1. 从“SaaS杀手”到“共生伙伴”——重新审视AI与软件的关系
2025年3月，瑞典金融科技巨头Klarna的首席执行官塞巴斯蒂安·西米亚特科夫斯基（Sebastian Siemiatkowski）在社交媒体上投下了一枚重磅炸弹：公司已用一个自研的AI知识平台，取代了包括Salesforce在内的约1200个软件即服务（SaaS）系统。这一消息迅速引爆科技圈，似乎为甚嚣尘上的“AI替代一切软件”论调提供了最强有力的佐证。“SaaS已死”的惊呼不绝于耳，一个由AI主宰、传统软件日薄西山的未来图景仿佛已近在眼前。
然而，当我们拨开现象的迷雾，深入探究其本质时，会发现一个截然不同却更为深刻的叙事。Klarna的举动，并非一场简单的“替代”革命，而是一场深刻的“范式转移”的预演。软件的形态和价值正在发生结构性重构，从过去作为“记录系统”的被动角色，加速向能够主动决策和执行的“行动系统”，乃至最终的“智能体系统”演进。在这场宏大的进化中，AI并非要将SaaS连根拔起，而是要将其作为不可或缺的基石和功能模块，去构建一个更高维度的智能形态。
将AI与SaaS置于零和博弈的对立面，是一种危险的简化。事实上，它们的关系更像是一种“共生”——相互依存、共同进化。AI的智能需要SaaS提供的高质量数据“燃料”和精确的业务流程“骨架”；而SaaS则借助AI的分析与决策能力，突破自身“记录工具”的天花板，变得更加“耳聪目明”。
2. 地基与大厦：为何AI无法跳过SaaS的“脏活累活”？
在人工智能的光环之下，人们往往聚焦于其令人惊叹的分析、生成和预测能力，却忽视了支撑这一切的基石——数据。任何强大的AI模型，其智能的上限都取决于其所“喂养”数据的质量。这个看似朴素的道理，在实践中却构成了AI应用最坚硬的壁垒。而SaaS软件，恰恰是跨越这道壁垒最关键的桥梁，它承担了AI应用前那些不可或缺但又极其繁琐的“脏活累活”。
2.1 数据是AI的燃料，质量是生命线
“垃圾进，垃圾出”（Garbage In, Garbage Out）是数据科学领域颠扑不破的铁律。对于AI系统而言，低质量的数据不仅会产出无用的结果，更可能导致灾难性的决策偏见和风险。
这些“脏活累活”具体包括：系统化的数据采集、跨源数据清洗、消除重复与不一致、数据标准化、结构化处理、以及建立清晰的数据血缘和元数据管理体系。这不仅是一项技术挑战，更是一项需要长期投入和严格流程保障的组织工程。
私募股权投资行业，以其交易的复杂性、决策的高风险性和对数据的高度依赖性，为我们提供了一个绝佳的观察窗口，以审视SaaS在AI时代的基础价值。一个PE基金募投管退的每一个环节都沉淀着海量的关键数据。
2.2 传统SaaS的“记录”价值是构建单一事实来源
在AI浪潮到来之前，PE行业早已在利用各类SaaS和传统软件来管理其核心业务流程。这些系统的核心价值在于，它们为PE机构构建了一个关于其运营的“单一事实来源”（Single Source of Truth）。它们通过标准化的流程和预设的数据模型，确保了交易记录、财务数据、LP信息、合规文件等结构化数据的准确性、一致性和可审计性。没有这个坚实的数据地基，任何上层分析都无从谈起。
2.3 AI应用的“分析”前提是要站在SaaS的肩膀上
近年来，AI开始在PE行业崭露头角，应用场景包括AI驱动的交易撮合（分析海量公司数据以发现“隐藏的宝石”）、智能尽职调查（快速审查合同和财报以识别风险）、以及主动式投后风险监控（实时分析市场信号和被投公司数据）。然而，这些光鲜的AI应用无一例外地需要从上述SaaS系统中汲取养分。
尤为关键的是，这种投入的增长在那些收购前IT投入较低（即数字化程度落后）的公司中尤为明显。这雄辩地证明，作为市场上最精明的“聪明钱”，PE基金管理人深刻理解：在考虑利用AI等前沿技术创造价值之前，必须首先补齐数字化基础的短板，建立起坚实的数据治理和管理体系。他们非但没有因为AI的出现而削减对传统IT和SaaS的投入，反而将其视为实现更高阶智能化的战略前提，并为此投入真金白银。
3. 分工与协作：结构化与非结构化数据的二元世界
如果说数据治理揭示了SaaS是AI不可或缺的“地基”，那么从数据类型的角度审视，则能更清晰地看到两者之间“分工与协作”的共生关系。企业的数据宇宙并非铁板一块，而是由“结构化数据”和“非结构化数据”构成的二元世界。SaaS与AI恰好各自是这两个世界的主宰者，它们的融合，正在创造前所未有的商业价值。
3.1 传统SaaS：结构化数据的守护者
结构化数据（Structured Data）是指那些具有固定格式和预定义模式的数据，可以被整齐地存储在关系型数据库的行和列中。典型的例子包括：财务交易记录、ERP系统中的库存数量、CRM中的客户档案、销售订单等。这类数据是企业运营的“骨架”，精确、有序、易于查询和分析。
传统SaaS软件核心架构就是为高效、可靠地处理结构化数据而设计的。它们的优势体现在：
- 效率与准确性
通过标准化的输入界面、严格的数据验证规则和事务处理机制，SaaS系统确保了每一条记录的准确无误。例如，在ERP中创建一个销售订单，系统会自动检查库存、更新财务账目，整个过程遵循预设的业务逻辑，几乎没有歧义。 - 流程自动化
SaaS将业务流程固化为软件逻辑，实现了从报价到收款（Quote-to-Cash）、从采购到付款（Procure-to-Pay）等核心流程的自动化，极大地提升了运营效率。 - 可靠性与可追溯性
每一次数据变更都有记录，每一次交易都有凭证。这种可审计性对于企业合规、财务报告和内部控制至关重要。正如IBM和Salesforce等公司的资料所强调，CRM与ERP的集成，其核心价值就在于打通企业内部的结构化数据流，实现销售、财务、供应链等部门间的精准协同。
简而言之，SaaS是结构化数据世界的“秩序守护者”，它为企业提供了一个稳定、可靠、高效的运营底盘。
3.2 AI应用：非结构化数据的炼金术士
与结构化数据相对，非结构化数据（Unstructured Data）没有固定的模式，形式多样，包括文本文档、电子邮件、社交媒体帖子、图片、音频、视频、客服通话录音等。据Improvado等机构估计，这类数据占据了当今企业数据总量的80%至90%。它们蕴含着丰富的上下文信息、情感色彩和深层洞察，但传统的数据处理工具对此束手无策。
这正是AI应用，特别是以大语言模型（LLM）为代表的生成式AI，大显身手的领域。AI扮演着“非结构化数据炼金术士”的角色，其独特优势在于：
- 理解与提取
利用自然语言处理（NLP）技术，AI能够“阅读”和理解海量文本内容。例如，它可以从数千份法律合同中自动提取关键条款和风险点，或从成千上万封客户邮件中识别出抱怨最多的话题。 - 分析与洞察
AI能够分析新闻稿、行业报告、分析师评论和社交媒体讨论，以洞察市场情绪、预测趋势变化、评估品牌声誉。 - 生成与交互
AI不仅能理解，还能生成内容，并以自然语言的方式与人交互，极大地降低了信息获取和分析的门槛。
正如安永（EY）在一份报告中指出的，生成式AI提供了“大规模、无缝地探查非结构化数据的能力”，这是传统分析工具完全无法企及的。AI将过去沉睡在文档、邮件和录音中的“暗数据”转化为了可供决策的“亮信息”。
3.3 共生价值：当“秩序”遇见“混沌”
AI与SaaS的真正魔力，在于将“秩序”的结构化数据与“混沌”的非结构化数据结合起来，实现1+1>2的协同效应。AI为SaaS提供了“上下文感知”，而SaaS为AI提供了“事实依据”。这种结合，使得软件系统从一个被动的“记录工具”转变为一个主动的“决策伙伴”。
如果只有AI，它能感知到市场趋势或客户情绪，但无法验证其对业务的实际影响或执行具体操作。如果只有SaaS，它能提供精准的交易数据，但无法理解外部世界的动态变化或客户的自然语言诉求。正是两者的结合，才创造了一个既能理解“混沌”又能驾驭“秩序”的智能系统。
4. 范式演进：从“SaaS+AI”到“AI原生”的融合之路
AI与SaaS的共生关系并非静止不变，而是在经历一场动态的、层次递进的融合演进。这条路径大致可以分为两个主要阶段：首先是AI作为“增强插件”赋能现有SaaS，即“AI-Powered SaaS”；然后是AI进化为“指挥中心”，调度各类软件能力，即“AI-Native”或“Agentic System”。理解这一演进路径，有助于我们把握当前的市场格局，并洞见未来的发展方向。
4.1 阶段一：AI作为“增强插件”——SaaS的智能化升级
这是当前最主流、最普遍的融合模式。其核心逻辑是在成熟的SaaS产品中，将AI作为一项或一系列增强功能嵌入，以提升产品核心价值、改善用户体验和巩固市场护城河。在这个阶段，SaaS仍然是主角，AI扮演的是“副驾驶”或“智能助手”的角色。
全球领先的CRM厂商Salesforce及其Einstein AI平台是这一模式的典范。Einstein并非一个独立的产品，而是深度集成在Salesforce销售云、服务云、营销云等核心产品中的一系列智能功能集合。其实现方式完美诠释了“SaaS+AI”的合作模式：
- Einstein Opportunity Scoring
在销售云中，AI模型分析CRM中海量的历史商机数据（如商机阶段、活动频率、产品类型等结构化数据），为每一个新的销售商机自动生成一个“成交可能性得分”。这使得销售代表能从纷繁的线索中优先跟进高价值商机，据称可将销售周期平均缩短15%，成交率提高10%。在这里，AI没有替代CRM，而是让CRM的销售管理功能变得更加“聪明”。 - Einstein Article Recommendations
在服务云中，当客服人员处理一个客户工单时，AI会实时分析客户问题的描述文本（非结构化数据），并自动从知识库中推荐最相关的解决方案文章（结构化内容）。这极大地缩短了客服的响应时间，提升了首次接触解决率（FCR）。AI成为了客服人员的“智能知识库检索员”。 - Einstein Prediction Builder
这是一个无代码工具，允许管理员基于CRM中的任何结构化数据创建自定义预测模型，例如预测“客户是否会流失”、“项目能否按时交付”等。这使得企业无需数据科学家团队，就能将AI的预测能力应用到各种具体的业务场景中。
在“SaaS+AI”模式下，AI的价值实现高度依赖于SaaS平台本身沉淀的数据和定义的业务流程。AI是SaaS能力的放大器，而非颠覆者。这种模式对于拥有大量客户和数据的成熟SaaS厂商而言，是构建竞争壁垒的有力武器。
4.2 阶段二：AI作为“指挥中心”——智能体的崛起
如果说第一阶段是“AI in SaaS”，那么第二阶段则是“SaaS for AI”。随着AI能力的飞速发展，特别是大模型推理和规划能力的增强，一种新的软件范式正在浮现：以AI智能体（AI Agent）为核心交互界面和工作流引擎的“智能体系统”（Agentic System）。
在这种模式下，用户不再需要频繁切换于不同的SaaS应用之间。他们只需用自然语言向AI Agent下达一个复杂的指令，例如“帮我整理上季度所有出资额超过100万美元的投资者资料，分析他们的共同特征，并分别起草一封个性化的感谢邮件，附上他们可能感兴趣的投资产品推荐。”
AI Agent接收到指令后，会像一个人类总管一样，自主地完成以下一系列动作：
- 分解任务
将复杂指令分解为多个子任务。 - 调用工具
-
调用CRM系统的API，查询并导出符合条件的客户数据。 -
调用数据分析工具的API，对导出的数据进行统计分析。 -
调用产品信息管理系统（PIM）的API，获取新产品的详细资料。 -
调用大语言模型的生成API，为每个客户撰写个性化邮件。
-
- 协调与执行
按逻辑顺序执行上述调用，并将各步骤的结果串联起来。 - 交付结果
将最终生成的邮件草稿呈现给用户审批，或直接存入邮件系统的草稿箱。
正如腾讯研究院在《2025人工智能十大趋势》报告中所指出的，AI的角色正从“工具”演变为“共生伙伴”，智能体能够主动感知用户意图、调度任务和协调资源。在这种新范式下，AI Agent成为了新的“操作系统”或“指挥中心”，而传统的SaaS应用则被“降维”成了可供AI调用的“功能插件”或“API服务”。
现在，我们可以更深刻地理解Klarna的“去SaaS化”案例。Klarna并非消灭了CRM、营销自动化等SaaS所提供的功能，而是用一个统一的、AI原生的知识与交互平台，取代了1200个功能单一、数据孤立的SaaS应用。在这个新架构中，原先SaaS提供的核心功能很可能被重构成更底层的、标准化的“数据服务”或“API工具”，由中央的AI大脑统一调度。这并非SaaS的死亡，而是其形态的进化——从一个个庞大臃肿的独立应用，蜕变为更加轻量、灵活、可组合的“能力积木”，成为构建更宏伟智能体大厦的砖石。
5. 护航与基石：不可或缺的数据与AI治理
无论AI与SaaS的融合演进到哪个阶段，一个根本性的问题始终贯穿其中：如何确保这个日益强大和自主的智能系统是安全、可信、合规且符合商业伦理的？答案在于建立一个全面、动态、与时俱进的“数据与AI治理”框架。
传统的的数据治理体系，诞生于一个以结构化数据和批处理为主的时代。它通常依赖人工流程、周期性审计和静态规则，这在AI时代显得力不从心。AI系统，特别是生成式AI，带来了全新的治理挑战：
- 数据类型的爆炸：需要治理的对象从结构化数据扩展到海量的非结构化数据（文本、图像、代码等）。
- 处理过程的黑盒化：深度学习模型的决策过程往往难以解释，给问责和审计带来困难。
- 风险的动态性：AI模型可能产生“幻觉”（Hallucination）、放大偏见、或因数据漂移导致性能衰减，这些风险是实时变化的。
- 使用的普惠化：随着AI工具的普及，企业中几乎每个员工都可能成为AI的使用者和数据的生产者，治理的边界被无限扩大。
面对这些挑战，治理范式本身也必须进化。领先的咨询机构和科技公司，如毕马威（KPMG）和思科（Cisco），都提出了“集成数据与AI治理”的新模型。其核心思想是，将数据治理与AI治理视为一个统一的、相互关联的整体，并利用AI技术本身来赋能治理过程，实现从手动到自动的飞跃。
毕马威提出的治理成熟度模型清晰地展示了这一进化路径：
-
传统治理（Manual）：依赖人工检查、静态文档和周期性审计。 -
人+AI协同治理（Augmented）：AI被用于辅助治理任务，例如：AI驱动的数据质量监控，自动检测数据异常和漂移；AI辅助的数据分类与打标，自动识别和标记敏感数据（PII）。自动化的数据血缘追踪AI自动解析代码和日志，生成端到端的数据流向图。 -
自主治理（Autonomous）：在未来，AI系统能够自我监控、自我报告、自我修复数据问题，并根据预设的伦理和合规边界自主调整行为，人类则转向更高阶的监督和战略设定角色。这种一体化的、由AI驱动的治理模式，是驾驭复杂AI+SaaS共生体的唯一可行路径。
6. 结论：告别零和博弈，迈向智能共生体
在对AI与SaaS关系的喧嚣探讨中，将两者简化为“替代”与“被替代”的零和博弈，不仅错失了问题的本质，更可能导向错误的战略决策。通过对私募股权行业的深度剖析和对软件演进范式的追溯，我们得以勾勒出一幅更为真实和深刻的图景：AI与SaaS并非势不两立的对手，而是一个正在形成的、复杂而精妙的“智能共生体”的两个核心组成部分。
我们的分析可以总结为以下几个核心观点：
- SaaS是不可动摇的基石
AI的智能大厦，必须建立在坚实的数据地基之上。传统SaaS软件通过其成熟的业务流程和数据模型，承担了采集、管理和治理高质量结构化数据的“脏活累活”，为企业构建了运营的“单一事实来源”。正如PE行业的实践所证明，拥抱AI的前提往往是加大对SaaS等IT基础设施的投入，而非削减。 - AI是创造增量的引擎
AI，特别是生成式AI，赋予了企业前所未有的能力，去解锁占数据总量80%以上的非结构化数据的价值。它从海量的文本、图像和对话中提炼出“情境智能”，为SaaS提供的“事实数据”注入了灵魂，使软件系统能够更好地理解世界、预测未来和与人交互。 - 融合正在多阶段演进
两者的共生关系并非一成不变。当前，我们正处于“AI赋能SaaS”（AI-Powered SaaS）的阶段，AI作为增强插件，让现有软件变得更强大。而未来，我们将迈向“AI原生”（AI-Native）的智能体时代，AI将成为指挥中心，而SaaS的核心功能则会“化整为零”，演变为可被AI灵活调度的API和服务。Klarna的案例正是这一未来范式的预演，它预示着软件形态的重构，而非SaaS核心价值的消亡。 - 治理是终极的护航系统
无论共生体如何进化，一个集成的、由AI驱动的“数据与AI治理”框架都是确保其安全、合规、可信和高效运行的根本保障。良好的治理不仅是规避法律风险的“安全带”，更是实现AI投资回报率、建立客户信任的“价值加速器”。
展望未来，成功的企业软件架构将不再是众多孤立SaaS应用的简单堆砌，而更像一个以AI Agent为“大脑”和“中枢神经系统”，以众多SaaS应用/API为“器官”和“效应器”的智能有机体。在这个生态中，SaaS的传统形态可能会被解构，但其作为数据源头和功能执行者的核心价值，将在更高层次的智能协同中得到放大和凸显。
因此，对于今天的企业决策者而言，最紧迫的任务不是在“拥抱AI”还是“坚守SaaS”之间做出非此即彼的选择。真正的关键在于，立即着手构建一个坚实、统一、面向未来的数据与AI治理基础，并在此之上，积极探索如何让SaaS的“秩序”与AI的“智能”协同共舞。唯有以“合作”的姿态，才能真正驾驭智能化浪潮，从根本上重塑企业的运营效率和竞争优势，迈向一个真正的人机共生、智能驱动的未来。
– END –
