在AI热潮席卷全球的当下，国内AI行业却陷入了“看似繁荣、实则焦虑”的怪圈。模型有了，算力也有了，应用却始终难以落地，用户体验更是频频“翻车”。问题出在哪？是技术不够强，还是方向走偏了？本篇文章将带你拨开表象，直面那些被忽视却至关重要的“真问题”——关于产品、关于生态、也关于我们如何真正用好AI。

海外和国内AI上差异最大的点可能还不是模型的水平，而是真的没应用。这导致一个很可怕的后果：国内AI整个生态是断链的。

什么叫断链？

形象讲就是算力干算力的、模型干模型，然后在最终用户这里不闭环。

比如过去的电商是有生态的：

有人做云、有人做电商平台、有人做供货方、有消费者，这样就把互联网的技术完整和商业体系融合了起来，链条上的每个人都可以有收益。

现在AI上在海外这个正反馈链条差不多跑起来了，至少在我感知比较清楚的B端，事情已经相对比较清楚：

英伟达提供GPU、模型公司提供基础设施、应用公司提供融合了AI的SaaS、B端的公司获得效率。

一旦生态形成正反馈，就会让各个部分联动，趋于良性发展，打破过去10多年AI发展的貔貅魔咒。

如果不闭环，那就得靠投资，现在哪有那么多投资…

要说什么最可能导致我们国内的AI全面落后，我大概率会选这个。

为什么国内的AI应用更难

核心原因是我们必须跳过一个相对容易的阶段，对业务更直接的进行端到端的整合（《无人公司》其实在写这个新模式）。

AI现在做更好的工具在很多场景智能水平大致是够的，但整合完整服务这背后的挑战就大了。

而要回答为什么必须跳过一个阶段就必须说到SaaS。

SaaS可以看成是AI最容易发挥效力，马上产生商业价值的领域。

问题是国内没有SaaS（不能说是0，但没有海外那种规模的SaaS市场）。

在今天这个时候，我想做过工具和SaaS的人都需要面对一个特别残酷的内心拷问：

在国内未来真的还会有SaaS么？AI对经典的SaaS是利多还是利空？

如果足够理智，虽然很痛苦还是要回答：

经典SaaS这事肯定死了，不管你在上面扎多少管子，摆多少鲜花，都不过是对墓碑的装饰。所谓交付结果从我角度看也就是多扎几根管子，但摆脱不了药医不死病的客观规律。

十年验证的市场环境并不会有所改变，而技术条件在让你失去议价权（大模型会让SaaS的甲方更容易自研），这么个模式怎么可能不挂掉！

关键是SaaS的综合度其实是低的，所以是容易的。

放在一个公司的背景里面，SaaS总是解决一小块问题，所以它处理的复杂度注定是低的。处理招聘的工具所要面对的复杂度一定小于完成整个公司业务。

现在复杂度低的这部分没有商业价值，那就必须直面业务的复杂度，所以说是必须跳过一个阶段。

端到端业务整合

《无人公司》这书其实写的不是有人无人，而正是我们必须面对的这种高复杂度场景所带来的挑战。

最近我在《无人公司》相关的演讲里，一直在提到一个关键问题：我们的价值创造主体一直在发生迁移。而AI这次迁移的彻底程度可能远超过往。

这可以在各个行业找到对比，这次我们倒叙，先用最近Antropic的ProjectVend做例子。理解了这种迁移也就理解了端到端的业务整合。

Vend这项目说起来也不复杂就是把下面这样的一个货柜完全用AI进行经营，包括进那个货，卖多少钱等等：

虽然很不幸，给了它1000美元的启动资金后，它经营不善破产了。但它的模式和过去已经很不一样了：

拿它和电商平台对比，明显的自动化程度又提高了一截，是AI在经营这家小店，而不是单纯的构建个平台，谁买东西我帮你找下。

所以相对于过去的电商平台或者电商平台上的网店，它性质上不是一个东西。

而电商平台和过去的百货比其实也是有进步的，它把分发和交易的很大一部分依赖算法完成了，包括你要找什么、物流的状态等等。

所以如果把2000年前的百货-电商平台和网店-上面的Vend放在一条演进的路线上，你会发现什么呢？

价值创造的主题越来越往硅基进行转移。

做到后面就是基于AI的端到端的业务整合（不一定是端到端的模型）。

这就是我们所要面对的最大的时代背景，也是《无人公司》想要说的事。

太多的书在讲大模型是什么，怎么写提示词等等了。而我们其实更应该关注什么是在国内能够跑通的AI模式，否则更可能在拥抱AI的时候错过AI，恰如互联网的时候提供做网页服务的。

抑制复杂度提升

因为SaaS这事儿的彻底凉凉，我们就没有机会处理低复杂度的场景，必须上来就爬陡坡，处理高复杂度的场景。（传说中的喜马拉雅山脉北坡）

当然这时候还是可以从改善或者新建中选择。

既有公司很难把现有一摊子事完全扔了，彻底重来。这时候本质含义是什么呢？

每个想改善的人都要建设一套比Glean这个现在估值到70亿美金公司产品还要复杂的产品。

仔细看就会发现，在这样的体系里面业务知识和AI是无缝融合的。也就是说必须完整的了解业务和AI才可能完成这种改善，缺哪条腿都是万劫不复。

数字化我们整了10多年大概是九死一生，现在好，还增加了AI带来的难度，显然挑战更大。

最近哈佛商业评论发了篇名为《李宁数智化：和数字店长一起开晨会是怎样的体验？》的文章（下图来自这篇文章），从中我们就可以清楚的感受到这套系统的复杂度远超过去的SaaS。

大家可以想想是这样的系统复杂还是单点的SaaS复杂。

而这种复杂度往往是业务内生的，如果是改善真的只能硬抗，靠技术（包括AI）的进展来吞吐这种复杂度，这时候典型问题显然是：AI其实不好用，现在的水平解决不了这个复杂度的业务。

这时候怎么才能削减复杂度呢？

如果我们认为复杂度来自于两个来源，一个是业务内生的，一个是向后兼容导致的，那削减复杂度的核心方式就只能是不向后兼容。

这并不在所有领域都成立，但如果能找到，显然是很幸运的。

不过即使找到了，肯定也还是比纯粹做工具复杂。

所以就回到我们的标题：国内做AI应用的难度肯定被低估了。

技能集

什么技能集适合做上面这种产品呢？说来有趣，GleanCEO的简历是可以查到的。

这哥们是长期做架构的，真做架构的人往往是个大综合，对业务、技术等都要有所了解，然后能把他们有机捏合在一起。当然现在还得加个点：得对AI有所了解，毕竟AI的技术特性和传统的软件技术栈完全不一个事。

抽象来说就是你产品涵盖领域的复杂度提升，反过来就会要求操盘的人对复杂系统的认知和驾驭能力提升。纯粹的科学家或者不理解技术单擅长经营的CEO恐怕操盘不了Glean这样的产品。

在以人为主的体系里最关键的角色一定是管人的，现在新体系因为价值创造主体的迁移日趋就需要更了解人、AI和业务的人。如果是极端值，也就是无人公司，那恐怕了解AI和业务就够了。

这是另一重新挑战。

小结

在国内做真的AI应用显然更难，反倒是做项目相对简单依赖的技能和过去也差不多，但依赖它显然不能解决断链问题。

如果没有真正的应用生态，AI的发展则必然是不可持续的。2010年开始我们用十多年证明了这事，就不要再证明一遍了。

再夸张点说，中美的AI竞争一定是长期竞争，长期竞争恐怕不取决于一城一地，而取决于生态是否足够良性。

所以这是真的问题。

美银证券：升洛阳钼业目标价至14港元 供应紧张及需求稳健支持铜价热点栏目自选股数据中心行情中心资金流向模拟交易客户端　　美银证券发布研报称，上调对洛阳钼业（03993，603993.SH）2025财年及未来几年的盈利预测1%至6%，主要由于公司致力于高效生产、技术改革及TFM/KFM扩张，未来几年铜产量将提高1%至6%；下半年按市价调整大宗商品价格