未來,軟件開發模式需要從以功能為核心轉向以業務目標為導向。
最近全球知名風險投資機構紅杉資本發布了AI行業年度報告《Generative AI's Act o1》,總結了在生成式AI革命的兩年時間里,AI生態系統發生的變化及對未來的預測。報告中有幾個觀點我非常贊同:
1.新的Scaling Law:推理競賽已經開始
(1)o1代表通過“推理時計算在一般推理能力上的重大進展,給與模型推理時的計算越多,模型的推理能力就越強,這將推動應用層的可用性
2.SaaS重新定義:服務即軟件
(1)在AI時代,代理推理將“Software as a Service”轉向“Service as a Software”
3.領域專業知識重要性
(1)將專業知識與模型能力結合是構建數據閉環、從副駕駛(copilot)到自動駕駛(Autopilot)的關鍵。
再看Gartner 10/21發布的Top Strategic Technology Trends for 2025。其中,Agentic AI名列十大關鍵字之首。
Agentic AI系統會自主的計劃并采取行動來滿足用戶定義的目標。當前的AI助手和大語言模型能夠完成包括生成文本、總結內容或者使用基礎的工具,但是它們并不能夠主動的采取行動,它們是按照用戶的提示詞或者根據編排好的流程來行動。Agentic AI以目標驅動的規劃能力,也承諾能夠交付更有適應性的軟件系統,能夠完成在眾多領域內沒有被定義過的任務,而不是只能完成設計的功能。
AI Agent的能力可以被視為一個連續的光譜,從在特定條件下為傳統軟件提供智能,以完成特定任務;再到完整的Agenti AI系統——它們能夠在環境中自主學習,規劃策略,做出決策,并獨立執行任務。
那么不同領域的兩個權威機構做出預測的背后,反映了怎樣的技術趨勢?根據這樣的技術趨勢,我們又能推測出怎樣的商業趨勢?
數智化變革的核心瓶頸在“人”
LLM技術的突破,大家都有目共睹,從ChatGPT時刻發生到現在,我們可以看到的是正如智能摩爾定律所預測的——隨著開源LLM能力的迅速提升,推理成本則指數級下降,因此自然語言理解和表達能力對于任何軟件已經觸手可及。而OpenAI今年9月剛發布的o1模型,則打開了推理能力,大模型的推理能力可以由推理時間的Scaling Law來提升,這必將帶來的是,隨著時間的推移,推理成本能夠指數級下降。
于是,任何軟件又可以再一次獲得極其便宜的推理能力。這將給企業軟件市場帶來什么樣的變化?
我們試圖從時尚服裝業過去30年的發展變化中,發現一些規律。從商業角度來看,互聯網革命,本質上解決了消費者和品牌之間的連接問題;互聯網時代之前,品牌必須通過媒體或線下觸達消費者,因此一方面是品牌信號的傳遞速度緩慢,另外一方面,品牌信號的傳播過程也會伴隨很多“噪音”。
傳統時尚服裝行業一般是一年為一季,每年都需要經歷對于時尚的判斷、產品設計、小規模生產、時裝秀、拿到反饋,然后生產、壓貨,其中的風險十分大。
而從Zara/H&M,到Shein的品牌發展來看,由于消費者注意力越來越多地被吸引到線上,以及線下供應鏈越來越成熟、敏捷,整個循環從年,到月再到周維度,在快速迭代周期中,最重要的是能夠對于新的物種構建起數據飛輪,因為在數字化的世界里,機器的運作是可以24小時*7天的,此時,人的生產能力就變成了瓶頸。
但是在其它的大部分行業,從客戶獲取價值的流程中,由于種種原因,他們的業務規劃執行周期仍然類似30年前的時尚服裝行業,是以年或者季度為單位。
圖源來自:瀾碼科技
以上述業務架構為例,一般企業都會有業務流程,流程中會涉及到橫向的不同職能部門接力來完成一個決策,縱向則有管理來進行管控。而企業內的信息系統只起到了記錄的作用,如過去的大數據系統也只具備單一的分析功能。在由不同的角色橫縱交叉組成的決策網絡中,核心的瓶頸仍然是人。
專家知識的數字化和端到端的交互,是Agent落地企業并實現數據飛輪的必要條件
那么,有了生成式AI帶來自然語言理解和表達能力之后,會產生什么變化呢?
圖源來自:瀾碼科技
我們發現,專家知識的數字化是AI助手落地的必要條件,端到端的人機交互對于提高AI助手在業務場景中的準確率也是必備條件,因為這樣能夠更好地解決一線業務人員對于目標上下文理解偏差的問題。
但是,在現有的落地場景中,業務人員對于業務目標的拆解、計劃以及在業務活動中拿到客戶反饋等任務,仍然無法由機器來協助。而推理時計算的出現,則為這些環節的智能化帶來可能。
如果只是為企業提供更多的自動化/智能化的功能,我們仍然無法解決當前無論是自行購買算力還是買token的成本問題。畢竟現階段技術尚未成熟,推理時的scaling law也意味著成本的飆升。
由此產生的一個問題是,難道只能等模型的成本降低,才能獲取智能化帶來的價值?
我們采訪了很多企業,發現有一個顯著且具有共性的特點:即使是百年老店或者世界500強企業,在業務能力上仍然是“一招鮮打遍天下”,也就是說它們的經營重點大多都是聚焦在放大自己的競爭優勢上。因此,在企業關鍵業務能力方面,業務專家就成為了瓶頸。假設專家將全部精力投入工作也就是“007”,但業務專家能力越是作為企業的競爭優勢,則需要業務專家并行處理的業務任務或業務決策就越多,在此過程中還需要保障業務專家的決策質量,所以,企業需要通過增加新的員工來分擔業務專家的工作內容和壓力。
那么,有沒有可能將消費互聯網行業的經驗遷移到新時代的軟件開發中來呢?
我們的答案是肯定的。我們認為,可以通過優先找到企業主要價值流程中的決策瓶頸環節,重新設計業務流——讓業務專家設計的Agent去拆解目標,并通過交互收集業務信息并給出業務決策,讓只有在線下完成的業務活動仍然可以由現在的業務人員去執行。
也就是說,企業仍然可以在數字世界里面構建數據飛輪。由于是Agent在處理任務、決策,因此可以24小時*7天在線,并且能夠永不疲倦且有耐心的輔助業務人員,通過這樣的數字化流程可以幫助專家節省更多時間成本,對Agent處理的業務任務或決策進行分析,并給出改進意見。
圖源來自:瀾碼科技
一方面,我們已經看到了o1模型在代碼生成準確率上的提升,使得我們可以有能力準確地執行數字世界中的計劃;另外一方面,o1在強化學習上,關于self-play和process reward model的創新,也讓我們能夠通過專家將商業問題映射到相應的數學問題之后,可以用數百條專家標注來學習到專家的隱性知識。
同時,我們還可以通過歷史數據來構建情景記憶,從而完成規劃任務的智能化。最后,也是最難的一步,如何讓專家以低成本的方式讓Agent通過數據進行反思,并改進它的規劃能力,甚至讓Agent自主的從經驗中學習,這個部分可能有待o1模型或者新架構的模型的推出才能夠得到答案。
另外一方面,在已有軟件的改進或者新軟件的設計中,我們需要改變過去以功能為核心的軟件開發,變為以業務目標為導向的軟件開發,實現從圍繞功能堆砌到圍繞角色的轉變。
圖源來自:瀾碼科技
基于此,我們也就能夠理解為什么軟件商業模式會變成服務即軟件。
這里簡單引用一下紅杉文章的觀點:
紅杉認為,由于Agent推理,人工智能轉型是“服務即軟件”。軟件公司將勞動力轉化為軟件。
Sierra就是一個很好的例子。B2C公司將Sierra集成到他們的網站上,負責與客戶交流。Sierra的工作是解決客戶問題,它按每次解決問題的數量來收費,這里并不存在「按席位收費」的概念。你有一個需要完成的任務,Sierra完成了這個任務,獲得相應的報酬。
從商業模式上看,還是“上下同欲者勝”。SaaS替代傳統軟件,是因為SaaS模式使得軟件開發者可以知道不同功能的客戶使用情況是怎樣的,那么通過改變收費方式,雖然一次性收入看似降低了,但它讓軟件公司的功能迭代和客戶的付費關聯起來,從而讓SAAS軟件的迭代加速往正確的方向進化。
同樣的,大模型令軟件可以交付業務價值時,新的商業模式雖然看上去收入變少了,但會由于利益的原因進一步加快軟件公司去推動數據飛輪的完成。
當有新的AI原始軟件公司在組織上完成這一步蛻變的時候,那么就是萬億美元的服務市場向新物種開放的時候。而這場戰爭勢必會像19世紀末非洲的土著部落遇到歐洲殖民者的馬克沁重機槍一樣摧枯拉朽。
本文來源:36氪
文章轉載于其他網絡,如有侵權請聯系我們及時刪除!