看了 SAPPHIRE VENTURES 的文章，不仅帮我理清了 AI-Native 应用的疑惑，还送了个五维评估框架！想做 AI 应用的快看看，想给产品加点 AI 能力的，更得抄作业！
生成式 AI Native应用层正在迅速发展，2024 年 AI 原生应用的融资激增，达到 85 亿美元，显示出市场的强劲势头。在代码辅助、客户支持和营销等领域的早期成功，正扩展到新的功能和垂直用例。AI 原生应用程序的生态系统比一年前甚至一个季度前都更加健全。
AI Native应用的特点在于深度整合人工智能技术，从设计之初即以AI为核心，具备高度智能化、实时学习与迭代能力、强大的数据驱动性能，以及对用户需求的高度定制化。
AI Native应用已经超越了使用单个模型测试概念的阶段，转而协调一系列模型交互，以针对特定用例优化输出。从输入到输出的过程变得更加动态。
但是，随着 AI 的普及，“AI 原生”这一术语将逐渐淡化，AI 将成为几乎所有产品和服务的核心组成部分，这点我非常的认可。因此，价值创造的基本驱动因素不会改变，企业仍需深刻理解客户痛点，构建满足并超越客户需求的产品和服务。
在SAAS产品中，AI的价值更像是“锦上添花”，还无法做到颠覆性的改变。2B SAAS产品通常与业务流程高度契合，且要求较高的确定性结果，但目前的AI应用多为流程中的单点应用，若要与业务流程结合，仍需大量工程化的适配和支持。而且，确定性并非AI的强项。
我们曾为客服开发过商品推荐功能，现在回头想想，这是否是个伪命题？客服其实不需要“推荐”，而是需要“精准的搜索”。
推荐应该面向消费者，但目前的各种AI导购准确度较低，因为光要理解消费者需求，就涉及对“人性”的判断和分析；更不必说，真正意义上的 “导购” 应当主动探寻需求，甚至借助人性的欲望来创造需求，从而引导消费。虽然AI的沟通效果已经流畅不少，但推荐的产品往往总是“差强人意”。
所以在我看来，这篇文章最有价值的是让更多想用AI的企业知道，如何在应用中如何评估AI能力的贡献：
毫无疑问，数据是最最核心的资产，文中对数据的评估有7条之多，可见其重要。
未来，数据的应用探索，以及使用前的处理、检索和管理，肯定会形成庞大的业务群，“大数据”也许很快会卷土重来。
文章也明确了，现在AI的问题，需要以提高性能、减少幻觉、确保一致性、保持合规性、提高安全性和管理成本的方式来管理现有模型。但文章也给了正向的推测：“这些都是已知的挑战。我们投资组合中的几家公司的领导向我们保证，只要成本持续下降，仅基于当前这一代模型的能力，未来几年仍有创新有待实现。”
在过去两年中，风险投资界和更广泛的科技生态系统对即将到来的人工智能原生应用时代进行了大量讨论。我们看到了许多框架概述了从基础设施到平台再到应用层的价值捕获进展，对人工智能代理的发展兴趣激增，以及对各种垂直人工智能的无数深入探讨。
然而，较少被探讨的是那些将定义人工智能原生公司的独特特征，以及企业软件格局将如何演变。换句话说，什么真正构成了一个“人工智能原生”应用，以及在未来几年中，这类公司的竞争影响是什么？
这是我们直接解决这些问题的尝试，融合了来自实地的实时观察和基于新兴市场趋势的前瞻性见解。我们的结论来自广泛的研究、实际的产品测试和演示、与初创企业创始人的直接合作，以及至关重要的是，与积极使用生成式人工智能进行构建的各种规模公司的产品和技术领导者进行的大量深入讨论。
尽管当前对生成式人工智能的兴奋和投资浪潮始于 2022 年 11 月的一个应用程序（ChatGPT），但应用层总体上落后于技术栈的其他部分。许多生成式人工智能的批评者指出，缺乏杀手级应用程序证明了这项技术被过度炒作。然而，越来越多的证据表明，应用层正开始迎头赶上。
2024 年，生成式人工智能原生应用的资金大幅增加，到 10 月底达到 85 亿美元，与过去两年相比，在生成式人工智能总投资中所占份额更大。在过去的几个月里，我们看到了 Perplexity（5 亿美元）、Poolside（5 亿美元）、Magic（3.2 亿美元）、Sierra（1.75 亿美元）、Abridge（2.5 亿美元）、Glean*（2.6 亿美元）、Writer（2 亿美元）和 EvenUp（1.35 亿美元）等公司宣布进行大规模融资。虽然投资水平可以表明市场的繁荣，但真正的证据在于吸引力——在这方面，势头是显而易见的。在过去的几个月里，越来越多的人工智能原生应用开始显示出显著的收入吸引力。根据我们的统计，目前市场上至少有 47 个人工智能原生应用的年度经常性收入（ARR）达到 2500 万美元以上，而年初只有 34 个。我们相信，到明年这个时候，我们可能会看到同等数量的应用的年度经常性收入超过 5000 万美元。在代码辅助、客户支持和营销等领域的早期成功正在扩展到新的功能和垂直用例。初创企业和现有企业都在继续宣布雄心勃勃的人工智能原生产品。简而言之，在我们看来，如今的人工智能原生应用生态系统比一年前甚至一个季度前要强大得多。
定义AI-Native应用
在我们的经验中，AI-Native应用意味着人工智能是应用体验的核心，而不仅仅是一个补充功能。虽然这个术语被广泛使用，但它的定义——就像人工智能领域的很多东西一样——是松散且不断发展的。基于我们广泛的研究以及与 Canva、Glean*、Meta、Runway、Figma、Abridge 等公司的开发者的对话，我们制定了一个我们认为更具描述性和更细致的定义：
• AI-Native应用建立在基础的人工智能能力之上，如从大型数据集中学习、理解上下文或生成新颖的输出。
• AI-Native应用产生的结果打破了速度、规模和成本的传统限制，开启了全新的可能性。
• AI-Native应用旨在通过利用基础模型的进步以及通过使用真实世界数据改进性能的反馈循环来不断改进。
• AI-Native应用涉及一些专有的人工智能技术，而不是 100%现成的能力（例如，微调开源模型以改进特定功能、模型编排）。
AI原生并不意味着应用程序必须从生成式人工智能能力开始。就像一些来自本地部署时代的定义品类的软件特许经营权成功地过渡到其产品的云原生版本（例如，Adobe Photoshop、Microsoft Office）一样，我们相信许多公司可以随着时间的推移从云原生演变为AI原生。
AI原生：临时标签
在我们深入探讨文章核心内容之前的最后几点。
“AI 原生”这个术语，就其在当今具有一定帮助性的区分度而言，将是暂时的。正如我们现在很少再说“互联网原生”“云原生”或“移动原生”一样，随着人工智能成为市场上几乎每一种产品和服务的假定核心组成部分，“AI”这个标签也将逐渐消失。在采用周期的早期阶段，我们现在使用它来区分那些快速增强和/或扩展现有产品的公司与那些从头开始构建具有全新一套能力和假设的公司。随着时间的推移，界限将变得模糊，起点的重要性将低于那些以“AI 优先”的公司在构建其产品和组织方面的深入程度。
即使在一个更加人工智能原生的世界里，价值创造的基本驱动因素也不会改变。公司必须深入了解客户的痛点，并打造满足和超越客户需求的产品和服务。强大的企业家必须组建优秀的团队，并坚持不懈地执行。人工智能，无论它变得多么先进，都只是服务于这些雄心壮志的工具，而不是那句谚语中寻找下一个钉子的锤子。
我们所做的一切都必须牢牢扎根于要为客户完成的最重要任务、最重要的用户角色以及我们需要为客户解决的最重要痛点。我们的客户是我们创新的主要来源。
——Emrecan Dogan，Glean 产品负责人。
人工智能原生应用评估框架
既然我们已经弄清楚了不太可能改变的事情，那么现在是时候讨论未来事情可能会有哪些新的不同了。自今年年初以来，我们 Sapphire 一直使用一个五维框架来评估那些使用人工智能构建应用程序的公司。
我们认为，鉴于企业软件领域的竞争强度已经在不断增加，再加上如今在人工智能辅助开发团队的时代，功能差异化的半衰期迅速缩短，公司将需要在这些维度中的几个方面使他们的应用程序有所区分，以建立持久的品类领导地位。我们将依次讨论每个方面。
Design 设计
企业软件已经发展成为一个数万亿美元的市场，每年有巨额资金用于推动运营效率和规模的解决方案。然而，尽管有这样的增长，以用户为中心的设计长期以来一直被忽视，常常为了功能而牺牲形式。典型的体验充斥着无尽的设置、复杂的菜单和频繁的通知——有功能，但很少令人愉悦。我们相信这种情况即将改变，设计将成为下一代企业软件的关键差异化因素。生成式人工智能已经在开拓设计空间，我们正在密切关注这项技术将如何使构建者能够：
Create New Interaction Models
创建新的交互模型
在过去两年中，聊天和搜索界面一直是生成式人工智能用户界面的主要形式，为用户提供了与他们的数据进行交互的新机会——通过基于文本的人工智能伙伴进行提问、综合、总结和xind格式，以及无数其他用例。原生生成式人工智能用户界面将允许用户更自然地与他们的应用程序进行交互，同时也提供对以前仅限于高级用户的高级功能的访问。
许多企业工具都充满了强大的功能，但大多数用户很少使用这些功能，要么是因为他们不知道这些功能，要么是不知道如何有效地使用它们。通过使用自然语言（通过文本或语音）来表达他们的需求，用户可以解锁更多这些现有产品的功能。多模态生成式人工智能模型最近正在赶上基于文本的模型，这为构建者重新思考用户如何与软件交互创造了更多机会。性能更高的语音和视频模型提供了新的方式来创建、捕获和转换输入和输出，作为点击和打字的补充。OpenAI 最近推出的 Canvas 和 Anthropic 的计算使用，尽管还处于非常初级的阶段，但都指向了从聊天机器人到共同创作画布以及从副驾驶到自动驾驶的潜在演变。
通过AI，让原本复杂的功能更简单，这本身就是一种升级创新。
多模态极其重要，这不仅是因为它能提供丰富多样的输出，还因为输入以及我们与这些工具的交互方式将持续演变。在我们展望未来以及技术持续进步的过程中，具有灵活性、表现力且能够理解和生成多种模态的模型和工具将变得极为重要。
Accelerate Feedback Loops
加速反馈循环
生成式人工智能（GenAI）输出的非确定性可能会给将能力部署到生产中带来挑战。在模型层面，从人类反馈中强化学习（RLHF）对于更好地使人工智能与人类意图保持一致以及加速迭代改进至关重要。构建生成式人工智能应用的公司既借鉴了其中一些训练技术，又在探索收集用户反馈的新方法，以便更好地调整性能并提高功能开发的速度。在我们与产品负责人的讨论中，我们听到了对输出进行经典的“上/下”和星级评级的例子、有人在循环中的审核人员，最有趣的是，许多有创意的监测参与度以收集意图信号的方法（例如，分享、鼠标悬停时间、内容新鲜度和参与频率、复制+粘贴）。
我们相信，那些能够以无干扰的方式将反馈智能地整合到用户体验中的产品，随着时间的推移将迭代得更快，并改进其性能以更好地满足用户需求。
Develop AI-Native Systems
开发人工智能原生系统
我们与人工智能原生应用公司互动后得到的最重要的收获之一，是他们在应用设计中具有复杂的系统级思维。这包括在现成的商品人工智能组件与构建针对其特定用例优化性能的专有能力之间取得平衡。它还涉及在模型层使用多种基础技术（例如微调、检索增强生成、提示工程）的组合以及集成方法，以在查询级别实现最佳的性价比权衡。许多人工智能原生应用在用户界面层的设计优雅，掩盖了令人难以置信的大量后端复杂性。
构建人工智能系统所需要的敏锐洞察力不在于你使用哪种模型，而是将任务进行分解，深入了解应用程序，将其拆分为组成部分，并思考哪些部分我们不必构建，因为开源模型可以做到，哪些部分我们具有独特的优势进行微调，哪些部分更具主观性……你必须赢得拥有专有技术的权利。
——Abridge 首席技术官 Zachary Lipton。
在设计AI原生系统的另一个关键方面是将可解释性整合到流程的多个步骤中。随着我们从一个专注于行动和辅助的时代过渡到一个以答案和智能体为核心的时代，解释人工智能如何代表用户工作以建立信任并确保一致性变得至关重要。AI-Native应用程序必须明确地将输入与输出联系起来，引用特定的内容片段，在适当的时候包括置信区间，并为需要询问系统性能的用户提供更深入的解释。
我们所看到的一些更有趣的AI-Native应用设计包括：
Perplexity.ai 和 OpenAI 的 ChatGPT Search 通过整合相关网页链接和引用，增强生成的响应。
Hebbia 和 Reliant AI 使用表格化用户界面，通过使用户能够在更有针对性、更细粒度的层面上与输出进行交互，从而建立起强大的反馈循环回到模型。
Cognition 提供了一个原生代码编辑器，用户可以直接在生成的输出旁边进行工作，帮助根据偏好的编码实践对模型进行微调。
Rilla 和 Bland.ai 使用多模态人工智能重塑销售流程。Rilla 分析客户对话以改进训练（语音转文本），而 Bland.ai 通过易于训练的数字代理（文本转语音）实现销售和支持呼叫的自动化。
Data 数据--核心资产
人们非常清楚数据对于训练基础模型有多么关键，这些基础模型支撑了过去两年推向市场的所有人工智能产品和服务。我们认为，在应用层，数据同样至关重要，甚至更重要，因为它有助于将跨模态的商品化基础能力转化为满足客户需求的有针对性的、可防御的产品。当我们考虑公司如何在AI-Native应用中利用数据时，我们寻找证据表明他们已经确定了以下方法：
Increase Rigor of End-to-End Data Management
提高端到端数据管理的严谨性
说没有数据策略就没有人工智能策略几乎是陈词滥调，但我们相信这是真的。虽然AI-Native应用受益于基础模型公司将全球数据纳入其产品以及客户对其更广泛的数据资产进行现代化改造，但它们仍然可以通过强大的数据管理最佳实践来实现差异化。这包括数据采购和管理、数据质量、数据治理和数据安全。此外，随着多模态模型能力的进步，处理结构化和非结构化数据的能力对于充分发挥生成式人工智能的潜力将变得至关重要。我们相信，那些能够更智能、更快速地以安全方式收集、清理和整合数据的公司将获胜。
这包括数据采购和管理、数据质量、数据治理和数据安全。此外，随着多模态模型能力的进步，处理结构化和非结构化数据的能力对于充分发挥生成式人工智能的潜力将变得至关重要。我们相信，那些能够更智能、更快速地以安全方式收集、清理和整合数据的公司将获胜。
Leverage Latent Data
利用潜在数据
多年来，许多公司都知道他们的数据具有价值；然而，将这种认识付诸行动对大多数组织来说仍然是一个挑战。在我们与生成式人工智能公司领导者的对话中，一个一致的主题是他们的产品在多大程度上解锁了一直处于休眠状态（例如，在 Box/Google Drive/SharePoint 上）或根本未被系统捕获（例如，客户电话、患者讨论、会议记录）的客户数据。好处是巨大的，使用户能够：
•更无缝地与现有数据交互；
•更快速地访问适合其角色和特定需求的最佳内容；
•为数据资产带来更多结构和明确的分类法。
这些都有助于更好地理解如何使用公司数据创造商业价值，并成为强有力的激励因素，促使：
1）优化数据架构以支持更多的人工智能投资（见上文）；
2）将更多数据提供给可信赖的、AI-Native应用合作伙伴，这些合作伙伴正在展示早期的投资回报率。
我们将未成文的知识——比如可能存在于员工头脑中但未被写下来的标准操作程序，以及来自客户对话的洞察——转化为结构化数据，团队可以实际使用并扩展这些数据。
——托尼·斯托亚诺夫，EliseAI 联合创始人兼首席技术官。
Create New, Proprietary Data Sets
创建新的专有数据集
超越现有数据，生成式人工智能有望捕获全新的数据集，这些数据集可以成为相对于现有应用程序的竞争差异化基础。这将有多种形式，包括多模态参与数据、人工智能生成内容创建和消费的元数据、微观和宏观层面的数据模式识别等等。这里的一贯主线是，这些数据在现有系统中并不存在。因此，这为AI原生公司提供了一个机会来捕获它，围绕它创建一个整合点，并构建差异化的工作流程以扩展其价值。
这些新的数据以及对用户工作流程的理解随后可以转化为训练数据，以迭代地提高基础模型的性能，从而扩大AI原生挑战者的竞争优势。这种转变凸显出，不再仅仅是数据的数量赋予优势。
作为现有平台，拥有“最多数据”就能形成最大技术护城河的日子已经一去不复返了。现在，优先事项发生了明显转变，从数据数量转向数据质量、隐私和应用。
——Moveworks 创始人兼首席技术官 Vaibhav Nivargi。
展示强大数据管理和利用能力的AI-Native应用示例包括：
- Glean*训练定制的大语言模型并构建组织特定的知识图谱，利用实时反馈为每个用户提供个性化、上下文相关的搜索结果。
- Writer利用专门的大语言模型深入理解企业数据中的语义关系，并为任何搜索或应用查询检索相关的、具有上下文感知的结果。
- Jeeva.ai*在“运行中”统一来自多个来源的销售潜在客户数据，使用户能够精细地定义其理想客户画像，快速构建具有准确丰富数据的潜在客户列表，并生成高度个性化的消息以实现自动化互动。
Domain Expertise 领域专业知识
正如我们之前提到的，在过去的一年里，垂直人工智能应用引起了广泛的讨论和兴奋。这种兴趣是有道理的，因为特定行业的AI-Native应用是扩展最快的应用之一，在法律、医疗保健、房地产和金融服务等领域有显著的例子。我们认为生成式人工智能表达深度领域理解的能力——不仅在特定的产品交互中，而且在端到端的工作流程中——是一个令人兴奋的发展，将对垂直和水平软件类别产生重大影响。在评估这个维度时，我们正在关注一个应用程序的以下能力：
Translate Domain-Specific Activity into AI-Accelerated Workflows
将特定领域的活动转化为人工智能加速的工作流程
我们认为垂直人工智能之所以迅速崛起的一个原因是，生成式人工智能在特定领域内为最终用户活动创建更好的数字表示方面表现出了令人难以置信的能力。在我们与创始人及产品负责人的交谈中，我们在实践中听到了许多这样的例子，包括更准确地翻译/转录客户对话（例如在医患讨论中）、对研究输入进行更有力的总结（例如在法律研究和金融分析中）、对用户与用户以及用户与实体之间的关系有更精细的理解（例如在企业搜索中）。在所有这些例子以及更多例子中，生成式人工智能模型正在接受训练，以深入理解围绕单个任务的特定行业或特定功能的上下文，然后自动执行操作，使用户获得更快、更高效的结果。
领域专业知识并不总是需要特定于行业。我们与几位产品和工程负责人进行了交谈，他们描述了研究客户组织中的高级用户和高级领导，以将他们的使用模式编成代码。通过将这些模式转化为提示和结构化输出，他们旨在使组织各级都能获得这些见解。Supio 的产品负责人帕梅拉·威克斯汉姆（Pamela Wickersham）将其描述为“观察平台上真正老练的用户在做什么，并使其他不同层级的公司角色和人物形象能够重复这些行为”。通过这种方式，建立在使用公司特定数据进行微调的基础模型之上的生成式人工智能应用程序，可以实现那种能够提升整个员工基础的知识转移。
Synthesize at Scale, with Speed
大规模快速合成
人工智能原生应用的另一个优势是它们能够近乎实时地从海量数据集中获取洞察。新的人工智能原生应用正在许多领域涌现，结合对经过验证的特定行业文档和数据（例如美国证券交易委员会的 EDGAR 数据库）的访问、经过微调的模型以及基于聊天的界面，极大地加快了客户识别和处理与特定目标相关信息的速度。到目前为止，这一趋势在法律领域可能最为明显，Harvey、EvenUp、Robin AI 和 Supio*等公司就是例子。然而，我们在医疗保健、公共部门、保险、金融服务和教育领域也看到了同样的模式。
AI-Native应用程序在与特定领域请求相关的一个或多个维度上为用户提供超人般的能力。毫不夸张地说，过去需要由大量通常是初级员工（或外部顾问）组成的团队花费数天或数周才能回答的问题，现在通过这些新服务至少可以在几分钟内得到部分解决。
Marry Global + Local Knowledge
融合全球与本地知识
AI-Native应用在结合三种知识类型方面具有独特优势：通过其庞大的训练数据嵌入基础模型中的全球知识、存在于行业相关数据库中的特定领域知识，以及来自组织自身产物的公司特定见解。在后一点上，领域专业知识可以体现在高质量的演示文稿、备忘录、会议记录、专有研究、培训材料和历史文档中，这些被用于优化AI-Native应用的输出，使其与单个用户对“什么是好的样子”的期望一致。
这不仅仅是如上文所述的更好地访问专有数据。它是在特定背景下理解该数据如何反映员工、团队或组织的相关知识。这种结合为用户释放了潜力，使其能够超越优化单个任务，实现整个工作流程的自动化，同时始终专注于更具体的结果。通过垂直人工智能应用体现深度领域理解的一流示例包括：
• Abridge 利用在大量医疗对话数据集上训练的多语言模型架构，将实时患者音频转换为精确的临床笔记。
• EliseAI*利用语言模型从物业管理系统（PMS）、客户关系管理系统（CRM）、知识库以及直接从租赁专业人员那里摄取有关住宅建筑的相关信息，并自动回答潜在租户和现有租户的问题。
• Supio*拥有在大量人身伤害案例工作数据集上训练的专有模型，使其能够高精度地分析和生成法律文件。
• Magic School 提供 80 多个专门调整的人工智能工具，以帮助教育工作者改进和自动化课程规划、评估写作、学术内容生成/管理等。
Dynamism 动态性
在一篇题为“Meta 的人工智能富足”的近期文章中，本·汤普森为 Meta 的生成式人工智能机会提供了有力论据。他特别强调了该公司利用生成式人工智能加速多模态动态广告创建和测试的能力，以及通过公司的新“想象你自己”模型实现下一代个性化内容的能力。对数字营销和商业行业的潜在影响是显而易见的，而且这种影响可能很快就会被感受到。
它们也表明了我们所认为的一种更大的力量，因为生成式人工智能将推动企业软件多个类别的用户期望发生演变。虽然与我们之前讨论的三个维度相比，普遍性稍低（例如，在处理总账时，你不希望有太多的动态性），但我们期望看到从静态应用体验向更动态的应用体验转变，并且正在寻找能够做到这一点的公司示例：
Optimize Actions “Under the Hood”/ Optimize Price vs. Performance Tradeoffs in Real-Time
“在幕后”优化行动/实时优化价格与性能的权衡
我们与之交谈的大多数公司已经超越了使用单个模型测试概念的阶段，转而协调一系列模型交互，以针对特定用例优化输出。从输入到输出的过程变得更加动态。公司在开发基础设施时考虑到了灵活性，使其能够轻松地更换模块化组件，以实现性能提升和/或成本效益。这种动态性导致了像 Martian 这样的公司构建的模型路由器的兴起，成为支撑AI-Native应用的基础设施堆栈中的关键新组件。随着时间的推移，我们期望目前以用户选择形式呈现的更高级的人工智能功能（例如，在 ChatGPT 或 Perplexity 中选择基础模型、输出的语气、对输出进行评分）变得隐藏起来，因为底层系统可以适应并代表用户做出决策。
Create Generative Customer Journeys
创建生成式客户旅程
正如我们在设计部分提到的，企业软件在用户体验方面常常表现不佳。虽然我们不期望这种情况在一夜之间改变，但我们对生成式人工智能改善当前状况的潜力感到兴奋。我们设想这种改进的一种方式是通过创建更具动态性和适应性的内容体验，以表达对最终用户和客户的更深入理解。想想根据个人潜在客户的偏好进行调整的销售和营销资料——从拓展电子邮件到推介演示文稿，再到登录页面，再到合同创建。想想商业平台让购物者能够在自己的物理空间的数字孪生表示或自己的数字化身中看到商品。
我们今天在市场上已经看到了许多这样的例子；然而，我们可以想象在不久的将来，正如 Jeeva 的首席执行官高拉夫·巴塔查里亚告诉我们的那样，应用程序“成为实时、持续学习的系统，其中人工智能根据客户交互自主适应”。从长远来看，我们可能会看到功能发展到这样一个地步，即整个用户界面都是实时生成的，根据用户意图的表达按需展示和隐藏底层功能和内容。
Enable Hyper-Personalization at Multiple Levels
在多个层面实现超个性化
最后，我们看到企业软件在实现更加个性化的体验方面有更大的机会。随着人工智能了解相关偏好、参与模式和关系，这将在公司内部的终端用户、团队、部门和整个组织层面上发生。例如，Outreach*为组织中的每个团队和销售人员构建一个定制的成功模型，该模型会随着交易的进展实时更新。此外，销售沟通和抵押品正变得更加精细地针对个体客户进行调整。随着时间的推移，我们相信具有共享内存的代理将代表这一主题的最充分表达。
我们认为一些很好地展示了动态性的例子包括：
- HeyGen 提供了一个人工智能视频创作平台，使进入市场（GTM）和学习与发展（L&D）团队能够快速生成超个性化的视频内容，并在销售、支持和辅导等领域部署完全自主的对话式视频体验。
- Mercor 构建了一个人工智能面试官，它可以利用预先处理的简历和个人资料数据实时评估候选人，同时适应实时对话。
- Evolv AI 通过人工智能驱动的实验实时不断调整用户体验（UX），根据实时用户行为优化客户旅程。
Distribution 分配-AI-native 应用的定价策略
最后，有关于如何对这种新的人工智能价值进行包装和定价的讨论。问题出现了：生成式人工智能会给云时代应用公司如此青睐的传统基于座位的软件即服务（SaaS）模式带来灭绝级别的事件吗？正如我们在 2024 年 8 月的市场备忘录中所写，我们认为软件即将消亡的报道被大大夸大了。虽然现在确定是否会出现一种主导模式来打破现状还为时尚早，但很明显，公司在平衡新价值和成本的同时减轻新竞争威胁的潜在影响时，正在接受实验。我们正在密切研究AI-Native应用将如何：
Increase Pricing and Packaging Flexibility to Maximize Value
提高定价和包装灵活性以实现价值最大化
我们已经进入了一个更加多样化的定价环境，因为我们看到公司采取了以下做法：
1）将生成式人工智能功能免费嵌入到现有服务中（例如 Workday）；
2）为现有产品创建高级库存单位（SKU），提供对生成式人工智能功能的访问权限
3）推出全新的独立生成式人工智能应用程序；
4）在基础平台承诺之上测试一些基于消费和结果的产品。
生成式人工智能（GenAI）的“主导”分发模式尚未确定。它可能因类别而有很大差异；然而，我们将 GenAI 视为一种扩展公司满足客户需求的价值交付方式的技术。未来可能会包括各种应用程序和代理，以及副驾驶和自动驾驶仪。与其围绕定价进行“非此即彼”的辩论，我们认为将会看到基于座位、基于消费以及更有选择性的基于结果的定价的混合。能够平衡不同模式以确保客户覆盖范围的应用程序开发人员，同时更透明地使定价与交付的价值保持一致，将在未来处于最佳获胜位置。
Enable New Business Models
启用新的商业模式
最近，关于软件驱动服务的增长以及旨在提供明确业务成果的代理系统的潜在崛起，已经有很多论述，因此我们不会在这些主题上花费太多额外的时间。我们只想指出，真正的颠覆绝不仅仅是产品技术能力的作用，还常常包括商业模式的改变（例如，从许可证模式向订阅软件模式转变）。
许多公司已经引入了新的定价方法，这些方法结合了基于消费和基于结果的组成部分。一些值得注意的例子包括：
•像 Salesforce 这样的老牌公司已经宣布其 Agentforce 套件的定价为每次对话 2 美元，而 Zendesk 现在对每个自动解决方案收取 1.5 至 2 美元。
•像 Sierra、MavenAGI、Decagon 和 Crescendo 这样的客户服务人工智能代理根据结果（例如已解决的工单）定价。
•Reserv 提供由人工智能驱动的理赔处理服务，并根据已打开和已执行的理赔数量定价。
•像 Synthesia 这样的内容生成应用按生成视频的每分钟定价，而像 Imagen 和 Aftershoot 这样的编辑工具按每次编辑定价。
The Path Forward 前进之路
我们认为，所概述的框架为构建者和投资者提供了一个强大的视角，让他们思考在应用层实现人工智能差异化的要点。然而，真正的突破将来自那些以新颖方式融合这些维度、从根本上重新构想工作的企业家。用更先进的功能改造现有产品仍然是必要的，并且将创造巨大价值，但要创建能够在长期内达到或超越当今企业软件领导者的公司，就需要进行创新。想象一下单一画布、“始终在线”的多模态应用程序，将来自不同服务的功能整合到单一体验中，并按计量方式定价。
从现在走向那个潜在的未来，就需要对技术堆栈的每一层进行重大改进，并且默认基于一个假设：规模法则至少在一定程度上成立，从而在未来几年中持续提高前沿模型的能力。此外，还有一项艰巨但不那么引人注目的工作，那就是以提高性能、减少幻觉、确保一致性、保持合规性、提高安全性和管理成本的方式来管理现有模型。
令人鼓舞的是，这些都是已知的挑战。我们投资组合中的几家公司的领导向我们保证，只要成本持续下降，仅基于当前这一代模型的能力，未来几年仍有创新有待实现。
虽然生成式人工智能的具体发展轨迹仍不确定，但有理由预期其能力不会保持不变。那么，如果我们从“可能会有哪些好事发生？”的角度来考虑未来，我们会设想出什么呢？企业软件应用在未来几年会如何转变？
