从工具到流程，从降本到认知：蒋耀锴解读ToB行业在AI时代的新机会

AI 带来的技术平权，是否会让 ToB 新兴公司占得先机？AI 浪潮中，ToB 行业的老炮与新手，谁将更胜一筹？

在「DeepTalk 」的第二个系列话题栏目「AI 的争议」对话中，由崔牛会创始人 & CEO 崔强主持，与 PingCAP 副总裁刘松，Zion 函子科技创始人 & CEO 蒋耀锴，围绕 “AI 会帮 ToB 新手干掉老炮吗？” 这一主题进行了精彩探讨。

刘松认为， DeepSeek 让传统应用厂商获得了新生，大量的客户资源、数据、洞见，以及信任的积累，让 ToB 老炮比新手更容易解决客户问题。

与 AI 应用层和大模型的技术热潮相比，被大大低估的是数据的价值以及数据的组织形态，以及如何用好多模态数据，私域数据和领域知识才是行业 AI 应用的护城河。

蒋耀锴认为，拥有和利用局部信息的能力是无法通过 AI 解决的，这正是行业老炮的优势。Agentic  Workflow（智能体工作流）是目前发挥 AI 价值最接近的方式。

以下是经牛透社编辑整理的对话内容：（有删减）

01

老炮 VS 新手

崔强：今晚我们讨论的主题是 “AI 会帮 ToB 新手干掉老炮吗？” 前年，崔牛会做《SaaS 20 年》视频栏目时，我采访用友董事长王文京，他提到 ToB 行业是 “老炮用新枪”，行业 Know-how 加上新技术就能焕发新的青春。

进入 AI 时代，AI 会帮 ToB 新手干掉老炮吗？每人简短亮明一下观点。

刘松：中短期不可能，长期以后不好说。十年以后把老炮干掉的，一定是老炮们做的新一代 AI。

DeepSeek 出来以后，AI Agent 本来就是要替代老炮的，但因为领域知识和工程复杂度，在 ToB 垂直领域，好的 AI Agent 还是要靠老炮来打磨的。

新手能不能通过技术干掉老炮，本质上还要回到自动驾驶的逻辑：完全的自动驾驶还差很远，人机协同将是常态。

未来 10 年，Agent 会从一个主体化工具进化到一个工具化的主体。

蒋耀锴：我的观点是不会。AI 主要提升的是大家的效率基线，SaaS 要解决的是某一个问题。这个问题背后的难度是客观存在的，与你是否用到 AI，与你是老炮还是新手，本质上没有太大关系。

拥有和利用局部信息的能力是无法通过 AI 解决的，从这一点上看行业老炮的优势也是不会变的。

刘松：我们要先界定一下 “行业老炮” 到底有什么？第一是信息和数据；第二是行业和领域经验；第三，是行业洞察力。

对于这三点，目前大模型还存在很大欠缺，但十年以后就不一定了。

蒋耀锴：我把 “老炮” 的特征，分为 “编程的” 和 “行业的” 两个方面。 最理想的肯定是编程能力强，同时又对行业知识领悟得非常透彻。

现在 AI 擅长写的还是碎片化的代码，真正让它做一个系统经常会做错。一个事情的难度是内生的，作为一个写了多年代码的码农，我也尝试过用 AI 复制自己，但它一般也做不好。

在行业方面，很多纸面上的 SOP 和系统上实际运行的很可能是两个东西，老炮能理解掌握实际运行的 know-how 才是最核心的问题。

刘松：从行业角度看，未来数据和信息越来越好处理了，但行业的经验以及隐含式的洞察，这些并不是那么显性的东西。比如医生、投顾、制造业老师傅身上的经验和知识，AI 在短期内是很难替代的。

现在医学界有一种认知，长远来看最好的医生要能把医学大模型的能力和自己的专业直觉融合在一起。

训练好的大模型可能比医生想得更全面，但每个医生独有的直觉，尤其是一些 “老炮” 的直觉，大模型也不可能知道，这两方面最终会形成长期的互补关系。

崔强：最近我们去北森，老纪（北森联合创始人兼 CEO 纪伟国）提到，现在要打造一个 Agent ，技术门槛会非常低，大量的投入在于后面的调优，以及行业 Know-how 的介入。未来的竞争会不会因为技术门槛比较低，而变得更惨烈？

刘松：门槛降低了，起步虽然是容易的，但要做好很难。Demo 一两天，生产上线要一年。随着门槛的降低，“老炮” 有了 “新枪”。

今天 SaaS 类的软件公司不需要自己的底层技术，以及那么多的 AI 工程师、数据工程师，也可以把一个产品做到 80 分，这背后是生产力数量级的提高。

DeepSeek 的出现，让人们感受到其推理能力和思维链，认识到 AI 干的事可解释、靠谱了，尤其在 ToB 领域可用了。此外，开源潮流也解决了大家对部署安全上的顾虑。

这些是最近几个月最大的变化。

崔强：刚才耀锴提到他试图用 AI 复制自己，发现搞不定。这是为什么？

蒋耀锴：知识有些是隐性的，有些是有时效性的，这两个问题是目前最难处理的。一个行业里的知识绝大部分都是口口相传的，还有一些行业知识经常会过期，能处理好这些问题才是核心竞争力。

刘松：极端地来讲，如果把所有的数据都存下来，通过这些数据训练 Agent 就和个人的经验很接近了。如何把隐性的知识，没有表达出来的东西都尽量地显性化是一个方向。

这里还有一个有意思的角度：人自身会不会成为 AI ，尤其 Agent 能力的一种限制。

今天的 AI 有了强化学习和强大的推理能力，我们自身头脑的限制很有可能限制了自己培养的 AI，这一点从 AlphaZero 在围棋上的创见就开始了。

崔强：现在都在谈大模型幻觉，其实人才是最有幻觉的。

刘松：对，人类的理性是也有局限的。所以，不能总抱怨大模型的幻觉，人类的幻觉一点也不少，对幻觉的识别才是更重要的。

幻觉在迪士尼就是正面的，那就是想象力。但在医疗、制造和金融领域就不允许存在，这也和行业的属性有关。

崔强：DeepSeek 通过开源方式把 AI 平权了，任何人都可以参与，都有机会向 “老炮” 发起挑战，包括外行挑战内行。

新手们没有边界和经验的束缚，有可能会做出来一些东西，是不是意味着 “老炮” 或者传统巨头，他们的技术壁垒也在坍塌？

刘松：整体来说是受到了威胁。AI 降低了技术门槛，原来根本不可能做 SaaS 的人现在可以做了。抛开 ToB、ToC 的界限，按照从易到难的顺序，我定义了 Agent 的四类方向：

最容易的是过去十几年移动互联网上的泛娱乐 Agent，包含电商、社交、游戏、视频，用一个人就可能搞出一个很好的杀手级 Agent，ToC 是最容易的。

第二是像飞书、钉钉这样的协作平台，要做出新一代 SaaS 更容易，因为现在正是利用 Agent 和人协作做出最大效果的时候。

第三种，更难一点的是行业 Agent，最典型的是对容错性要求较低的行业，比如医疗、制造、金融等。

第四，最难的是具身机器人，广义看机器人也是 Agent。

从整体来看，短期内 ToC 泛娱乐这种 “幻觉友好型” 的行业更容易成功，一个人就可能成为一个独角兽。

崔强：耀锴在做无代码。GPT 刚出来之后，讨论最多的就是无代码、低代码是不是要被大模型干掉了，你怎么看这个问题？

蒋耀锴：就像我前面提到的：难度是一个内生的东西。AI 编程最有效的是为码农提效，其次是教不会写代码的人学习写代码。

无代码工具是面向技术能力更弱的人群，当然我们也正在做 AI Copilot 降低对于无代码学习的难度。

刘松：短期内 AI 还是个提效工具，属于较底层较通用的生产力，稀缺性的认知可能会越来越值钱，甚至比数据还要值钱。

工具越来越强大，但老炮还能存活下来，就在于其认知的稀缺性。

去年一个帖子说千万不要认为无代码来了，学编程的人就不重要了，仍然需要。虽然干得越来越少，但仍需要有非常好的训练。

蒋耀锴：我们现在面向的完全是非技术型创始人，更多的不是帮他们提效，而是降门槛，让他们能够更快学得会，可以控制自己的产品。

如果效率至上的话，专业码农再搭配上 AI 应该是效率最高的，但做出来的东西是非技术型创始人自己不可控制的，而且成本也很高。

崔强：当时感受 Agent 爆发的速度，到今天肯定是欣欣向荣，但现在反而觉得这个市场很冷清。

刘松：从美国硅谷到国内自媒体，关于 AI 的新闻都有点过度 “demo” 了，即把一个 demo 当作现实可能性。

这个刻意乐观的文化会有很大的副作用，因为长期看会让整个社会对于 AI 这种 “狼来了” 反而变得麻木了，也不知道怎么去用它。实际上，有了大模型，干了 20 年的业务架构师反而更值钱。

要做一个 AI Agent，数字化这门课必须补齐，这一课在中国的企业尤其需要补。

我们看到，当 DeepSeek 出来以后，传统的应用厂商反而一下获得了新生。由于积累了最大量的客户、最多的数据以及客户信任，他们比那些创业型的垂直 Agent 公司更容易帮助客户解决实际问题。

02

知识进化与 ToB 新机会

崔强：两位都提到了一个非常重要的问题：知识的进化。如何才能利用 AI 工具，让数据、知识和图谱逼近人类专家的能力？

蒋耀锴：每一种类型的知识，都有它的管理和更新的方式。可以模拟人类的思维方式，比如：

当你收集到新的信息之后，在数据库中通过查询，判断是否需要更新或者删除旧的知识；当你在使用某个知识时，一边要找到一类曾经发生过的事实，另一边要去找解决问题的套路。套路加事实就是一个合成信息的基本来源。

人类的知识进化大部分时候是依赖另外一个人的，让这套流程模拟人类之间的口口相传，并将这个流程自动化，真正让 AI 变成一种更接近员工的方式。

刘松：最难的还是动态知识图谱，怎么把新、旧知识持续地建立起连接。目前，一般的大模型窗口可能还是太小了，如果窗口变得很大，动态的知识图谱反而变得更重要了。

这当中主要有两个难点：一个是意图识别以后的判断或者调度能力，另外一个是发现和建立新旧知识的连接。

现在有一种预测，2026 年以后，强大的推理窗口加上 Graph RAG 和数据库的能力，能够提高发现新知识的效率。

现在我们关注的是：能否最及时地找到一个东西？

但明年，我们要讨论的可能是：如何让 Agent 能够发现新的知识和判断？

崔强：前段时候，我看到一个探讨大模型 “投毒” 的视频，你们怎么看这种现象？

刘松：往大模型中 “装知识”，是需要人进行管理的。大模型最大的弱点在于它被 “投毒” 了以后，并没有一个 “解药” 能马上把 “毒” 清除掉，要等下一次训练。所以，大模型是很脆弱的。

崔强：现在这个问题有解吗？

蒋耀锴：第一个是要关掉联网搜索，不要什么事都打开联网搜索。你开着联网搜索，别人 “投毒” 就太容易了，根本没办法控制。

刘松：同样的，企业在建知识库时也要控制上传文档的员工，如果他上传的文档质量很差，也等于是 “投毒” 了。

蒋耀锴：你可以信任大模型训练者对于大模型摄入信息的控制，对于时效性不强的信息不要打开联网搜索。

崔强：今天讨论的话题是 “AI 会不会帮新手干掉老炮”，但实际上，也有可能是 “AI 帮助老炮干掉了新手”，对吧？

刘松：完全有可能，过去两年大公司的实习生都变少了，因为那个工作已经被 AI 替代了。

蒋耀锴：最便宜的能力基线在往上拔，所以但凡个人能力没有在一个领域超过大模型提供的能力基线，你的价格就不到这大模型的市场价格。

刘松：但也要正面来看这个问题。雇用 “一个老炮” 和 “多个新手”，再加上自动化编程，这可能是现在 ROI 最好的一种组合。

蒋耀锴：AI 本质上是一种认知能力。每当社会上一种能力的边际成本大幅度下降之后，将带来两种结果：第一是百花齐放，第二是不断出现 “二八效应”，最后再形成头部。

所以，AI 出来之后，一定会出现一片新应用。十年后，这一片新应用里 80% 都死了，剩下 20% 中有 80% 在挣扎，还有 20% 里面的 20% 可以活得很好。

刘松：未来几年会重现过去十多年移动互联网类似的 “先膨胀再收缩” 的过程，只是形态更高级了，更有智力含量了。

崔强：ToB 的一个好处是不容易死，在一个小市场、小领域，只要有几个客户就能生存。

刘松：这里隐含的逻辑是：有了 AI 以后，SaaS 公司的护城河是否会发生变化？

以往，SaaS 公司的护城河是深耕垂直领域与客户信任，以及一部分领域知识。这两年，在美国，一些从 Salesforce、Workday 出来的创业者，他们结合 AI 和原来的数据做了一些面试、销售、客服场景，都是稳赚。

本质上，他们是在做知识自动化，这件事在国内也依然是有机会的。而且未来两年比前两年机会更大，因为今天推理模型的门槛更低，也更靠谱了。

03

未来之路

崔强：接下来我们聊商业模式的变化，有 “底薪+提成” 的模式，也有人提 RaaS（结果即服务，按效果结算）这种付费方式。

刘松：按效果付费，工具提供商变成了效果提供商，客户当然也愿意。但按效果付费在今天还有很多坑，工程难度也很大，最难的还需要客户配合。

比如，要给医院做一个按效果付费的在线诊断，医院所有的诊断数据愿不愿意向乙方公开？还有语料质量、工期配合……所有这些都做到了，才可能保证辅助诊断的精度。

不管甲方还是乙方，这是一个共同利用新技术、新模式创造效果的逻辑。

蒋耀锴：按结果付费，基本上逃不掉人机回环（Human-in-the-loop）。服务商和甲方应如何去承担人力成本，如何把人放到合理的位置上，这些都是挑战。

去年，有个朋友在用 Agent 为医院做一个麻醉前预检的自动化，这需要获得病人数据，还要改变业务流程，需要医院 CIO 与医生的共同配合，产生的价值也非常大。

假设一个护士一小时的成本是 100 美金，如果用两美金可以买 50 万个 token 来解决这个问题，剩下的 98% 就是医院的利润或者价值空间。

刘松：我特别同意耀锴这个例子，它表明了知识自动化 + 流程自动化可以节省很重的人力成本。

今天回到两个参照物：一个以移动互联网为例，它解决了所谓的信息不对称，10 年前的云计算、公有云，本质上是降低了应用的门槛；今天的 AI，最重要的是解决了脑力的不对称，它降低了每个人解决问题的门槛，但仍有大量工程化的东西需要做。

崔强：我们现在看到 SaaS 的商业模式，开始向按效果付费的方式转变。此外，还看到一种订阅方式的变化，国内几个 RPA 厂商开始转变为卖数字员工，有点像一个人力资源的外包供应商。

刘松：也不完全是，本质上还是降本。今天 AI 是在知识自动化和流程自动化的基础上，提供一种降本的能力。

比如我们的一些客户、业务部门热衷于用 Agent 的原因是为了避免加班。如果五年内 Agent 还没有把中国的 “996” 消除，我觉得也是一种失败。

崔强：最后请两位用最简短的方式，总结一下今晚讨论的心得。

刘松：我相信，未来几年 Agent 还是软件里面最重要的形态。这种形态背后被大大低估的东西，是数据的价值、数据的组织形态，以及如何用好多模态数据。

最近，我们谈论 AI 应用太多了，而忽略了私有数据、数据素养、多模态数据的混合处理能力，甚至 Data Agent （数据智能体）才可能是未来冰山下最重要的东西。

蒋耀锴：关于 AI 带来的能力，我的总结是知识的复制，以及模糊信息的翻译合成，而释放 AI 这种能力的方式正是 Agent。

有了 AI 之后，每一个环节都可以有决策的能力。问题是怎么把它用好，在什么样的环境下通过什么方式去用 AI，才能真正发挥它的价值。

我认为目前最接近的方式是 Agentic Workflow （智能体工作流）。

崔强：特别感谢两位，今天晚上的调研结果就客观多了，“五年内，AI 会帮 ToB 新手干掉老炮吗？”，其中选择 “会” 的是 22%，“不会” 的是 78%。我觉得大家理性很多了。

不管是 “新手” 还是 “老炮”，真正能进入 ToB 创业热潮中的，都值得敬佩。

我觉得 AI 肯定也会重新走以往互联网的发展道路，但创业者不要刻意乐观，而是要冷静地去思考 AI 发展的现状，以及它能做什么。