专业领域的企业软件仍有不可替代性

寂静回声

当 Anthropic、OpenAI 和 Google 正在投入数千亿美元打造世界上最强大的通用 AI 系统时，专业领域的企业软件软件还有存在的必要吗？这个问题最近几周在科技圈引发了激烈讨论。

市场数据却在讲一个完全不同的故事。最近的数据显示，上市的专业领域企业软件云公司销售表现异常强劲：销售配额完成率和入站潜在客户情绪都大幅改善，现在已经领先于所有其他企业软件类别，包括财务与 ERP、营销和生产力工具。
Hebbia 创始人兼 CEO George Sivulka 的一篇文章，提出的观点非常犀利：所有这些关于专业领域的企业软件将死的讨论，其实都错过了问题的核心。而市场数据恰恰印证了他的判断。
George 在文章中提出了一个非常基础但关键的观点：在最基本的层面上，企业软件只是代码，是一个可访问的界面加上连接到重要数据和记录系统的后端。但如果你认为软件的价值就来自于此，那你根本不理解企业软件公司为什么会成功。企业软件的真正价值，来自于对流程和组织的深刻理解，深刻到足以让软件精确地做正确的事情。
过去这些年，太多人把软件简化成技术问题，认为只要技术足够强，产品就能成功。但事实上，真正成功的企业软件从来不只是技术的胜利，而是对业务流程理解的胜利。你可以拥有世界上最先进的技术栈，但如果不理解用户的工作流程，不了解他们真正的痛点和需求，这些技术就毫无价值。
George 特别强调，流程工程（process engineering）以及由此产生的网络效应，将继续成为专业领域的企业软件的基础性优势。
流程工程不是什么高大上的概念，它的本质就是深入理解用户如何工作，然后把这种理解编码到软件中。而这种理解，恰恰是通用 AI 工具无法具备的。


George 对"Last Mile"（最后一公里）这个概念的重新定义，他以金融行业为例进行了精彩的阐述。从五万英尺的高度看，每家金融公司看起来都一样。他们都做尽职调查，都会形成对估值的看法，都会制作备忘录和演示文稿，运行模型，综合研究。如果你是第一天进入这个行业的人，你可能会觉得可以为所有公司写一个统一的产品规格。
但结果呢？绝对没有人会买你卖的东西。


因为你需要放大视角。不是放大到公司层面，而是要深入到团队层面、部门层面、董事总经理（MD）层面。世界的细节比我们想象的要多得多。同一家公司的私募信贷团队使用的合规标志，和私募股权团队使用的完全不同，更不用说和竞争对手公司的团队相比了。同一家银行的两个 MD 对于什么是好的机密信息备忘录（CIM）摘要，会有完全不同的标准。一个团队通过四十页的模板进行尽职调查流程，而走廊另一头的团队则在一个来回发送的共享电子表格中完成所有工作。所有这些工作流程都以一种在多年甚至几十年的协作中固化下来的方式保持一致和强大。
这才是"Last Mile"的真正含义。George 指出，"Last Mile"不是指产品上线前的最后配置步骤，而是认识到你部署的不仅仅是软件，而是特定团队中特定人员执行特定工作方式的具体体现。他们做特定工作的方式可能 90% 是常规的，10% 是特定 MD 偏好的独特之处。但虽然前 90% 是容易的部分，那 10% 才是达成交易和成就职业生涯的地方。那里才是所有差异化价值所在。那里才是你建立护城河的地方。

见过太多试图用"标准化"方案解决所有问题的软件产品，它们看起来功能齐全，但最终都无法真正被用户采用。原因就在于它们忽视了那关键的 10%。那 10% 看起来可能是一些小的偏好设置，一些特定的数据格式，一些独特的审批流程。但正是这些细节，决定了软件是否真正融入了用户的工作流程，是否成为了他们不可或缺的工具。

George 提出的另一个深刻观点是：代码行数是软件中最不有趣的部分。能够运作的软件意味着有人坐下来设计了一个工作流程，而这个工作流程的逻辑封装了事情完成的方式。软件是存储的流程。它不是一个中立的工具：它是关于一群人应该如何协作的观点，被编码到一个持久的系统中。软件是一种社会契约。
我们常常把软件看作是技术产物，但实际上，软件更多是一种组织工具，是一种协作机制。当一个团队采用某个软件系统时，他们不仅仅是在使用一个工具，更是在接受一套工作方式，在建立一套共同的语言和标准。这种社会契约的建立需要时间，需要团队成员之间的磨合，需要整个组织的适应。一旦建立起来，这种契约就会变得非常稳固。
George 指出，通用 AI 工具无论变得多么强大，都无法以这种方式形成观点。这不是对它们的批评，而是对它们必须做什么的结构性反映。Anthropic 和 OpenAI 正在为地球上的每一个用例同时构建产品，他们不可能对 KKR 信贷团队喜欢如何组织事情的特定偏好有观点。他们不知道，他们无法知道，他们可能永远不会知道：这根本不是他们的工作。
很多人在讨论 AI 会不会取代某类软件时，都忽略了这个关键点。通用 AI 的强大在于它的通用性，但这种通用性也是它的局限。它无法为特定团队、特定场景提供定制化的解决方案，无法理解那些在特定组织文化中形成的独特工作方式。而专业领域的企业软件的价值，恰恰就在于它能够深入到这些细节中，成为组织运作不可分割的一部分。


当我们谈论专业领域的企业软件的"护城河"时，George 认为我们需要记住的正是软件的社会学功能——共享的期望、制度记忆、整个团队的肌肉记忆与之融合的事实——与产品本身密不可分。你无法从头开始设计承重软件并期望人们直接同意它，因为承重软件包含了团队如何合作的社会协议。
他提出了一个很好的例子：彭博（Bloomberg）。对专业领域的企业软件的悲观看法认为，转换成本一直只是界面摩擦——从一个平台迁移到另一个平台的转换成本——现在这些成本正在消失，所以没有什么能保护专业领域的企业软件了。
但这不是彭博具有粘性的原因。彭博之所以具有粘性，是因为整整一代金融专业人士都接受了彭博的培训，他们通过彭博相互沟通。围绕彭博建立了一个完整的经济体系和社会规范世界。
这是一种网络效应：共享的工具创造了共享的语言，这种语言变得强大且自我强化。这种护城河不会仅仅因为迁移变得容易就消失。
在金融行业，当你说"我在 Bloomberg 上看到了"，这不仅仅是指你使用了一个数据工具，而是你参与了一个共同的信息生态系统。所有人都知道你在说什么，都理解那个界面的结构，都能快速找到相同的数据。这种共同语言的价值，远远超过了软件本身的功能价值。
George 预测，在金融领域获胜的新 AI 原生工具不会因为成为通用"工作"的中立基底而获胜。它们会通过成为承重结构而获胜——通过足够了解工作流程，通过完成了学习每家公司、每个部门的特定版本工作流程的工作，使得替换它们变得真正昂贵。不是因为界面难以学习，而是因为存储在其中的制度知识真正昂贵且难以重建。

未来的竞争不是谁的 AI 模型更强大，而是谁能更深入地理解和服务特定行业的特定需求。那些能够成为行业基础设施、成为团队协作不可或缺部分的工具，才会真正建立起难以撼动的护城河。


George 提出的一个反直觉但深刻的观点是：随着 AI 模型变得更强大，流程工程只会变得更加重要。
他举了一个很好的例子，去年，所有人都说法律 AI 会被 OpenAI 的 o 系列发布所碾压。推理很直观：如果底层模型变得显著更好，应用层必然会变薄。但发生的情况恰恰相反。o 系列的发布让法律 AI 迎来了前所未有的一年。更好的模型增强了应用公司编排层（orchestration layer）的能力，因为编排层才是可靠性所在。

你可以拥有地球上最强大的模型，但如果没有约束、验证和引导这种能力通过特定专业工作流程的框架，仍然会产生垃圾输出。在一定的能力水平上，让 AI 系统可靠地完成法律工作的困难部分从来不是模型本身。而是编排：准确找出何时信任模型、何时检查其工作，向其提供什么数据以及以什么顺序提供，如何格式化输出使其能够被特定公司特定角色的人使用。
很多人看到基础模型的进步，就认为应用层的价值会降低。但实际上，恰恰相反。模型越强大，如何正确使用这些模型就变得越重要。这就像给了你一个极其强大的引擎，但如果没有精密的传动系统、控制系统和安全系统，这个引擎反而可能造成危险。

可靠性是垂直深度最重要的地方。资产管理公司不需要一个 80% 正确率的系统。在金融领域，90% 正确和 100% 错误是一样的。一个模型可能会对你即将执行的交易产生一个自信的、格式良好的、大部分正确的答案，但它弄错了一个细节或以不同于你部门标准的方式格式化，整件事就错了。每一个部分都必须可靠，否则整个系统完全无用。
在金融行业，精确性不是加分项，而是必需品。一个小数点的错误可能意味着数百万美元的损失。一个格式不符合标准的报告可能导致整个交易流程的延误。这种对精确性和可靠性的极端要求，恰恰是为什么金融领域需要深度定制的专业软件，而不能简单地依赖通用 AI 工具。
而建立这种可靠性需要了解工作实际上是什么样子的。这不是坐在办公室里想象出来的，而是需要深入到实际的工作场景中，观察人们如何工作，理解他们的痛点，了解他们的标准和期望。这种深入的理解，才是构建真正有价值的专业软件的基础。


George 明确表示，他不认为任何基础模型公司能真正赢得金融这个行业。这不是因为他们不够能干或缺乏资源——每个人都知道 OpenAI、Anthropic 和 Google 充满了杰出的人才，拥有令人难以置信的资源。但他们就是无法提供金融所需的流程工程水平。
基础模型公司的优势在于构建强大的通用能力，但这恰恰不是金融行业最需要的。金融行业需要的是对特定流程的深刻理解，对特定标准的精确把握，对特定风险的敏锐感知。这些都不是通过训练一个更大的模型就能解决的问题。


George 还提出了一个重要观点：模型提供商也无法提供所需的中立性。Hebbia 在设计上是模型无关的（model-agnostic）。这不是为了选择最便宜的模型而进行的对冲，而是关于成为机构金融持久基础设施意味着什么的原则性立场。模型无关是流程工程的一部分。一项任务的最佳模型通常不是另一项任务的最佳模型。没有哪个团队愿意把所有东西都押在一个模型提供商继续保持最先进水平上。
在当前 AI 快速发展的时期，今天最好的模型可能明天就被超越。如果你的整个系统都绑定在一个特定的模型提供商上，你就失去了灵活性。而对于金融机构来说，这种灵活性至关重要。他们需要的是一个能够根据任务自动选择最佳模型的系统，而不是被锁定在某个特定的技术路线上。



在金融领域，信息的价值直接体现在金钱上。一个及时准确的市场分析可能让你赚取数百万，一个错误的风险评估可能让你损失同样多的金额。这种直接的金钱激励，使得金融机构对于能够提供可靠、准确信息和分析的工具，有着极高的支付意愿。
George 最后总结道，那些建立起这种信任的公司，那些做了理解每家公司、每个团队、每个 MD 实际如何工作的工作，然后将这种理解编码到能够大规模可靠运行的软件中的公司，将会构建出真正庞大的东西。不是因为他们赢得了功能竞赛或简单地向任何给定问题投入"更多智能"，而是因为他们做了每个伟大的垂直软件帝国都建立在其上的艰苦的制度性工作。



在 AI 时代，真正的护城河不是技术本身，不是数据本身，甚至不是用户界面本身。真正的护城河是对用户工作方式的深刻理解，是成为用户工作流程不可分割的一部分，是建立起一个共同的语言和协作平台。这种护城河不会因为 AI 的进步而消失，反而会因为 AI 的进步而变得更加坚固。
专业软件的未来，属于那些真正理解用户、真正深入行业、真正做好流程工程的公司。