生产力 SaaS ，如何应对 AI 的颠覆？

2023-08-09

文章转载自"ToB行业头条"

—
生产力SaaS面临AI颠覆，OpenAI的GPT模型正在改变生产力工具的发展方向。
来源 / 海外独角兽（ID：unicornobserver）
作者 / 拾象

GPT 是一个生产力模型，OpenAI 正在颠覆生产力。

显然这让生产力 SaaS 们很焦虑。Clickup AI 的宣传视频阴差阳错地指出了当下这些“老”公司们的 AI 策略，即竞相在自己的产品场景中推出类似的用例。

尽管这些用例本身基本是同质化的，我们仍然观察到了一些独特的价值主张——比如围绕“数据”，真正服务企业级客户的 SaaS 并不像大家第一反应那样“使用留存在自己软件内的数据训练 LLM”，而是更强调云交付的信任、没有版权和法务风险的数据集以及更好地帮助客户让数据为模型所用。

因此虽然目前我们仍然无法识别究竟哪些 SaaS 长期受益、哪些 SaaS 受害，但是已经可以看出哪些公司拥有真正差异化的应对策略。

沿着这个思路，本文在二级和一级分别选择了最让我眼前一亮的 3 种方式和多个案例。不过即使有这些策略存在，生产力 SaaS 们仍不得不面对定价、与 ChatGPT 的竞争以及长期产品路线图上的一系列挑战，生产力入口的争夺战正处于激烈的淘汰赛阶段。

需要注意的是，生产力 SaaS 有一宽一窄两个定义，窄的通常仅指围绕文档（比如 Notion）、任务（比如 ClickUp）、视频（比如 Zoom）、表格（比如 Airtable）等核心场景的生产协作 SaaS，而宽的则包含大多数能提升公司经营效率的 SaaS，从庞大的 CRM 到 Zapier 这样灵巧的自动化工具。本文所讨论的生产力 SaaS 更偏向于后者的宽泛范围。

就像我们在 Kick 的文章中指出的，我们在硅谷观察到所谓“All in AI”的投资人比例远没有我们预期的高。

一个普遍的观点是 Generative AI 并没有像移动互联网和云一样带来全新的用户群体与相应的获客渠道，因此拥有 Go-To-Market 优势的老玩家们占据优势。

另一个主流的认知则是“投 AI Native 应用为时尚早，不如先让自己的现有 Portfolio 用好 GenAI 更划算”。

从“老”公司的经营角度看，大家已经充分体会过 PC、移动互联网和云三波浪潮，几乎每一个职业经理人和优秀的创业者都学习过各种掉队案例，因此心态上一定不会放过大东西。而 GenAI 来势汹汹、共识打满，应该没有公司会觉得这波机遇太小，因此都特别 FOMO 并且明确入场。

不过现阶段各家公司推出的 GenAI 实际用例大差不差，是“理解”“生成”“推理”在各种场景的上的排列组合，看多了很容易审美疲劳。

我们抛开这些已经被讨论足够多了的具体用例，结合在硅谷走访调研的体会，在二级巨头和一级市场独角兽身上各挑出 3 个我们认为比较有意思的价值主张和策略详细讲讲。

Source - Frameworks of GenAI use cases by Alana Smith

二级巨头们的价值主张和经营策略

1. 多个角度把“数据”玩出花

第一个角度：不碰客户数据

“数据”可以成为一个非常强大的价值主张，但并不是我们第一反应的“Salesforce 上留存了大量的 CRM 数据、Zoom 上有大量的潜在会议记录，可以拿来训练一个强大的模型”。

恰恰相反，保证不在未授权情况下使用客户数据训练模型或者替客户进行任务自动化是这类公司最重要的价值主张之一，也是把数据玩出花的第一个角度——营造信任。

对于大型企业客户来说，GenAI 的确可能成为生产力神器，但同时也是一个难以被信任的新科技，需要那些擅长面向大型企业客户提供保证隐私、安全性的 SaaS 供应商帮助 GenAI 跨越这一鸿沟。

最近一提信任和隐私，“开源+本地部署”成为了一种无脑的答案。在这种显而易见的做法之上，在云上交付隐私和安全是能够服务大型企业客户的 SaaS 们在过去 10 年积累的基本功。

以 Slack 的一个细节为例——为了将客户群从 SMB 和 Mid-Market 拓展到大型企业，它花血本将标准的数据加密方案做了更复杂的定制，通过跟 AWS 的 Key Management Service 做集成，让客户控制 Key，Slack 再通过服务调用客户设置的 Key 来加密用户的数据。这种等级的“安全可控”在微软系生产力工具中也非常常见。

“不碰客户数据”是营造信任的基线，在用例同质化的情况下，为 GenAI 定制的隐私及数据安全解决方案则有机会成为一个具有差异化的价值主张。微软虽然在这一点上积累很深，但是对外没有猛打这一卖点。反而 Salesforce 的 Einstein GPT 使用这一价值主张更多，在 3 月宣布 Einstein GPT 后，近期最大的进展就是 Trust Layer 的推出，试图将自己是“最可以被信任”的 GenAI Offering 这一形象打透。

第二个角度：不碰版权数据

Adobe Firefly 在 4 个月前刚刚放出时遭遇群嘲，它生成的皮卡丘和 Hello Kitty 们惨不忍睹。但是现在 Firefly 已经在 Web 版本和 Photoshop 中帮助 Adobe 的用户们生成了超过 10 亿个资产，被公司评价为“Adobe 历史上最成功的两个测试版本产品”。

外界在过去几个月已经逐渐领会了 Firefly 的独特价值主张：对未经授权的版权内容保持敬畏，帮助自己产品的使用者免除商用这些生成资产的法务风险。这一价值主张的核心就是构建一个完全没有版权问题的数据集。Stability AI 和 Midjourney 继续保持着对 Firefly 在效果上的微弱领先，但是不可避免地遭遇集体诉讼，因为它们使用的 LAION 数据集上包含 56 亿未经许可从公网上抓取的图像。

第三个角度：帮客户把数据连起来

使用 LLM 的数据处理环节，Source : a16z

有无数创业公司在这一赛道，就不再赘述最典型的数据连接用例。在此之上，跨本地和云的数据整合能力是一个需要长期积累的基本功，现有 SaaS 巨头有些差异化优势——它们经历了 On-Prem 转云处理存量数据的尴尬期，经验比较丰富，而且 Salesforce 收购了 Mulesoft，Google 有 Apigee，微软有 Power Platform，都有各种强大的 Connectors 来帮助客户收集跨组织和跨本地与云的数据。

通过将自身的云、数据连接器、产品场景垂直整合，再搭配合作伙伴的 LLM，老牌 SaaS 能够提供给客户一个真正端到端的堆栈，先收集好数据，再协调好数据并且能够创建数据的相关 pipeline，让数据在不同的模型和场景中可用。目前这一价值主张驱动的销售效果还未可知，但是起码听起来很美妙。

上文介绍了 3 种把数据玩出花的角度，但目的都不是让 GenAI 的能力更强大，而是让它真正达到 Business Class 和 Enterprise Ready。

2. 借机重振产品品牌

GenAI 既能实际落地发挥作用，又是完美的营销帮手：

EinsteinGPT 重新让 Salesforce 的爱因斯坦小人 Logo 获得关注。要知道在此之前 Salesforce 这个 Einstein 的 AI 品牌并不算成功，一直没有绝对领先市场的产品，反而是 Gong.io 这样的初创公司一路崛起，成为 Conversation Intelligence 方向的头部玩家；

微软在 Bing 和流程挖掘的产品上也类似，Bing 和 Google 在搜索体验上仍然有相当大的差距，而从微软收购的 Minit 而来的 Power Automate Processing Mining 也跟 Celonis 等独立的头部玩家有差距，但是通过 Bing Chat 和 Copilot，都重新面向潜在客户收获了一波关注；

在微软的 Power Automate Processing Mining 中使用 Copilot

Zoom IQ 在 Conversation Intelligence 这个赛道上起步晚，但是凭借跟 GenAI 的集成，快准狠地推出了跟其他 Zoom 生产力场景的协同，也获得了在客户面前更多的曝光和关注；

使用 Zoom IQ 生成和回复邮件

UiPath 和 Five9 这些被视作长期潜在受损的公司也非常积极地进行 GenAI 整合，让广泛的产品线显得更智能；

……

尽管这些策略帮助以外缺乏突破点的产品再次获得关注，但这个窗口期可能正在关闭。随着微软各个产品中的 Copilot 和其他公司的 GenAI 集成从 Private Beta 走向正式版本交付客户使用，GenAI Offering 的作用将从“让销售 leads 增多”变为“提升 win rate”。

3. 扩TAM保毛利

当不确定的经济环境和宏观局势遇到了共识打满的 GenAI，我们看到二级市场的公司试图做出“All in AI”的姿态，不断强调这是新的工业革命或者 PC 出现的时刻，但是在实际的经营策略上则仍然试图在利用 GenAI 扩大 TAM 的同时尽量保毛利。

微软和 Google 等少数深入模型层的公司略微例外，它们在保毛利的同时做好了扩大 CapEx 投入的准备。

在广大的 SaaS 公司里，Zoom 这样的思考和策略算是现阶段的标配，即 GenAI Offering 不能赔本赚吆喝，得让客户直接付费或是升级其付费计划：

AI 对毛利率的影响较小。对于更高级和更高端的用例，我们希望通过让客户升级其订阅计划或通过我们平台的消费模式向客户收费。所以总的来说，我们正在努力抵消任何潜在（影响毛利）的压力。我们对长期毛利率的提高非常有信心。

by Eric Yuan - Zoom

在定价模式上，除了有 M365 Copilot、Zoom IQ for Sales、Salesforce 的一系列 AI 产品按坐席和用量单独收费，跟付费订阅捆绑成为了非常流行的定价方式：

在保毛利的同时探索出来一个让客户普遍接受的定价是一件非常有挑战性的事情，大量产品仍处于 Private Beta，探索定价方式中。在云时代充 credits 的 pay-as-you-go 模式崛起，GenAI 能不能推动某种新型的定价策略出现也非常值得期待。

“海外独角兽”们

寻找安身立命之本

1. 超强执行力的中间桥梁

对于生产力 SaaS 们的前途命运，有两类观点：

GUI 将毫无价值，这些 SaaS 最终将只提供数据库价值；
GenAI 是法拉利级别的引擎，但是你总归需要一辆完整的汽车。

站在现实的角度，第一种观点在短期内还很难实现，许多人甚至认为 LUI 可能是最差的 UI，让我们重新倒退回了命令行时代。当然也还没有一家 SaaS 独角兽甘愿迎接第一种命运，因此大家仍然在尝试为用户提供一辆更完善的汽车。

在这一点上 Notion、ClickUp、Miro 等公司的尝试和 M365、Google Workspace 没有什么本质上的不同。

但是第一季度在 Bing 和 M365 几乎霸占了市场注意力的势头的情况下，Notion 在 22 年底很早就关注到 OpenAI 的动向，成为非 AI Native 的生产力 SaaS 公司中第一个上线完整 AI 产品的玩家，并且收获了还不错的市场反馈，很快就创造了数百万美元的 ARR。

使用 Notion AI 总结梳理一篇研究文献

我们交流的一些 Notion 员工将 Notion AI 定位成一个双向的桥梁——Notion AI 封装好的指令帮助用户减少了收集和搭配 Prompt 的门槛，而 GenAI 本身降低了用户使用 Notion 各种复杂组件的门槛。

生产力赛道下的另一位卷王 ClickUp 跟 Notion 的这个解题思路很类似，它的产品比 Notion 还要复杂，嵌入了白板、视频等其他场景。在 Atlassian、Asana、Monday.com 等二级市场的对手都还没有 GenAI Offering 面世的时候，ClickUp 就推出了自己的 AI 产品，并且确定了只有 Notion 一半的定价策略，很快也产生了可观的 ARR。

使用 ClickUp 的 AI 功能进行任务管理

2. 靠开源武装自己

有一些生产力 SaaS 光做好中间桥梁的作用可能不够，因为它们的安身立命技术被 LLM 直接挑战——比较典型的两个例子是 Gong.io 的对话分析和 Sourcegraph 的代码搜索，它们都通过与传统 ML 模型构建了技术护城河，但是现在这些护城河被 LLM 撕开了巨大的口子。

Sourcegraph 背后的 3 大技术

Gong 的应对比较中规中矩，在第一季度没有什么反应。根据我们和早期投资人的交流，部分原因可能是团队认为模型能力并不是决胜点，获得和处理客户会议及对话数据的能力是个需要时间积累的脏活累活。直到 6 月初，Gong 才宣布推出 Call Spotlight 以及 Proprietary Generative AI Models。

可能是 ChatGPT 和 Github Copilot 处理代码的能力过于惊人，Sourcegraph 成为了过去两个季度在应对 GenAI 冲击时非常让人眼前一亮的公司。尽管 Sourcegraph 很早就意识到 LLM 的 Context Window 在处理多个大型库级别的代码量上仍然有缺陷，但是没有停止产品创新，在 3 月末就直面竞争，推出了由 Anthropic 的模型驱动的代码编辑助手 Cody，并且将其代码实现开源。

Cody 背后的技术方案

由于 Cody 拥有 Embeddings 的长上下文优势和 Sourcegraph 独特的 Code Graph 加持，它很快在 Hacker News 和 Twitter 上被广泛讨论。而开源的属性让 Cody 不被局限在 Sourcegraph 产品内部，而是可以当做灵活的 IDE Extension 使用，作为老公司和 AI Native 的 Cursor 等产品一同迅速成为了 Github Copilot 最可能的替代选项之一。

3. 乘胜追击扩大价值

我们在 ChatGPT Plugin 的文章中描述过 Zapier 短期受益的局面：

当前 ChatGPT 有了很强的工具使用能力，但缺少在 api 聚合方面的 know-how，因此 Plugin 的出现在中短期之内利好 Zapier 这类聚合器产品。Zapier 在此领域积累很深，现在如果大家想在 ChatGPT 上做一些复杂操作的时候：比如将文本总结之后发社交媒体，或是记录在 Google Workspace 中，大家都会选择用 ChatGPT + Zapier 的方式来实现。在很多 use case 中，ChatGPT 只需要接入聚合器，就能做到非常好的用户体验，它也不需要接入大量 api，相当于类似 SEO 的部分由聚合器完全提供了。

……

但长期上，这类产品面临以下冲击：一方面， api 的组织形式可能会发生变化，LLM 时代可能跨产品交互的频次和。OpenAI 最近发布了函数调用能力，使 api 的可用性显著提升，这些变化可能会弱化 Zapier 的护城河。另一方面，聚合器可能会成为操作系统机会中的一部分，微软、谷歌和苹果都可能基于自己的系统去建立相应的能力，竞争激烈。

Zapier 团队在过去 6 个月的表现非常亮眼，展现出了团队一流的视野和执行力。下面这几个产品发布可谓稳准狠：

3 月推出 Zapier Natural Language Actions，将平台能力首次以 API 的方式开放，还支持通过 Chat 的方式调用，迅速让 Zapier 跟 GenAI 生态融合在一起；

由于各种 SaaS 内的数据只是由 Zapier 连接而没有存储在它这里，Zapier 在 5 月推出了 Zapier Tables，帮助用户存储、编辑、共享和自动化各个 SaaS 内的数据，这样可以从用户存量数据积累的角度构建另一条护城河；

它推出的 Chatbot 框架也迅速在社交媒体上引发大量关注，成为用户自发为各类 SaaS 引入 LUI 的首选低成本方案之一。

从不浪费红利、防止短暂红利过后被颠覆以及扎实把产品做好的角度，Zapier 是这一年来最好的生产力 SaaS 范本。而且它的联合创始人 Mike Knoop 投入力度非常大，完全致力于 Zapier 与 AI 相关的产品，并且成为了湾区 AI 生态重要的意见领袖，非常值得其他生产力 SaaS 公司学习。

现阶段SaaS的AI功能

遭遇的 5 大挑战

尽管我们找到了 6 个正面范本试图说明有些生产力 SaaS 做得还不错，但是它们不可避免地仍然陷入到一些具体的挑战当中，下面是最典型的 5 个：

挑战1：PR先行给用户带来的失落

由于 ChatGPT 引发的用户热度过于突然，大量的公司在 2023 年初才开始准备其 AI Offering，并且在 3 月中下旬撞车式发布 Private Beta 版本，这导致了过长的 Waitlist，大量的客户知道自己的 SaaS 供应商推出了 AI 能力，但是却一直无法购买使用，不得不随着时间冷静下来。

以 CRM 为例，许多 Salesforce 的客户对 Einstein GPT 非常感兴趣，多次向自己的销售询问报价，但是在整个 4 月和 5 月都无法得到售卖反馈，这让许多客户将这种本该严肃的产品发布视作一场无意义的 PR 行为。

Salesforce 实际上拥有一份完善的产品路线图，但是与官宣 Einstein GPT 的时间有足足 3 个月的时间差

挑战2：AI与产品路线图的冲突

投资人们希望 AI 颠覆 SaaS，但是大量的 SaaS 用户实际上只想安安静静地用好自己的文档、任务管理、视频会议工具们。

ClickUp 的用户们对 ClickUp 3.0 的正式推出期待已久，但是先等到了 ClickUp AI，因此有一些非常一针见血的用户吐槽：

ClickUp 的核心是充当项目管理工具和数据库，但是核心功能充满 bug，有些仪表盘需要几分钟才能刷新，可靠性在过去 18 个月号称占据了 70% 的资源但是几乎没有新功能出现，3.0 跳票，ClickUp Docs 的基础能力和 Google Docs 相距甚远，AI 本身无济于事。

ClickUp 试图让 AI 看起来是产品升级中的一个子项，但是大家发现他们的首要任务是 AI 而不是 3.0。

ClickUp 选择发布 AI 而不是 3.0 让人感觉受到了欺骗，3.0 不再是“指日可待”，我宁愿再看一下 Asana 或 Wrike。

其他的产品或多或少都有类似的问题存在，比如 Notion 离线模式的用户呼声可能比 Notion AI 要强不少，这样大家才能摆脱在没有 WiFi 时完全无法使用 Notion 的窘境，但是 Notion AI 率先推出并且在产品路线图中似乎占据了更多精力。

挑战3：用户承担的定价模式

这与挑战 2 相辅相成：如果 AI 能力是免费赠送的，那用户并没有什么反感这些能力的理由。但是由于“扩 TAM 并且保毛利”的策略，用户往往需要额外付费。

不管是 ClickUp 的 5 美元/月/人、Notion 的 10 美元/月/人还是 M365 的 30 美元/月/人，让每个使用者自行付费的话不是个大数目，但是真让经营者批量采购也不是笔小钱——要知道 Notion 本身的 Business 方案也就 15 美元/月/人，为员工采购 AI 相当于账单需要增加 60%~70%。

挑战4：跟ChatGPT抢入口

这些挑战是环环相连的！

由于挑战 1 的存在，大量习惯了 ChatGPT 的用户的工作流是将文本粘贴进 ChatGPT 问答，然后将所需的结果再复制回自己的 SaaS 当中，由于挑战 2~3 的存在，尽管难以衡量具体比例，但是大量的用户已经订阅了 ChatGPT Plus，承担了 20 美元月/人的账单。这个订阅虽然略贵，但是比较通用，因为每个 SaaS 的 AI Offering 单独订阅的总额可能远远超越 20 美元。

因此我们团队经常讨论的入口逻辑在实实在在地发生，生产力 SaaS 们正在和 ChatGPT Plus 争夺每个员工身上的预算，这个战争暂时还胜负未分。

挑战5：并没有“天才”CEO

我们在去美国之前认为 Salesforce 的 Data Cloud 战略为其 GenAI 的路线图提供了自上而下的指引，但是和内部员工聊下来发现这也只是非常 high level 的指导思想，最终还是回归到营销云、服务云、工业云等各个业务团队内部自下而上提出各类 GenAI 产品功能的诉求。

其实走访下来，从大公司到一级市场独角兽，大家进行 AI 创新的方式大抵都是如此，不存在 CEO 想出一个天才的方向，然后下面闷头实现就行的情况。不同玩家之间的核心区别之一在于 CEO 愿意为这部分分配的总资源有多少。鉴于挑战 2 的存在和 AGI 带来时间表的不确定性，这可能很难平衡，并且成为未来 5 年所有 SaaS CEO 最需要思考的问题之一。