SaaS的“大模型焦虑”

随着大模型技术的兴起，SaaS行业正面临前所未有的机遇与挑战。本文深入剖析了SaaS厂商在AI化升级过程中的’大模型焦虑’，并探讨了如何通过战略性的AI应用找到自信，实现产品与服务的转型升级，为SaaS行业的AI之路提供了宝贵的思考与方向。

在向 AI 的转型升级中，行业 Know-how 依然是 SaaS 厂商可靠的壁垒。文|张保文大模型落地的另一面，是 SaaS 的AI化升级。在与大模型的双向奔赴中，SaaS 厂商如何走出“大模型焦虑”，找到“AI自信”？

01 “大模型焦虑”

“所有软件，都值得用大模型重做一遍”。

2022 年底，ChatGPT 火爆出圈，也把不少 To B 从业者带入一种“大模型焦虑”中。

两、三个月后，第一波焦虑慢慢缓解下来。因为大家发现，当时的大语言模型，更像一个偏 C 端的“大号玩具”，加上大语言模型幻觉、隐私安全、落地场景等制约，距离真正的 To B 生产力工具，还有点远。

随着 OpenAI 开放 API 接口，Meta、谷歌推出开源大语言模型，以及大语言模型应用开发工具 LangChain 的兴起，大语言模型在 B 端的商业化路径，逐渐清晰起来：

首先，开源降低了大语言模型技术应用的门槛。例如，SaaS 厂商可以在开源大语言模型的基础上，训练和微调自己的行业大模型，帮助客户解决具体业务场景中的问题；此外，LangChain 等 Agent 平台和工具，也为 SaaS 厂商的创新和业务探索提供了很多便利。

职行力创始人兼 CEO 林华荣，一直在密切关注大语言模型技术的进程。“开源大语言模型只是变化的起点，真正让 To B 行业兴奋起来的，应该是 LangChain 这类可以实现 Agent 概念的框架出现。大家开始意识到：AI 已经可以被业务场景需求驾驭了。”

在林华荣看来，通过类似 LangChain 的开源框架，加上 RAG 技术（检索增强生成），大语言模型通过外挂知识库（向量数据库），很好地解决了大语言模型非要训练才可用的问题。这也让许多 SaaS 从业者非常兴奋，至少找到了一个大语言模型落地最直接的场景：企业内部知识库的智能问答。

“大语言模型可私有化部署，企业数据可私有向量化，是大语言模型技术在 To B 场景落地的重大转折点。”

无论 SaaS 厂商，还是企业客户，在训练大语言模型时，都比较担心数据安全和知识产权保护的问题：把自己的数据喂给大语言模型，训练结果万一被对手抄去了怎么办？

大语言模型技术，模拟的是人的神经网络方式，不同于传统的硬盘，它的数据存储和管理都很难精确化管控。因此，林华荣认为，通过“训练”来实现企业“私有智慧大脑”是存在一定误区的。

首先，训练大语言模型掌握了特定的知识以后，要求大语言模型要对信息做一些针对性的保密，这有点像内部员工交流时，“我告诉你个秘密，你不要告诉别人”，实际上就很难真正保密了。

其次，大语言模型的输出和人类的表述方式类似，大多数情况下并没有所谓的“标准答案”，如果缺少一些知识边界的约束，就会不可控地产生“幻觉”，也就是我们经常说的“一本正经地胡说八道”。

最重要的是，企业知识本身存在持续性的快速迭代，训练完的知识，如果要替换旧的知识，不能像以前那样通过硬盘信息的“删除”或“修改”操作来实现。新旧知识，就会像人的记忆一样会产生叠加，很容易产生混淆，这样也会产生“幻觉”。

基于以上分析，林华荣以为，“通过知识向量化的方式，把企业知识植入私有的向量数据库，这些向量数据库可以部署在自己的云上，或者本地服务器上，类似于以往 SaaS 对企业私有数据所提供的混合部署，这样就能很好地解决大语言模型落地的隐私安全问题；同时，通过 Agent 平台来约束大语言模型在不同的场景下，在指定的知识范围内，作出筛选回答，就可以较好地解决大语言模型在 To B 场景的幻觉产生问题。”

Gartner 技术成熟度曲线表明：每一项新技术从诞生到成熟，都会经历技术萌芽、欲望膨胀、泡沫破裂、稳步爬升、技术成熟的周期，同时也会伴随着一些“短期高估”和“长期低估”的误判。

从长期看，AI 浪潮不可逆转，应当看到AI 转型升级的战略意义；从短期看，如何“+ AI”，利用AI升级自己的产品，许多 SaaS 厂商尚处于摸索阶段，应当避免因为 FOMO（错失恐惧症），而盲目投入或转向。

在向 AI 的转型升级中，行业 Know-how 依然是 SaaS 厂商可靠的壁垒。

经历过短期焦虑，面对大语言模型浪潮，林华荣充满信心，“这波大语言模型技术，核心价值还在于 AIGC ，也就是通过大语言模型来把企业内的隐性经验，输出成可用的显性知识或者服务，大语言模型技术正在重塑我们的产品。所以我们今天不仅不焦虑了，而且由于我们在知识运营管理赛道上的 Know-how 积累，反而对未来的市场更加自信。”

02 “落地之痛”

据牛透社调研，目前大语言模型在国内 To B 场景的落地，仍处于探索和试点阶段，主要有智能客服、企业培训、AI面试、营销获客、数据分析、法律咨询、产品研发等场景；此外，还有一些偏 AI 平台、工具类的赛道，如低代码、AI Agent、RAG flow等。

在大语言模型的商业化落地中，目前主要面临安全合规、准确性、可控性、易用性、规模化等挑战。

安全合规：这是企业经营不能触碰的“红线”。大语言模型商业化，也必须符合国家法律法规，确保信息安全、内容合规；此外，还要满足一些行业的特定要求，比如金融、政务行业，一些场景会要求大语言模型私有化部署。

准确性：生成数据不准确、文案效果不理想、胡说八道……幻觉问题，仍是大语言模型在 To B 场景落地的一个重要“BUG”。我们也发现有厂商在探索通过 Function Calling（函数调用）、RAG（检索增强生成）等技术，以增强生成内容的实时性和准确性。

可控性：安全可控是决定 To B 产品使用深度的一个重要因素。如何解决安全可控？除了合规和准确性要求，权限管理也非常重要。以知识管理场景为例，如何让大语言模型在不同场景下，针对不同权限的对象，输出正确的知识，动态权限管理非常重要，否则就只适用于浅层次场景，很难在全员应用的场景落地，业务价值也将大打折扣。

易用性：“我们公司里，Prompt 写得最好的，不是产品经理，也不是技术，而是测试工程师”。有 SaaS 厂商在面向客户提供 Prompt 工具时，发现客户不会用，甚至连自己的人员也不清楚怎么去用。这种情况下，能面向普通使用者，不用敲代码就可以搭建业务应用的 Prompt 工具就非常重要。

规模化：大语言模型技术，一定是在某个行业、某类客户中普惠，让大多数人可用，才能真正实现规模化。受制于成本、实施能力、技术稳定性等因素，有的 SaaS 产品结合大语言模型技术后，只能服务极少部分的高客单价客户，还无法全面推广。

此外，咨询、数据治理等生态服务同样也不可少。SaaS 厂商要与AI生态厂商、客户共建标准化解决方案，通过“大模型+服务”，才能更好地闭环。

在大语言模型落地中，如何界定大语言模型的能力边界（优势）？

一些高频、高标准化、海量数据的场景，如数据分析、客户洞察等，不仅适合传统数字化技术，同样也比较容易结合大语言模型的优势。

以 Chat BI 为例，结合大语言模型的自然语言处理和数据分析能力，能够极大提高对话式 BI 的能力，使 BI 产品更易被业务场景深度使用；此外，大语言模型在自然语言交互、推理能力、学习效率、执行能力等方面的优势，能够扩展、打通原来某些智能化环节，甚至会重新定义一些工作流程和岗位。比如在大语言模型能力的加持下，客服部门就有可能实现从服务中心到销售中心的升级。

林华荣说，做管理软件出身的人，容易习惯性地通过软件来增加管理控制的精确性，但如果仅从精确性来使用大语言模型技术，就很可能限制了大语言模型的优势能力：“我们要把大语言模型当作‘人’，而不是当作工具来看，这是一个非常重要的思考方式。”

在企业级大语言模型产品的实施交付上，同样也需要把大语言模型当作“人”来理解，并不局限于数据训练、微调等技术服务，而是要具备驾驭大语言模型的能力，让它能为企业所用。林华荣把大语言模型实施归结为三项主要工作：提示词工程、Agent 流程设计、行业 Konw-how 植入。核心目标是要把行业 Konw-how 转化为驾驭AI的能力，帮助客户实现业务结果。

03 “升级之路”

大模型浪潮下，企业的 AI 转型，不再是一个选择题，而是一个生存题。

在与一部分 SaaS 厂商的交流中，我们发现产研提效，是目前“SaaS+AI”的一个重要落地场景。

例如，一家 SaaS 企业产品负责人表示，自今年2月份以来，便要求所有研发人员必须使用大模型开发，否则就会被要求离开公司。目前该公司AI写代码占到了60%，研发效率得到了极大提升。

除了在产研和运营上的提效，SaaS 厂商也在积极探索产品与大语言模型技术的结合点。

林华荣表示，这里面一个难点在于大语言模型与传统管理软件输出的价值，是两个不同的维度。“管理软件属于解决管控性的系统，而大语言模型技术则相反，是要替代人的知识类高负荷工作。这也是为什么很多 SaaS 厂商一直很难找到大语言模型和自身产品产生 ‘化学反应点’的原因。”

这一差异，造成大语言模型技术与国内大部分企业管理软件的融合，仍处在体验升级阶段，尚未深入管理业务的核心。SaaS 企业的 AI 升级，也因此分为两条路线（或两个阶段）：

一为体验升级之路。即让原有能力，能够更好地被 AI 驾驭和驱动。这是适合当下大部分 SaaS，尤其一些复杂的管理软件 SaaS 厂商的升级之路。

二为重塑产品之路。即利用AI能力，做出一个全新的产品。这是适合更多创意工具、知识管理、智能客服等 AIGC 相关赛道 SaaS 厂商的升级之路。

相比之下，体验升级之路，更容易落地，但 SaaS 厂商在这条路上，多少有点 FOMO（错失恐惧症）的因素：有的是被大语言模型裹挟，不得不卷；也有的是想在大语言模型蓝海中找到新机会。

这有点像燃油车到电动车的转型：原来只是做汽车，现在还要装上冰箱、彩电……核心产品、价值链没变，更多是在卷体验（同样价格水平更多体验），很容易掉入“炫技陷阱”：为了一点体验改善，去加大语言模型，最后叫好不叫座。

想象一下：用大语言模型去点外卖、订机票，是不是真的比用 APP 更便捷？SaaS 厂商在交互体验升级上的投入，是否真的能够提高客单价和续费率？

重塑产品之路，目前主要集中在 AIGC 高度相关的赛道。

以职行力为例，林华荣提到，以往职行力产品主要面向中大型客户，这些企业都是具备相对较为完备的知识培训体系的，职行力可以在此基础之上，帮助客户解决让培训更有效果的问题，从而快速提升人效；但由于中小企业往往都不具备完备的知识培训体系，所以，以往职行力是不做中小企业客群的：不是不想做，而是做不了，因为这样往往会把软件交付做成咨询案交付。

大语言模型技术出来之后，职行力推出了基于 AIGC 的智能陪练系统。与以往的产品相比，这更像是一种快速见效的“特效药”。

无需通过漫长的系统化治疗（建立培训体系并推动体系落地），而是直接给每一位员工配备一名贴身的“专业医生”（提供咨询、辅导、带教服务的专业教练），就可以更加快速、高效、低成本地满足中小企业客群在业务培训上的需求，这就是传统产品和大语言模型能力结合后产生的“化学反应”。

结合以上两条路线来看，SaaS 厂商在大语言模型方向的探索，目前主要还在于提升产品交互体验，提高研发和运营效率上：比如在现有产品上增加特性，提升交互体验，或体现在一些单点功能的突破上，尚未与业务深度融合。从更长期看，随着大语言模型对 To B 业务场景的渗透， SaaS 厂商可能就需要思考如何借助大语言模型，重构产品服务。也就是说，体验升级之路，最终会走向重塑产品之路。

无论哪条路线，大语言模型技术，都为 To B 行业带来了新的生态融合。

近段时间，国内大语言模型厂商，逐渐从“拼参数”转向“争生态”。SaaS 厂商也能从中明显感受到大厂态度的转变：以往找大语言模型厂商谈 API 合作，对方可能不太理会；现在各赛道头部的 SaaS 厂商，经常都会收到多家大模型厂商的测试邀请。

说到底，大模型厂商的商业化破局，关键还在应用生态：ISV 伙伴的质量和数量，决定了大模型厂商的市场渗透能力和长期优势，这也是近期国内通用大语言模型“价格战”背后的逻辑。

但也有一部分 SaaS 厂商，看到了在 AI 生态中面临的挑战：AI Agent平台、AI 原生应用，会不会冲击到原有 SaaS 的地位？

林华荣认为， SaaS 厂商的 AI 升级，有点类似于燃油汽车向电动汽车升级转型的过程。如果让汽车厂商自己去做电池，或者生产车载彩电、冰箱，显然是有点不现实的。更合适的方式是去找专门的电池厂家、电器厂商合作。要做到这一点，燃油汽车厂商首先要做的是把自己原有平台升级到电动化平台，能够挂载电池和电机，在车内可以接入冰箱、彩电等各种电器。

对于 SaaS 厂商来说，关键也是要保持开放，与专业的大语言模型厂商、Agent厂商合作，让自己能被AI驱动，融入到AI生态中。

04 结语

在大语言模型的商业化落地上，目前还面临安全合规、准确性、可控性、易用性、规模化等多重挑战，如何降低大语言模型技术的服务成本，完成闭环是关键。

SaaS 的 AI 升级，目前主要有两条路线：一为体验升级之路：即让原有能力，更好地被 AI 驾驭和驱动；二为重塑产品之路：即利用 AI 能力，做出一个全新的产品。随着大语言模型对 To B 业务场景的渗透，体验升级之路，最终会走向重塑产品之路。

大模型时代，行业 Know-how 依然是 SaaS 厂商可靠的壁垒。尤其是资本退潮以后，SaaS 厂商打造盈利模型，最终还是要回到核心竞争力上，积极融入 AI 生态。相比较卷价格，卷专业价值更有未来。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享**（安全链接，放心点击）**]👈

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍