抓住巨大的机会：大模型背景下的企业应用软件创业者思考框架

今年4月，我们观察到大模型对企业应用软件创业者带来的兴奋和焦虑，在与数百位创业者交流后，推出了《大模型背景下的企业应用软件创业者行动框架》，指出了创业者应当从第一性原理出发，思考Chat-UI、生成、推理和任务编排四大能力对于企业软件产品设计的影响。

当下已接近10月，我们已与近千位创业者交流了大模型企业应用软件领域的的行动与思考。作为企业服务市场坚定的信仰者，我们一方面通过投资支持了几位大模型应用软件创业者，另一方面与创业者共建了活跃交流的AI x 企服社群，助力创业者们互相分享认知和资源，我们也受益良多。

我们希望帮助企业应用软件创业者建立系统的大模型应用创业的思考框架，下文总结了我们最近6个月积累的关键洞察：

大模型演进存在技术不确定性，但我们认为大模型技术将会实现以下四件事情：

1. 大模型能够正确理解用户文字、语音、图片等的输入内容；

2. 大模型的输出能够正确地反映用户的意图并且能持续从人类反馈中强化学习(RLHF)；

3. 大模型生成和推理的成本在高附加值场景的相对边际成本近乎为0，让“智能”从极其稀缺的资源变得不再稀缺；

4. 开源、API调用使大模型能够被应用层软件创业者低成本的使用，创业者可以聚焦于帮助客户完成需要完成的工作（Jobs to be done）；

在这个假设下，我们很兴奋，因为甲方客户一直都有很多需要完成的工作（Jobs to be done），每次底层计算能力的变革使得企业服务软件有机会可以更好地服务他们。

在第一次计算时代里，微芯片将计算的边际成本降到了近乎为零，诞生了金蝶、帆软等软件公司。

在第二次计算时代里，互联网将分发的边际成本降到了近乎为零，诞生了酷家乐、聚水潭等SaaS公司。

在第三次计算时代里，大模型将创作的边际成本降到了近乎为零，10倍甚至更高的改进将会产生，“假设我想要创造一个将我自己变成皮克斯角色的形象。如果我使用这些图像模型之一，推理成本是十分之一美分，并且假设需要 1 秒钟的时间。如果与雇佣一位平面艺术家相比，我们假设每小时费用为 100 美元。在成本和时间上，你会发现有 4 到 5 个数量级的巨大差异”。

我们认为，大模型对中国企业应用软件创业者而言有四个巨大的机会：

我们给中国企业应用软件创业者有四个具体的建议：

机会一：重新构建最佳UI实践，大幅降低软件使用门槛

技术驱动（锤子）是有价值，但前提是找到真实的市场需求（钉子）。红杉资本的创始人唐·瓦伦丁最喜欢问，“Who cares？”，在解决谁的需求？他迫切需要什么？

市场需求的定义可以参考一个简单的公式：

市场 (A Market) = 一群人 (A Group of People) + 他们需要完成的工作 (Jobs to be done)。

围绕Jobs to be done思考很重要，因为组成市场的关键“一群人”在为要完成的任务 (Jobs to be done) 付费，而非为技术付费。

作为创业者我们该如何思考需求呢？这里面有两个维度值得我们思考：

其一是从纵向看软件过去主要解决客户哪些需求，未来AI+企服软件将会解决哪些需求；

其二是从横向看软件过去主要服务了哪些场景/行业使得数字化程度比较高，未来将会服务哪些数字化程度低的场景/行业。

以几个Cloud100 China上榜企业为代表的现有头部企业服务软件公司为例，在数字化高的场景提供三类核心价值，占据右下角位置：

1. 记录核心业务数据，如电商领域的ERP 聚水潭。

2. 提供行业数据，如金融领域的数据库 Wind（万得）。

3. 与客户互动的主要触点，如服务茶饮、咖啡等，提供全渠道点单、用户营销等的企迈科技。

记录系统和客户互动系统的企服软件的本质UI+数据库（Database），各场景/行业的胜出者最终定义了最佳UI实践，使得用户为执行需要完成的工作（Jobs to be done）操作软件的效果和体验达到最佳。

行业数据软件的本质是为用户提供经过收集、加工后的数据，各场景/行业的胜出者收集了最准确、全面的数据集。

多年来，我们一直低估了使用软件给许多技术过时的垂直行业/场景带来的负担：昂贵、复杂且价值不直观。企业用户在几十年来一直在使用Office甚至笔和纸 ，当新的软件价值不明显且难以使用时，他们不愿意使用和付费。

大模型能够正确理解用户文字、语音、图片等的输入内容，使得文字、语音、图片等输入为核心的Chat-UI变为可能。创业者有机会在各场景/行业结合Chat-UI和Graphic-UI，构建效果和体验更佳的UI实践，大幅降低了软件使用门槛。大模型使得一些数字化低的场景/行业有被大幅“解锁”的可能，典型案例包括：

1. 记录核心业务数据+AI，如推出工业大模型COSMO-GPT的工业互联网企业海尔卡奥斯，他们使用AI帮助其客户实现企业知识库查询、工艺自动成链、工序推荐、数据异常监控等能力。

   
   

2. 提供行业数据+AI，如推出全球首款商查大模型“知彼阿尔法”的企查查，他们使用AI帮助销售等客户通过对话式查询商业信息。

   
   

3. 客户互动+AI，如提供泛家居行业数字经营一体化解决方案的我们portfolio企业欢客互动，他们正在使用AI赋能家居企业经销商销售更好地输入数据和查询企业知识库。

   
   

机会二：除构建AI内容生成产品外，AI教练网络产品也具有巨大机会

对于数字化程度高的行业场景，有两类通过AI发挥出的核心价值已经被头部企业验证：

1. AI内容生成，广为创业者熟知。

在客户与其上游供应商和下游客户的沟通中，内容是必不可少的。AI内容生成软件理解用户的输入，生成内容并供用户挑选最佳匹配，进一步修改直至指导用户取得成功，并建立用户输入和输出之间的反馈闭环。

海外最典型的案例是图片生成的Midjourney， 如今Midjourney 每日已经产出20% 的Instagram 图片数。

国内典型企业如为直播电商场景提供直播数字人等产品的硅基智能。

2. AI教练网络，被忽视的巨大机会。

在客户与其上游供应商和下游客户的沟通中，总结最有经验的员工的经验，辅助其他员工成长是必不可少的。

过去的辅助教练主要是销售负责人或者销售冠军，但是语音、文字、图片视频等多模态的过程数据的收集很困难，加工处理的成本很高，并且需要花费员工大量的时间。因为过去构建AI辅助教练的成本很高，AI教练网络受创业者的关注很少。

AI软件是更经济、效果更好的辅助教练，我们将其称为“AI教练网络”。AI教练网络可以从企业客户内部和在行业层收集数据并定义完成某项工作的最佳实践，让AI充当实时在线、在职的教练，帮助员工掌握最佳经验、做出高质量的行动并取得成功。与此同时，AI软件会持续新的反馈数据到系统中，不断迭代最佳的经验。

海外最典型的如70多亿美金估值的销售智能企业Gong，为领先的客户提供销售会话辅助。

国内典型企业如为保险、银行、汽车等提供销售会话辅助的我们portfolio企业循环智能。循环智能的客户“中国人民保险”是这么评价它们的：经过一年多的“销售会话洞察”产品落地与应用磨合，电销部许多经理、组长都感到受益匪浅。尤其“看得见”的沟通，高效率的过程管理，催生出更高的营销开口率，更是让大家真切地感受到了数字化的力量，科技的力量。

然而在大模型未面世前想要做AI内容生成或者AI教练网络一直有巨大的挑战：企业应用软件公司需要找到稀缺且昂贵的AI人才并投入大量复杂的工程实践。现在，大模型逐步成熟并商品化，为应用层的创业者提供了易用、经济的基础设施来构建自己的AI内容生成或者AI教练网络，应用层的创业者可以聚焦于定义客户的Jobs to be done是什么，如何通过AI去帮助客户实现。

现如今，越来越多的数字化低的场景/行业可以被企业应用创业者开垦，典型案例包括：

1. AI内容生成：酷家乐在家居行业发布了“酷家乐AI”，帮助用户通过一些简单的输入就可以快速生图，然后再把这个图去深化设计。

   
   

2. AI教练网络：亿量科技发布了“销售宝AI”，赋能中小企业销售自动识别客户的意向需求，及时纠正销售技能缺点，实现销售成单大幅提升。

机会三：构建聚焦“业务人员”的大模型企业应用软件

对于创业者而言，数字化程度高的场景意味着大的存量市场空间和被证实的市场需求，很有吸引力。以设计软件Adobe为例，其市值高达2300亿美金，创业者如果能从Adobe的市场中赢得一定的市场空间，理论上能做出一家新独角兽。

创业者需要研究的是如何赢。那么在这个设计软件市场能仅仅通过价格优势形成对Adobe的竞争优势吗？答案显然是否定的。我们应该深度思考答客户为开展需要完成的工作（Jobs to be done），是谁在提需求，谁在使用工具，成本结构是什么样的。

以设计海报这个任务为例，比如一家连锁酒吧老板想要是情人节有个符合自己门店调性的活动宣传海报，于是会把这个任务提给自己营销团队。

在旧模式下，老板提出需求，营销团队提供几种具体的方案，并且跟内部或者外部设计师沟通。专业设计师使用复杂的设计软件Adobe，按照业务人员的需求制作图片、不断修改图片。

然而营销团队的人员经常认为专业设计师并没有制作出体现自己想法的图片，但是苦于不会操作复杂的Adobe而没法“上手”自己做。老板为此要雇佣营销团队人员和设计师，并且付费订阅昂贵的Adobe。

因此，Canva诞生了，他们构建了具有海量的设计模板和易用的编辑界面的云端软件，让业务人员能够直接设计出海报。Canva聚焦“业务人员”直接提供设计软件，老板只需要付费雇佣业务人员并订阅Canva，甚至老板直接“上手”使用Canva。

这个犀利的价值主张使得Canva创造了具有巨大价值的新“市场”——业务人员的参与和闭环的营销设计需求，与Adobe形成差异化的竞争，最新估值高达150亿美金。

大模型能够进一步扩展这个市场，形成具有巨大价值的新“市场”吗？

我们回答是肯定的。我们要思考的是，为了完成海报设计这个Jobs to be done，不仅仅只有人类可以作为user能够创造、使用和驱动工具，历史上出现了另一个能够以人类 10x 的速度、效率和并行数量去驱动工具的新user：人工智能。

在大模型的帮助下，企业应用软件公司能够将人工智能这个强大的伙伴 involve 进来。

一个有意思的案例是Pixis，一家ARR 超 5000 万美金、融资总额已达 2.09 亿美元的营销 AI，他们给出了 AI 驱动的全栈营销平台，为营销业务人员分别推出了 Targeting AI、Creative AI 和 Performance AI 三个产品，分别提供品牌用户定位、营销内容生成、投放效果的产品价值。

营销内容生成原来很依赖使用Adobe的专业设计师，在Pixis的帮助下，营销业务人员可以依托自己的营销知识，实现从前端的客户定位到营销内容生成再到后续的效果监测全覆盖的Jobs to be done。

具备丰富已有版权的库存图片的Adobe也快速反应，推出了“ 适合所有人的生成式AI”Adobe Firefly，核心功能包括生成图像、3D、视频等创意内容并通过强大的编辑器修改创意直至让客户满意。今年三月上线内测以来，仅Photoshop 测试版用户就生成了超过 10 亿张图片。

在早期就参与投资了Character.ai、Scale AI 的硅谷著名 AI 投资人Nat Friedman分享了一个类似的案例，“一家名为 AutogenAI 的公司可以自动为政府采购中标的企业递交申报材料。这给企业节省了大量时间，取代了许多以前需要顾问来做的重复性智力工作，这家公司未来会有非常广阔的应用前景，让企业有机会去申请更多项目，从而获得更高的中标机会，进而实现收入的提升，这家公司目前增长相当迅速，可以看作是一个成功案例。”

原来业务人员需要跟专业的顾问合作，现在得到大模型应用赋能的业务人员可以跳过专业人员，节省成本和时间。

我们再往前一步思考，为了实现Jobs to be done，软件一定需要甲方使用吗？为什么不能乙方向甲方不直接提供软件产品，而是作为乙方让自己的员工使用产品交付甲方所需的结果。

这样甲方不需要自雇人员以及为人员购买软件，仅需要为最后的任务交付直接付费。乙方不需要投入较多的定制化开发和客户成功人员让甲方人员用好软件。

慧算账是乙方员工使用软件能力解决客户Jobs to be done的典型企业，入选了Cloud 100 China。

2021年5月完成8000万美元D轮融资之后，慧算账今年递交了港股招股说明书。慧算账为中小企业提供财税解决方案，连续三年市场营收最高，2022年是市场第二名的近四倍。慧算账与竞争者的的优势在于将其服务大量客户的经验积累到了自研软件的UI和案例库上面，随着服务的客户越多，软件迭代的越好用、也更清楚各类案例。

在大模型到来之前，慧算账就已经投入智能化技术研发，让自己的竞争优势更进一步，其在招股书中强调，通过自有机器学习模型构建起的高性能智能核算引擎是其核心财税SaaS系统(即SATP系统)的关键组成部分。慧算账已从超过2.24亿份票据中积累了约2.62亿个与中小微企业业务、财税流程有关的多维模型参数，从而形成了行业内最大的参数集，赋能自己的员工更好地服务客户。

由于是乙方员工使用，慧算账的毛利率不能如产品软件一般高。但通过技术投入，慧算账的服务能力在持续加强，在2023年1月至3月，慧算账向中小微企业客户提供基于SaaS的解决方案自动交付率达到约80%，在毛利率上的体现是从2020年的45%提升到2022年52%。

更加AI原生的乙方员工使用软件和AI能力解决客户Jobs to be done的案例是百应。百应发现了没有呼叫中心的消费品牌有个很核心的需求：把百万/千万级的会员从公域转入私域、帮助品牌在合适的时间、使用合适的话术跟海量用户通过AI Call来做“情感化沟通”。百应并不向甲方提供软件产品，而是自己的客户成功团队与甲方营销部门直接沟通，确定用户画像策略和沟通话术策略后操作自己的AI软件，实现客户的Jobs to be done。百应在服务客户的过程中，形成了积累了大量有用的行业级知识，其算法能持续从人类反馈中强化学习(RLHF)，不断增强自己的竞争优势。

在大模型到来之前，规模化地直接向客户交付结果是很困难的：

1. 如果没有AI能力，每位操作软件和数据库的员工能服务的客户有限，人均营业收入低、毛利率低；

2. 如果需要构建AI能力，需要组建昂贵的AI团队。

大模型到来使得更多的创业团队可以应用AI能力，大幅提升人均产出和毛利率，规模化地直接向客户交付结果。

建议一：聚焦垂直行业或场景，尤其是大模型对生产力增益大且付费能力和意愿强的信创场景或者出海捕捉全球机会

在大模型时代，场景或行业越集中，模型和产品就越聪明。因此聚焦垂直行业或者场景是创业者的必由之路。

那么该如何选择场景或行业呢？

因为大模型的关键价值在于将创作的边际成本降到了近乎为零，首先应当寻找对生产力增益较大的行业或场景。

麦肯锡通过深入研究指出，在中国，生成式AI（大模型）对营销与销售、客户运营、产品研发、软件工程（产品开发）等场景的生产力增益最大，对制造、电子、消费品、能源和银行等行业的生产力增益最大。

我们的 portfolio 企业盛原成聚焦于装备数字化，其CEO张燕聪分享了其思考，“以制造业为例，之前AI在制造业基本上只有机器视觉的场景比较成熟。随着装备数字化、工业数字化的推进，会有更多应用场景能够被AI重构，如工艺优化，最佳工艺，质量优化，PHM，能耗优化”。

其次应当寻找付费能力和意愿强的行业或场景。

因为国央企数字化预算可观，信创主要行业的数字化转型渗透率仍低，信创对于中国大模型企业创业者而言是巨大的机会。将下图与上图麦肯锡报告一同研究可以发现，银行、能源、保险、医疗、教育等几个大模型带来的生产力增益最大的行业，列属于中国的2+8信创行业。我们已经看到了这几个行业里面的头部客户在积极应用私有化部署的大模型及应用，很多创业者在其中耕耘和收获。

另外一种思路是出海捕捉全球机会，因为欧美等国家和地区对企业软件的付费能力和意愿强。与全球企业应用软件玩家使用同样的全球大模型基础设施，在具体场景里同台晋级是有机会的，具体而言，我们认为服务中国制造和供应链出海、SaaS/PaaS、金融科技都很有机会。

护城河对创业公司的重要性不言而喻。如果我们把任何一家企业看作一个经济的城堡，任一城堡的外部有数以百万计的外部拥有资本的人，在想方设法从你手中夺去城堡并占为己用。问题是“你的城堡外有什么样的护城河来保护自己？”

过去的企业应用软件创业者主要做的是记录系统、客户互动系统和行业数据库，普遍深刻感受到了建立嵌入业务流、形成产品网络效应、积累独有的数据、塑造品牌这几类典型护城河的困难：

1. 即使嵌入客户的业务流也有被低价切换的可能性。

2. “积累客户反馈让产品不断迭代”的飞轮很难转动。创业者很难仅凭产品与竞争者的产品拉开差距，成为事实上的UI最佳实践定义者。

3. 积累出独有的数据需要很长的周期。

4. 积累品牌需要很漫长的时间。

部分领先的Cloud 100 China 公司通过率先推出产品、让客户成功，作为先行者持续接近20年的积累构建了强大的护城河，最终获得了大量利润：

• 帆软：2006年成立，其报表和BI产品嵌入了客户的业务流，已占据市场的主导地位、具备品牌，已推动“积累客户反馈让产品不断迭代”的飞轮，22年营收13.6亿元，净利润超1亿元。

• 万得Wind：1998年成立，通过25年积累了准确、丰富的独有金融数据库，并且构建了品牌，获得丰厚的收入和净利润。

然而，通过接近20年时间构建护城河并赚取丰厚利润对于创业者和投资人而言比较漫长。有更快速构建护城河的方式吗？

答案是肯定的，巴菲特和芒格指出，“喜诗糖果需要几十年的时间的积累才能建立一个可持续的竞争优势，而微软在操作系统方面发展可持续竞争优势是一个相对快速的发展”。

微软是软件时代快速构建护城河的典型案例。在互联网和移动互联网时代的案例是Instagram和YouTube。Instagram 被 Facebook 以 10 亿美金收购时只有 13 个人，YouTube 被 Google 以 16.5 亿美金收购时也只有 70 人左右。

在 AI 快速爆发的当下，新的案例正在出现，最典型的就是如今最火的图片生成软件Midjourney ，其官方网站显示，Midjourney 年营收已经超过1亿美金，只有 11 个全职员工。

微软/Instagram/YouTube/Midjourney的共性是什么？

网络效应。

• 微软构建了“操作系统标准”的网络。

• Instagram/YouTube构建的是内容生产和消费的双边网络。

• Midjourney 构建的是数据网络效应，通过不断帮助内容生产者生成新的内容、学习内容生产者在四张图片里如何做出选择，Midjourney正在快速积累人类的图片创作意图和对图片审美的知识，持续优化底层模型、生成的效果越来越好。

什么时候会拥有数据网络效应呢？

当一个产品的价值随着更多的数据而增加，当对该产品的额外使用产生数据时，那么你就有了数据网络效应。在数据网络中，每个节点(用户)向中央数据库提供有用的数据。随着聚合数据总量的增加，每个用户的独特数据价值也在增长。

数据网络效应对于AI内容生成和AI教练网络产品都至关重要，直接决定了大模型企业应用软件能否：1.高效地积累行业级的知识，成为实质意义上的“行业最佳实践专家”，与其他竞争者拉开显著差距；2.高效地积累公司级的知识，成为最懂甲方的“公司最佳实践专家”，提升客户粘性。

然而事实上，构建强大的数据网络效应是很困难的，需要让以下三件事发生：

1. 数据需要真的是该产品造福用户的核心方式。

如果数据只是产品的边缘，那么数据nfx就不会太重要。当腾讯视频向你推荐一个节目时，算法会根据用户观看数据进行推荐。但腾讯视频的发现功能是微不足道的，它的真正价值来自于电视节目、电影和纪录片的库存。因此，腾讯视频只有很小的数据网络效应。

与之相反，内容推荐是抖音给用户创造的最核心体验，其数据网络效应很明显。

2. 要有能力收集到用户使用过程中留下的高质量数据。

随着个人和企业级隐私的限制，数据收集变得困难。基于公有云的场景，更有机会让客户授权大模型应用软件企业使用数据在保密基础下优化模型。在私有云场景下，如果客户愿意购买你的模型优化服务，愿意将标注过的过程数据给到软件企业，是能帮助软件企业优化模型的。或者客户不自己使用软件，软件企业直接用软件给客户提供服务，在服务过程中做的标注，也是可以的。

如果客户不愿意共享数据，那仅能成为“公司最佳实践专家”，达不到“行业最佳实践专家”。

3. 积累有广度的数据很有价值。

在数据网络效应的大多数场景里面，新数据的积累对数据价值的提升是有限的。以大众点评为例。大众点评具有数据网络效应，因为对更多餐厅的更多评论会使产品更有价值。对于同一个餐厅有10次评论比5次评论更有价值，但是超过某个评论次数，比如10次，对餐厅的更多评论不会增加对你的价值。评论的广度非常有帮助，对于大量餐厅的评论积累可以带来稳固的网络效应，所以大众点评会不断用评分等机制鼓励商家去推动顾客写评论。这就是大众点评仍然如此流行的关键原因之一。

再比如房、车的场景非常垂直，每个售楼处、每个汽车门店的销售流程基本上是差不多的，很快能够建立数据网络效应，但同时与竞争者的差距比较难以拉开，“假如有A, B两家企业软件，都有一定的市场份额比如37开，也都有用户反馈与数据的飞轮，这两家之间也并不一定有明显差距”。

如果场景很多元，需要建立网络效应的时间就更长，比如银行里面的业务非常的复杂，面向个人的，面向企业的，理财的，贷款的，保险的，催收的，这个建立网络效应时间就会加长。但与此同时，如果能够建立面向银行的个人、企业客户各个复杂场景的网络效应，就能更专业地辅助各个业务线人员服务好客户。

因为建立数据网络效应的价值巨大但困难重重，作为大模型企业应用创业者需要围绕客户的Jobs to be done和数据网络效应构建产品：

1. 找到客户经营关键的工作流，把自己的产品嵌入进去；

2. 帮助客户成功，频繁使用自己提供的工具；

3. 建立输入和输出之间的反馈循环，定义清楚客户的目标与过程行为的关联，收集到行业级或公司级的专有知识。

在 AI 时代，留给大家构建自己护城河的时间越来越短。Google 内部的文章《我们没有护城河，OpenAI 也没有》指出：

Jasper AI 在非常短的时间实现了 15 亿美金的估值，并且今年的 ARR 有望突破 7500 万美金，但它显然还没有构建起足够深的护城河，OpenAI猛烈地冲击了其商业模式。

关键的问题在于，在构建起足够深的护城河之前，创业者最好的朋友是谁？

答案是不确定性。初创企业有一个有限的时间窗口，在这段时间内，它们受到技术和市场不确定性的保护，可以构建自己的护城河。如果它们在其他人意识到之前没有构建护城河，它们的超额利润将会被竞争对手消耗殆尽，并且它们将难以取得良好的结果。

下图，很犀利地对比了抓住时间窗口与否对于结果的显著差别：如果不确定性时间长，创业者有机会构建护城河，反之如果不确定性时间很短促，创业者尚未构建护城河就面临激烈的竞争、最后无法获取超额利润。

战略洞察家Packy McCornick提出了下面这个公式：

也就是：所需的护城河深度 = 你想法好的明显程度 - 构建的难度。如果你的创业想法非常明显（显而易见的、众所周知的好）并且很容易构建，那就越早遇到激烈的竞争，需要你去构建的护城河就越深；反之，如果你的想法不明显，并且构建难度很大，那么最初的竞争环境不会很恶劣，因此所需的护城河深度就越少。

Packy McCornick 认为，这个公式解释了创业的两个真理现象：“为什么伟大的公司往往在熊市中创立（Great companies are built in bear markets）”，以及“你需要成为一个逆向思维者并且保持正确（You need to be contrarian and right）”。因为在这两种情况下，不确定性的增加都为建立护城河提供了更多时间。

Jasper AI 最大的问题是在构建起自己真正护城河之前，OpenAI等竞争对手知道其想法可行并且快速构建了有竞争力的产品与Jasper竞争。Jasper AI 已经把不确定性带来的掩护快用完了。

在这次大模型企业应用软件创业浪潮中，有大量的机会抓在已有企业软件企业手里，他们有场景、有数据积累、有完整建制销售网络和服务体系。

初创企业依旧有大量的机会，其关键不是与已有企业在成熟场景竞争，而是寻找未被充分挖掘的市场：数字化低的场景、未被满足内容生成和教练网络的场景、聚焦业务人员直接提供智能软件、向甲方不直接提供软件产品而是直接交付甲方所需的结果。

在中国，能够初步验证有护城河、达到1亿净利润的中国企业服务软件公司很少，关键原因之一是供给冗余：总有更便宜的产品或者更便宜的外包定制服务。供给冗余导致生产关系稀缺，于是占据了生产关系（销售能力强）的企业拿到了更多订单。

AI能否改变供给冗余的问题？

我认为答案是肯定的。过往企业服务软件在产品层面的竞争主要是最佳UI实践，三大摩擦使得脱颖而出变得极其困难：

1. 中国甲方客户的UI习惯差异超过管理体系比较健全的美国，一些客户甚至认为自己定义的UI实践才是最佳的，给了外包定制服务丰富的空间。

2. 投资人过去通过海量资金分别支持了同场景/行业的多个创业者，创业者为了融资到下一轮，在互相参考产品设计的同时，更多的精力在拓客而非打磨产品以及客户成功。

3. 记录系统、行业数据和客户互动系统在很多场景相比于 Office 给客户带来的价值没有到达10倍，打单周期长、销售效率不高。
   

现在的大模型企业应用软件在产品技术层面的竞争主要是数据网络效应和CUI+GUI最佳UI实践，三大不同使得让自己变为稀缺的供给变成可能：

1. Chat-UI与Graphic UI的结合使得甲方更加容易地使用软件，在UI层面产生更少的定制需求。客户的少量定制需求需要也能依托大模型赋能低代码PaaS更好地低成本满足。更重要的是，数据网络效应会帮助领先的企业服务软件成为实际上的“行业最佳实践专家”或者最懂甲方的“公司最佳实践专家”，与跟随者和外包定制服务企业拉开差距。

2. 资本的冗余减少，投资人不再投入海量资金，而是更加精选头部玩家做精准投资。

3. AI内容生成和AI教练网络产品在很多场景能够给客户带来10倍以上的价值，销售效率大幅提升。
   

因此，我们认为AI能改变供给冗余的问题，优秀的AI企服软件能够更多凭借产品和技术能力让自己变成稀缺的供给。

但在创业初期，由于数据网络效应的形成和加强需要依托客户的积累，如果不取胜就容易被甩开差距，销售能力的重要性在公司发展早期变得比以往更加重要。

当初期建立起数据网络效应以后，大模型企业服务软件将会比过往企业服务软件更快、更显著地变成稀缺的供给，受到更少的竞争的困扰。

无论是技术产品专家或者是行业/场景专家，是已经出发的创业者或者是Day 1的创业者，都有机会抓住大模型+企业应用软件的巨大机会。从决定创业第一天开始，我们建议创业者找到以下三种专家组成“黄金三角”：

1. 行业/场景专家：识别清楚客户痛点以及行业数据和知识在其中能起到的的价值。

2. 技术产品专家：跟进大模型的前沿进展，构建有价值的企业软件产品。

3. 销售/营销/客户成功专家：在有不确定性的时间窗口，快速获取客户，并让客户成功。
   

除了这三种内部专家以外，我们建议大模型企业应用软件创业者要重视与懂企服、懂AI的投资者做深度交流，原因有三点：

• 资金：初期集合行业/场景专家、技术产品专家、销售/营销/客户成功专家需要投资者的资金支持。

• 智慧：懂企服、懂AI的投资者积累了既全球领先又有中国特色的海量案例和理论知识，能够从技术、产品、商业、融资等维度帮助创业者避开很多的坑、缩短PMF的时间、提升商业化的效率。

• 资源：懂企服、懂AI的投资者积累了丰富的人才专家库，跟国内外领先的云厂商、大模型厂商的深度关系，以及潜在客户、渠道伙伴、其他优秀投资者等资源。

靖亚资本一直聚焦于企业服务领域的投资，并且对AI有深入的理解和超前的投资布局。我们在早期投资了助力企业提升电话销售及客户成功的人工智能辅助系统循环智能、“一句话生成可编辑的UI设计稿”的专业UI设计 AI工具即时设计、大模型基础设施“世界上最快的向量数据库" Zilliz等领先的大模型应用软件和基础软件公司。

我们认为大模型企业应用软件有巨大的机会。创业公司成功的关键在于专注于客户的“Jobs to be done”，找到自己的反共识，发挥数据网络效应的巨大威力，依托产品技术能力和销售能力，在垂直场景或行业实现遥遥领先，成为客户的最佳“专家”合伙人。

我们致力于成为企业服务优秀创业公司的的最佳VC合伙人。欢迎优秀的创业者们与我们深度交流、获得融资，也邀请大家加入活跃交流的 AI x 企服社群，与其他优秀的创业者们互相分享认知和资源。

⬇️ 欢迎添加作者微信号进一步交流！