因为底层不是为AI设计的，硬加上去就像给拖拉机装特斯拉屏幕，好看，但跑不起来。

第二个惯性：商业模式的悖论

传统软件公司赚钱的方式很确定，卖License，按年收订阅费，按用户数收费，但AI的核心价值在于减少人工、提高效率，效率越高，需要的用户数越少，你的收入反而越低。这是根本性的矛盾，所以你会发现，大部分软件公司把AI功能打包在高端套餐里免费赠送，不敢单独定价。某蝶就是典型，AI模块缺乏独立定价能力，不仅没提升ARPU，反而拉低了整体利润率。

第三个惯性：组织能力错位

传统软件公司的核心团队是什么配置？销售+开发+实施交付，销售擅长跟甲方CIO喝酒，开发擅长写Java和SQL，实施擅长做项目交付和培训，但AI SaaS需要的是完全不同的能力组合，数据科学家、Prompt工程师、客户成功经理，这三类人必须协同作战，一个做了十年ERP销售的人，你让他去讲Agent、讲Token消耗、讲模型微调，这不是为难人吗？

更残酷的是，传统软件公司的销售激励是按签单金额算的，一个ERP大单几百万，销售提成几十万。AI产品呢？按效果付费，一个月可能就几千块，销售根本没有动力去推。

五家上市公司的AI转型样本

说到这，你可能会问，那上市公司呢？他们资源多、人才多，总该做得不错吧，去翻一翻几家上市公司的财报，说实话，答案比你想的复杂得多。

2025年是中国SaaS行业的「AI压力测试年」，红杉中国合伙人郑庆生说了句大实话，「很多公司把AI当作遮羞布，掩盖产品同质化和增长乏力的核心问题，真正的赢家是那些把AI深度嵌入业务流、形成不可复制数据飞轮的企业。」

我挑五家最有代表性的，逐一看看。

北森：数据沉淀出来的AI护城河

北森，HR SaaS的老大，他们做了什么事呢？十年积累了超过5000万份测评数据、200万以上的岗位胜任力模型。基于这些数据，训练了垂直HR大模型「BeisenHR-MoE」，简历解析准确率达到98.7%，通用模型只有82%，注意这个差距，16.7个百分点，就是十年数据沉淀带来的护城河。更关键的是，北森在2025年搞了一个多Agent协同架构「AI Talent OS」，招聘Agent筛选完候选人，自动触发薪酬Agent生成Offer建议，再联动入职Agent安排培训和IT权限开通，整个过程不需要人工干预，端到端闭环。结果是什么？NDR，也就是净收入留存率，连续三年超过110%，2025年中期达到114.6%。ARR突破12亿元。

这个数字什么意思呢，老客户不仅没走，还越花越多，这是AI真正创造价值的最硬证明。

但北森也有自己的问题，ARPU(每用户平均收入)高达8.7万元/年，客户集中在世界500强和大型民企，中小企业市场基本被Moka、i人事这些轻量化产品吃掉了，而且AI功能目前只能捆绑在高端套餐里，没有独立定价。客户用了AI但没额外付费，这就很尴尬。

某友vs某蝶：两种路径，两种困境

再看看最有意思的两个对比，某友和某蝶。

某友：AI与核心系统「两张皮」，国内ERP绝对的老大，2025年前三季度云服务收入68.3亿元，占总营收比重首次突破50%，绑定信创红利，在党政和国企ERP替换项目里市占率超过40%。但AI化做得怎么样呢？有一个客户的吐槽特别传神，「U9 Cloud的AI排产功能，需要手动导出数据再上传分析，未实现实时闭环，感觉像在开拖拉机装了个特斯拉屏幕，好看但不好用」。手动导出数据再上传，这可是2025年的AI产品，问题在于，AI与核心系统「两张皮」。AI不是长在系统里的，是贴在上面的。销售团队仍然以卖License的传统思维为主，云+AI解决方案成交周期长达6到9个月，而新兴SaaS厂商只要2到3个月，研发费用31.4亿元，占营收31.5%，但AI相关专利转化率不足15%，砸了钱，没溅起水花。

某蝶，技术领先，商业节奏失控，走的是另一个极端，太激进了。

All-in云原生，苍穹平台服务超过1200家大型企业，包括华为、国家电投这些标杆客户，打造「可组装AI」架构，客户可以自由组合AI组件，灵活性确实比用友强。但代价是什么？连续第二年亏损，2025年全年亏损或达5.8亿元，中小企业市场全面崩塌，KIS云产品线客户流失率达21%，被简道云、轻流这些低代码平台精准截流。

一位贝恩的合伙人的评价很犀利，「某蝶正在重复Oracle 2010年代的错误，技术领先但商业节奏失控，如果2026年不能实现AI模块的独立变现，现金流将持续承压。」

泛微：方向彻底跑偏

泛微的AI转型，怎么说呢，属于方向完全跑偏了，他们推出了「e-cology AI版」，宣称支持会议纪要自动生成、流程智能审批，听起来挺好的对吧，但底层架构还是十年前的Java EE，AI功能高峰期直接卡死。更致命的是，OA系统的核心数据是流程记录，缺乏业务结果数据，根本训练不出有价值的垂直模型。

一位金融集团的IT负责人说了句特别狠的话，「泛微的AI就像给马车装GPS，方向完全错了，我们需要的是智能合同审查、合规风险预警这些核心场景AI能力，而不是自动生成会议纪要这种边缘功能。」

泛微2025年三季度营收18.7亿元，同比增长只有8.2%，净利润还下滑了12.4%，云收入占比只有29%。

致远互联：小步快跑，低调稳健

致远是五家里最低调的，也是活得最稳的。他们选择了「小步快跑、聚焦实效」的策略。深耕政府和事业单位，这块收入占比58%，受市场波动影响小。AI功能不追求大而全，聚焦公文智能分类、信访舆情分析这些高ROI场景。客户续费率保持在89%以上，研发费用占比只有18.3%，远低于金蝶和用友，但净利润率稳定在15.2%。

当然，致远的问题也很明显，创新不足，过度依赖政务圈层，商业市场的天花板肉眼可见。

AI转型的核心结论

五家公司，五种路径，一条共同结论：AI不会消灭SaaS，但会消灭「非智能原生」的SaaS。

清华大学的王建民教授说得特别直白，「未来五年，所有SaaS要么变成AI Native，要么被淘汰，所谓AI Native，不是简单加个聊天框，而是产品从第一天就围绕AI Agent设计，数据闭环、智能协同、价值可量化，这是不可逆转的趋势。」

听到这你可能会觉得，AI转型也太难了吧，底层架构要改、商业模式要改、组织能力要改，这是要把公司整个翻过来啊，其实不用，传统软件公司有一个巨大的优势，你的代码库、你的数据库、你的业务规则，都是别人抢不走的护城河，你要做的不是推倒重来，而是在现有系统上「长」出AI能力。

AI转型的三条技术路径

这里有三条技术路径，从低风险到高难度，你可以一步步来。

第一条路：嵌入式，特定环节引入AI。

在特定环节引入AI，比如帮助中心、日志分析、代码搜索，你的系统里有一个帮助文档，客户经常搜不到想要的答案，你在后面接一个RAG知识库，客户用自然语言提问，AI自动找到相关文档并生成回答，这个改造量极小，风险几乎为零，但用户体验提升非常明显。

我跟你讲一个很实在的技术方案，你的代码库里可能有上百万行代码，大部分没有注释，以前新人入职要花三个月才能看懂核心模块。现在你只需要做一件事，用tree-sitter这类工具自动解析代码的抽象语法树，提取函数名、参数、返回值，自动生成一段自然语言描述，然后把这些描述向量化存到向量库里。

当有人问「报销审批流程在哪实现」，系统从向量库检索匹配的代码描述，把相关代码片段喂给大模型，大模型生成一个带解释的答案。整个过程不需要你写一行注释，不需要修改任何源代码，只要你的命名规范不是太离谱，准确率可以达到90%以上。

这条路投入小、见效快，适合所有公司作为第一步。

第二条路：辅助式，AI生成初稿，人工确认

比如报表生成、SQL查询、合同审查，AI先生成一个版本，人工审核确认后再执行，这个模式的核心是Function Calling加安全代理，什么意思呢？大模型只负责「决策」，不负责「执行」。

举个例子，你让AI帮你查「上个月销售额最高的产品」，大模型理解这个意图后，调用你预先定义好的函数「querytopproducts」，这个函数内部做了参数化查询、权限校验、SQL沙箱，确保不会出现恶意查询或者数据泄露。

这里有一个绝对不能踩的红线，永远不要让大模型直接连数据库，永远不要。所有数据库操作都必须经过你预先定义的安全函数，OWASP 2026年的LLM安全风险报告把「未受控的数据库访问」列为最高危风险之一。这条路适合中等复杂度的任务，风险可控，价值明显。

第三条路：代理式，AI自主执行多步任务

比如「分析上月销售异常并邮件预警」，AI需要自己去查数据、做分析、写报告、发邮件，多步串联。这个模式下，Agent不是一个替代SaaS的新物种，而是给传统SaaS装了一个「智能大脑」。它通过调用你的SaaS API来获取数据和功能权限，结合自身的任务规划、记忆、工具调用能力，自主完成全流程任务。打个比方，传统SaaS像一台普通洗衣机，你需要手动放衣服、加洗衣液、选模式、启动。Agent+SaaS像一台全自动洗衣烘干一体机，你只需要把衣服放进去，它自己判断材质、加洗衣液、选模式，洗完自动烘干，全程不用你管。

一个电商SaaS的真实案例，一家小团队用LangChain框架加上DeepSeek开源模型和RAG知识库，搭了一个客服Agent，Agent自动应答客户咨询，自动调用订单SaaS接口查询订单状态，解决不了的问题自动生成工单转人工。结果呢？客服响应时间从30分钟降到5分钟，客户满意度从65%提升到92%，专职客服从2人减到1人。

这个团队只有3个人，2个月搞定MVP，月营收稳定在5万以上，所以你看，AI Agent重构SaaS，不是大厂的专利，但这条路对SaaS本身的API开放程度要求比较高，如果你的系统API不完善、不稳定，Agent就调用不了，一切白搭，这也是为什么很多老系统改造的第一步不是上AI，而是先把API整好。

AI转型的正确步骤

我知道你可能已经跃跃欲试了，但说实话，AI转型最大的坑就是「一上来就搞大的」。我见过太多公司，老板一声令下，「我们要全面AI化」，然后组了个十几人的团队，半年花了几百万，最后做出来一个没人用的东西。

正确的姿势是反过来的，先做小，再做对，再做大。

第一步：梳理场景，找对切入点。
把你公司所有业务环节列出来，找那些「最耗时、最重复、但又需要一定判断力」的环节，比如客服应答、订单查询、报表生成、合同审查，优先选单一流程、API开放完善、落地成本低的场景。不要一上来就搞跨多个系统的复杂场景，你不是在造火箭，你是在找一个能快速验证价值的突破口。
第二步：选型准备。
小团队推荐DeepSeek开源模型加LangChain框架加RAG加FAISS知识库，全部免费开源，一台轻量服务器一个月几百块就够，大型企业可以考虑GPT-6或者文心一言企业版加AutoGen多智能体框架加Milvus向量库。关键是，确认你的SaaS系统API是不是开放的、稳定的，如果API不行，先修API，别急着上AI。
第三步：搭建开发。
对接SaaS API，编写Agent核心功能，配置规划层、执行层、记忆层，本地测试，用真实场景模拟，看看Agent的响应速度和准确性。这个过程需要反复调试Prompt，不要指望一次就能调好。
第四步：灰度上线。
选一个部门、一个场景先跑，比如先让客服部门的订单查询场景用Agent，其他场景还是传统模式。对比两组数据，看响应时间、人工成本、出错率有没有改善，这里有一个特别容易被忽略的点，收集用户反馈。Agent哪里识别不了，哪里调用失败，哪里回答不够好，这些都需要真实用户的反馈来迭代。
第五步：全量推广，持续迭代。
灰度验证没问题后，再在全公司推广，组织员工培训，不是培训怎么用AI，而是培训怎么跟AI协作。建立Token用量监控，控制成本，根据业务变化持续新增工具、优化决策能力、拓展更多场景。

这是一场勇气竞赛

我认识的那个做了十五年ERP的老板，上个月终于迈出了第一步，他没搞什么大动作，就是在自己的系统里加了一个AI代码搜索功能。员工用自然语言就能找到对应的代码模块，新人上手的周期从三个月缩短到了两周。他跟我说，就这么一个小功能，整个研发团队的士气都不一样了，大家突然觉得，AI不是来替代他们的，是来帮他们的。

这个心态特别重要，说到底，这不是一场技术竞赛，这是一场勇气竞赛。