AI 软件不是在原有 SaaS 里加个聊天机器人,而是软件价值创造方式与收费模式的一次重构:过去向员工销售工具,未来可能直接向企业销售任务执行能力。价值最终可能集中到少数拥有工作流、数据与分发渠道的平台。
从"是否采用 AI"到"谁能赚到钱"Where AI capex meets revenue
过去几年 AI 投资集中在 GPU、AI 服务器、HBM、光通信、数据中心与电力——解决的是"模型能不能训练、推理成本能不能降、算力能不能部署"。随着基础模型成熟,市场关心的问题正从"企业是否采用 AI"转向"企业采用 AI 后,谁能获得收入、利润与现金流"。
软件,是 AI 最终进入企业业务流程、接触客户数据、产生实际经济价值的主要载体——因此也是判断 AI 资本开支能否向应用层扩散的关键环节。
Seat Model → AI Agent EconomyFrom seats to tasks
向"人"提供工具
企业有多少员工用软件,就买多少席位。收入 = 客户数 × 席位数 × 单席位价。增长靠数字化渗透与席位增加。
直接完成"工作"
软件可能按 AI 请求数、处理任务数、算力消耗乃至业务结果收费。软件不再只分 IT 预算,还有机会分人工成本与业务运营预算。
AI 对软件公司不是单纯利好:一边带来新增收入(任务执行),一边带来原有业务被替代的风险——若 AI 提升单人效率、减少企业人数,传统席位需求也可能受损。
AI Software 五层框架Five layers of the AI software stack
从产业结构看,AI 软件可拆成五个方向——各自的增长逻辑并不相同,不能简单按"AI 渗透率提高"统一估值。点击任意一层跳到详解。
企业工作流 · Enterprise Workflow
掌握企业核心业务流程,是 AI Agent 执行任务的入口。代表:ServiceNow、Salesforce。
企业数据层 · Enterprise Data Layer
整合与管理企业数据,为 Agent 提供高质量数据基础。代表:Snowflake、Databricks。
AI 安全 · AI Security
保障 Agent 身份、数据与系统安全,应对 AI 时代更复杂的风险。代表:CrowdStrike、Palo Alto。
开发者生产力 · Developer Productivity
提升软件开发、测试、协作效率,重塑开发工具链。代表:Microsoft/GitHub、Atlassian、GitLab。
垂直 AI 软件 · Vertical AI Software
深耕垂直行业数据与知识,把 AI 嵌入专业场景。代表:Adobe、Intuit、Autodesk。
企业工作流:AI 任务的执行入口Enterprise Workflow
大模型能生成文本和代码,但真正执行任务时,需要知道企业的审批规则、数据权限、客户状态与内部流程。掌握这些工作流的平台,才能把 AI 从聊天工具,转化为可执行任务的企业 Agent。
ServiceNow
产品已嵌入 IT 服务、人力资源、客户服务与企业运营流程,AI 可直接进入已有工作流。
ServiceNow
Salesforce
优势在客户关系数据与销售服务流程;若 Agentforce 能稳定执行线索筛选、客户沟通与售后,可从"记录"客户关系升级为"管理与执行"客户关系。
Salesforce
企业数据层:Agent 的数据基础Enterprise Data Layer
Agent 执行任务需读取企业内部的客户、交易、产品、合同与知识库。通用模型能力接近后,真正决定 AI 效果的往往不是参数量,而是数据是否准确、及时、完整、可安全调用。
帮助企业整合与管理数据、为 AI 应用提供数据基础。但数据平台能否真正获得 AI 增量收入,仍取决于 AI 工作负载是否带来更多算力与存储消耗,以及客户是否愿意在现有平台上部署模型与 Agent。Snowflake Databricks
AI 安全:身份、权限与风险AI Security
传统软件管理"人"的账号与权限;AI Agent 可能持续调用多个系统、自动执行高频任务。一旦 Agent 身份被盗用、权限配置错误或输出被恶意操纵,风险会从单个员工失误,扩大为大规模自动化事故。
可能受益于攻击面扩大。但 AI 安全不只是加一个新模块,更重要的是能否把终端、身份、云与安全运营数据整合到统一平台,并通过自动化提高检测与响应效率。CrowdStrike Palo Alto Networks
开发者生产力:最早商业化的应用Developer Productivity
AI 编程工具是较早实现商业化的应用之一——因为代码结构明确,生成结果可通过编译与测试快速验证。
Microsoft / GitHub
Copilot 生态,AI 提高开发效率。
Atlassian
协作与项目管理工具链的 AI 化。
GitLab
一体化 DevOps 平台的 AI 集成。
单个开发者产出提高后,传统开发工具的席位增长可能放缓——效率提升与席位收入之间,存在张力。
垂直 AI 软件:行业知识 + 专有数据Vertical AI Software
垂直软件拥有行业知识与专有数据,有机会把 AI 嵌入专业工作流;但也需要证明 AI 功能能提高客户付费,而不是成为原有订阅里的免费功能。
Intuit
掌握中小企业财务与税务流程。
Adobe
掌握创意内容生产流程。
Autodesk
掌握建筑与工程设计流程。
谁能在 AI Agent 时代胜出?Three things that decide winners
① 控制核心工作流
掌握审批规则、数据权限、客户状态与内部流程,才能把 AI 变成"能执行任务"的企业 Agent。
② 掌握企业数据
准确、及时、完整、可安全调用的数据,才是决定 AI 效果的关键——而非模型参数量。
③ 安全与权限
Agent 高频自动执行下,身份、终端、云、数据访问与 Agent 行为的统一管控成为刚需。
AI 会扩大,还是压缩软件利润池?Expand or compress the profit pool?
软件 → 数字劳动力
客户按任务价值支付更高费用,软件公司客单价与收入空间显著提升——软件从"生产力工具"升级为"数字劳动力"。
同质化 + 席位放缓
基础模型与开源工具降低开发门槛,AI 功能快速同质化;同时 AI 减少企业员工数量,传统席位增长放缓。
价值可能集中到少数拥有工作流、数据与分发渠道的平台;而功能单一、缺乏专有数据的中小型软件公司,可能面临更大压力。
现阶段最值得跟踪的公司Names to track now
短期看 AI 产品能否形成独立收入、客户是否愿付费、推理成本能否下降;中期看 AI 收入能否弥补传统席位放缓;长期看软件公司能否从"信息系统"升级为"企业 Agent 的执行平台"。后续分析的核心不是比谁发布了更多 AI 功能,而是判断谁真正掌握工作流、数据、权限与客户分发渠道,并把 AI 使用量转化为可持续的收入、利润与自由现金流。
溯源:写给 A 股硅基投资者(硬切软) · 当碳基掀桌子(原文) · ← 研究库