文 | 李智勇
海外和國內 AI 上差異最大的點可能還不是模型的水平，而是真的沒應用。這導致一個很可怕的后果：國內 AI 整個生態是斷鏈的。
什么叫斷鏈？
形象講就是算力干算力的、模型干模型，然后在最終用戶這里不閉環。
比如過去的電商是有生態的：
有人做云、有人做電商平臺、有人做供貨方、有消費者，這樣就把互聯網的技術完整和商業體系融合了起來，鏈條上的每個人都可以有收益。
現在 AI 上在海外這個正反饋鏈條差不多跑起來了，至少在我感知比較清楚的 B 端，事情已經相對比較清楚：
英偉達提供 GPU、模型公司提供基礎設施、應用公司提供融合了 AI 的 SaaS、B 端的公司獲得效率。
一旦生態形成正反饋，就會讓各個部分聯動，趨于良性發展，打破過去 10 多年 AI 發展的貔貅魔咒。
如果不閉環，那就得靠投資，現在哪有那么多投資 ...
要說什么最可能導致我們國內的 AI 全面落后，我大概率會選這個。
為什么國內的 AI 應用更難
核心原因是我們必須跳過一個相對容易的階段，對業務更直接的進行端到端的整合（《無人公司》其實在寫這個新模式）。
AI 現在做更好的工具在很多場景智能水平大致是夠的，但整合完整服務這背后的挑戰就大了。
而要回答為什么必須跳過一個階段就必須說到 SaaS。
SaaS 可以看成是 AI 最容易發揮效力，馬上產生商業價值的領域。
問題是國內沒有 SaaS（不能說是 0，但沒有海外那種規模的 SaaS 市場）。
在今天這個時候，我想做過工具和 SaaS 的人都需要面對一個特別殘酷的內心拷問：
在國內未來真的還會有 SaaS 么？AI 對經典的 SaaS 是利多還是利空？
如果足夠理智，雖然很痛苦還是要回答：
經典 SaaS 這事肯定死了，不管你在上面扎多少管子，擺多少鮮花，都不過是對墓碑的裝飾。所謂交付結果從我角度看也就是多扎幾根管子，但擺脫不了藥醫不死病的客觀規律。
十年驗證的市場環境并不會有所改變，而技術條件在讓你失去議價權（大模型會讓 SaaS 的甲方更容易自研），這么個模式怎么可能不掛掉！
關鍵是 SaaS 的綜合度其實是低的，所以是容易的。
放在一個公司的背景里面，SaaS 總是解決一小塊問題，所以它處理的復雜度注定是低的。處理招聘的工具所要面對的復雜度一定小于完成整個公司業務。
現在復雜度低的這部分沒有商業價值，那就必須直面業務的復雜度，所以說是必須跳過一個階段。
端到端業務整合
《無人公司》這書其實寫的不是有人無人，而正是我們必須面對的這種高復雜度場景所帶來的挑戰。
最近我在《無人公司》相關的演講里，一直在提到一個關鍵問題：我們的價值創造主體一直在發生遷移。而 AI 這次遷移的徹底程度可能遠超過往。
這可以在各個行業找到對比，這次我們倒敘，先用最近 Antropic 的 Project Vend 做例子。理解了這種遷移也就理解了端到端的業務整合。
Vend 這項目說起來也不復雜就是把下面這樣的一個貨柜完全用 AI 進行經營，包括進那個貨，賣多少錢等等：
雖然很不幸，給了它 1000 美元的啟動資金后，它經營不善破產了。但它的模式和過去已經很不一樣了：
所以相對于過去的電商平臺或者電商平臺上的網店，它性質上不是一個東西。
而電商平臺和過去的百貨比其實也是有進步的，它把分發和交易的很大一部分依賴算法完成了，包括你要找什么、物流的狀態等等。
所以如果把 2000 年前的百貨 - 電商平臺和網店 - 上面的 Vend 放在一條演進的路線上，你會發現什么呢？
價值創造的主題越來越往硅基進行轉移。
做到后面就是基于 AI 的端到端的業務整合（不一定是端到端的模型）。
這就是我們所要面對的最大的時代背景，也是《無人公司》想要說的事。
太多的書在講大模型是什么，怎么寫提示詞等等了。而我們其實更應該關注什么是在國內能夠跑通的 AI 模式，否則更可能在擁抱 AI 的時候錯過 AI，恰如互聯網的時候提供做網頁服務的。
抑制復雜度提升
因為 SaaS 這事兒的徹底涼涼，我們就沒有機會處理低復雜度的場景，必須上來就爬陡坡，處理高復雜度的場景。（傳說中的喜馬拉雅山脈北坡）
當然這時候還是可以從改善或者新建中選擇。
既有公司很難把現有一攤子事完全扔了，徹底重來。這時候本質含義是什么呢？
每個想改善的人都要建設一套比 Glean 這個現在估值到 70 億美金公司產品還要復雜的產品。
數字化我們整了 10 多年大概是九死一生，現在好，還增加了 AI 帶來的難度，顯然挑戰更大。
最近哈佛商業評論發了篇名為《李寧數智化：和數字店長一起開晨會是怎樣的體驗？》的文章（下圖來自這篇文章），從中我們就可以清楚的感受到這套系統的復雜度遠超過去的 SaaS。
而這種復雜度往往是業務內生的，如果是改善真的只能硬抗，靠技術（包括 AI）的進展來吞吐這種復雜度，這時候典型問題顯然是：AI 其實不好用，現在的水平解決不了這個復雜度的業務。
這時候怎么才能削減復雜度呢？
如果我們認為復雜度來自于兩個來源，一個是業務內生的，一個是向后兼容導致的，那削減復雜度的核心方式就只能是不向后兼容。
這并不在所有領域都成立，但如果能找到，顯然是很幸運的。
不過即使找到了，肯定也還是比純粹做工具復雜。
所以就回到我們的標題：國內做 AI 應用的難度肯定被低估了。
技能集
什么技能集適合做上面這種產品呢？說來有趣，GleanCEO 的簡歷是可以查到的。
抽象來說就是你產品涵蓋領域的復雜度提升，反過來就會要求操盤的人對復雜系統的認知和駕馭能力提升。純粹的科學家或者不理解技術單擅長經營的 CEO 恐怕操盤不了 Glean 這樣的產品。
在以人為主的體系里最關鍵的角色一定是管人的，現在新體系因為價值創造主體的遷移日趨就需要更了解人、AI 和業務的人。如果是極端值，也就是無人公司，那恐怕了解 AI 和業務就夠了。
這是另一重新挑戰。
小結
在國內做真的 AI 應用顯然更難，反倒是做項目相對簡單依賴的技能和過去也差不多，但依賴它顯然不能解決斷鏈問題。
如果沒有真正的應用生態，AI 的發展則必然是不可持續的。2010 年開始我們用十多年證明了這事，就不要再證明一遍了。
再夸張點說，中美的 AI 競爭一定是長期競爭，長期競爭恐怕不取決于一城一地，而取決于生態是否足夠良性。
所以這是真的問題。
