早在20世纪90年代末期,SaaS概念就已经诞生,但直到2010年云计算被广泛采用,SaaS市场才真正开始掀起波澜。从那时起,SaaS行业经历了迅猛的发展。根据Statista的数据,预计到2027年,SaaS行业市场规模将达到3391亿美元。
尽管人工智能的概念并不新鲜,但直到2020年ChatGPT-3的问世,生成式AI才真正进入普通用户的生活,带来了前所未有的便捷和能力。如今,AI与SaaS的结合正在掀起一场新的革命。这一结合不仅重新定义了软件服务行业,还为企业的增长、效率和创新开辟了全新的道路。
对于SaaS行业的领导者而言,深入理解AI与SaaS的结合所带来的变革力量,将是未来成功的关键。这种融合将推动企业更智能地运营,提升用户体验,并为客户提供更加个性化的服务。未来,SaaS平台将不仅仅是工具,而是企业战略的核心组成部分,助力企业在激烈的市场竞争中脱颖而出。
SaaStr创始人Jason Lemkin在今年的SaaStr Annual 2024上指出,自2024年起,人工智能将成为SaaS产品的基础功能。他强调,自动化已经渗透到企业业务的每个环节,传统的工作流程和仪表盘已难以满足现代企业的需求,AI正推动自动化workflow进入新的阶段。
此外,他还指出,尽管AI投资存在过度承诺的风险,客户的期望却已经发生了根本变化,他们期待技术能兑现其承诺。在SaaS领域,生成式人工智能和机器学习算法的战略整合展现出巨大的未开发潜力。这种整合能够彻底改变用户体验,提升运营效率,为客户提供前所未有的价值。
尽管生成式人工智能仍处于起步阶段,但其发展速度迅猛,正成为数据科学家们众多学术研究的焦点。同时,它也吸引了风险资本家和战略投资者的大量资金投入。Crunchbase的数据显示,今年有超过四分之一的资金流向了人工智能初创公司。
生成式人工智能预计将影响所有商业领域。麦肯锡的一项研究表明,员工执行的任务中有60%至70%适合自动化。其经济影响更是深远,预计生成式人工智能每年将带来2.6万亿至4.4万亿美元的经济价值。麦肯锡指出,客户运营、营销、销售、软件工程和研发领域将受到最大影响,这些正是SaaS应用的基石。
SaaS的灵活性、可访问性及基于云订阅模式,使其成为释放人工智能变革潜力的理想平台。这些特性不仅能促进AI与SaaS之间的协同关系,还将使企业在不断变化的市场中保持敏捷、竞争和以客户为中心。
SaaS企业如何将AI应用到自身的产品和服务中?AI将为SaaS企业带来哪些变化?
在SaaS行业中,人工智能的应用正日益多样化,旨在提升客户体验、自动化业务流程并促进企业增长。
以下是人工智能在SaaS中一些备受瞩目的应用实例:
SaaS Alliance发布的《Future of SaaS Report 2022》报告显示,对于AI如何赋能 SaaS 产品的各个方面,高达48%的受访者坚信,最显著的优势在于数据收集;20%的受访者认为可扩展性是关键;16%的受访者更看重客户服务;此外,同样有16%的受访者强调了网络安全的重要性。
AI驱动的自动化在SaaS领域的作用远超简单的替代手动任务。它是一种变革力量,通过运用机器学习和尖端算法来模拟人类智能,能赋予软件以智能和主动性。因此,深刻理解AI驱动自动化的精髓以及它是如何革新传统工作流程的至关重要。
AI专家Tarun Gujral认为,AI将从以下几个维度增强SaaS平台的能力和产品:
在AI 技术被融入到SaaS产品之前,员工们往往不得不将大量时间和注意力投入到重复性任务和复杂的数据分析中。现在随着AI的引入,软件能够自动执行一系列既定的指令和流程,其将有效减少甚至消除人与IT系统之间的直接交互。这种自动化集成能有效提升工作效率、降低出错率,并让人力被释放出来去处理更复杂的任务。
人工智能技术通过其在处理各种任务上的精湛表现——比如发送电子邮件、生成发票和追踪用户行为——将彻底革新业务操作流程。SaaS软件的精髓在于其自动化能力,它追求以最少的人工介入来简化用户任务。而人工智能加持的SaaS解决方案,更是能将这种自动化推向一个令人瞩目的高效率水平。
在客户的需求、目标和财务状况日益多样化的今天,提供量身定制的服务对于提升业务效能至关重要。深刻理解客户的真实需求,并据此提供满足他们期望的个性化解决方案,已成为企业获得成功的关键。
企业可以利用人工智能技术分析客户数据,进而创造出与客户特质相呼应的个性化体验。在SaaS行业,特别是在营销自动化领域,AI技术能够根据用户的特定偏好定制沟通策略,且其在提升用户的参与度和转化率方面已经得到显著证明
虽然在人力资源、预算和时间上的约束可能会限制企业提供个性化服务,但SaaS集成的人工智能还提供了一个激动人心的解决方案:它能推动了性化服务的可扩展性。利用AI算法,企业现在可以定制推荐产品、内容模块甚至仪表板布局等各个方面,以满足不同用户群体的具体需求。
AI系统能通过细致地分析客户数据,并运用尖端的人工智能与机器学习技术进行预测分析。尽管“预测分析”一词涵盖了从数据挖掘到统计建模等一系列数据科学的概念和方法。但值得庆幸的是,AI工具背后的那些复杂机制通常是对用户隐藏的,这使得即便是没有技术背景的人员也能轻松进行数据分析。
最终用户可以直接享受到数据建模带来的成果,如个性化内容的定制化展示。同时,业务优化专家能够通过用户友好的仪表板来利用数据分析的结果——这些仪表板以直观易懂的方式清晰展示了计算结果。这些仪表板能被广泛应用于企业AI平台、商业智能(BI)工具以及客户关系管理(CRM)系统等关键领域。
SaaS行业的快速扩张带来了客户数量的激增,这使得加强SaaS软件的安全性变得尤为关键。SaaS平台通过集成人工智能技术可以建立额外的防护措施,以更有效地抵御恶意软件的侵袭。
人工智能能够不间断地监控着软件内的用户行为,任何异常活动——可能预示着安全威胁的迹象——都逃不过它的"眼睛"。这种主动防御机制有助于在网络钓鱼、未授权访问和其他安全事件造成损害之前,及时发现并制止它们。
AI就像是一个始终警惕的安全警卫,它熟悉日常的网络安全模式,并能在检测到任何异常时立即发出警报。AI还能持续追踪最新的网络威胁,确保软件不受新出现风险的侵害。
无论是打击欺诈性电子邮件、保护云端数据、隔离受感染的系统还是启动备份程序,AI都像一个无声却高度警觉的数字守卫,确保一切运行的安全与稳定。
人工智能(AI)的兴起将有效赋能企业实现运营自动化和做出更精准的数据驱动决策的能力,而且通常能够与其现有系统灵活融合。通过采用人工智能,企业有望在多个运营环节实现成本的显著降低,并增加收入。
然而,尽管AI在降低成本方面具有巨大潜力,我们也需要意识到,部署AI同样需要付出一定的成本,包括初始的开发费用和后续的维护支持。因此,在评估AI可能带来的成本节约时,企业必须综合考量这些成本与预期效益,做出明智的决策。
将大模型能力企业融入自身产品已是几乎所有SaaS企业的必选项。投资人Chris Rainville认为,大型语言模型(LLMs)将通过两种基本方式增强软件产品:一是更好地理解和处理非结构化数据,二是更具扩展性地创建内容和工作产品。
他认为,LLMs开启了一个新时代的自动化和将诞生越来越多高度灵活的软件,打破了以往工作流软件必须严格遵循固定业务流程的局限。
随着AI agents的出现,这些智能系统可以绘制公司的流程图,并动态调整软件配置,甚至取代传统的定制软件。在这样的商业环境中,软件公司的灵活性和可定制性得到了极大提升,但竞争优势和壁垒也随之降低,其他公司同样可以使用相似组件。因此,AI软件公司的护城河尚不明确,可能在于垂直化、专有数据集和品牌效应。
AI SaaS专家Othmane Khadri指出,自计算机技术诞生以来,实现自然语言的无缝理解和生成一直是用户界面设计的最高追求。然而,在现实世界中,用户界面常常不尽如人意,充斥各种臃肿的菜单、按钮和滑块。
他强调,LLM的出现,将彻底改变这一切。与LLM的互动就像是在与人对话,我们可以随意提问,而它们能给出富有洞察力的答案。此外,LLM能够理解语境,捕捉细微之处,甚至能展现幽默与同情。这不仅仅是信息处理,更是真正的连接——这对SaaS应用来说可能是革命性的,无论是在客户服务、潜在客户沟通还是同事间的互动等场景应用中。
生成式人工智能的应用不仅限于通用模型。它们可以被精心定制,以满足特定领域的需求,从而形成像聊天机器人和动作机器人等多种形态的操作系统,这些系统能够无缝地融入现有环境。通过为这些LLM定制解决方案,以满足“最后一英里”的需求,SaaS企业可以实现更高的精确度,最小化错误,并促进更具情境性的互动。
Othmane Khadri指出,AI SaaS团队可以选择对大型语言模型(LLM)进行微调,也就是通过特定的数据集来进一步训练LLM。当然,这样的做法是否划算,很大程度上取决于企业的应用具体性以及手头上的数据是否足够丰富?这样满足上述条件,才能通过微调实现显著的性能提升。
通常SaaS企业面临的是以下两种情况:
第一,如果企业的数据集不够庞大,就无法支持有效的LLM微调,或者现有的预训练模型已经能够满足你的业务需求,那么过度投资微调可能会遭遇收益递减的风险。在这种情况下,进行LLM微调可能只能带来边际效益。
另一方面,如果使用的数据过多,可能会导致模型“过度拟合”,即模型变得过于专业化,以至于在更广泛的应用场景中效果不佳。因此,对于一些团队来说,找到合适的数据量平衡点,以适应他们的具体应用场景,可能是一个挑战。
同时,使用自己的数据进行训练时,必须小心谨慎,确保AI模型不会生成任何带有偏见或有害的输出。虽然这通常是可以控制的,但企业必须密切关注所使用的数据,确保其用于训练和LLM微调时,不会引起法律、道德或隐私方面的问题。
此外,当考虑到需要投入的手动维护工作,包括持续监控、重新训练、校准响应和处理模型漂移时,将意味着任务非常繁重。因此,投资回报率必须足够高,才能证明这些努力是值得的。
第二,如果SaaS企业所在领域或者行业极为特殊和针对性强时,采用特定数据集对大型语言模型(LLM)进行微调是明智的选择,因为这样的定制模型在性能上通常会显著超越那些仅经过基础训练、功能较为通用的LLM模型。
在SaaS中搭载AI能力,意味着设计SaaS的方式也较传统发生很大变化,DevRev的专家认为,AI驱动的SaaS设计应该遵循以下原则:
当电子邮件等关键业务应用程序无法提供实时响应时,我们会迅速转向Slack、Teams等协作工具。但这些平台在工作流程整合和搜索功能上的不足,又会导致以下问题:
- 协作的脱节:虽然这些工具在促进人与人之间的协作方面表现出色,但它们无法有效实现人工智能与人类之间的协同工作。
- 数据孤岛:对话和上下文分散在多个系统之中,这使得将信息点串联起来变得更加困难。
企业要想有效应用AI,数据是至关重要的输入,它驱动着后续的所有操作。AI模型处理的数据越多,意味着其提供的输出、洞察和工作流程就越有效。
目前,企业应用程序可能需要与多达17个不同的数据源进行交互。只是简单地将AI添加到这些系统中,可能导致多个“人工智能项目”的产生,这不仅需要大量的咨询工作和定制化的集成任务,而且这种集成通常非常脆弱。
因此,至关重要的一点是,要将数据整合、标准化,并在客户、产品、员工和活动之间建立连接。通过构建强大的知识图谱,企业可以将所有数据汇集到一个地方。
最终将使首席客户官、首席技术官或首席产品官不再受制于IT部门。他们不必依赖数据团队来获取信息。利用基于AI的即插即用的分析和语义搜索,就能够获取做出业务决策所需的知识。
提取、转换、加载(ETL)流程是实施人工智能(AI)项目的基础环节,但传统上这些任务被分散到各个团队独立处理。每个团队都需负责管理复杂的数据管道,诊断故障点,并解决出现的各种问题。这种分散的处理方式往往导致效率低下、结果不一致,以及操作过程繁琐。
ETL流程不应该被当作事后考虑的环节,也不应该仅仅依赖临时解决方案。相反,ETL应该被直接整合到AI平台的核心架构中,为组织提供数据摄取、转换和加载的简化流程,从而减轻个人和团队的工作负担。这样的集成方法有助于提升整个AI实施过程的效率和效果。
标签是数据系统的关键组成部分,它们有助于识别数据的关键属性或特征。在客户关系管理(CRM)系统中,客户资料可能会根据人口统计、购买行为、参与度或其他标准进行标记。
随着平台技术的不断进步,标签系统也在发展,它不再仅限于基础的分类,而是扩展到了更复杂的层次结构中,使得数据能够更全面地反映出企业的客户、产品和人员等背景信息。
精细化的标签系统简化了执行AI驱动任务的过程,包括偏转、去重、路由、归因和分析等,有助于识别模式、相关性和联系,从而使得决策过程和行动执行更为精确和有效。
为了使AI系统能够高效地交互并理解来自不同数据源的信息,在最新的架构设计中,AI代理被设计成持续抓取和处理包括结构化和非结构化数据在内的各种数据岛,执行聚类、分类、去重等关键操作。
换言之,AI代理被赋予了对系统外部信息的探索欲。它们需要从多样的文档库、文件夹以及各种外部数据存储库中提取信息。
通过这种方式,AI系统能够利用额外的见解和上下文信息来丰富其知识图谱,进而获得有价值的洞察,并支持做出明智的决策。
业务应用在处理复杂流程和海量数据时,常面临性能挑战和数据管理难题,尤其是在业务规模增长的情况下。诸如遗留系统架构、网络拥堵、硬件资源限制和数据库性能瓶颈等问题,都可能成为引发延迟的关键因素。
开发AI驱动的SaaS应用程序的团队必须对数据获取、处理和服务过程中的延迟问题保持警觉,同时确保不以牺牲数据的完整性为代价。用户期待的是快速响应,任何形式的延迟都可能对他们的体验和满意度造成负面影响。因此,采纳高效的数据处理实践和工具变得尤为关键。
人工智能需要深入掌握企业的分类体系——也就是对数据和知识进行层次分明的分类。这种层次化的分类理解能力,使得人工智能能够高效地导航和解释信息的上下文,类似于人类在特定情境下判断不同资源的相关性。
要将这种情境感知能力融入人工智能,需要各方共同努力,将专业知识和组织内部知识整合到底层系统和平台中。通过将这些专业领域的知识“前置”到操作系统或平台中,企业可以建立起标准化的方法来管理和运用特定的企业环境,确保客户互动的连贯性和可控性。
本质上,人工智能的核心关注点不单单是数据处理,更重要的是理解并把握企业生态系统中那些微妙的相互关系和优先级排序。
人类和人工智能各自拥有独特的优势。人工智能擅长快速而准确地执行重复性任务,而人类则更擅长处理新出现的挑战、未知情境和模糊不清的环境。这种互补性使得人与机器成为理想的合作伙伴。我们不应将人工智能看作是对就业的威胁,而应将其视为助力人类实现更多成就的协作伙伴。
人工智能将使人类能够专注于更深层次的工作,将那些表面化和单调乏味的任务交给机器去完成。然而,这也意味着在某些关键时刻,人工智能系统需要将任务转交给人类,或者反过来。这样的协作需要精心设计、关注细节和对用户的深刻理解,以便充分发挥各自的优势。人工智能代理将采用以客户为中心、以产品为导向的平台,实现知识图谱构建、工作流程自动化、分析引擎和语义搜索等功能。
数据治理是当今企业面临的一个重大挑战。在众多组织内部,数据会根据其保密级别和对业务流程的重要性被划分为多个层级:
核心的产品和工程数据是企业知识产权中最宝贵的资产。这些数据一旦泄露,可能会向竞争对手透露组织的产品发展蓝图和潜在的安全漏洞。因此,产品和工程数据应当是最后一批迁移至云端的数据,并且在处理这类数据时,必须采取极为严格的安全措施和合规性要求。
在操作系统、模型、界面和社区的发展日新月异的今天,AI原生SaaS解决方案需要适应这些快速的变化,并满足以下要求:
适应新时代的生态系统:需要有一个平台,这个平台应该能够安全地托管客户代码,并且支持多种现代编程语言,以适应不同客户的需求。
API和Webhook的细粒度计量和计费:强调应用程序编程接口(API)和网络请求(Webhook)应该能够详细记录和计费每一次服务的使用情况,而不是通过设置使用限制来控制客户使用。
公共路线图:意味着SaaS平台应该有一个公开的产品发展计划(路线图),允许用户在平台上相互交流,并向产品经理提供反馈。
多层设计思维:为了应对企业复杂的知识体系和需求,SaaS解决方案需要采用多层次的设计方法,以便于理解和导航。现在,这种设计甚至可以在增强现实(AR)体验中实现,提供了一种更直观和互动的方式来处理复杂信息。
"人工智能原生"(AI-native)是指那些从底层架构到核心服务都围绕人工智能构建的产品和公司。这与简单地将AI作为现有系统的附加功能的做法截然不同,这些企业从一开始就致力于充分利用AI的能力,以此来推动其业务领域的创新和提高效率。例如,Jasper和Copy.ai等近两年流行的SaaS工具就是典型的AI Native SaaS,这些企业从产品设计、到GTM策略、收费模式都与传统SaaS有很大差别。
"嵌入式人工智能"(Embedded AI)则是指将人工智能技术整合到现有的产品和服务中的做法,这样做可以在不改变产品或服务本质的情况下,提升它们的性能和用户体验。这种策略将有利于传统SaaS企业通过采纳AI技术,以提高性能、加强用户互动和提升服务效率。
比如知名CRM服务商Salesforce将于近期推出两款全新的自主AI销售agent:Einstein Sales Development Rep (SDR) Agent和Einstein Sales Coach Agent。
营销技术服务商Hubspot推出了包括AI Search Grader在内的一系列AI产品,标志着其从传统SaaS向AI驱动的SaaS产品转型。
然而,Glasswing Ventures的创始人兼执行合伙人Rudina Seseri指出,仅仅集成了一些AI API并不能使SaaS公司真正转型为AI公司。"人工智能原生不仅仅是指有一个光鲜的界面,调用了OpenAI或Anthropic的API,并且有类似人类的交互方式,"她解释道,"而是必须真正地将算法和数据置于核心位置,使它们成为SaaS企业所提供价值的一部分。"
Seseri强调,客户和投资者评价AI公司与SaaS初创公司的标准存在显著差异,理解这些差异至关重要。例如,在SaaS领域,可以推出一个尚未完全成熟的产品,但在AI领域,由于各种原因,这种做法是不可行的。
对于SaaS产品,开发过程包括编码、质量检测,然后发布测试版——它可能还不是最终成品,但可以推向市场并开始运营。
而人工智能则是另一回事:你不能只是简单地将它推向市场并期待获得最佳效果。这是因为AI产品需要时间来培养模型,直至它足够成熟,能够真正服务于客户,并在商业环境中赢得客户的信任。
在AI SaaS企业早期阶段,AI算法的学习和训练需要迅速提升,同时要达到一定的优秀程度,这样才能吸引客户购买并为企业创造价值。但对于处于早期阶段的初创公司来说,找到训练效果和市场需求之间的平衡是一项挑战。
这也增加了寻找早期客户的难度。她建议,初创公司的创始人们不要花太多时间应付那些没有购买需求,仅仅只是想了解AI前沿技术的客户群。她强调,重要的是要专注于自身的产品,并帮助真正的潜在客户理解你的价值主张——即使你的产品还未完全成熟。
DevRev的专家也持与Rudina Seseri类似观点,其认为,随着市场对人工智能驱动的解决方案的渴望日益增长,对SaaS进行重新设计以整合人工智能已成为一个日益清晰的趋势。仅仅将人工智能技术嫁接到现有系统上,可能仅能带来一时的收益。但这远远不足以应对旧有架构在用户体验和低延迟技术方面的深刻挑战。这种做法难以实现必要的速度和效率,从而无法提供卓越的用户体验,或让应用程序在激烈的市场竞争中独树一帜。
他强调,将人工智能技术引入传统系统虽然看似是一个可行的解决方案,但这些系统在设计时并未考虑AI算法的复杂数据处理需求。因此,简单地将AI技术添加到传统系统中,往往会导致在性能、可靠性、维护成本和用户体验方面的妥协。
当前,向人工智能的转变与前几年企业大力推行的数字化转型在本质上并没有太大差别。换言之,将AI生硬地融入现有架构可能导致拼凑的解决方案,这些方案将无法充分利用AI的变革性潜力。
因此,未来的优秀SaaS应用程序将在软件开发的初期阶段就将人工智能作为核心要素,将其深度整合到软件架构的每一个层面。这是实现“人工智能优先”理念的关键。这样的方法能让SaaS应用从一开始就具备内在的智能和适应性。
要想建立适应未来的持续竞争力,商业软将需要像桌面应用必须适配移动设备一样利用AI 改造原先的产品功能,使其具备极速响应、搜索优先、偏转优先、推荐优先等能力。确保在人工智的支持下,用户能够与应用无缝互动,并即时获得协助。以及,利用高级搜索算法和预测分析,人工智能系统实现主动预测并满足用户需求等。
Benchmarkit创始人&CEO Ray Rike则认为,传统SaaS公司在引入AI过程中有很大优势,因为它们拥有极其宝贵的资产——数据。这些数据是实现人工智能应用价值的基石。
这些公司在长期服务客户过程中积累的数据,能够构筑成一道防线,帮助它们抵御新兴的AI原生SaaS公司的竞争。尽管释放这些交易数据的潜力面临着巨大的挑战,但所获得的回报也将是极其宝贵的。
他指出,当前,许多传统的SaaS公司需要重新调整他们存储数据的结构,以便这些数据能够用于训练基础的大型语言模型。同时,他们还必须解决现有客户对“数据隐私”的担忧,确保在利用这些数据时不会泄露客户的机密信息。
相比之下,原生的生成式AI初创公司没有上述的顾虑,但相应地也缺乏数据基础和分销渠道等多方面的优势。
AI除了改变SaaS的产品形态、服务流程之外,势必还会改变SaaS企业的定价模式和商业化路径。投资人Chris Rainville认为,AI native B2B SaaS的崛起将引发重要的连锁效应。首先,AI agents可能促使SaaS公司采用新的市场策略,因为人类员工数量的减少可能导致用户数量和合同价值之间的脱钩。为体现其价值,LLM应用需要新定价模式,以客户对产品或服务的价值感知为基础。
他强调,与传统B2B软件不同,AI native软件虽然有明确的输入,但输出结果呈现不同概率。这类软件的核心是由第三方大模型服务商管理的“黑匣子”LLMs,这降低了对最终产品的控制。AI SaaS公司需适应产品表现出随机性而非确定性的特征。产品经理的角色也随之变化,需负责验证输出、观察异常并确保一致的用户体验。此外,AI团队的角色将扩大,更紧密地与用户体验结合,LLMs不仅作为用户界面或关键功能,还作为编排层。随着AI在软件公司中的重要性上升,对模型验证、治理和控制的关注度也将增加。
SaaS业务的成本结构也将随之变化。开放式LLMs作为服务形式,为SaaS企业带来了额外的直接成本。早期LLM应用关注“LLM token burn”,并优化模型使用以维持毛利率。AI SaaS公司正在采用多云战略,使用不同规模的模型以平衡性能与成本。这种可变成本促使企业采用基于使用量的定价。此外,质量控制或路由模型也能有效引导用户与LLMs的互动。
由于传统SaaS产品服务于头部客户往往需要大量定制化开发,因此大大增加了项目复杂性和成本,降低了产品的标准化和通用性。Tyrion Al创始人刘煜晨指出,agent类产品的显著优势在于客户可以在可视化界面上自主操作和修改,无需依赖供应商,从而提升产品适应性和用户体验。未来,如果能够通过自然语言设定目标,并让agent学习历史操作记录,客户的业务人员将更便捷地使用agent,降低学习门槛。这种创新的SaaS模式让客户专注于业务本质,而非技术细节。
未来式智能创始人兼CEO杨劲松提到,大语言模型的出现让机器更好地理解人类意图,这是前所未有的范式变化。传统企业软件采购中,企业通常只能获得工具而非具体结果,员工需花费时间学习如何使用这些工具。而在agent时代,企业可以直接向agent设定目标,由其规划和执行任务,调用各种软件来满足用户需求。企业不再为工具买单,而是为结果买单,这改变了商业模式。例如,某些agent的定价基于完成的应答或任务处理次数,使得企业的采购目的更加明确。
这种变化还体现在交付流程中。与AI 1.0时代相比,AI 2.0的交付人员不再仅限于算法专家,传统IT人员甚至业务人员也能参与。以前,软件实现需要多部门的沟通和协作,如今用户只需用自然语言描述业务需求,就能直接生成智能体,显著缩短了从需求到响应的时间,提高了运营效率。这一系列变革预示着SaaS行业将朝着更高效、更智能的方向发展。
即使AI当前的发展面临许多泡沫和不确定性,但相信没有人怀疑——人工智能在 SaaS 领域的发展不是昙花一现的风口,相反,它与 SaaS 的集成只会不断加深,在未来创造出更强大、更高效、以用户为中心的解决方案,从而重新定义数字时代的可能性。
将AI作为核心组件,不仅能够提升产品性能,也将推动行业的整体进步。在这一转变中,无论是抓住技术机遇全新崛起的AI原生SaaS企业,还是正在往AI靠拢的传统SaaS企业都需要重新审视自己的角色、行业地位和市场战略。随着AI和SaaS的紧密结合,我们正迎来一个全新的数字时代,机遇与挑战并存,唯有持续创新和勇于探索学习与突破的企业才能引领未来的发展方向。
文章来自于“非凡产研”,作者“Qiuping”。
【开源免费】n8n是一个可以自定义工作流的AI项目,它提供了200个工作节点来帮助用户实现工作流的编排。
项目地址:https://github.com/n8n-io/n8n
在线使用:https://n8n.io/(付费)
【开源免费】DB-GPT是一个AI原生数据应用开发框架,它提供开发多模型管理(SMMF)、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作、AWEL(智能体工作流编排)等多种技术能力,让围绕数据库构建大模型应用更简单、更方便。
项目地址:https://github.com/eosphoros-ai/DB-GPT?tab=readme-ov-file
【开源免费】VectorVein是一个不需要任何编程基础,任何人都能用的AI工作流编辑工具。你可以将复杂的工作分解成多个步骤,并通过VectorVein固定并让AI依次完成。VectorVein是字节coze的平替产品。
项目地址:https://github.com/AndersonBY/vector-vein?tab=readme-ov-file
在线使用:https://vectorvein.ai/(付费)
【开源免费】DeepBI是一款AI原生的数据分析平台。DeepBI充分利用大语言模型的能力来探索、查询、可视化和共享来自任何数据源的数据。用户可以使用DeepBI洞察数据并做出数据驱动的决策。
项目地址:https://github.com/DeepInsight-AI/DeepBI?tab=readme-ov-file
本地安装:https://www.deepbi.com/
【开源免费】airda(Air Data Agent)是面向数据分析的AI智能体,能够理解数据开发和数据分析需求、根据用户需要让数据可视化。
项目地址:https://github.com/hitsz-ids/airda
【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。
项目地址:https://github.com/Significant-Gravitas/AutoGPT
【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。
项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md
【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台,可以对大语言模型(LLM)和多模态图文模型(VLM)进行预训练和轻量级微调。XTuner 支持多种微调算法,如 QLoRA、LoRA 和全量参数微调。
项目地址:https://github.com/InternLM/xtuner