海外和国内AI上差异最大的点可能还不是模型的水平，而是真的没应用。这导致一个很可怕的后果：国内AI整个生态是断链的。
什么叫断链？
形象讲就是算力干算力的、模型干模型，然后在最终用户这里不闭环。
比如过去的电商是有生态的：
有人做云、有人做电商平台、有人做供货方、有消费者，这样就把互联网的技术完整和商业体系融合了起来，链条上的每个人都可以有收益。
现在AI上在海外这个正反馈链条差不多跑起来了，至少在我感知比较清楚的B端，事情已经相对比较清楚：
英伟达提供GPU、模型公司提供基础设施、应用公司提供融合了AI的SaaS、B端的公司获得效率。
一旦生态形成正反馈，就会让各个部分联动，趋于良性发展，打破过去10多年AI发展的貔貅魔咒。
如果不闭环，那就得靠投资，现在哪有那么多投资...
要说什么最可能导致我们国内的AI全面落后，我大概率会选这个。
为什么国内的AI应用更难
核心原因是我们必须跳过一个相对容易的阶段，对业务更直接的进行端到端的整合（《无人公司》其实在写这个新模式）。
AI现在做更好的工具在很多场景智能水平大致是够的，但整合完整服务这背后的挑战就大了。
而要回答为什么必须跳过一个阶段就必须说到SaaS。
SaaS可以看成是AI最容易发挥效力，马上产生商业价值的领域。
问题是国内没有SaaS（不能说是0，但没有海外那种规模的SaaS市场）。
在今天这个时候，我想做过工具和SaaS的人都需要面对一个特别残酷的内心拷问：
在国内未来真的还会有SaaS么？AI对经典的SaaS是利多还是利空？
如果足够理智，虽然很痛苦还是要回答：
经典SaaS这事肯定死了，不管你在上面扎多少管子，摆多少鲜花，都不过是对墓碑的装饰。所谓交付结果从我角度看也就是多扎几根管子，但摆脱不了药医不死病的客观规律。
十年验证的市场环境并不会有所改变，而技术条件在让你失去议价权（大模型会让SaaS的甲方更容易自研），这么个模式怎么可能不挂掉！
关键是SaaS的综合度其实是低的，所以是容易的。
放在一个公司的背景里面，SaaS总是解决一小块问题，所以它处理的复杂度注定是低的。处理招聘的工具所要面对的复杂度一定小于完成整个公司业务。
现在复杂度低的这部分没有商业价值，那就必须直面业务的复杂度，所以说是必须跳过一个阶段。
端到端业务整合
《无人公司》这书其实写的不是有人无人，而正是我们必须面对的这种高复杂度场景所带来的挑战。
最近我在《无人公司》相关的演讲里，一直在提到一个关键问题：我们的价值创造主体一直在发生迁移。而AI这次迁移的彻底程度可能远超过往。
这可以在各个行业找到对比，这次我们倒叙，先用最近Antropic的Project Vend做例子。理解了这种迁移也就理解了端到端的业务整合。
Vend这项目说起来也不复杂就是把下面这样的一个货柜完全用AI进行经营，包括进那个货，卖多少钱等等：
虽然很不幸，给了它1000美元的启动资金后，它经营不善破产了。但它的模式和过去已经很不一样了：
拿它和电商平台对比，明显的自动化程度又提高了一截，是AI在经营这家小店，而不是单纯的构建个平台，谁买东西我帮你找下。
所以相对于过去的电商平台或者电商平台上的网店，它性质上不是一个东西。
而电商平台和过去的百货比其实也是有进步的，它把分发和交易的很大一部分依赖算法完成了，包括你要找什么、物流的状态等等。
所以如果把2000年前的百货-电商平台和网店-上面的Vend放在一条演进的路线上，你会发现什么呢？
价值创造的主题越来越往硅基进行转移。
做到后面就是基于AI的端到端的业务整合（不一定是端到端的模型）。
这就是我们所要面对的最大的时代背景，也是《无人公司》想要说的事。
太多的书在讲大模型是什么，怎么写提示词等等了。而我们其实更应该关注什么是在国内能够跑通的AI模式，否则更可能在拥抱AI的时候错过AI
，恰如互联网的时候提供做网页服务的。
抑制复杂度提升
因为SaaS这事儿的彻底凉凉，我们就没有机会处理低复杂度的场景，必须上来就爬陡坡，处理高复杂度的场景。（传说中的喜马拉雅山脉北坡）
当然这时候还是可以从改善或者新建中选择。
既有公司很难把现有一摊子事完全扔了，彻底重来。这时候本质含义是什么呢？
每个想改善的人都要建设一套比Glean这个现在估值到70亿美金公司产品还要复杂的产品。
仔细看就会发现，在这样的体系里面业务知识和AI是无缝融合的。也就是说必须完整的了解业务和AI才可能完成这种改善，缺哪条腿都是万劫不复。
数字化我们整了10多年大概是九死一生，现在好，还增加了AI带来的难度，显然挑战更大。
最近哈佛商业评论发了篇名为《李宁数智化：和数字店长一起开晨会是怎样的体验？》的文章（下图来自这篇文章），从中我们就可以清楚的感受到这套系统的复杂度远超过去的SaaS。
大家可以想想是这样的系统复杂还是单点的SaaS复杂。
而这种复杂度往往是业务内生的，如果是改善真的只能硬抗，靠技术（包括AI）的进展来吞吐这种复杂度，这时候典型问题显然是：AI其实不好用，现在的水平解决不了这个复杂度的业务。
这时候怎么才能削减复杂度呢？
如果我们认为复杂度来自于两个来源，一个是业务内生的，一个是向后兼容导致的，那削减复杂度的核心方式就只能是不向后兼容。
这并不在所有领域都成立，但如果能找到，显然是很幸运的。
不过即使找到了，肯定也还是比纯粹做工具复杂。
所以就回到我们的标题：国内做AI应用的难度肯定被低估了。
技能集
什么技能集适合做上面这种产品呢？说来有趣，GleanCEO的简历是可以查到的。
这哥们是长期做架构的，真做架构的人往往是个大综合，对业务、技术等都要有所了解，然后能把他们有机捏合在一起。当然现在还得加个点：得对AI有所了解，毕竟AI的技术特性和传统的软件技术栈完全不一个事。
抽象来说就是你产品涵盖领域的复杂度提升，反过来就会要求操盘的人对复杂系统的认知和驾驭能力提升。纯粹的科学家或者不理解技术单擅长经营的CEO恐怕操盘不了Glean这样的产品。
在以人为主的体系里最关键的角色一定是管人的，现在新体系因为价值创造主体的迁移日趋就需要更了解人、AI和业务的人。如果是极端值，也就是无人公司，那恐怕了解AI和业务就够了。
这是另一重新挑战。
小结
在国内做真的AI应用显然更难，反倒是做项目相对简单依赖的技能和过去也差不多，但依赖它显然不能解决断链问题。
如果没有真正的应用生态，AI的发展则必然是不可持续的。2010年开始我们用十多年证明了这事，就不要再证明一遍了。
再夸张点说，中美的AI竞争一定是长期竞争，长期竞争恐怕不取决于一城一地，而取决于生态是否足够良性。
所以这是真的问题。
