AI 不会先杀死 SaaS,但会先杀死 SaaS 的旧玩法

news2026/3/15 22:21:32
今天和大家聊一下 AI 对 SaaS 生意的冲击。导火索是 2026 年2月初的一次市场震动Anthropic 发布了新一代法律与知识工作自动化工具后投资人突然开始担心大模型不再只是底层能力而是在直接往软件公司的应用层上走了。紧接着全球软件和服务类公司在 6 个交易日里蒸发了大约 8300 亿美元市值彭博也提到单日抛售规模就达到 2850 亿美元。市场很快给它起了一个夸张的名字SaaSpocalypse/SaaS 风暴。如果只把这些信息给你然后配一句“AI 要把 SaaS 干掉了”你会信吗你怎么看最核心的一点企业的需求没有变。不是企业明天就不需要 CRM、ERP、客服系统、财务系统了。真正变的是过去 SaaS 赖以成立的那套旧的运转模式正在被 AI 拆除原来因为开发太贵而形成的门槛在下降原来因为功能太全而形成的绑定在变松原来因为软件只是工具而成立的按席位收费也开始被重新审视。过去 SaaS 生意为什么那么好赚钱过去 SaaS 巨头之所以值钱不只是因为它们做了软件而是因为它们掌握了一套很稳定的商业结构。第一层护城河是做出来很贵。企业软件不是做几个页面、接几个接口那么简单。像 CRM、ERP、HR、财务、客服这类系统背后往往是十几年、二十几年需求堆出来的结果。功能很多流程很深权限复杂还要适配不同行业、不同公司、不同角色。后来者就算知道客户哪里不满也很难用低成本复制出一套足够可替代的系统。简单来说就是企业构建和维护复杂软件非常昂贵。第二层护城河是功能捆绑。很多企业其实并不需要一整套系统的所有功能它真正高频在用的可能只有其中一小部分。但过去的现实是自己做不起也养不起那就只能买一整套。于是 SaaS 巨头越做越大功能越堆越多复杂反而成了护城河。因为越复杂客户越难迁移。这个逻辑在你买 CRM、客服系统、营销自动化平台时都很常见。第三层护城河是按坐席收费。过去软件本质上是工具。它帮助人提高效率但真正干活的还是人。所以按账号、按模块、按许可证收费是一套非常自然、也非常舒服的商业模式。传统 SaaS 的定价逻辑本质上是按“访问权”收费而不是按“完成了多少工作”收费。这三层加在一起就构成了过去十几年 SaaS 最稳的基本盘开发门槛高替代成本高收入模型也稳定。AI 先拆掉的第一层是“软件很难做”这是这轮变化最根本的地方。很多人现在讨论 AI 对 SaaS 的冲击喜欢直接跳到“会不会取代 Salesforce”、“会不会取代 SAP”。但现实里AI 第一波真正冲击的往往不是这些最大最深的主系统而是原来那些“只能买、很难自己做”的边缘工具、中间流程和局部功能。为什么因为 AI coding 把做软件这件事变便宜了。Retool 在 2026 年 2 月发布的《Build vs. Buy》报告里提到35% 的团队已经用自建工具替代掉至少一个 SaaS 功能78% 的团队预计 2026 年会构建更多内部定制工具。这组数字很重要因为它说明企业不是还在理论上讨论要不要自己做而是已经开始真的做了。这不意味着企业明天就会把核心系统全推翻。但它意味着另一件事原来那些只有软件公司能做、普通企业做不起的东西现在开始出现了自己做也行的可能。过去一个公司哪怕很清楚自己的流程哪里卡、哪个工具不好用也往往只能忍因为重新做一套太贵。现在不一样了。AI coding、低代码平台、Copilot、agent 开始把很多局部系统的开发成本压低。于是企业第一次有机会用更低成本做出更贴近自己流程的小系统。这件事的影响非常大。因为它动的不是某一个功能而是 SaaS 行业最老的前提软件只有专业软件公司才能高效做出来。这个前提一松很多原来看起来很稳的中间层软件就会开始变得不那么稳。AI 先拆掉的第二层是“你只能买整套”SaaS 过去还有一个常被忽略的优势虽然客户只需要其中 20% 的功能但过去没得选只能买一整套。这也是为什么很多企业软件的体验明明不算好价格明明不低客户还是继续续费。不是因为它真的完美而是因为没有更划算的替代方案。但 AI 正在改变这件事。微软2月对 Power Platform 的更新重点已经不是单纯低代码更快而是把 Copilot 和 agent 直接嵌进应用构建和执行流程里让企业更容易在具体业务环节里边生成、边调用、边完成动作。Salesforce 的工程团队明确提出企业应用需要从传统的记录信息走向理解上下文、触发流程、最终完成任务。这背后其实是一个很大的变化过去企业买的是一整套软件未来企业更可能只为自己真正要解决的那段流程付钱。这时候最先被影响的往往不是最底层的数据库也不是最核心的主系统而是 SaaS 最舒服的那部分收入那些靠功能打包、模块绑定、流程冗余赚来的钱。AI 还在拆第三层按坐席收费这件事开始变别扭了这一层的影响很多人现在还没完全意识到。过去 SaaS 为什么喜欢按坐席收费因为软件是工具。你买的是一把更好的锤子更好的表格更好的系统入口。它提高你的效率但不能替你干活。但 AI 产品开始不一样了。AI 产品越来越像数字员工不是单纯工具所以定价方式也会从“为访问工具付费”慢慢转向“为完成工作付费”、“为结果付费”。这背后的变化其实很深。如果一个产品只是帮销售更快整理客户信息那按坐席收费没问题。但如果一个产品已经能自己去整理信息、判断优先级、起草邮件、安排下一步动作客户就会开始问我为什么还要按人头给你付钱为什么不能按完成了多少工单、处理了多少请求、节省了多少人力来付这就是 AI 对 SaaS 最隐蔽但也最实质的冲击之一它拆掉的不只是产品护城河还是收入模型本身。但 SaaS 不会死反而可能变得更大这篇文章如果只写到这里就太像 AI 颠覆一切的抖音视频脚本了。真正更接近现实的判断是旧 SaaS 的护城河在塌不等于 SaaS 这个行业要塌。A16Z 今年3月专门写了一篇文章反驳“SaaS pocalypse”这种简单说法。他们的核心观点很清楚AI 不会杀死应用软件反而会让应用软件市场变得更大因为原来很多没被软件化、或者不值得被软件化的工作现在因为 AI 成本下降终于开始值得被软件化了。过去很多业务流程没有被软件化不是因为没有需求而是因为不划算。流程太碎变化太快人太依赖经验定制化成本太高。现在 AI 把一部分理解、生成、编排和执行成本压下来了这意味着以前软件公司懒得做、客户也做不起的那部分流程开始进入可被产品化的区间。未来新的护城河会转移到哪里我觉得会集中到五个词上数据、上下文、治理、工作流、信任。先看数据。Salesforce 在 2026 年的数据和分析趋势研究里提到84% 的技术负责人认为现有数据战略需要进行重大或完全重构才能真正支撑 AI 成功。这说明 AI 时代不是有模型就够了而是数据质量、数据结构、数据连通性会变得更关键。再看治理和信任。Salesforce 的 CIO 趋势研究提到企业 AI 实施规模同比增长282%说明企业已经从试点走向扩张但随着 AI 更深入地调用系统、参与执行企业更关心的也不再只是能不能用而是能不能被信任地用。谁能访问什么数据谁能触发什么动作谁来审计谁来兜底这些都会直接决定企业愿不愿意把 agent 放进真实流程里。所以未来真正值钱的软件公司不一定是功能最多的而更可能是这几类第一类是最接近真实业务上下文的公司。它不只是做一个通用工具而是深深嵌进某个行业、某个岗位、某段工作流里。第二类是掌握可信数据和权限体系的公司。因为 agent 要做事就必须有数据、有边界、有治理。第三类是能从“记录”变成“执行”的公司。也就是不只是告诉你发生了什么而是能帮你推进下一步。说到底AI 时代的软件护城河正在从软件本身转移到软件嵌进业务的深度。以上祝你今天开心。封面和摘要今天和大家聊一下 AI 对 SaaS 生意的冲击。修改封面和摘要

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2414254.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…