AI 浪潮下，传统应用软件会消亡，还是与 AI “共生”
在崔牛会策划的「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，邀请了明道云创始人 & CEO 任向晖、企业级 AI 应用创业者张浩然，围绕 “应用软件消亡论：AI Agent 是否将取代传统企服软件” 主题，展开了精彩讨论。
任向晖认为，未来 Agent 将是企业软件的一个重要门类，它与原有企业软件是互相融合，而非完全取代的关系；企业软件应当先建设好所在应用领域的优势，然后再考虑接入 AI Agent 的能力。
张浩然认为，新一波 AI-Native 的应用公司，更应该关注的是如何利用好上个时代已经构建出来的生态，来形成自己的价值交付。
以下是经牛透社编辑整理的对话内容：（有删减）
Tips：观看对话原视频，可通过【牛透社视频号-直播回放-5月7日】获取
01
替代焦虑
崔强：今晚讨论的话题是 “AI Agent 会不会取代企服软件”。我们会从架构、知识壁垒、新老格局三个方面展开讨论。请两位嘉宾先就今晚的话题谈一下自己的观点。
任向晖：我的观点是不会取代，虽然这也不代表传统企业软件就可以高枕无忧。从中短期看，AI Agent 这一新细分赛道要取代所有企业软件的细分市场并不现实。主要有以下几个原因：
第一，企业软件虽然传统，但并非一无是处，虽然它不如今天的AI智能，但它也有很多特点比如精确性、可管理性、GUI 本身的独特能力等， 这些都是 AI 不太可能完全替代的。
第二，AI 生态已经表现出一种向工具软件、应用软件主动集成的趋势，或者说它已经主动采纳了这个技术架构。
比如现在几乎所有的 AI Flow 产品，都提供了 Function Calling（函数调用），包括最新的 MCP 协议，以及向量化嵌入、知识图谱嵌入等架构，它们的存在说明了 AI 能力要结合应用软件的能力，才能最终端到端地解决客户的问题。
这好像人家已经把手伸过来要和你握手了，你却说我不行了，我要去做你这个，这显然是非常不理性的。以上是两个基础原因。
第三，从市场角度来讲，AI 领域的公司和传统的企业软件公司在相互渗透时，是存在一点不对称性的。
从现在来看，企业应用去加 AI 能力要相对容易，而 AI 能力去加企业软件所在细分市场上的领域能力，相对更难，或者要花的时间更长。所以，企业软件公司，至少在与 AI 相互融合的难易度方面是占一定优势的。
第四，是时间周期的现实性。在企业软件产品规划的现实周期内，在 AI 没有完全形成替代能力的情况下，企业软件仍需要按照现有的技术架构演进下去。
所以虽然 AI 技术是飞跃的，但应用产业飞跃不了，它永远都是进化的。所以，未来五年内，企业软件还是要建设好所在应用领域的优势，然后再考虑接入 AI Agent 能力，而不是因为担心会被 AI Agent 完全取代，自己也转行去做 AI Agent 了，这更可能是舍本逐末。
张浩然：这个问题，还要看 SaaS 或者上一个软件时代的本质到底是什么。我对它的总结是一个组织所有的工作流程、SOP， 从完全的不在线到在线，然后又有一些工作流因为在线而变得更好地自动化。
从本质上讲，我们讲 SaaS 软件的时候，是讲一个由无数 SOP 或者企业经营 Know-how 所组成的场景聚合的应用载体。这个应用载体过去完成了在线、自动化，接下来一定会向智能化方向演化。
在线和自动化，提供了非常丰富的数据养分和巨大的数据体量，构建出的 SOP 或者 Workflow，这些都会成为 AI 学习的经验。
而智能化的本质就是要去思考怎么利用这些数据、经验，让企业的经营模式在下一个技术浪潮中产生改变。
这个智能化的趋势在大模型出来之前就已经发生了。今天的 LLM（大语言模型）再加上 RL（强化学习），其实是把原来的深度学习、机器学习推到了一个新的高度。
所以，与其说是取代，不如说是演化。
这个过程中需求也会发生很多变化。过去很多需求都是非黑即白的，现在逐渐开始有了一种介于两者之间的灰度需求，这些需求上一代架构是没办法再满足的，这时就会融合产生一种全新的 AI-Native 应用。
所以，最终看起来就是一种取代关系。
02
融合之路
崔强：刚才浩然提到了一个问题：原来的软件架构和现在的 AI-Native 架构有什么本质不同吗？现在企业软件在架构和功能上要做出哪些具体的调整才能与现在的 AI 进行融合？
任向晖：两年前可能还不太清晰，现在我觉得整个智能体、LLM 本身的一些技术路径已经比较清晰了，结合无非是以下几个方面：
第一类，就是在特定领域里进行必要的微调或者再训练。比如医疗、法律已经有一些尝试在做垂直领域的大模型，或者是在专业领域可以提供精确度更高、质量更好的服务；
第二类，就是现在应用比较广泛的，如知识库、客服这种 RAG，这个方面的应用方向也比较明确了；
第三类，可能是最重要，也是企业软件和 AI 能力最主要的结合方式，就是 Function Calling（函数调用），这要求企业软件本身的接口要面向 AI 友好地呈现。
如果以往软件产品的接口设计是不够完善的，现在就要迅速补上这一课。原来中国的企业软件公司在开放性方面做得比较薄弱，有开放 API 的少，有高质量开放接口的更少。
我觉得今天要尽快把这一课补上，还好它的难度并不算非常高。
崔强：浩然，你怎么看企业软件和 AI 的融合、握手这个问题？
张浩然：我觉得肯定要握手。今天 LLM 驱动的 AI 底座，如果没有一个好的容器，一定是缺胳膊少腿的。所以，AI 如何用好上一代建立起来的软件优势，形成自己的价值交付是一个关键。
单纯的一个 LLM 驱动的 Agent 应用，其实并没有什么壁垒。如何让 Agent 工作，如何保证 Agent 在不同工作场景里既能够泛化又能稳定地输出，这是我们应当关注的一个方向。
崔强：Agent 让应用体验变成对话式的，未来会不会一些设计或者流程就不需要了？
任向晖：现在的判断是不能。企业软件并非今天完成了一个单一的任务就结束，而且有时的确也存在很多与智能性没有关系的东西。
比如一些现实性的工作需要，或者是一些行业性的要求，这些都是需要 GUI 来辅助的，并不是通过对话就能够完全解决。
基于这些原因，肯定是一个渐进的、融合的过程，传统企业软件和 AI 这两个东西都可能会存在。
崔强：浩然关于这个问题怎么补充？
张浩然：人的必要性永远存在，只是人的角色可能会发生变化。SOP、垂直领域的 Know-how，这些也不会消失，但会以另一种方式呈现。
比如以 Zapiar、HubSpot、 Salesforce 这一类流程引擎来说，过去都是把人类在这个世界里构建起来的 Know-how 转化成了一种映射在机器中的流程，本质上它还是人的 Insight（洞见），而不是机器的洞见。
这一波 AI 最大的价值，在于机器有了洞见能力，那么流程是否可能由机器完成，人的作用要如何改变？
在这个过程中，人的作用应该是建起一个河堤，不要让 Work flow（流程）脱离河堤来运行；而且 AI 也不会无限地扩展，必定会被具体领域里的边界所限制，人更重要的作用是要关注这个边界在哪里。
以往做 SaaS、做软件其实是建立起来了一套 “ 0和1 ” 的规则。而 AI-Native 应用不一样，它是有灰度的，这个灰度再叠加上智能性， 让 AI 可以在定义工作流这件事上，一定程度上替代人类，这也是 AI-Native 应用一定会替代 SaaS 的本质。
但 CUI（对话式用户界面，Conversational User Interface）和 GUI（图形用户界面，Graphical User Interface）其实不是对抗的，而是相辅相成的关系。
CUI 最大的优势是在于意图理解，而 GUI 的优势是在于效率。所以未来一定会出现一种全新的交互方式。
灰度驱动的新一代智能系统所带来工作流的动态变化，才是 AI Agent 在企业级市场的最大潜力。
这中间我们需要做的是什么呢？就是在 Plan 环节如何去纠正，在运行环节怎么去控制，以及在运行以后如何去观测和审计。
这可能是 AI-Native 应用与 SaaS 不同的地方。
崔强：为什么灰度反而推动了这样一个进步呢？你可以补充一下。
张浩然：灰度在我看来是某种程度的泛化。我在使用 LLM 时，体验是当我在研究每件事情的时候，它会突破我提供给它的框架，生成一些我完全没有想到的角度。
这其实可以对标刚才我想表达的灰度含义：虽然不是绝对精确，但也不是错误的。这个灰度在企业级市场里面，和原来强定义的那套东西不同。
任向晖：灰度目前肯定会存在的，是没办法精确控制的。目前在 AI 应用细分市场相对跑得比较快的，都是对精确性要求门槛低，如一般的客服场景。
但大部分企业软件的门类可能不太能接受灰度，比如财务软件、工作流软件等。从我们服务客户的经验来看，没有客户是喜欢灰度的。
张浩然：我在这个地方的视角，是因为今天的 SaaS 只是交付过程，而不是交付结果。
如果五年后 AI Agent 交付的是某个结果，但在交付结果的过程中，很可能是到了交付的里程碑节点，需要人的互动。但和以往相比，需要人介入的颗粒度可能是被拉粗了，某种角度，这个灰度是被 AI 内部消化掉了。
虽然，某些情况下存在一定的灰度性，但这个里程碑却是可控的。
任向晖：相信今天做 AI 来解决企业软件问题的人，都想实现端到端的目标。你也提到了它不可能一步达成，有时只能跳到某一个里程碑，这时需要人的参与。
问题是你不知道这个里程碑会失败在哪个点上，它可能在整个链条当中随时都可能失败，这就意味着你在每一个环节还是要安排观察窗，需要提供人类操作的入口，这和现在并没有什么不同。
这也从另外一个角度来说明，今天我们构建的企业软件，可能就是在实现端到端之前必须做的一个事情。而且如果仅是企业的端到端，意义并不大，因为很多情况下需要跨越企业边界，但企业边界并不一定就是同步发展的。
未来五年，甚至十年企业要实现真正的端到端其实是很困难的。在这种情况下，坚持做好观察窗，还是领先优势的保障。
张浩然：观察窗一定不会消失，但定义可能会被改变。如果把 GUI 视作观察窗，过去是由人来控制，今天可能是由 AI 来控制。
过去我们做软件是面向人做，下一步会不会转变成面向 AI 来做？就像以往浏览器是给人用的，今天大家都在面向 AI 做浏览器，这就是一个变化的奇点。
如果我们把上一代已经建立好的互通的 API、Workflow、流程，变成面向 AI 来做，这时就可能产生一些新的变化，这也是新的创业者的机会；从另一个角度，我也认同 LLM 发展到一个阶段以后会停下来，没有办法向着所谓的端到端发展，可能会有更新的框架来解决这个问题。
今天在 LLM 基础上叠加了各种 Agentic 系统，才是有可能替代 SaaS 的东西。绝对以大模型驱动的端到端是很难实现的，但以 Agentic 系统来完成应用构建的端到端的新方向会到来。
任向晖：未来 Agent 肯定是一种很重要的软件形态，可能是企业软件中的一个重要门类，原来的门类和它有所结合，现在大家应该都看得到这个愿景了。
现在的智能体市场，有很多年轻的创业者来做这样一个新的门类，我觉得是更为可取的。原来的企业软件产品公司，也有去做智能体编排工具的，我觉得这就没有必要了。
我不否认 Agent 是一个很重要的形态，但它只是与企业软件的结合，而不会把原来的这个门类的软件都替代。
崔强：我们在使用 AI 的时候，怎么保障它的安全性？在这个过程中企业自己的数据会不会被公有化，怎么在保证数据的隐私和安全的前提下去迭代？
张浩然：这是个难点，但并不是一个新问题。以 Agent 和 Agent 之间的互动协议为例，这些通信协议中能够获取的权限也是要被管理的。
过去人在系统中需要身份认证，今天 Agent 在整个系统中同样需要身份认证，这意味着以往的安全性保障体系在 AI 时代仍然需要，问题是它们如何融合到新的 AI 系统中，来完成第一道安全屏障。
第二道安全屏障，我认为同态加密这类技术也会火起来。
任向晖：这与 SaaS 的公共云和私有云服务是类似的。如果采用 Function Calling，从本质上并没有把私有数据存放到大模型里去。
如果大家觉得只要和自己的内部数据有通信就是不安全，这其实是有点过度了。这也导致了 DeepSeek 出现以后，大家都想要私有部署一个，我觉得这是不可持续的，因为它的成本是不合理的。
大企业可能还具备规模经济效益，但对于绝大多数中小企业来讲这是不现实的。而且模型本身也在进步，没有理由未来的成本也像今天这么低，所以基本上最后绝大多数中小企业还会使用公共服务的模型。
只有大型企业可能会选择私有部署。而且安全的本质也不是靠部署模式来决定的，而是一个全方位的东西。
因此，我不觉得这与 AI 有什么特定相关的关系。
03
AI 生态之变
崔强：目前国内生态都不太开放，用 MCP 的方式也很难解决联通的问题。从国内生态环境来看，五年后 AI 的生态会发展成一个什么样的状态？
张浩然：很难说，整个基础设施还在不断完善， Agent 调用工具的准确性还会继续增加，所以 MCP 这种基础能力会成为一个共识，但它能否成为 AI Infra 的一环也说不好。
但是以五年来看，Agent 调用工具的准确性会非常高，这意味着一个 Agent 单元的边界会被定义得非常清晰、具体。
大家可能通过 SaaS 以往的定义和想象，来清晰描绘出未来 Agent 的定义和想象，这可能也是下一步会看到的一个变化。
任向晖：这可能要依靠两边的共同努力。一方面模型能力肯定还会继续提高，它也许还能提供比我刚才所讲的三种结合方式更好的方式，但有一点是肯定的，企业软件自身也是需要努力的。
这需要耐心，同时要避免做无意义的事。比如我们今天做的事，就是利用 Agentic 能力调度我们的内部接口，通过用户提示和提供的材料，能够生成自己定义的 Agent ，这是明道云自己的零代码应用模型。
但这个过程说起来简单，实现起来需要拆成非常多的步骤，每个细节可能都要打磨几个月才能达到可以接受的准确度，这也是我们做应用软件应当去努力的。如果不在我们这一侧去做对齐、验证，即使另一侧模型的能力越来越强，我们也解决不好客户的问题。
所以，五年其实是可以走很远，但大家要尽快取得一些共识，即不要做那些无意义的事。如果你不理解现有的技术限制，而是只想做一些噱头性的功能，就等于是在浪费时间。
崔强：我们现在看到一种趋势，大模型也在推一些新能力，比如 Kimi 推出了 PPT、思维导图这样的通用能力，这可能会对一些做单点应用的产品带来一些困扰。
同样的，一些工具型软件也在往上走，去训练自己的私有小模型。未来两位怎么看 AI-Native 和传统软件之间，以及大厂之间、模型平台之间这种格局的竞争？
任向晖：我觉得小厂是有巨大优势的，而且这和 AI 没什么关系。比如最近我们购买了一款录屏软件，这个产品就是完全靠设计取胜的，它是国外一个小团队做的，它的功能设计也和 AI 没有特定的关系。
这说明竞争绝对是不在于技术路径的，和有无采用 AI 也没有太大关系。
在大多数情况下，赢得客户的心，都是要靠主流技术以外的东西。因为主流技术是所有人都关注的，今天的 AI 几乎是一个公共的东西，它的门槛也越来越低。
所以对于小厂来说，关键在于你能否在很多细分市场中找到独特的机会，并且专注去做。
崔强：你的观点是小厂还是有很大优势，不要纠结在技术、品牌实力上，而是完全要靠创新，找到属于自己的细分市场。
张浩然 ：我非常认同，我觉得技术不是本质。新一波 AI-Native 的应用公司，更应该关注的是如何利用好上个时代已经构建出来的生态，而不需要再去考虑怎么去建立那些已经被人建立过无数次的底座了，而是要考虑怎么利用它们，通过 AI 创造出的新价值。
定义清楚价值，不断思考怎么用新一代的 AI-Native 应用去交付价值才是重点。
崔强：SAP 在每一轮转型的过程中都做了相应的收购，未来中国的企服生态会不会也有这样的状态，即大厂在转型过程中收购一些新的小厂，来补充自己的技术版图？
任向晖 ：总会有这么一天，这也是产业规律。但我觉得 “老大哥” 们要先解决好眼下的问题，即自身的造血能力要补回来。我觉得一两年内都是比较麻烦的，要三五年才可能走到这样一种整合状态，这样也更健康。
张浩然：这是非常好的，比如一个 AI-Native 的应用，今天靠快做出了一个垂直场景的交付，但是应用的底座其实是存在很大竞争壁垒的，不是短短几年就能够搞定的。
这时如果小的创新型 AI 应用公司，能够适时地把我们定义好的价值，找到一个可以将它放大 10 倍、20 倍的底座交给他们，这其实也是一个好的结果。
任向晖 ：其实大部分 SaaS 公司的创始人天天关注的也是他们的 AI 产品，或者是产品如何利用 AI 能力。这时我觉得相比较错过，容易做多做错的风险反而会更高一些。
崔强 ：最后两位再用最简短的话来总结一下今天自己的观点和内容。
任向晖 ：大家知道一个最经典的对比，就是 100 多年前汽车替代马车的例子，把 SaaS 公司比作是马车， AI 原生应用比作汽车。但大家可能更容易忽略一个历史事实，是很多汽车公司都是从当年的马车公司转型过来的。
所以大家从历史回顾来看，都容易过度简化，但是从微观事实来看它并不是这样。传统企业一直都在关注这个市场。所以，更大的可能性就是技术融合，也不要太焦虑。
张浩然 ：我认为整体上看它绝对不是一个替代关系，而是融合与生长。我们没有理由说巨头们在这上面一定会落下。
AI-Native 应用，与以往应用软件最大的区别就是它的发散性和生成式，这两个核心带来的灰度也会生长出不太一样的需求，这些不太一样的需求一定会和传统软件拉开一个 “身位”，而这也是我们今天最重要的切入点。
