对于本次讨论的核心——人工智能是否会取代软件，投资者普遍表示，人工智能不太可能完全取代所有企业软件。 他们普遍认为，如果真要谈“替代”，那么这个词就应该换成“重塑”。
也就是说，在这些投资者眼中，很多企业软件都会结合AI来完善现有产品的功能。 甚至有少数软件类别将受益于人工智能。
2、RPA、BI等工作流产品“急需”
在被重塑的软件类型中，不排除某些软件将被“改变得更彻底”。
其中，RPA、BI等工作流工具产品被认为是典型的。
以往此类产品多以提供执行和分析功能为主，目的是提高企业员工的工作效率，但关键业务数据和经验的积累不足。 相比之下，大型模型可以分析最合适的动作执行路径并指示其他算法执行，从而消除了 RPA 的价值。 很多BI侧重于报表汇总和展示，其功能也属于大模型的能力范围。
3、只有深度嵌入业务流程，才很难被AI取代。
虽然大多数企业软件都具有工具属性，但在更详细的分类中，工作流和业务流程工具在AI时代有着完全不同的壁垒。
一个典型的例子是，ERP软件虽然也是一个工具，但由于它深深嵌入到每个企业的业务流程中，所以它是一个了解业务诀窍的业务流程管理产品。 此前，他们经常被诟病需要为企业定制开发，做起来太繁重。 但现在，随着大型模型的能力不断更新，它们与业务逻辑和数据交织在一起，投资者认为它们很难被人工智能取代。
4、工作流程过长的场景适合通过大模型来简化
理论上，大型模型将所有数据收集在一个地方，然后为用户提供他们需要的结果，这是一种简化过程的操作。
例如，营销公司通常需要整合数据进行分析，以获得客户洞察。 过去这些流程形成了流水线，但大模型出现后，数据一起诞生，不需要慢慢整合。 企业可以基于大模型进行客户洞察和分析，优化原有流程。
同样的逻辑也存在于一些协同设计场景中。 过去专注于此类场景的软件很可能需要进行重大“改造”。
5、数据稀缺的软件流行
除了业务流之外，人们还认识到，数据稀缺的软件将受益于大型模型和生成式人工智能。
今天的一个共识是，包括 GPT 系列在内的大型语言模型已经充分利用了公共文本语料库。 在这种情况下，稀缺领域的数据和业务诀窍就成为软件企业的“最后一道防线”。
采访中，不止一位投资者告诉36氪，他投资的工业软件没有受到影响，因为他积累了足够的稀缺数据。
6、数据安全需求不断上升。
当数据成为屏障时，企业的数据安全需求将上升到更高的层次。
从用户的角度来看，这类需求可以分为三部分：一是使用会话类产品时防止业务数据泄露；二是防止业务数据泄露。 二是保护业务认知不被大模型“学习”； 此外，我们还要避免大型模型被“学习”数据“毒害”。
虽然都是数据安全问题，但这三个需求对应不同的产品和解决方案，也会让不同的厂商受益。
7、寻找项目时，AI包含率不要太高。
对业务流和数据价值的肯定，也引发了一个有趣的现象——在人工智能普及的当下，一些投资者在寻找标的时，担心项目的“AI含率”太高。高的。
他们感觉大模型的功能还在不断更新。 如果一款软件只有AI能力，但无法渗透到企业业务，又没有稀缺数据价值，被大模型取代只是时间问题。
除了投资人的贡献，36氪近期还与数十家AI公司密集沟通，发现在AI攻势下，企业软件领域至少正在发生三个变化：
1、企业服务公司的价值判断标准正在发生“大逆转”
按照过去的标准，一家好的企业服务公司需要产品能力强、交付简单、模式轻才能赚钱。 但如今，许多软件功能可能会因为模型的大幅更新而随时失效——这种情况会随着多模式模型的演进而加剧。
于是，现在一些关注企业软件的投资者将重点放在数据积累、渠道建设、客户掌控三个方面——单纯的产品实力不再是“第一标准”。 当然，如果一些在这三个方面表现出色的企业也能找到业务与大模式的结合点，那么它们将是“重点考虑”的对象。
2. To D工具链，相对来说更加确定刚需
当功能创新的门槛被大车型一再拉高时，从车型本身出发，成为大车型链条的水载体，或许是一个相对靠谱的思路。
拆解模型训练链条，大规模数据、计算能力、网络能力缺一不可。 如果我们进一步详细划分这些场景，数据标注、治理、向量搜索、训练/推理加速、网络资源管控等，都属于过去基础层软件的业务范围。 如今，生成式AI的到来意味着此类产品的场景不断拓宽。
3.这仍然是一个机会之窗
尽管大型模型的能力已经被ChatGPT等杀手级应用所证明，但在我们的观察中，许多新一代AI公司还没有找到真正适合商业化的场景——这就是为什么今天的AI投资交易并不多。 重要原因之一。
另一方面，企业信任ChatGPT等新产品也是有成本的。 尤其是BI这种需要清理数据权限才能操作的工具，不会轻易被其他不熟悉的产品取代。
这意味着，虽然很多企业软件看似陷入危险，但此时仍处于“窗口期”——如果现在与大模型能力结合，或许还有时间提升产品能力，避免彻底被淘汰。 “吃过”。
以下为投资者言论（已编辑）：
Cruise，金融机构CVC投资者
我主修计算机科学，在投资之前从事技术工作，并且是大型模型的忠实信徒。 我认为它可以从根本上解决场景碎片化的问题。
金融机构等大型团体在一种情况下可能有两个或三个供应商。 这种情况下，各种需求都是各自满足，没有统一的AI大脑。 现在出现了大模型和ChatGPT，它们直接以统一的方式与最终用户交互。 碎片化的问题得到了解决，企业内部的工作协作变得更加简单。
按照这个逻辑，大型模型将重塑工作流程。 那些工作流程更长、工作流程更繁琐的场景将被颠覆。
例如，BI过去使用多种类型的数据进行数据清洗，然后查询分析，最后可视化。 听起来这条路还很长。 现在大模型来了，很可能整个链条会从底层数据链路直接走到交互层，中间流程就会消失。
RPA 也可能是一个危险的领域。 RPA将工作流程串联起来，可以看作是优化工作流程的工具。 最早的RPA都是屏幕录制，相当于一个人做一次任务，录制后让机器学习。 但现在真正的人工智能就在这里。 甚至不需要人来录制屏幕。 它可以自己导出N条路径，然后告诉人们最优选择是什么。 这个时候，传统RPA是什么意思呢？
但另一方面，我认为有些软件不一定会被取代，而是会被重塑。
一些BI厂商现在也在寻求突破，希望能够与大型模型集成。 也有一些营销公司此前已经根据规则整合了数千人、数千张面孔的多源异构数据。 但是大模型出现之后，数据自然就整合了，不需要慢慢整合。 我们可以基于大模型来做客户洞察和分析，结果和投入产出比可能会更好。
什么样的企业服务软件最难被AI取代？ 我目前觉得我们需要的是判断力强、责任心强的人，类似于投研量化、交易决策系统，更抗冲击。 此外，与业务逻辑密切相关的产品，例如成本控制和订单管理系统，将比非工作流程的产品更难以替换。 这背后隐藏的主要数据问题是，业务流程中的文档基本上是核心数据，难以替换。
大模型出现后，数据安全变得更加重要。 所有企业都不能随意传输敏感数据，金融行业受到强有力的监管。 但训练模型的重点是看你的数据能力和计算能力能否支持。 因此，拥有私域数据和行业知识的公司未来肯定会受到关注。
刘明伟，3E资本投资总监
什么样的软件会被生成式人工智能取代？ 说实话，我觉得外界对于AI还是有点太害怕了。 总体来说，我认为AI和软件之间的逻辑并不是简单的替代，更多的是结合。
BI、RPA 和流程挖掘等产品更有可能受到影响。 但如果与AI结合企能软件，他们的工作效率也可能会得到提高。 例如，BI的目标是帮助企业将分散在各个部门的数据链接起来。 在链接过程中，BI需要完成不同数据库的权限匹配、审批流程的转接、最后汇总数据进行分析等繁琐但必要的工作。 。
现在有了GPT，理论上需求者可以直接询问，快速得到数据分析答案。 但问题是，后端数据链接工具仍然是必要的，数据库也是必要的，人们对这些工具的信任并不是凭空产生的。 也就是说，已经部署并开放企业数据权限的工具，不会随便更换。
现阶段其实是一个时间窗口，因为新工具的信任问题可以通过慢慢的磨合来解决。 在这个时期，软件企业应该快速与AI融合，提升产品能力。 比如微软将GPT功能集成到了其办公套件中，这确实让其产品能力提升了N个级别。
这种程度的组合其实可以称为产品重塑。 从这个角度来看，企业服务公司如果与AI融合得好，可能会抓住新的机遇，但如果融合得不好，可能会受到巨大冲击，甚至被取代。
但说实话，当软件被重塑时，你最应该担心的就是就业。 因为无论怎样，工具依然存在，只是形式不同，但业务的管理和运营方式可能会被彻底颠覆。 未来，公司可能不需要IT部门或CIO。 可能会有一位首席运营官坐在那里，管理业务和人工智能工具。
例如，在像大型模型一样部署AI大脑时，COO可以直接给它目标指令，让它根据指令与其他企业服务器软件进行交互。 在这种工作模式下，老板最多需要一个人来帮助处理一些小的IT事务，而不需要那么多人的IT团队。
换句话说，我认为未来很多软件仍然会存在，但会被AI重塑。 但很难说使用该软件的人是否还在。
戴成军 景雅资本高级投资总监
在生成式AI的攻势下，企业在2B应用领域的优势将逐渐向行业认知、客户粘性、深度数据、复杂流程的产品设计等方面迁移。
如果要说一个明确的颠覆逻辑，我认为如果一个软件原本需要复杂的人工信息采集、分析、推理和展示的预处理过程，那么生成式AI的便利性很可能会颠覆它，比如营销系统和客户服务。 系统和人力资源招聘软件将更加典型。
此外，生成式AI也对之前基于内容积累（如素材、模板等）构建自己护城河的成熟公司提出了挑战。 因为新进入者可以通过AIGC快速产出大量优质内容，快速让自己接近成熟公司的水平，站在离他们较近的起跑线上。
我们在看应用层企业软件时关注的一个指标是：“AI价值贡献率”。 这个比例不能太低，但也不能太高。 AI价值贡献率太高了。 例如，如果GPT贡献了90%的价值，则意味着在整体产品中，AI几乎是核心能力，其他产品，例如产品价值、数据价值等变得单薄。 其后果是，当底层AI技术成为商品时，企业没有独特的壁垒，总有一天会被底层技术提供商吞并。 典型的是单点工具产品。
目前，市场上符合这种特征的应用层初创公司并不多。 需要给各行业的专家和人工智能科学家一些时间来探索场景并完善他们的产品。
某大型工厂战略投资经理
当前大企业服务赛道受到深刻影响和变革的一方面是营销。 在这个赛道中短期内相对确定的是AIGC将重塑营销材料的生成。 无论是营销文案、图像还是视频，都将被重新设计。
从长远来看，AIGC 有机会打造本土营销工具。 例如，用户首先将历史数据扔给AI，AI结合公共领域数据进行分析，然后为营销材料的制作提供投放策略和建议。 然后一键生成相应的营销素材，然后将数据反馈给AI，让AI进一步优化投放策略和素材制作策略，最终形成闭环。 这或许是最理想的AI营销方案。
总体而言，AIGC可以做出哪些改变和创新？ 你可以从产品的角度发挥你的想象力。
比如现有的软件可以基于AI衍生出来，形成类似于行业规则的新的生产力工具，比如Adobe或者Office——这是大家目前最期待的。
Hebe，某互联网公司战略投资管理合伙人
从海天瑞盛等数据标注公司近期的财务数据来看，国内大模型赛道还没有真正启动。 大模型和所谓的小模型基本上是两个不同的东西。
大型模型需要解决的是通用性问题。 即使使用相同的算法和相同的框架企能软件，小模型的参数量级和参数质量也可能无法满足深度学习工程中神经网络的层次化要求。 这种情况下，小模型对训练结果的理解能力和反馈准确度将很难达到大模型的水平。 与过去的知识图谱和NLP相比，它可能没有太大优势。
因此，在私有化部署过程中，基于垂直领域应用训练小模型的想法可能会因为大模型的数据安全和合规问题而站不住脚。 对于国内企业服务公司来说，做垂直行业，尤其是服务政企的行业，依靠私有化部署、项目化订单、通过大模式赋能业务，或许仍是一个伪命题。
另一个层面上，企业服务公司如果通过直接调用API的方式来使用大模型，只能算是锦上添花。 这个可以用来处理异构数据吗？可以输入多少数据？ 可能会出现很多无法解决的问题，这种做法根本不能成为公司自身的门槛。
如果一定要说的话，大模型的能力对于界面管理可能不太友好，这两年比较流行的就是Postman这样的公司。 如果集成的话，副驾驶应该很容易更换。
另一个例子是数据注释。 短期可能会有增长，但长期很难说。 大型车型多模态爆炸，直接实现L5级自动驾驶或许是可能的。 这种情况下，确实会杀掉一大批相关企业，但目前还没有足够的判断依据。
现在主要是了解甲方对大模型的需求。 如果甲方不清楚是否存在痛点，企业服务公司就会开始主观推荐功能，这又会走上一波AI公司的老路，本来吹捧商业模式，但没人关心。
所以，至少现在，我们不觉得大模特给任何赛道带来了机会。 市场反馈基本一致。 似乎没有什么大赛道，因为大模特都筹集了资金。 总体而言，我们现在会更加关注海外市场大车型的C端机会。 当然，数据安全和信息创造肯定会受益。
CVC投资经理
企业软件中的应用层软件主要分为两类。 一种是纯粹的工具，另一种主要封装了工作流，使工作流成为一种用软件表达的语言。
工具，比如PS、视频编辑产品，就是用工具来翻译人脑中的想象力。 在这种情况下，人工智能可以改变或简化工作流程。 这样一来，这类产品本身如果没有像Adobe一样拥有非常成熟、非常庞大的用户基础，那么很容易就会被颠覆。
换句话说，工具中断有两种结果。 一种是原始价值足够稳定的工具。 AI的加入，可以从移动互联网时代的产品重塑为AI时代的产品。 还有一些工具的价值层相对较薄。 没有很多用户和产品积累，很容易被新产品颠覆。 毕竟对于客户来说迁移成本也很低。
工作流相关的软件，例如CRM、ERP和HRM，有很大的自动化空间。 但归根结底，它们都是落到现实层面的软件，需要不同的人和物来连接。 这类似于互联网公司中的美团，与现实世界有很多接口。 只能在线下实现闭环，很难被AI彻底颠覆。 目前还没有办法完全省略审批、投递、二维码扫描等“人为”动作。 所以这些软件仍然有价值，但它们可以通过人工智能更好地实现自动化。
某投资银行副总裁
企业服务公司的业务可分为三类。 第一类比较传统，比如财税服务、法律服务、人力资源服务等基于长期经验和人力资源的公司； 第二类是通用信息技术服务，如ERP、用友、金蝶等财务软件； 第三类是定制化程度比较高的，涉及整体解决方案交付的软件，包括软件、硬件、平台搭建服务。 常见的包括企业安全和大数据。
说到生成式AI，我认为首先受到影响最大的行业是能够根据经验总结提供专业服务的行业，比如企业法律咨询、税务咨询、人力资源咨询等咨询公司。 这些业务/服务的流程都比较基础，很多时候经验归纳的复杂度并不高。 对于这类业务，生成式AI可以基于全网数据和市场数据。
第二类，企业信息技术服务，将受到影响。 具体来说，客户会对一些软件产品提出定制化模块的需求，而这部分价值目前还不会被AI所取代。 但如果AI发展到一定程度，能够倾向于提供这个模块对应的解决方案，那么影响就会比较大。 但传统的OA办公软件、财务软件、ERP软件涉及各行业业务流程的抽象和细化，实施起来相对复杂。 生成式人工智能无法抓住每个公司和产品的核心壁垒。
至于最后一类，比如企业安全，则更难被取代。 高质量、高可靠性的服务对于信息安全行业非常重要，需要专业人员的支持。 在这种场景下，生成式AI技术可以提供一些辅助功能。
前投资人/现任RockFlow CEO赖云起
从遗传特征来看，企业服务公司有两类。 一类产品化能力非常强。 业务无需定制，无需人工服务参与，产品上手简单。 另一类公司的定制客户服务能力很强。
产品化能力强的企业，无论采用什么方式，都必须快速用好新技术。 而服务型企业则需要从一开始就建立关系，障碍不是产品而是服务。 现在来看，服务企业本身并不是因为技术而获胜，所以不会轻易被新技术取代，但壁垒比较高。
如果从产品类型来看，RPA、BI、客服机器人、数据分析工具似乎是最先被取代的。
另外，与图片设计、视频制作编辑、文字分析相关的公司比较危险。 这里最有可能被取代的应该是4A广告公司和咨询公司。 创造性的工作无法被标准化和定义，但人工智能可以非常快地完成它，让一个人不断地选择，直到他满意为止。
某股权投资机构投资总监
总体来看，新一代A技术对各行业的影响仍处于早期阶段。
原因之一是，虽然OpenAI已经实现了产品功能（比如提供API接口等），但能否实现盈利还有待观察。 最基础的是我们要看看计算能力和数据成本是否能够显着降低。 否则，企业的投入产出比可能还不如老办法。
从这个角度来看，成本下降相对较快的环节，比如智能客服，可能会相对较快受到影响。 因为目前大家都在构建大模型，实际上都是在使用这些领域的问答数据、消费倾向数据等。 这些数据的获取成本很低，体量大，客户认知度更高，愿意付费。 零代码、低代码、RPA赛道也会受到一定程度的影响。
如果按照现有的生态分工，生成式AI时代将有几个层次：Infra-MaaS-PaaS-SaaS。 SaaS层面的大公司生产的产品更通用，而初创公司生产的产品更专业。
在SaaS层的一般场景，比如一些NLP、智能客服赛道，大厂商积累的B端和C端数据较多，生态也比较成熟，会挤压独立厂商的市场空间。
但在涉及专业性的SaaS场景中，企业受到的影响较小。 比如制造芯片设计、汽车、CAE仿真等工业软件赛道的公司、Martech数据驱动的AI建模公司、初创公司和独立制造商等仍有发展前景。
总体而言，如果场景深度不够或者数据驱动较少，企业被取代的风险会很大。
早期风险投资副总裁 Marvin
过去几年我们投资了一些工业软件公司。 在可视范围内，我考虑工业软件中与设计相关的临时安全。 首先，目前的大模型还不具备通用的多模态能力，而且即使大模型成为多模态，工业软件涉及的不同垂直领域的开放数据集也不多，大模型的能力没有数据就不可能。 谈论。
然而，与流程相关的工业软件，尤其是智能调度、MES等软件可能面临挑战。 最初的算法都是黑匣子。 现在有了通用的解决方案，以前的算法障碍可能不再成立。
如果软件要与AI结合成为AIGC应用，挑战将是巨大的。 因为OpenAI似乎有所保留，在大型多模态模型上有太多的想象空间。
所以，现在如果想做基于AI的应用，无论是To B还是To C的初创公司，其实都存在很大的风险。 因为没有人知道GPT4.5和GPT5能做什么——一家创业公司辛苦了半年、一年，所有的投资可能会因为它们而付诸东流。 这对创始人来说太难做出决定了。
因此，我们不去判断哪些赛道有机会，哪些赛道有危机，而是更愿意认为现在存在的就是合理的。
