未来可能没有软件了，就剩个数据库，前面全是 AI 调用，机器人就把所有事都干了。

当 DeepSeek 以开源之势席卷技术圈，企业软件行业正面临一场前所未有的价值重估。大模型的能力平权是否会让 SaaS 厂商失去技术壁垒？AI 驱动的“数字员工”是否会终结传统软件的存在逻辑？既有厂商该如何守住护城河，新锐势力又该如何抓住弯道超车的机会？

在崔牛会策划的“DeepTalk｜DeepSeek猜想系列”对话中，崔牛会创始人&CEO 崔强主持了主题为“DeepSeek 对企业软件是「利好」还是「利空」？”对话，特邀沃行科技创始人&CEO 郭舜日、53AI 创始人&CEO 杨芳贤、「信息化与数字化」主理人沈旸，就相关话题进行了深入探讨。

郭舜日认为，有价值创造能力和组织力的企业不容易被淘汰。如果问哪类软件最危险，他认为是单一功能的技术型、工具型 SaaS。以 RPA（机器人流程自动化）软件为例，现在 Claude 提出的 MCP 协议等功能，已经能用多模态技术直接观察屏幕操作，完全替代传统 RPA。企业不再需要专业的 RPA 工具，就能轻松实现自动化。这对传统 RPA 公司是颠覆性的。

再比如机器人领域。以前波士顿动力的机器人需要编程各种动作规则，现在基于大模型的机器人可以通过学习直接执行任务，不再需要预先编写规则。这类技术进步会让很多单一功能的工具型软件失去存在价值。

杨芳贤的判断是，今天大模型端到端的能力被严重高估了。无论是科技界、学术界还是产业界，对大模型的预期都非常高。实际上目前大模型在企业的落地应用，真正能拿到确定性结果的场景还比较有限。而且这些场景需融合企业知识、流程，还有一些需要基于企业现有的数字化基座实现的。他认为，10-20年后，传统 SaaS 将消失，AI 的终极形态是 AI 生产力，会是数字人与 SaaS 的融合。传统软件会消亡，软件从业者会转型为 AI 从业者。

沈旸的看法则更为激进，认为这个时间周期会更短，可能在半年内是“救命稻草”，但半年或一年后就会变成“杀手锏”。未来 SaaS 会变成“Service as a Service”，Software 本身的重要性会大大降低。他认为，SaaS 的订阅模式（按人头收费）会被 AI 颠覆，未来要么卖实时数据，要么卖服务效果。

这场对话充满了尖锐的观点碰撞，对于企业来说，与其焦虑被颠覆，不如先让 AI 帮你省下 10 个外包人力。

阅读目录

1.是“救命稻草”，还是“催命符”？

2. “前期投入，后期躺赚”将不复存在

3. 哪类软件会先被淘汰？

4. AI 有哪些真正可落地的场景？

5. 比技术和产品更重要的是方法论

6. 别做“半吊子”产品

7. “数据安全”不再是企业落地大模型的主要障碍

8. 企业“上云”，还是“下云”？

说明：在此，也特别感谢 EC CRM创始人&CEO张星亮对这场对话的参与和支持。

以下为对话内容，经牛透社编辑整理：（有删减）

是“救命稻草”，还是“催命符”？

崔强：今天是我们「DeepTalk」栏目的第三期讨论，主题是探讨 DeepSeek 对 SaaS 行业的影响。前两期我们分别从投资人和原生 AI 创业者的角度进行了探讨，今天我们将聚焦 SaaS 从业者的视角。三位嘉宾简单介绍下自己。

郭舜日：我是沃行科技的创始人，公司对外叫 WallTech，主要做航运 SaaS。我们有两类产品：国际货代 SaaS 和跨境电商物流 SaaS。目前国内 3% 的国际物流企业使用我们的平台，服务了 1500 多家 SaaS 客户。期待和大家交流 AI 如何赋能 To B 企业。

杨芳贤：我是 53 AI创始人。过去两年我们一直在探索大模型在企业的落地应用，我亲自参与了公司大部分重要项目的售前与交付工作，同时也担任了几家上市公司的大模型落地应用顾问。很高兴能和大家分享我以一个创业者的角色在一线的实践经验和思考。

沈旸：我在 To B 领域工作多年，最早做了十年 ERP 咨询，后来转到甲方做数字化建设，现在负责一家供应链金融公司的数字化业务。过去两年我们在 AI 落地方面做了很多实践，也踩过不少坑，积累了一些心得。很高兴能和大家交流。

崔强：今晚我们主要讨论两个核心问题：一是 DeepSeek 对 SaaS 行业来说是“救命稻草”还是“催命符”？DeepSeek 是不是 SaaS 的“葵花宝典”？大家都知道“欲练此功，必先自宫”，但练完之后可能也没什么用。各位怎么看？

杨芳贤：这个观点很有意思，我也很认同。从长远来看，比如 10～20 年的维度，DeepSeek 确实是 SaaS 的“催命符”。回归到当下，未来 3～5 年大模型对 SaaS 企业是有促进作用的。核心在于，AI 终极形态是 AI 生产力，是要替代知识工作者的脑力劳动，本质上是数字人与 SaaS 的融合。从这个角度看，传统 SaaS 软件将会消失，但 SaaS 行业的从业者会一直在，因为中国企业的创新精神不会消失。

沈旸：我基本同意杨芳贤的观点，不过我认为这个时间周期可能会更短。可能在半年内是“救命稻草”，但半年或一年后就会变成“杀手锏”。未来 SaaS 可能会变成“Service as a Service”，Software 本身的重要性会大大降低。

郭舜日：这个问题需要结合 SaaS 行业和企业发展的现状来看。AI 既带来机遇也带来挑战，本质上是对现有商业模式的重构。很多 SaaS 企业不盈利，主要因为高昂的实施和获客成本。如果 AI 工具能替代这些非结构化工作，将极大降低成本结构。从这个角度看，AI 对一些企业确实是"救命稻草"。

更进一步，运用 AI 得当的企业不仅能解决生存问题，还能提升竞争力。但对 AI 反应迟缓的企业来说，AI 就是"催命符"了。他们可能会被擅长使用 AI 的竞争对手超越，甚至出现小企业借助 AI 反超大企业的情况。所以关键要看企业拥抱 AI 的程度，以及 AI 能具体赋能哪些业务环节。

“前期投入，后期躺赚”将不复存在

崔强：如果抛开现有的立场和包袱，作为一个新进入企业服务领域的创业者，应该怎么看待和思考这个问题？

郭舜日：我认为现在 AI 的发展给新创业者带来了非常好的机会。首先，AI 带来了全新的能力，很多原本需要复杂架构和大量人力才能完成的工作，现在通过 AI 就能实现，大大降低了管理难度和成本。

其次，对于新进入 SaaS 领域的企业来说，如果能用好 AI 技术，可以在某些特定功能上实现突破，甚至超越传统的行业领先企业。我举个具体的例子，比如仓库管理软件（WMS），以前需要开发复杂的调度算法和处理策略，现在通过 AI 大模型就能实现，而且效果可能比传统算法更好。

最关键的是，传统企业可能需要 10 年积累的经验和能力，新创企业通过运用 AI 大模型就能快速掌握。这意味着新创企业可以更快地开发出创新的产品体验，建立更具竞争力的成本结构。所以这对新进入者来说是个巨大的机会，而对于现有的行业领先企业来说，则需要特别警惕这个发展趋势。

崔强：沈旸，你属于以前是客户的身份，你刚才的判断很激烈——说半年内是“救命稻草”，半年到一年后就是“催命符”。这个判断是基于什么逻辑？那天有朋友来找我说，未来可能没有软件了，就剩个数据库，前面全是 AI 调用，机器人就把所有事都干了。会不会是这样？

沈旸：现在的情况已经很接近这个预测了。除了 DeepSeek，市面上另一个模型 Claude 的影响也很大。特别是 Claude 3.5 和 3.7 版本出来后，具备了很强的调用工具和软件的能力。在这之前，包括 DeepSeek 更多是做推理，能把过程拆解，但直接落地还做不到，需要很多外挂处理。

我最近和工程师打交道比较多，明显看到像 Cursor 这样的编程工具，借助 Claude 模型可以调用很多本地工具，通过 MCP 协议操作本地文件，甚至可能误删文件。这让原本只是聊天的 AI 变得可执行。

DeepSeek 进化快的一个重要原因是强化学习。数学题训练有个特点：学得好可以拿满分，但语文很难满分，因为评判标准不固定。同样，大语言模型很难做到 100% 准确。但在 DeepSeek 领域，虽然仍是概率模型，但通过强化学习可以验证答案是否正确。在代码领域更明显：代码可以运行测试，验证页面是否符合预期。一旦工业化、规模化，AI 很容易处理这种场景。最近三个月这样的场景越来越多。

Manus 带给行业很大的刺激，但更多进展是在软件工程领域。未来，只要是 AI 能看到的，它就有能力复制软件。如果软件靠功能点叠加，比如企业管理软件按功能点计价，以前要追赶需要投入同样的人力。但任何公司都很难持续投入上千人做三年。现在 AI 可以把软件拆解、运行、验证，24 小时并行处理，很快就能找到可复制的方式，这对软件工程是巨大颠覆。

以前，SaaS 和软件行业想“前期投入，后期躺着赚钱”的模式将不复存在。企业要么持续投入研发，要么提供实时服务和数据，不可能再靠十年前做的软件持续盈利。

崔强：芳贤，你怎么看刚才的问题？为什么判断“AI 对于企业软件来说，十年内是救命稻草，十年后是催命符”？

杨芳贤：首先，从 AI 的终极形态来看，我跟沈旸的观点是一致的。但沈旸说半年、一年，我觉得没那么快。背后的逻辑在于，今天大模型端到端的能力被极大的高估了。无论是科技界、学术界还是产业界，对大模型的预期都非常高。实际上，目前大模型在企业的落地应用，真正能拿到确定性结果的场景还相对有限。而且这些场景需要融入企业的知识和流程，还有一些需要基于企业现有的数字化基座来实现。

大模型被称为“第四次工业革命”，这在业界已经有极大的共识。以史为鉴，无论是电力还是信息技术，从技术出现到极大地提升生产力，需要一定的时间。所以我的观点是，大模型落地应用也是这样，大规模地形成 AI 生产力也需要三五年，甚至十年以上的时间。

一方面是源于对历史的观察，另一方面是我们过去两年在企业落地实践看到的——今天还无法直接通过大模型及各种 Agent 全链路完成大部分岗位的全流程，但是在这些岗位工作流中的一个节点、一个工序，借助大模型能极大地提升效率。基于此，在未来很长的一段时间企业软件还是会长期存在，并且会成为企业迈向智能化的基础。

郭舜日：我补充一下。现在 AI 应用面临的最大问题是，很多企业的数据还处于信息孤岛状态，数据清洗和基础知识的完整度、单元化程度都不够。这种情况下，AI 对知识的积累和理解是有限的。目前，主要瓶颈不在于 AI 技术本身，而在于传统 SaaS 领域的数据沉淀和经验积累不足。比如我们平台上有37% 的出口数据，看似量大，但这些数据之间互不联通，很难形成系统化的知识体系。

所以，现在最关键的不是 AI 能力的问题，而是如何把分散的数据和经验整合成可供 AI 学习的素材。我们正在做的重要工作，就是把数据和能力真正沉淀下来，形成可学习的知识体系。这才是当前最需要解决的问题。

崔强：到底是利好还是利空？刚才沈旸提到大家都在用 MCP 协议，今早我看到 AI 大神卡帕西（Andrej Karpathy）的观点，他说内容服务、AI 服务应该停止使用 MCP。为什么现在有人追捧，也有人看不上？

沈旸：其实 MCP 本质上就是个简单的 API 服务协议，让 Claude 等大模型能方便调用各种工具。在 MCP 出现前，大家也是通过 API 调用工具，只是 Claude 把它标准化了。现在有几百个开源软件和 SaaS 服务都支持该协议。现在 AI 领域有个特别的现象：以前推广一个开源项目可能要几年才能获得 1 万 Star，现在两三天就能达到。如果你的软件不支持 MCP、没有 API，或者不能被 AI 抓取，就会面临被淘汰的风险。

目前 MCP 有个局限，它原本为本地编程设计，没有考虑商用软件的计费问题。有些 SaaS 公司虽然支持 MCP，但会在内部设置调用次数限制。MCP 生态主要基于开源体系，未来可能出现两种情况，要么商业软件都加入这个生态，要么 AI 只使用免费开源工具，把商业软件排除在外。目前还看不清楚最终会如何发展。

崔强：两位对这个话题有什么补充吗？

郭舜日：沈旸提到 MCP 主要是开源体系，但它本质上是个协议标准。我们公司内部也在讨论如何利用 MCP 协议来提升内部 AI 能力。我们现有的 SaaS 软件已经积累了各种基础能力，比如制单、订仓、客户通知（通过微信、企业微信、QQ、邮件等）。

通过 MCP 协议，我们可以把这些能力标准化，让 AI 来执行交互流程，减少对人工操作的依赖。因为 AI 本身就具备行业知识，这样能简化架构，快速实现对现有交互流程的优化和能力替代。虽然协议本身不难实现，但关键是大模型引擎厂商都接受这个事实标准。这是我们内部架构团队正在讨论的方向。

崔强：有网友问沈旸：按照你刚才的观点，像金蝶这样的企业该何去何从？

沈旸：这个问题很敏感。未来软件必须加速迭代，把所有 AI 能力整合进来。传统软件往往多年才做一次大升级，比如 ERP 通常 5～7 年才升级一次。这不是企业不想升级，而是测试和变更太复杂。现在必须提升迭代效率，把 7 年一次的升级周期缩短到 2～3 年。就像电动车对燃油车的替代，燃油车 5～7 年升级一次，现在电动车每年都有新款，智能驾驶等功能快速迭代。

对金蝶这样的大公司来说，最危险的还不是现在，因为他们还有资源投入。但必须意识到 AI 带来的变革。如果意识不到这点，就会像燃油车面对电动车那样，两三年后就发现自己无力进行架构升级。整个组织的开发模式和文化都可能成为阻碍变革的因素，所以首先要从文化上进行重大改变。

哪类软件会先被淘汰？

崔强：做个极限假设，以你们的观察来看，哪类软件会最先面临风险，最可能被淘汰？

杨芳贤：在企业服务领域，后发优势特别显著。软件行业不完全是技术驱动的，市场、销售、服务和交付等环节同样重要，技术领先性没那么关键。回到沈旸说的时间问题，如果只有半年一年，像金蝶、用友这样的企业确实危险。但如果有 5～10 年时间，它们都会转型成 AI 企业，就像金蝶已经从传统软件转型为 SaaS 企业一样。

具体到哪些软件企业容易被淘汰？我认为还是看企业的组织能力和运营效率。与软件类型无关，组织能力弱、运营效率低的企业最容易倒下。软件企业无论是创新还是保守，最终竞争的都是组织效率。从品类来看，AI 最先替代的是大量简单重复性脑力劳动的岗位，我目前看到的这是一个增量市场，可能会逐步蚕食与这些场景相关的，功能相对单薄的工具类软件。

崔强：郭总，你怎么看这个问题？

郭舜日：一般来说，有价值创造能力和组织力的企业不容易被淘汰。如果要具体说哪类软件最危险，我认为是单一功能的技术型、工具型 SaaS。最直接的例子就是 RPA 软件。现在像 Claude 提出的 MCP 协议、OpenAI 的 Operator 等功能，已经能用多模态技术直接观察屏幕操作，完全替代传统 RPA。企业不再需要专业的 RPA 工具，就能轻松实现自动化。这对传统 RPA 公司是颠覆性的。

以沃行科技为例，我们用多模态技术实现了 OCR（光学字符识别）功能。传统 OCR 需要大量样本训练特定模板，而现在的 AI 多模态技术不仅识别率更高（达到 99%），还能理解内容含义。比如我们与客户在珠海合作的项目，AI 不仅能识别货运单据上的文字，还能理解运输条款和贸易条款的关联性，这是传统 OCR 做不到的。

再比如机器人领域。以前波士顿动力的机器人需要编程各种动作规则，现在基于大模型的机器人可以通过学习直接执行任务，不再需要预先编写规则。这类技术进步会让很多单一功能的工具型软件失去存在价值。

沈旸：我补充一下，什么样的软件容易被替代？像金蝶这样的跨部门软件其实比较难被取代，因为它们不仅是功能工具，更是组织内部达成共识的磨合过程。比如 ERP 系统，从前端销售到后端财务，整个流程是各部门长期磨合形成的体系。要替换这样的系统，组织往往不愿意改变。

但部门级或个人级的软件就不同了：一，部门级软件未来被替代的可能性非常大；二，个人工具领域，会出现很多新的 AI 工具替代旧工具。由于 AI 能大幅提升效率，个人会愿意花钱购买 AI 工具来提升竞争力。在 SaaS 领域，如果只是针对某个非常细分的部门级应用，这样的软件会面临较大风险。目前还看不到这类软件能保持优势的路径。

AI 有哪些真正可落地的场景？

崔强：目前有哪些让人眼前一亮、真正可落地的 AI 应用场景？去年崔牛会 AI 大赛时，60%～70%的项目都是知识库、陪练等方案。经过一年发展，三位看到了哪些有价值的原生应用？具体在什么场景？

郭舜日：知识库确实是一个非常典型的场景，效率提升非常明显。通过向量化机制，特别是 RAG 技术的应用，可以把企业私有数据库建立起来。以我们企业为例，近 10 年积累的大量文档知识，以前都要去问人，个别专家还不一定掌握全量知识。现在我们通过内部知识库建设，相当于培养出一个机器人专家，可以沉淀企业十几年的知识。这块效能确实很明显。

但难度我也要说明，绝对不是简单把文档扔进去就能产生好效果。因为存在大量知识冲突，需要花精力进行知识梳理、向量化处理。我们和 AW 工程师合作，做了很多知识增强的工作，才让效果真正显现出来。建议有一定沉淀的 SaaS 公司都应该在内部效能提升上应用知识库，但需要认真对待知识增强和梳理工作。

第二点，我认为更重要的是企业内部组织对 AI 的理解和意识培养。我们现在每周都组织 AI 高层汇报会，要求全员使用 AI。只有真正用起来，才能在具体工作中发现有价值的应用场景。这是比找单点应用更重要的事。

在具体应用场景方面，AI 在单点能力上的提升非常明显。以我们航运软件为例，以前处理各家船公司的运价导入非常复杂，需要业务理解，而且格式经常调整。以前要投入几周开发时间跟进这些变化，现在用大模型动态识别就能快速完成。还有财务对账，AI 理解财务逻辑、处理非结构化数据的能力都很强。这些单点技术突破投入低但客户价值高，是 SaaS 厂商应该重点关注的。

崔强：沈旸，你现在看到了哪些比较令人兴奋的应用场景？

沈旸：最近最令人兴奋的是像 Manus 这样的 AI Agent，能够从前到后完成闭环场景。这类场景从去年 12 月底才开始出现，之前完全没有这样的工具和体系。这种 AI Agent 能在内部集成浏览器、虚拟机等组件，最终运行出结果并验证可行性。这才是最重要的突破。过去我们做的很多工作，比如知识库梳理，其实更多是在为 AI 服务，而不是为人服务，因为 AI 对知识的理解能力远超人类。

现在更有价值的是让 AI 完成特定环节的闭环，并验证结果是否正确。比如郭总提到的报价环节，如果能用 AI 完成并验证，就是重大进步。虽然目前 AI 处理数据的速度和精度可能不如传统软件（比如传统软件半秒完成的任务，AI 需要 10 秒～20 秒），但这不重要。一旦证明可行，后续肯定会有人优化性能。

目前这类应用主要在科技公司和工程师团队中测试，但我预计 3 个月左右就会在各行业普及，用于 POC 测试。开源版本也会很快出现，我们内部也在测试类似的开源方案，一旦实现闭环，就能清晰看到这个技术的终点在哪里。

崔强：一个再小的业务，你也要把它闭环做完，能单独搞定它，对吧？

沈旸：对。但是很多事情，比如像知识库，它可能就并不是一个真正的闭环。因为最终你还是依赖于人去评判做得好不好，或者要人去落地完成。对我来说这就不是一个闭环的事情。

杨芳贤：大模型在企业的落地场景我们见得比较多，说知识库是一个场景，我认为这是一个误读。今天行业里大家讲的知识库，本质是让大模型掌握企业的知识和流程，替代重复性脑力劳动。但这个说法太泛了，需要拆到具体解决什么问题，投入产出比是怎样，这才能算是一个落地的场景。

比如：客服助手场景、在线客服场景、对员工服务的共享服务中心、业务陪练、加盟商指导、数字教练、客户筛选、客户孵化、邀约到店等等。这些场景的第一阶段目标都是成为员工的数字助理提升效率，当数字助理有了极高的准确率和采纳率后，就可能直接替代部分真人工作，这些单点场景在有一定规模的企业里，其投入产出比非常高。

除了知识库，智能工单在很多大企业也应用得特别好。例如：通过 RPA 机器人自动感知微信上内外部聊天内容，自动创建、处理、流转工单，包括对工单数据进行分析和预测。把业务专家的能力萃取出来后，它的感知和分析能力会比人更稳定、更可靠。我们有客户的客服团队有几百人，水平参差不齐，借助 AI 后相当于每个客服旁边都坐着一位业务专家，直接给出 85 分以上的意图识别和处理建议。

我再举个具体的审核场景例子。我们有个客户去年一期项目用 AI 支撑近千家经销商，今年的二期项目做业务审核。他们目前有 500 人的业务审核团队，预计今年业务量要翻倍。如果不引入 AI，他们的客服审核团队要再招 500 人。

在他们的审核流程中有六个步骤，例如：信息审核时要处理不同区域的电费划转单、各省不同的购售电合同、投资项目备案证等；技术审核时要检查光伏组件安装是否被遮挡、施工规范是否符合要求等。过去一个资深审核员处理一单要 15～20 分钟，现在用 AI 辅助 1～2 分钟就能搞定。

企业里有很多依赖资深的业务专家的场景，这些业务专家的知识、经验和流程萃取出来之后，AI 掌握后往往比人做得更好，而且不需要考虑人员流动的问题。过去两年，我们看到很多类似的场景，企业规模越大、同一个岗位影响的人越多边际成本越低，AI 带来的 ROI 就越大。

比技术和产品更重要的是方法论

崔强：现在很多 SaaS 企业都在考虑 AI 落地的问题。AI 到底要怎么帮助我们这些 SaaS 企业实现真正的落地？现在很多厂商都想要尝试，但是不知道具体该怎么开始，需要投入多少资源，以及能带来什么样的实际价值。郭总，听说你们已经在做这方面的落地实践，马上要发布新产品了，能具体说说吗？

郭舜日：我结合我们的实践经验来说说。从技术实现的角度来看，AI 落地可以分成三个主要的阶段，每个阶段的难度和投入都不一样。第一个阶段是提示词工程（Prompt Engineering）。这个阶段主要是利用现有的大模型技术，通过优化提示词来解决具体的业务场景问题。根据我们的实践，只是做好提示词工程就能解决 80%左右的常见业务场景。

比如我们现在做的 OCR 场景，就是通过多模态技术加上精心设计的提示词，已经能够完美替代传统方案。还有我们即将发布的 AI 助理产品，以及像 Manus 展示的那些闭环应用案例，核心都是基于提示词构建的任务流程。

杨芳贤：不过要说明的是，提示词工程在 POC 阶段可以用来快速场景验证，应用到生产环境，光靠提示词是不够的。

郭舜日：确实是这样。所以，第二个阶段就是 RAG 增强。这个阶段难度会大一些，主要是通过知识补充和能力增强来解决更复杂的业务问题。

我举个具体的例子，很多企业都在用 BI 系统，但老板们经常用不起来，因为每次想看个报表都得找数据工程师专门配置。我们现在做的方案是，通过 RAG 技术把历史报表数据向量化，当老板说“我想看最近一个月销售对利润的贡献情况”时，AI 就能自动生成相应的复杂报表。知识库建设也是类似的原理，但这里特别要注意向量化的质量，这个很关键。

第三个阶段就是模型微调。当业务场景需要带入大量上下文信息时，可能就需要对基础模型进行微调了。这个阶段的投入会比较大，因为要构建自己的专用模型，硬件投入可能要几十万到上百万。所以，要不要走到这一步，需要仔细评估业务价值。

我们内部现在就是按照这三个阶段来规划 AI 应用的，从提示词工程开始，逐步推进到 RAG 增强，最后根据业务需要决定是否进行模型微调。

崔强：芳贤，刚才有不同意见，你们看到的相对成熟的落地方法论是什么？

杨芳贤：在参与运营 LangGPT 提示词社区时，我们和客户一起共创了一套被广泛认可的大模型落地应用“三步走”方法论。

我们认为企业落地大模型可以分三步走。

第一步是“工作+AI”。就是让大模型提升全员的工作效率。很多人认为大模型只在企业内少数岗位，例如：文案、设计、开发等岗位提效显著。其实不是这样。我们看到在企业内，每一个部门、每个岗位，借助 AI 都能获得不同程度的效率提升，只是有些岗位能提效 5 倍～10 倍，而有些可能只提效 5%～10%。而且落地“工作+AI”几乎没有门槛，甚至零投入，但需要企业有 AI 文化，老板有 AI 思维，在企业内部营造 AI 的氛围，鼓励大家工作中能用上的 AI 工具都尽量能用上。

第二步是“业务+AI”。就是让大模型掌握企业的知识和流程成为 AI 生产力。今天基于大模型构建 AI 生产力有两种范式，一种是替代简单的重复性的脑力劳动，另一种是辅助创造研究型的脑力劳动。

让大模型掌握企业的知识和流程不是和大模型对话或者将企业的知识一股脑的上传就完成了，将企业的知识进行清洗和加工是前提，上线后持续的调优是效果越来越好的关键步骤。

让大模型像刚入职的新员工一样，先掌握基础的企业知识和作业流程，然后再基于数据持续的迭代。就像招个 985 毕业生，在熟悉了公司的知识和流程后才能上岗，在日积月累的工作中能力不断的提升。

第三步是“AI x 业务”。这个阶段是以 AI 为基础重构产品和服务流程。就像今天所有企业都是互联网企业、电商企业一样，未来所有企业都会是 AI 企业。

也可以分享一下我们在实际落地应用的最佳实践的几个关键点：

一是企业内领导层、管理层和骨干员工对大模型的能力边界要有统一的认知。今天我们大多数对大模型的了解来自短视频和各种自媒体的推送，自媒体为了抓眼球往往只报道极端条件下的成功案例，与实际的落地应用有很大差距。

二是了解行业内的先进企业及跨界的先进企业的真实案例拆解。不只是看媒体的宏观报道，而是看企业配置了什么资源，真实做了什么、踩了什么坑、投入产出比如何。

三要先聚焦单个场景进行试点。现在很少有企业有专业的 AI 团队，临时组建的 AI 虚拟团队一定要先集中资源做好一个场景。一个场景验证成功后，代表这个企业、这个团队有驾驭大模型的能力，一个场景拿到超出预期的效果再扩展到其他场景会容易很多。

今天落地应用大模型技术和产品很重要，比技术和产品更重要的是落地方法论。相比于已经发展了 20 年的数字化，大模型进入到产业才 2 年多时间，能力变化也很快。落地应用遇到挑战是普遍现象，全球范围内都缺乏成熟案例，最顶级咨询公司也是在探索阶段。在这个过程中，找到正确的落地方法和靠谱的落地团队比单纯追求技术更重要。

别做“半吊子”产品

崔强：沈旸，你刚才提到自媒体的局限性，但我觉得新媒体人还是有价值的，毕竟不是每个企业都有像你这样的专业 CIO。你怎么看这个问题？能不能分享些实际踩过的坑？

沈旸：我举个去年底的例子。我们尝试做一个智能会议室预定场景，听起来很简单：让 AI 根据“朝南”“看海”这种需求自动选会议室。这需要解决几个问题，给会议室打标签、让 AI 看懂平面图方位、处理企业微信里的联系人（包括重名情况），还要解析“下个月第二天”这种模糊时间表达。

我们半天就搭了个原型，但实际使用发现问题很大——时间理解准确率 70%，地点匹配 80%，人员识别 80%，三个维度一叠加，结果完全没法用。

后来我们没急着调模型，而是做了两件事，一是用 AI 生成测试数据集，比如针对时间维度造了 2000 多条“下周二”“大下周”之类的样本； 二是拿这个数据集持续测新模型，直到去年 10 月发现某家模型的时间解析突然做到 100%准确（虽然理论上大模型是概率模型，但实测结果就是全对）。

如果一个场景一周内搞不定，说明要么团队能力不足，要么技术还不成熟。

去年我们做了一个类似 Manus 的金融版 AI 工作流，但当时开源工具链残缺，评估要缝上百个接口，直接放弃。技术迭代快得很，去年 6 月国内能私有部署 70B 模型（具有 700 亿个可训练参数），年底 Claude 和 DeepSeek 出来又是质变。现在每季度回头测旧场景，发现很多过去做不到的现在能做了。

我们最后把 AI 深度嵌到企业微信，员工不用跳转系统，直接聊天界面就能用。比如设计师做了个吉祥物生成工具，运营同事@机器人 10 秒出图，以前找设计部排队得等半天。

所以，要么做成“开箱即用”的闭环（比如集成到钉钉/企微），要么明确测试标准，耐心等机会，千万别做个半吊子功能，既浪费资源，又透支团队信任——用户试两次不好用，以后连 AI 本身都不信了。

“数据安全”不再是企业落地大模型的主要障碍

崔强：一个网友的问题：企业在引入 AI 过程中如何防护数据安全，有哪些泄露风险点？特别是需要私有化部署的企业，目前他们可能更关心这个问题。我看你今年给很多大企业、国央企讲过课，他们肯定很关心安全问题。这个有解吗？怎么解？

杨芳贤：关于大企业通过私有化部署来解决数据隐私和大模型的安全问题，有两个维度的私有化：第一个是中间层应用私有化部署，比如 Agent 平台，语料向量数据库部署在内部，但模型层通过开发者接口接入。这种情况下，大模型厂商用自己的商业背书承诺不会把这些接口数据用于模型训练。如果不是涉密部门，这种模式是值得信任的。就像今天我们使用公有云一样，对大模型厂商来说，单个企业的数据意义并不大，他们愿意用商业信用做背书，这个方案是 OK 的。所以企业可以把涉及企业内部流程、知识的 Agent 平台，语料向量数据库部署在自己本地。

当然对于党政机关、军工企业、涉密机构等特殊部门，他们需要基座模型都做私有化部署。这也是为什么今年 DeepSeek 开年之后就出圈了，各行各业都非常关注。因为过去的开源模型和国产模型能力跟 OpenAI 还是有一定的差距，但 DeepSeek 的 R1 模型已经接近甚至在某些中文场景下超越了 OpenAI 的 o1 模型。而且它开源后可以做私有化部署，这就解决了大家过去只能用少量脱敏后的数据测试体验一下，现在可以大规模的应用在工作生产环境了。

如果基座模型也做了本地化部署，那么它的安全问题其实和数字化时代的安全管理非常类似。针对大模型也有一些额外的安全防控点，很多安全厂商也给出了解决方案。所以，安全不是落地应用大模型的主要障碍。前两年大家还在讨论要不要上、怎么接入的问题，而今天已经变成讨论怎样借助大模型构建 AI 生产力了。今年，我们看到很多企业都在找具体场景，思考怎样融入业务。数据安全现在对企业落地大模型来说，已经不是一个很重要的门槛了。

企业“上云”，还是“下云”？

崔强：今天的 DeepSeek 对企业软件到底是利好还是利空？回到 SaaS 这部分，DeepSeek 会不会使得业务部门倾向于自己私有部署，这会是一个“下云”的趋势吗？会不会影响现有 SaaS 软件公司的业务？

郭舜日：数据安全确实是非常敏感的问题。我们这些做了十几年的 SaaS 服务商，在安全方面都有保障和承诺。像我们服务的中国邮政、民航等大型企业，500 多个分公司、3000 多个账号都在我们平台上运行，已经建立了对 SaaS 软件的信任。

但 AI 带来的新问题是，当数据都在公有云平台时，通过大数据挖掘可以分析出企业自己都还没总结出的商业逻辑和规则。去年 9 月，我们去美国考察时发现，SAP 的很多大型客户正从公有云转向私有云部署，就是担心公有云厂商可能利用平台数据挖掘能力来服务整个行业。这对数据贡献最大的企业来说确实存在战略顾虑。

不过对中小企业来说，它们既没有足够数据量，也没有能力进行独立的数据挖掘。所以我认为会有两个趋势：一是超大型企业可能会选择私有化部署，出现“下云”趋势；二是大多数企业还是会相信 SaaS 服务商，因为单个企业的数据价值有限，而 SaaS 厂商可以提供行业级的 AI 赋能。

崔强：沈旸，从客户角度你怎么看？“下云”和“上云”会是什么比例？

沈旸：我以前在企业提出过“敏变稳”架构：SaaS 软件+开源低代码+商业 ERP 套件。现在 AI 可能会替代原来的低代码场景，业务部门不再需要拖拉拽，直接通过 AI 对话就能调用 API 获取数据。

对于 SaaS 软件来说，如果软件不持续迭代，客户很可能会用 AI 在内部复制一套。很多客户其实只用到 SaaS 软件的少数功能，以前用低代码重建很困难，但现在 AI 让这事变得简单。

未来，要让大企业真正使用 SaaS，必须做到功能持续迭代，提供实时更新的数据服务，比如提供股票信息的 SaaS，因为数据实时更新才有价值。如果软件功能或信息常年不变，客户就没必要用 SaaS。

杨芳贤：从企业视角看，DeepSeek 这类模型的本地化部署是增量业务，不会影响企业现有的云策略。算力也不一定要本地部署，也可能在云计算厂商租用算力私有化部署，而且算力成本正在急剧下降，未能相同能力的模型尺寸会越来越小。未来的趋势是云侧的大尺寸模型和端侧的小尺寸模型的混合协同架构，所以云上的比例未必会下降。

从 SaaS 服务商角度看，过去依赖闭源大模型，现在可以用开源模型开发更匹配场景的应用，模型部署在云端，通过集中调度能大幅降低成本。所以不一定是“下云”，部分业务“下云”，但更多业务会“上云”，整体对云服务还是利好的。

崔强：今天我还见了个投资人，他们非常看好这波 Agent 浪潮会催生全新的服务形态。就像沈旸说的“Service as a Service”，关键是要能交付明确价值的服务。我们把服务分为两类：开源（创收）型和节流型，但都需要清楚计算出为客户解决了什么问题，创造了多少价值。