AI-native軟體長什麼樣？

01.

什麼是 AI-naive 應用？

然而，在這輪變革浪潮中，兩個根本性問題值得深入探討：什麼是真正 AI-native 企業的本質特徵？這類新型企業將如何重塑傳統軟體格局？基於這兩個核心問題，Sapphire Ventures 透過廣泛的實地研究，從 5 個維度構建了評估 AI-native 應用分析框架。本文將深入剖析 AI-native 應用的發展邏輯，探討其在重構企業軟體版圖中的關鍵作用。

AI-native 應用指 AI 是應用體驗的核心，而不僅僅是一個輔助功能。雖然這個術語被廣泛使用，但其定義——如同 AI 領域的許多概念一樣——仍在不斷演變。透過與 Canva、Glean、Meta、Runway、Figma、Abridge 等公司的開發者進行深入交流和研究，我們提出了一個更具描述性和細緻的定義框架：

AI-native 應用的特徵

1. 建立在基礎 AI 能力之上，包括從大規模資料集中學習、理解上下文或生成新穎輸出的能力。

2. 能夠突破傳統速度、規模和成本的限制，開創全新的可能性。

3. 具備持續改進的能力，既可以利用底層模型的進步，也可以透過真實世界資料的反饋迴圈來提升效能。

4. 擁有一定程度的專有 AI 技術，而不是完全依賴現成的解決方案（例如，針對特定功能微調開源模型、模型編排等）。

需要特別指出的是，AI-native 並不意味著應用必須從一開始就具備GenAI 功能。

如同一些傳統軟體巨頭成功從單機版本過渡到 Cloud-native 產品那樣，例如 Adobe Photoshop、Microsoft Office 等，許多公司同樣可以隨時間推移，逐步從 Cloud-native 演進為 AI-native 。

AI-native 是一個過渡性標籤

“AI-native”這個術語雖然在當下具有一定的區分意義，但終將只是一個階段性的概念。就像我們現在很少再提" Internet-native "、" Cloud-native "或" Mobile-native "一樣，隨著 AI 成為幾乎所有產品和服務的標配，這個標籤也將逐漸淡化。

我們在當前這個早期階段使用這個概念，主要是為了區分兩類企業：

• 一類是迅速強化和擴充套件現有產品的企業，

• 另一類是基於全新能力和理念從 0 開始構建的企業。

隨著時間推移，這種界限將變得模糊，“是否 Day 1 就圍繞 AI 構建產品這件事”將不如企業在產品開發和組織建設過程中對 AI 的深度融合來得重要。

即便在一個更加 AI-native 的世界裡，價值創造的基本驅動力並未改變。企業仍然需要深入理解客戶痛點，打造滿足並超越客戶需求的產品和服務。優秀的創業者依然要組建出色的團隊並持續不懈地執行。無論 AI 技術多麼先進，它始終只是服務於這些目標的工具，而不是一味尋找應用場景的“錘子”。

02.

評估 AI-native 應用的五維框架

Sapphire Venture 從今年開始一直使用一個框架來評估構建 AI 應用的公司，這個框架包含了 5 個維度：設計（Design）、資料（Data）、專有領域知識（Domain Experience）、分發（Distribution）以及動態性（Dynamism）。

1. 設計（Design） AI 推動更深層的系統思維，開啟了眾多新的設計可能性。

2. 資料（Data） 利用AI 釋放專有資料的價值，使資料獲取和管理成為關鍵的競爭優勢。

3. 專業化（Domain Expertise） 深厚的行業和團隊專業知識體現在多個能力層面，其積累的經驗形成護城河。

4. 動態性（Dynamism） AI 實現多層次的適應、創造和個性化能力。

5. 分發（Distribution） AI 為定價和部署創造了更大的靈活性，使其能夠更緊密地與價值創造保持一致。

考慮到企業軟體領域日益激烈的競爭，以及在 AI 輔助開發下，產品依靠功能拉開差異化的週期快速縮短，我們認為企業需要在這些維度上實現差異化，才能建立持久的品類領導地位。

設計：核心競爭力

在企業軟體這個萬億級市場中，長期以來功能主導著產品開發，而使用者體驗設計往往被忽視。傳統企業應用充斥著複雜的配置選項、繁瑣的選單結構和過度的通知提醒，雖然功能完備但難以帶來愉悅的使用體驗。隨著 AI 技術的發展，這一狀況正在發生根本性改變，設計正成為新一代企業軟體的核心競爭力。

建立新的互動正規化

過去兩年，聊天和搜尋介面已成為生成式 AI UI 的主導形式，為使用者提供了與資料互動的新途徑——提問、綜合分析、總結和頭腦風暴等多樣化應用場景，都可以透過基於文字的 AI 助手完成。

• 功能解鎖：傳統企業工具中的強大功能往往因使用者不瞭解或使用門檻高而被閒置。透過自然語言（文字或語音）表達需求，使用者現在可以更好地使用這些既有功能。

• 多模態突破：多模態生成式 AI 模型正在快速追趕文字模型的水平，為軟體互動方式的創新提供更多可能。更高效能的語音和影片模型提供了新的建立、捕捉和轉換方式，補充了傳統的點選和輸入操作。

• 發展趨勢：OpenAI 的 Canvas 功能和 Anthropic 的 Artifacts 展示了從聊天機器人向協作畫布（co-creation canvases）的演進潛力，以及從輔助工具（co-pilots）到自動化工具（auto-pilots）的轉變。

加速反饋迴圈

Gen AI 輸出的非確定性特徵（non-deterministic nature）為生產環境部署帶來挑戰。在模型層面，RLHF 在提升 AI 與人類意圖一致性方面發揮重要作用。在與產品負責人的交流中，收集到多種反饋機制的案例，如

• 傳統方式：輸出內容的贊踩投票、星級評分系統。

• 人工稽核機制：由專業稽核人員對 AI 系統的輸出進行審查和評估，幫助確保內容質量並收集改進建議。

• 創新監測：透過分享行為、停留時長、內容時效性、互動頻率、複製貼上等方式收集使用者意圖訊號。

那些能夠智慧且無干擾地將反饋整合到使用者體驗中的產品，將實現更快的迭代速度，並能更好地滿足使用者需求。

構建 AI-native 系統

從與 AI-native 公司的交流中，一個最重要的發現是他們在應用設計中展現出成熟的系統層面思維。這包括在現成的通用人工智慧元件和為特定用例最佳化效能的專有能力建設之間取得平衡。同時，這還涉及在模型層面運用多種基礎技術（如微調、RAG、prompt engineering 等）和整合方法，從而在 query level 實現最佳的價效比。

許多 AI-native 應用在使用者介面層的優雅設計背後，實際上掩蓋了大量後端的複雜性。

此外，隨著 AI 從行動輔助（assistance）轉向決策（answers）和代理（agents），在流程各環節融入可解釋性變得尤為重要。因此，AI-native 應用必須：

• 清晰展示輸入與輸出的關聯；

• 引用具體內容來源；

• 適時提供置信區間；

• 為需深入瞭解系統性能的使用者提供更詳細的解釋機制。

應用案例

增強型搜尋體驗：Perplexity.ai 和 OpenAI 的 ChatGPT Search 透過整合相關網頁連結和引用來增強 AI 生成的響應內容，提升可信度。

Perplexity.ai

ChatGPT Search

精細化互動設計：Hebbia 和 Reliant AI 採用表格式使用者介面，建立起強大的反饋迴圈機制，讓使用者能夠在更精確、細緻的層面上與輸出內容進行互動和調優。

Hebbia

Reliant AI

專業開發工具：Cognition 提供原生程式碼編輯器，使用者可以直接在生成內容旁邊進行開發工作，幫助模型根據偏好的編碼實踐進行最佳化。

Cognition

行業解決方案：

1）Rilla 運用多模態 AI 中的語音轉文字技術，分析客戶對話以改進銷售培訓，

2）Bland.ai 透過部署易於培訓的數字化客服代理（配備文字轉語音功能），重塑銷售和支援服務流程。

資料：關鍵資產

資料對於訓練 foundation models 的重要性已經成為共識，這些模型支撐著過去兩年湧現的所有 AI 產品和服務。在應用層面，資料的重要性可能更高，因為它能幫助將各種通用的基礎功能轉化為針對性的、具有競爭壁壘的產品，從而更好地滿足客戶需求。

強化端到端的資料管理

“沒有資料戰略就沒有 AI 戰略”這句話雖依然真實。儘管 AI-native 應用能夠受益於基礎模型公司整合的全球資料，以及客戶現代化的資料資產，但透過強有力的資料管理實踐，企業仍然可以實現差異化競爭，這個維度主要包括：

• 資料採購和策劃（data procurement and curation），

• 資料質量管理（data quality），

• 資料治理（data governance），

• 資料安全（data security）。

隨著多模態模型能力的提升，跨結構化和非結構化資料的處理能力將成為充分發揮生成式 AI 潛力的關鍵。那些能夠更智慧、更快速地以安全方式收集、清理和整合資料的公司將在競爭中勝出。

啟用沉睡資料

許多企業早已意識到資料的價值，但如何有效利用這些資料一直是個挑戰。在與生成式 AI 公司領導者的交流中，我們發現其產品能夠啟用兩類沉睡資料：

• 儲存在各類系統中未被充分利用的資料，例如 Box、Google Drive、SharePoint 中的資料，

• 完全未被系統捕獲的資料，例如客戶通話、患者討論、會議記錄等。

這種資料啟用帶來顯著優勢，使使用者能夠：

• 更流暢地與現有資料互動；

• 更快地訪問適合其角色和特定需求的最優內容；

• 為資料資產帶來更多結構化和明確的分類體系。

這些優勢進一步促進對資料架構的最佳化，以支援更多 AI 投資，以及向那些已證明早期投資回報（ROI）的可信 AI-native 應用合作伙伴提供更多資料。

創造專有資料資產

除了啟用現有資料，生成式 AI 還能捕獲全新的資料集，這些資料集可能成為相對於傳統應用的競爭優勢。新型資料包括：

•多模態互動資料（multi-modal engagement data），

• AI 生成內容的建立和使用元資料（metadata），

• 微觀和宏觀層面的資料模式識別（pattern recognition）。

這些資料在傳統系統中並不存在，它們為 AI-native 企業提供了捕獲資料、形成資料整合樞紐和構建差異化工作流程以擴充套件資料價值的機會。這些新資料和對使用者工作流程的理解可以轉化為訓練資料，從而不斷改進底層模型效能，擴大 AI-native 企業的競爭優勢。

應用案例

• Glean：透過訓練定製 LLM 和構建組織特定知識圖譜，利用即時反饋為每個使用者提供個性化、上下文相關的搜尋結果。

• Writer：利用專業 LLM 深入理解企業資料中的語義關係，為任何搜尋或應用查詢檢索相關、符合上下文的結果。

• Jeeva.ai：即時整合多源銷售潛客資料，使使用者能夠精確定義目標客戶畫像（ICP），快速構建準確的潛客列表，並生成高度個性化的資訊以自動化互動。

專業化（Domain Expertise）：

AI-native 應用的加速器

過去一年，垂直領域的 AI 應用（Vertical AI）備受關注。這種關注是有充分理由的：面向特定行業的 AI-native 應用發展最快，在法律、醫療、房地產和金融服務等領域都有顯著案例。

Gen AI 展現出的深度領域理解能力，不僅體現在具體產品互動中，還體現在端到端工作流程中，這種能力對於 vertical 和 horizontal 軟體都會產生重要影響。

將 Domain Knowledge 轉化為 AI 工作流

Vertical AI 快速發展的一個重要原因是，GenAI 在將特定領域的終端使用者活動數字化方面表現出色。透過與創始人和產品負責人的交流，我們發現了許多實踐案例：

•更準確的對話轉譯（如醫生-患者討論）；

• 更全面的研究輸入總結（如法律研究和金融分析）；

• 更精準的使用者關係理解（如企業搜尋中的使用者間及使用者與實體間關係）。

在這些場景中，GenAI 模型被訓練來深入理解特定行業或功能的上下文，並自動執行相關操作，幫助使用者更快、更高效地達成目標。

專業化並不總是特定於行業。一些產品和工程負責人描述了他們如何研究客戶組織中的高階使用者和資深領導者的使用模式。透過將這些模式轉化為提示和結構化輸出，他們致力於讓這些見解在組織的各個層面都能獲取。

比如 Supio 產品負責人 Pamela Wickersham 就提到：“我們觀察平臺上經驗豐富的使用者的行為，並將其轉化為其他角色和不同層級人員可重複使用的模式。”透過這種方式，基於經過企業特定資料微調的基礎模型的生成式 AI 應用，可以實現提升整個員工隊伍水平的知識轉移。

規模化即時洞察

AI-native 應用的另一個優勢是能夠近即時地從海量資料集中獲取洞見。新的 AI-native 應用正在多個領域湧現，它們結合了經過驗證的行業特定文件和資料（如美國證券交易委員會的 EDGAR 資料庫）、微調模型和基於對話的介面，大大加快了客戶識別和處理特定目標相關資訊的速度。

這一趨勢在法律領域表現得最為明顯，如 Harvey、EvenUp、Robin AI 和 Supio 等公司的實踐。同樣的模式也在醫療、公共部門、保險、金融服務和教育領域開始出現。

AI-native 應用在處理特定領域需求時賦予使用者超人的能力。毫不誇張地說，那些過去需要大量初級員工（或外部顧問）花費數天或數週才能回答的問題，現在透過這些新服務幾分鐘就能得到至少部分答案。

全球與本地知識的融合

AI-native 應用在融合知識方面具有獨特優勢，主要體現在三個層面：

• 已經 embedded 到基礎模型中的全球性知識（global knowledge）；

• 行業資料庫中的領域專業知識（domain-specific knowledge）；

• 組織自身積累的專有認知。

其中，組織層面的專業知識往往體現在高質量的簡報、備忘錄、會議記錄、專有研究、培訓資料和歷史文件中。這些內容用於最佳化 AI-native 應用的輸出，確保其符合使用者對“高質量內容”的預期。

這種融合不僅僅是更好地訪問專有資料，更重要的是理解這些資料如何在特定場景下反映員工、團隊或組織的知識積累。透過這種組合，使用者能夠突破單個任務最佳化的侷限，實現整個工作流程的自動化，同時專注於更具體的成果。

應用案例

• Abridge：透過基於大規模醫療對話資料集訓練的多 LLM 架構，將即時的患者音訊轉換為精確的臨床記錄。

• EliseAI：利用 LLM 整合來自物業管理系統（PMS）、客戶關係管理系統（CRM）、知識庫以及租賃專業人員的相關資訊，自動回應潛在和現有租戶的詢問。

• Supio：基於大量人身傷害案例資料訓練的專有模型，能夠高精度地分析和生成法律檔案。

• Magic School：提供 80 多種專門的 AI 工具，幫助教育工作者改進和自動化課程規劃、考核編寫、學術內容生成與管理等工作。

動態性：AI-native 應用的自適應引擎

Ben Thompson 在其文章 Meta’s AI Abundance 中很看好 Meta 在GenAI 領域的機遇，尤其是公司利用 GenAI 加速多模態動態廣告建立和測試的能力，以及透過新的"Imagine Yourself"模型實現下一代個性化內容的潛力。這對數字營銷和電子商務行業的潛在影響顯而易見，且這種影響可能很快就會顯現。

這也反映了更深層的趨勢：GenAI 將推動應用體驗從靜態向更動態化轉變。雖然這一維度的普適性略低於我們之前討論的三個維度，例如，在處理總賬（General Ledger）時並不需要太多動態性，但這種轉變趨勢已經顯現。

產品體驗最佳化

大多數公司已經從單一模型的概念測試階段，進階到編排多個模型互動的序列來最佳化特定場景的輸出效果。從輸入到輸出的處理過程變得更加動態化。這些公司在開發基礎設施時特別注重靈活性，使他們能夠輕鬆地替換模組化元件，以實現效能提升和成本最佳化。

這種動態需求催生了模型路由器（model routers）這一關鍵的新型 infra 元件，比如 Martian 等公司正專注於此類產品的開發。這些 routers 是支撐 AI-native 應用的 infra 技術棧中的重要組成。

未來，更多當前需要使用者手動選擇的高階 AI 功能，例如在 ChatGPT 或 Perplexity 中選擇底層模型、設定輸出語氣、對輸出進行評分等，將逐漸隱藏在系統後臺，由底層系統更加自適應地代替使用者做出決策。

GenAI 客戶旅程

我們在設計部分中提到，企業軟體在使用者體驗方面並不是很好，雖然這種情況難以在短期內徹底改變，但 GenAI 為改善現狀帶來了可能。我們設想透過建立更具動態性和適應性的內容體驗，體現對終端使用者和客戶的深入理解。例如：

• 定製化營銷：根據潛在客戶偏好定製的銷售和營銷材料——從外聯郵件到簡報，從落地頁到合同製作。

• 個性化購物：電商平臺讓購物者透過數字孿生技術在虛擬空間或數字化身上預覽商品。

多層次超個性化

企業軟體正迎來更廣闊的個性化體驗機會。隨著人工智慧不斷學習相關偏好、互動模式和關係網路，這種個性化將在企業內部的終端使用者、團隊、部門和整個組織層面逐步實現。

例如，Outreach 為組織內的每個團隊和銷售人員都構建了一個定製的贏單模型，並隨著交易進展進行即時更新。同時，銷售溝通和相關材料也在朝著更精準地匹配個別客戶的方向發展。

長遠來看，具備共享記憶功能的智慧代理（agents）將成為這一主題最完整的體現形式。

應用案例

• HeyGen：提供 AI 影片創作平臺，使市場營銷和學習發展團隊能夠快速生成超個性化影片內容，在銷售、支援和培訓領域部署全自動的對話式影片體驗。

• Mercor：開發了能即時評估候選人的 AI 面試官，在處理簡歷和檔案資料的同時，能夠適應即時對話。

• Evolv AI：透過 AI 驅動的實驗持續調整使用者體驗，基於即時使用者行為最佳化客戶旅程。

分發：AI-native 應用的定價策略

最後，我們需要探討如何包裝和定價這些新的 AI 價值。一個關鍵問題隨之而來：生成式 AI 是否會給雲時代應用公司青睞的傳統按席位收費的 SaaS 模式帶來滅頂之災？正如我們在 2024 年 8 月的市場備忘錄中所寫，對軟體即將消亡的預言被嚴重誇大了。雖然現在判斷是否會出現一個顛覆現狀的主導模式為時尚早，但顯然企業正在積極嘗試，在平衡新價值和成本的同時降低新競爭威脅的風險。

價值最大化的靈活定價策略

我們已經進入了一個更加多元化的定價環境，現階段企業已經開始採用的策略有：

• 在現有服務中免費嵌入 GenAI 功能（如Workday）；

• 建立包含 AI 功能的現有產品高階版本；

• 推出全新的獨立 GenAI 應用；

• 在基礎平臺之上測試基於消費和結果（consumption and outcome-based ）的收費模式。

屬於 GenAI 時代的主流定價方式還沒有確立，可能因類別而異。但我們認為GenAI 是一項能夠擴充套件企業價值交付方式的技術。未來可能會包含 application 和agents 的混合，以及 co-pilots and auto-pilots 的結合。

在定價方面，我們相信會看到按席位（seat-based）、按消費（consumption-based）和更有選擇性的按結果（outcome-based）收費等多種模式的混合，而不是非此即彼的爭論。那些能夠平衡不同模式以確保客戶覆蓋面，同時更透明地將定價與價值交付對齊的應用開發者，將在未來佔據優勢地位。

案例

關於軟體賦能服務的增長以及面向特定商業成果的代理系統的潛在興起，已有大量討論。在此我們只想強調一點：真正的顛覆性創新從來不僅僅是產品技術能力的函式，往往還包括商業模式的轉變（例如從許可制到訂閱制軟體的轉變）。

許多公司已經引入了包含基於消費和基於結果元件的新定價方式。以下是一些值得注意的例子：

• 傳統巨頭的創新：

1）Salesforce 對其 Agentforce 套件採用每次對話 2 美元的定價。

2）Zendesk 對自動解決的問題收取 1.5-2 美元不等。

• 客戶服務 AI 代理：

Sierra、MavenAGI、Decagon 和 Crescendo 基於結果（如已解決的工單）定價。

• 專業服務創新：

Reserv 提供基於 AI 的理賠處理服務，根據已開立和執行的理賠數量定價。

• 內容生成應用：

1）Synthesia 按生成影片的分鐘數收費。

2）Imagen 和 Aftershoot 等編輯工具按編輯次數收費。

03.

AI-native 應用的未來

前面 5 個維度為評估 AI 應用提供了一個清晰視角，但真正的突破將來自於如何創新性地融合這些維度。雖然為現有產品增加 AI 能力很必要，但要在未來勝出，企業需要更深層的變革：打造統一介面、始終線上的多模態應用，將分散的服務整合為一體化體驗，以及採用靈活的計量收費模式。

要實現這一願景，需要技術棧各層面的顯著提升。這建立在規模效應延續的假設之上，同時還需要大量基礎工作：提升效能、減少幻覺、確保一致性、維持合規、加強安全和管理成本。令人欣慰的是，這些都是明確的挑戰，我們投資組合中的企業領導者認為，即便只基於當前模型的能力，只要成本持續下降，未來幾年仍有巨大的創新空間。