企业 AI 终于兑现了 SaaS 曾许下的承诺

旧事新办——只是这一次，专业知识活在产品里

2000 年，一家公司以宣称软件终结的 logo 上线。然而 Salesforce 最终成为企业软件巨头，卖的正是上一代软件一直在卖的东西：工作流、见过问题一千次的供应商，以及坏了时可以责备的人。

SaaS 花了 25 年卖对专业知识的访问，却很少把那专业知识嵌进产品本身。“我们可以展示卓越长什么样”由销售团队兜售，留给专业服务团队去落实。AI 打开了更大机会：捕获工作如何完成、从结果学习、把积累的经验变成下一轮更好判断的应用。应用层没有消失——它终于成为企业 SaaS 一直渴望却从未真正达成的样子。

原始智能正变得充裕。下一个前沿？把智能变成专业知识。我们都更想要处理过数百相关案件的辩护律师，而非法学院刚毕业的新人。没人要刚脱下实习装的心脏外科医生。下一代伟大企业 AI 公司将解锁把专业知识编码成复利优势。

我们称之为 “Expertise Power（专业知识力量）”：把积累的生产经验变成可度量更好判断的能力。机制是持续学习循环（CLL），每次 Agent 运行把专有数据、专家打分、业务指标与真实结果加入记分册。当记分册中的学习可跨客户泛化时，优势复利成真正护城河。

对上下文的竞赛，其实是对专业知识的竞赛

今天的 AI Agent 像新毕业生。聪明、热切、不知疲倦，但对工作、公司或他们本应运作的行业一无所知。也就是说，第一天基本没用。

新毕业生缺的不是信息。把公司每份文档递给他，他们会吃掉所有上下文。他们缺的是专业知识：知道哪些协议与答案真正有效、哪些无效。那种视角靠在职经验挣得。

把原始智能变成有用的 Agent 系统需要三个核心输入：

• 上下文 —— 模型做工作需要知道的：相关数据、历史、先前决策与公司特定知识。
• Harness —— 模型周围的脚手架——接入核心系统的管道、工作如何完成的逐步 playbook，以及保存实际完成之事历史记录的“文件柜”。
• 模型 —— 对上下文推理并执行工作中非确定性部分的底层智能。

编码 Agent 是脱颖而出的成功故事，因为软件工程已有异常完整的基础设施。工作活在仓库里。变更出现在 pull request。测试提供即时反馈。要是其他企业职能也像这样就好了……

数据碎片化、messy，或干脆不存在。完成工作流需要多种工具与大量利益相关方输入。Turing CFO Varsha Udayabhanu 把部署 Agent 的最大挑战描述为“标准操作程序（SOP）与事情实际如何完成之间的差距。”

今天多数企业仍卡在第一步。在部署有用 Agent 系统之前，他们必须连接、清洗并标准化现有数据与系统。于是出现了前向部署工程师（FDE）爆炸式增长来搭线。清洗数据与连接系统今天可能需求很高，但如果工作停在那里，那是咨询。

上下文 + harness + 模型使 Agent 有能力做工作。记分册（scorebook） 才允许系统从做工作中学习。它创建 Agent 决定了什么、发生了什么、是否正确的记录。它把以下绑在一起：

• 数据。 做决策所需输入，从现有系统 of record 拉取或全新捕获。
• 本体（Ontology）。 数据被结构化的架构与 schema：对工作流重要的实体、关系与状态，创造共享语言。
• Playbooks。 定义工作应如何做的程序与决策规则，包括何时分支或升级。
• 决策轨迹。 系统看到什么、用了哪些步骤与工具、产出什么、以及任何人类编辑、覆盖或重试的记录。
• 专家打分。 内部专家如何评价决策质量：什么重要、漏了什么、何时例外合适。
• 业务结果。 决策后实际发生了什么——以及系统最终是否做对了。

例如，Casap（Primary 投资组合公司）为大金融机构处理卡争议。输入容易找：交易记录、设备历史、商户收据。更难、往往未被捕获的，是把那些输入变成决策的一切。争议流程的现实很少匹配三年前的 SOP。判断难以编码——一笔 100 美元争议，设备指纹、IP 与收货地址匹配先前订单，可能读起来像第一方欺诈，但分析师仍可能授信，因为客户是高价值、开户数十年、从未争议。然后是结果：拒付赢了吗？追回多少？客户流失了吗？

记分册是解锁持续 Agent 改进的基础。端到端工作流与真实结果结合，创造反馈循环，使“新毕业”Agent 进化成久经沙场的老兵。系统从每次成功与失败学习，识别 playbook、harness 或评估需要微调之处。生产经验被翻译回产品改进。

记分册复利成持续学习循环

如果应用层的价值是把内部 know-how 产品化，为何不内部自建？

内部系统从单一环境学习。它看到一家公司的工作流、边缘案例与结果。强记分册解锁本地层面的迭代改进。拥有同一记分册、部署在许多客户环境的第三方，解锁跨整个客户基础复利专业知识的持续学习循环（CLL）。

让这生动起来：看 Tabs（Primary 投资组合公司），其平台为 B2B 公司运行账单、开票与催收。

实现全面专家级自动化的最大障碍，在于每个客户的细微差别与例外。每个 AP 门户工作方式不同、索要不同材料。AR 收件箱持续收到汇款、争议、W-9 请求与联系人变更的混合，每个都需区分与路由。而每份合同有自己怪癖——按欠费用量计费、一年后下调的折扣，或跨两个实体拆分的发票。

那些都不坐在系统 of record 里。它一次一个例外地被学习。Tabs 学到它并拉回系统：为一个客户做的纠正成为下一个的起始假设。这如此复利，使每个新客户第一天就更接近“专家 CFO”，并更快到达该水平。

随时间，真正的 CLL 也应改变部署经济。第 50 个客户应比第 5 个显著更容易实施。第一天，系统应有更好评估、更稳健边缘案例支持，以及对好长什么样更强的观点。每次定制实施的一部分需要变成可复用产品。

精确地说，CLL 不一定需要原始客户数据（多数企业对此太精明）。真正的池化数据学习可以存在，但主要在客户有共享利益的情况——欺诈、已知漏洞与攻击向量，或设备故障等。

然而可跨客户复利的是过程知识：哪些实施失败、哪些例外重要、哪些评估抓住边缘案例、第一天好长什么样。不可避免总会有些工作流如此专有、如此核心于公司“alpha”，永远不会托付第三方（想想桥水的投资研究过程）。这里我们认为内部自建将继续主导。对不那么敏感的职能，成功执行 CLL 的供应商的 pitch 将是——“你想不想开箱即用雇佣世界上最好的【职能】？”

此外，CLL 解锁更大问责。见过更多决策、边缘案例与结果的供应商，能做的不只是提供能力。随质量建立，应用提供商可以日益为工作质量本身站台。专业知识复利时，供应商能拥有的结果份额也可以复利。

但实验室不会赢吗？

实验室显然都在向上栈推进，快速推出大量工具使构建 harness 或 Agent 更容易。作为原始智能提供商，继续这样做符合其利益。

许多人据此认为没有应用层机会能安全避开实验室。我们不同意。历史类比表明平台所有者可以但不自动赢得应用。亚马逊拥有基础设施、推出 Redshift，却看着 Snowflake 在 AWS 之上建出类别定义性业务。微软拥有操作系统、生产力套件、企业协议与分发，推出 Dynamics CRM，却把 CRM 输给一个什么都没有的公司。

并非所有应用同样暴露，我们使用的分类沿两个轴：Harness 强度与前沿强度。

X 轴问产品多少是模型 vs 周围的 harness。Y 轴问今天模型对工作是否已足够能力。两个 harness 重象限是我们看到独立 AI 应用最强机会的地方。

随原始能力改进与开权模型赶上，智能变得更易得。在模型重市场，那压缩差异化。对许多工作，“够好”的智能可能就够好——写营销文案不需要世界级数学家。

图表右侧，重活在模型外：真正做工作所需的集成、工作流、数据结构、playbook、评估与执行。模型进步仍抬高地板并可使这些产品更好，但不抹除围绕模型建成的专有系统。

实验室能向右移动并自己做重活吗？在某些市场，绝对可以。Harness 重产品需要深度集成、领域特定本体与 playbook、实施工作、长尾例外支持，以及对工作流本身的最终问责。那些要求按职能与行业差异巨大。优化改进与分发水平智能层的实验室没有比较优势。

这不意味着实验室会远离应用。在工作流接近模型的大型水平市场，他们很可能进入。但随产品更领域特定、更运营嵌入，优势转向愿意拥有凌乱最后一英里的公司。

Harness 强度告诉我们独立应用层可以存在于何处。Expertise Power 告诉我们那些类别中哪些应用可以变得可防守。模型将继续改进。因此最重要的问题是公司能否构建随每次部署变强的专业知识优势。

一个线索是实验室如何运行自己：Anthropic 在 Salesforce、Gong 与 Clay 上跑自己的 go-to-market 栈，Claude 作为结缔组织。甚至建模型的人仍像其他人一样买工作流。

我们如何挑选

作为种子投资者，跨客户学习如何复利尚无信号。所以高层我们承保两件事：成为主导专家是否有价值，以及是否可达成？

• 市场吸引力。 底层工作有多重要？更好专业知识解锁多少经济价值？公司是否攻击足够大的劳动、支出或风险池使优势重要？结果能否被观察与打分？
• Expertise Power 效力。 积累经验是否使系统可度量更好？循环多快转动？什么学习可跨客户持续或泛化？

最有趣的公司两者都高分：专业知识溢价的大市场，配上能随时间复利该专业知识的系统。我们进一步拆成以下尽职调查问题（见原文框架）。

超越标准，我们仍回到买家数十年来想从供应商要的同样东西：工作流必须创造清晰价值。专业知识必须跨安装基础复利。随系统承担更重大工作，供应商需要为结果承担更多问责。

我们兴奋想支持的领域

这框架指向我们积极寻找投资的几种公司“形状”，包括：

• 新传感器。 一些最有价值的上下文根本还不存在。如 Inspiren 与 Granola 等产品作为做工作的副产品创造新数据集。捕获数据只是第一步；更持久机会是拥有周围的本体与工作流。
• 全循环决策系统。 我们寻找深度拥有重要工作流并端到端看到完整决策的产品。这是构建有观点记分册的前提——实验室或把工作交给人类的副驾驶自己看不到。
• 实施与数据现代化。 Agent 系统只有其下数据、集成与工作流一样好，而企业栈大部分（尤其有遗留自制系统处）不是为 Agent 建的。我们看到使实施更快、更可靠、更有韧性的新工具类别机会。
• 效率与支出管理。 随 AI 成为有意义的 P&L 科目，企业需要对支出什么、AI 在哪里替代劳动、系统是否真产生 ROI 有更好视图。
• 工作的未来。 大公司部分通过正式系统运转，部分通过人们知道该问谁。随 Agent 进入那些环境，管理人-Agent 协作、权限与激励成为新系统问题。
• 无头应用。 软件在失去头。随人类与 Agent 日益通过其他表面与系统交互，UI 变得不那么重要。我们感兴趣在决策被做出之处会见用户、同时继续拥有并结构化底层数据与工作流的应用。

是时候让 AI 兑现 SaaS 的承诺

AI 第一阶段关乎创造智能。下一阶段关乎把那智能驾驭成有价值的专业知识。

企业买家仍将为他们一直向第三方支付的同样东西付费：工作流、专业知识与问责。AI 改变的是应用层终于能把 SaaS 一直承诺的专业知识产品化。

随构建软件成本下降，复利优势将归于那些把真实世界经验与使用变成客观更好判断的公司——通过端到端映射工作流、设计正确记分册、并变成持续学习循环。对买家而言，与那个供应商合作成为无需动脑的选择。

应用层没有消失。它终于成为企业软件一直承诺它能成为的样子，我们想与正在那场赛跑中把原始智能变成其领域专业知识的雄心团队合伙。

想支持对照这一主题构建的创始人！若这与你共鸣，我们想听到你：

• 邮件：enterprise@primary.vc
• X：@dukecass, @emily__man, & @nwdaley
• LinkedIn：Cassie Young, Emily Man, & Nick Daley

本文由 RecodeX 编译自 Enterprise AI is Finally Delivering on the Promise SaaS Made（作者：Emily Man（cc: Nick Daley, Cassie Young · Primary）），首发于 SandHill.io #302 推荐阅读。译文仅供学习交流，观点不代表本站立场，版权归原作者所有。