“6%谬论”：为何“SaaS已死”的说法在数学上是错误的

目前，硅谷的董事会会议室里流传着一张幻灯片，似乎让投资者们感到不寒而栗。这张幻灯片将代码生成的边际成本与SaaS企业的企业价值进行了对比。其论点简单而具有诱惑力：人工智能将代码生成的成本降至零，因此整个软件行业的价值必然会崩盘。

这种逻辑看似极具说服力，但在数学和实际操作层面都是错误的。当前针对SaaS的看空论点存在一个致命谬误：它假设客户向软件供应商付费仅仅是为了获得“语法”。事实并非如此。客户付费购买的是一项能够保证特定商业成果的服务。

当你深入剖析一家现代SaaS公司的损益表时，就会发现人工智能并不会取代SaaS。它只是将那些为智能应用而构建架构的赢家，与那些仅仅在数据库上销售表单的输家区分开来。SaaS并未消亡，它正逐渐成为客户与人工智能时代复杂性之间不可或缺的屏障。

1. 服务就是护城河。

要理解SaaS为何经久不衰，我们必须拆解这个缩写词。

“软件”（实现）：这就是那些二进制数据。包括用户界面、数据库架构和业务逻辑。在人工智能的世界里，编写代码的行为已然成为一种商品。

“服务”（价值）： 这是企业所购买的内容。该服务包括可用性（99.99% 的运行时间）、安全合规性（SOC2、HIPAA）、数据治理以及客户支持。

然而，关于“该写什么”的认知依然匮乏。领域专业知识、复杂的工作流逻辑以及对客户业务的理解，这些都无法实现自动化。人工智能可以砌砖，但仍需要一位具备深厚行业知识的建筑师来绘制蓝图。

即使由人工智能编写代码，当服务器宕机时，谁会在凌晨3点醒来处理？如果数据泄露，谁来承担责任？当法规发生变化时，谁来制定发展路线图？ 

包裹在软件外层的“服务”外壳，正是保护客户免受原始代码混乱影响的屏障。随着代码成本的降低，服务所提供的信任感便成为了最具价值的资产。

2. 数据分析：为何人工智能仅影响6%的损益表。

让我们来看看这些硬数据。“SaaS之死”的论调假设编写代码占企业成本结构的90%。事实并非如此。

虽然初创企业在初期开发阶段确实投入巨大，但一家盈利的SaaS公司在稳定运营阶段的核心是分销引擎，而非编码工坊。对于成熟且高效的SaaS公司而言，实际研发预算通常仅占总收入的10%至25%。大部分成本都用于销售、市场营销、客户成功、托管服务和运营。

深入剖析研发预算：

• “编码”所占比例：工程师仅将约25%的时间用于编写代码。其余75%的时间则用于高价值任务：架构决策、领域建模以及解读用户需求。
• 计算方式：25%（编码时间）× 25%（研发总预算）≈ 6% 影响。

人工智能确实使软件开发成本略有降低，但并未从根本上改变成本模式。它只是让研发人员得以将精力集中在软件开发中最困难的部分：定义解决方案。

然而，现有企业绝不能因此而自满。虽然成本节约微乎其微，但速度风险却是关乎存亡的。挑战者不会因为价格更低而击败你，而是因为他们能够以显著更快的速度进行创新。人工智能的目标并非削减预算，而是将交付速度提升一倍。

3. 推理的隐性成本：为何人工智能会形成经济价格下限。

“SaaS已死”这一论调的拥趸忽略了这一点：虽然一次性开发成本可能会下降，但经常性运营成本却会从结构上增加。软件并非靠魔法运行，而是依赖硬件。

• 旧世界：传统软件是确定性的。它在 CPU 上运行。它高效、廉价且可预测。
• AI世界：原生AI软件具有概率性。它需要借助GPU并进行大规模推理计算。<

每当用户通过提出自然语言问题或请求摘要来与“智能”系统交互时，该请求消耗的电能和硬件资源都远多于传统的数据库查询。

我们以削减6%的开发成本为代价，换来了经常性运营成本的激增。

“服务”成为优化层

由于运行时成本将随之增加，SaaS 供应商的作用变得愈发关键。他们充当着效率的仲裁者。 他们必须管理一种混合基础设施：保留用于处理 90% 任务的确定性系统（这些任务需要快速、低成本且完美无缺，例如事务处理和存储），并仅在能够带来高价值推理的场景中引入概率性人工智能。

这种混合现实揭示了“颠覆性变革”叙事中的致命缺陷。

人们普遍担心的是，某个独立开发者会在周末开发出一个Salesforce、Workday或ServiceNow的克隆版本，并以极低的价格出售。但在这个新时代，要想具备竞争力，这样的克隆产品不能仅仅是数据库上的一个表单；它必须具备智能，必须在运行时运用人工智能。

即使挑战者能免费生成代码，他们也无法免费运行它。他们面临着以推理费用形式呈现的高昂“销售成本”。由于必须承担自身昂贵的CPU和GPU使用成本，他们无法在市场上大幅压低价格。

这构成了一个坚实的经济价格底线。关于人工智能将引发价格“恶性竞争”的说法在数学上是站不住脚的。没有任何一种情景下，构建一个智能推理系统的总成本会下降。成本基础正在上升，因此，软件的价值及其价格很可能会上涨。然而，这种定价能力仅属于那些掌握了能够有效控制成本的混合架构的企业。

4. 确定性脊柱：人工智能原生系统的蓝图。

如果从经济角度来看是可行的，那么问题就变成了：如何为这个未来进行建设？大多数人认为，所谓的人工智能原生系统，就是由一个大型语言模型（如Claude或ChatGPT）实时编写代码的系统。这种观点暗示，未来的一切行动都将由大型语言模型来决定。

虽然这种创新精神令人振奋，但它经不起“企业现实检验”。

在关键任务型行业（如供应链或银行业）中，“大概正确”实际上等同于“错误”。企业无法承受这样的生产系统：其中大型语言模型（LLM）在周二生成的代码与周一生成的代码不同。

企业的真正价值在于可靠性，而不仅仅是创造力。真正的“AI原生”系统并非由AI编写，而是其架构设计旨在让AI能够安全地对其进行协调管理。

语义重于语法：零成本代码的十年

当代码生成变得免费时，我们无需猜测商业模式会发生什么变化。过去十年间，我们已经拥有了一个验证这一现象的试验场。

这被称为“意图驱动架构”。这绝非纸上谈兵；在曼哈顿联合公司（Manhattan Associates），我们十多年前就已开始采用这一模式，将工作重心从编写语法转向捕捉业务意图。其理念很简单：人类应定义“是什么”（业务逻辑和规则），而机器则应生成“如何做”（代码）。

因此，我们并不维护静态的遗留代码库。相反，我们每晚都会根据这些意图定义，重新生成超过6000万行代码中的约75%。

这一运营现实为我们提供了一个至关重要的经济启示。实际上，我们已经为“代码边际成本为零”的时代进行了一场长达十年的案例研究。由于我们的大部分代码都是机器生成的，编写这些语法的“成本”已经微乎其微。然而，这种效率并未使我们的总开发成本归零。相反，它让我们能够将这些资源完全重新分配到“服务”中——即客户真正需要的复杂问题解决、相反，这使我们能够将这些资源完全重新分配到“服务”中——即客户真正购买的复杂问题解决、领域建模和可靠性。

这种大规模的夜间重生不仅仅是一个虚荣指标；它是抵御技术债务的终极保障。我们的系统实际上永不老化，因为它每24小时就会重生一次。由于代码是根据严格的逻辑规则而非概率生成的，因此它是确定性的。如果系统计算2+2，结果永远等于4。业务逻辑中不存在任何幻觉 所有原生AI系统都需要一个“确定性主干”——一个 rigid、可靠的核心，能够完全按照指令执行。

这种方法还带来另一个巨大优势——能够立即将现代功能扩展到庞大的应用范围。例如，当我们最近希望添加基于大型语言模型（LLMs）的自然语言审计功能（即人类可读的审计报告）时，我们只需更新中央代码生成器。在一个构建周期内，该功能便已覆盖整个解决方案组合。

这就是人工智能原生时代的蓝图。与其让人工智能临时编写那些一次性且存在风险的代码，更可持续的做法是让人类定义业务意图，由机器来管理代码生成。如果需求超出了生成器的当前能力范围，只需升级生成器即可。你永远不需要修补生成的代码；你需要升级的是机器本身。

可组合性：为人工智能提供一套可靠的工具集

一旦拥有了确定性核心，就需要一种安全的方式让人工智能与其交互。这就引出了可组合性这一概念。

通过采用“API优先”架构将逻辑与界面解耦，现代SaaS平台已转变为一套任何AI代理都能使用的可靠工具。AI代理无需了解如何执行复杂的供应链计算，只需知道调用哪个API接口即可获取结果。

人工智能充当协调者，而API则是可靠的工具集。

打造完美的混合动力车

这种架构完美融合了概率性（AI）与确定性（系统）工作流，既优化了延迟，又降低了成本。我们不会使用昂贵且容易产生幻觉的 AI 来处理数据库管理这类“枯燥”的工作，而是让高效的生成代码来处理。我们仅在必要时，才使用昂贵的 AI 进行推理。

5. 结论：确定性脊柱上的概率性大脑。

SaaS 并未消亡，它只是在蜕变。

“廉价代码会让软件一文不值”这一论点忽视了一个现实：成功的软件公司早在多年前就已经不再仅仅靠出售“代码”来盈利了。

“软件”的开发正逐渐成为一种商品，这固然是件好事。它既降低了成本，又加速了创新。但“服务”——即专业领域知识、架构设计以及可靠性保障的来源——其价值却比以往任何时候都更为重要。

十年前，我们并不知道自己正在为一个具有自主性的未来而构建系统。我们只是坚信，一致性、可组合性和效率是实现大规模构建的唯一途径。事实证明，这些原则正是构建原生AI系统的核心要求：一个结合了确定性脊柱的概率性大脑。

尽管市场对人工智能编写代码感到担忧，但最终获胜的将是那些利用人工智能来强化自身服务、并随时准备接入未来任何接口的企业。