AI是继互联网以来最具深远影响的技术变革,也是企业级软件领域最具颠覆性的力量。原因并非AI会威胁软件,而是AI离不开软件。推理能力、代码生成、自主智能体的突破已成为现实,并将重塑每一个行业。
我对此有切身感受。AI正在为SAP自身运营带来两位数的效率提升。在去年第四季度的云业务单子中,超过三分之二的客户选择同时采纳AI功能。制造企业正借助AI智能体实现报价流程自动化,大幅缩短响应时间。咨询团队每周可节约约四分之一的工作时间,用于创造更高价值的工作。这绝非空谈,而是在企业级规模上真实发生的变革。
每一次重大平台级变迁,都遵循一个规律:初期,价值往往集中在技术栈的底层,即算力、模型和基础设施,就像淘金热中的“铲子”。随着时间推移,持久的价值会向上迁移至应用层,技术在此转化为切实的业务成果。互联网如此,云计算如此,AI亦然。软件并未行至终点,而是刚刚启程。换言之,软件正成为AI的“超能力”。
SAP全球CEO 柯睿安
真正的价值所在
在AI能力与生产力实质性突破的推动下,各行各业正投入数十亿美元布局AI。然而,许多企业仍难以将试点项目转化为可衡量、覆盖全局的业务成果。根本原因众所周知:数据环境碎片化、流程孤岛化、治理机制不一致,以及将AI简单“外挂”于陈旧的遗留系统之上。
无论行业或规模如何,我接触的每一位客户都提出同一个核心诉求:他们需要真正理解自身业务、并且安全可靠运行的AI。这意味着必须拥有集成化的应用系统、统一协同的业务数据,以及清晰可控的治理体系。缺少这些基础,AI只能在真空中运转,与业务现实脱节。
如果AI无法理解财务如何联动采购、供应链如何衔接制造、交易背后的合规准则,以及异常情况如何处理,它就无法可靠地支撑企业运营。哪怕一个微小失误,比如使用过期、不完整或错误的数据,都可能在不知不觉中引发连锁反应,演变为决策失误、异常交易和重大损失。AI 并未取代软件,反而凸显了那些在在规模化协同中发挥核心作用的系统不可或缺的价值。
企业级AI的成功关键,在于智能体与治理的结合
构建一个AI智能体正变得越来越容易,但这只是冰山一角。真正的挑战在于,如何将其部署于端到端的供应链或财务关账流程中,同时确保全面合规和审计可追溯。编排调度能力、策略执行与流程确定性,是赢得信任的关键门槛。部署的自主智能体越多,用于约束、管理和监督它们的治理系统就越有价值。这正是那些早已支撑了全球核心业务的平台所具备的核心优势所在。
智能体规模化运行所需的三大能力
要实现可靠且可衡量的业务成果,智能体必须具备三项能力。第一,将深厚的行业与领域知识内嵌在系统之中,使其理解业务语境、关联关系与端到端流程;第二,基于准确且语义丰富的业务数据,构建可信的单一事实来源;第三,具备企业级治理能力,包括校验规则、合规检查、审批流程、身份管理与审计追踪,确保自治运行始终安全可控。
正是这些要素,构成了真正能够可靠支撑企业运行的AI,这与仅在演示场景中表现亮眼的AI有本质区别。
变与不变
AI让软件的开发更高效、成本更低。大语言模型将逐步走向商品化。随着使用模式从“用户驱动”向“智能体驱动””转变,商业模式也将随之演进。全新的交互界面将不断涌现,用户将通过与AI对话完成任务,而非在应用中层层点击,前端界面也将实时动态生成。
但是,企业对持续更新、合规治理的系统的需求,只会愈发强烈。AI提高了对安全更新、基于遥测数据持续优化以及统一管控机制的要求,而这些正是成熟SaaS的核心优势。AI 智能体不会取代企业软件,而是以其为基础运行。
最终的赢家,不会是仅在基础模型上略占优势的企业,而是那些在应用层交付真实业务价值的企业——基于深厚领域专长、跨职能深度整合,并具备规模化部署治理能力。
软件正成为可信自治的“操作系统”。洞察这一趋势的企业,将把AI深度嵌入支撑全球经济运行的系统中。其余企业或许会不断开展更多试验、生成更多原型,却始终困惑于成果为何落后于预期。
未来,软件还将继续长青。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。