报告行业投资评级 * 报告未明确给出“买入”、“卖出”等传统股票评级，其核心是为私募市场投资者提供分析框架和行动指南，旨在识别在AI原生世界中真正具有防御性的品类领导者[5] 报告的核心观点 * 企业SaaS行业正在经历一代人以来最重大的技术变革，其核心驱动力是人工智能的成熟[5] * 市场呈现关键二分法：**AI嵌入式现有企业**与**AI原生挑战者**之间的竞争[5] * 尽管企业AI采用率很高（78%的组织），但能产生实质性业务成果的却很少（95%的试点项目未能加速收入），这一执行差距为新型供应商创造了巨大机会[5] * 对投资者而言，最持久的价值并非来自日益商品化的AI模型本身，而是建立在**专有数据管道、智能体编排、领域特定调优和可审计控制平面**之上的新型防御性护城河[5] * 预计到2030年，涵盖六个细分市场的总潜在市场规模将从2025年的650亿美元增长至约1900亿美元，年复合增长率在18%至27%之间[41] 根据相关目录分别进行总结 关键要点 * 企业SaaS领域正经历由人工智能成熟驱动的一代人以来最重大的技术转变[5] * 市场分化：现有企业将AI助手嵌入传统套件，利用其广泛的渠道和客户信任；而AI原生挑战者则从头构建智能系统，创造新的、高度可防御的护城河[5] * 投资者应关注建立在专有数据管道（创造良性反馈循环）、智能体编排（自动化整个复杂工作流）、领域特定调优（提供可验证的准确性）和可审计控制平面（满足企业治理与合规需求）之上的新护城河[5] * 报告分析了市场动态、投资格局以及现有企业和挑战者的竞争策略，并为有限合伙人、普通合伙人和创始人提供了可操作的行动指南和尽职调查清单[5] SaaS的彻底变革 * 企业SaaS的转型甚至比从永久许可产品到SaaS本身的转变更大，主要由大型语言模型的进步及其在企业SaaS几乎所有解决方案中的快速部署所驱动[6] * 排除大型语言模型的巨额融资轮次，自2024年初以来，这一趋势推动了企业SaaS投资的稳定持续增长[6] * AI转型将市场分为两大阵营：在现有系统中嵌入AI功能的**AI嵌入式平台**，以及围绕智能、自主流程从头设计新运营的**AI原生平台**[10] AI嵌入式现有企业 * AI嵌入式解决方案目前是传统SaaS现有企业的领域，在现有解决方案和平台内提供额外的生产力提升[12] * 现有企业正在CRM、ERP、供应链管理、HR、协作、IT服务管理和网络安全等现有套件中嵌入助手和任务智能体，例如Salesforce的Agentforce、Microsoft的Copilot、ServiceNow的Now Assist和SAP的Joule[12] * 据Gartner预测，到2026年，80%的软件供应商将以这种方式将AI嵌入其应用程序，使其成为AI能力中最大且增长最快的部分[12] * 该方法的局限性在于其受制于所增强的遗留系统的底层架构，这些系统通常存在技术债务、数据孤岛和僵化的工作流程[13] AI原生挑战者 * AI原生平台建立在不同的基础之上，其工作流程从构思和设计之初就围绕智能体或模型展开，智能体规划步骤、选择工具、读写记录系统，并在策略约束下执行或提议行动，人类负责处理异常、提供反馈并在设定阈值下批准或修改行动[14] * AI原生供应商正在创造一类新的敏捷、超大规模且可能达到峰值效率的企业，其决策逻辑、编排和学习循环移至模型层，单位经济效益以解决的工单、处理的发票、对账的交易等离散结果来衡量，而非传统的按席位定价[16] * 当前，AI原生工作流正在改变核心企业职能，例如Adept的使用软件的智能体、Runway的多模态创意自动化和Glean的企业知识助手[17] * 除了横向方案，还有严格的垂直解决方案，特别是特定功能或嵌入式智能体，它们针对现有系统内狭窄、高杠杆的决策点[18] * 2025年，北美（尤其是美国）占该领域总投资额的68%，是自2018年以来的最高比例（排除基础LLM公司的融资）[18] 市场发展与投资 * 市场呈现一个悖论：投资和采用呈爆炸式增长，但背后却存在显著的技术和实践障碍[23] * 企业AI采用率急剧上升，斯坦福2025年AI指数报告显示，78%的组织在2024年至少在一种业务职能中使用AI，较上年的55%显著增长[23] * 然而，广泛的采用也暴露了显著的执行差距，MIT 2025年的一份报告显示，高达95%的企业整合生成式AI的尝试未能实现有意义的收入加速[24] * 这与麦肯锡的发现一致，即92%的公司计划增加AI投资，但只有1%的领导者认为其组织的AI部署已“成熟”[24] * 高期望与差结果之间的差距并未阻止投资者，反而推动了对承诺提供真实价值的解决方案的资金激增[24] * AI SaaS交易活动自2023年至2025年加速，后期融资显著，预示着潜在品类领导者的出现，例如Adept（2023年3月3.5亿美元B轮）、Runway（2023年6月1.41亿美元C轮扩展）、Glean（2025年6月1.5亿美元F轮，估值72亿美元）[26] 市场规模与增长 * 对AI原生和AI嵌入式工作流进行市场规模测算具有挑战性，因为AI产品通常正在取代供应商内部的现有解决方案，且定价本身正从席位制转向使用量和结果制[41] * 通过估算各职能的现有软件支出、到2030年的替换或增强率以及拥有行动的智能体（例如按文档、按解决、按交易）创造的净新支出，报告测算2025年六个细分市场的总潜在市场规模为650亿美元，到2030年将增长至约1900亿美元[41] * 五年间的增长率在18%到27%左右，垂直智能体AI和AI原生生产力领域增长最快[41] * 增长可能受到两个因素制约：1) 跨助手产品和智能体技能的定价混乱可能延缓采购；2) 评估和审计准备度参差不齐[48] 机遇与制约 * **机遇**：模型访问和成本曲线已发展到多模型路由和任务特定微调在企业预算内可行；数据访问模式已成熟；界面已转向意图捕捉，使“要求系统完成工作”的概念变得熟悉且可审计[51] * 特定职能的可衡量价值实现时间指标也支持采用，例如GitHub与埃森哲的研究表明，90%的工程团队报告使用AI编码工具，GitHub Copilot是主流选择[52] * **制约**：主要障碍包括治理与数据溯源、可靠性与回归问题、变革管理、定价清晰度以及法律和医疗等垂直领域的特定限制，需要领域特定调优和合规[52] 防御性与技术栈 * 要在这个新市场中获胜，现有企业和挑战者都必须建立在新的、AI优先的基础之上[53] * AI赋能的企业应用现在由四层定义：1) **数据平面**（连接器、权限、治理、溯源和检索）；2) **模型/智能体层**（规划、选择工具、评估、在策略下执行）；3) **工作流层**（可组合步骤、可观测性、回滚、SLA、升级接口）；4) **体验层**（捕捉意图并呈现结果）[54] * 在附加式AI世界中，AI位于顶部附近；在AI原生世界中，模型/智能体层和工作流层是产品的核心，而控制平面（包含身份、策略、溯源和评估）则成为护城河[54] * 现有企业的优势在于分销、单点登录和权限集成，以及在信息安全和审计委员会中的可信度，其制约是可能延缓从辅助性使用向智能体使用过渡的遗留数据模型和用户界面范式[57] 新护城河 * 最可防御的企业正在构建具有四大支柱的控制平面护城河[58] * **第一支柱：数据捕获与权利**，系统捕获高保真任务数据并拥有安全的使用权以改进模型，形成专有的改进循环[59] * **第二支柱：智能体编排**，包括规划、工具使用、安全策略和可审计的回滚，并由模拟工作流以应对回归的测试工具支持[60] * **第三支柱：领域调优**，即编码领域语义并产生可测量的准确性提升和更低人工干预负载的检索模式、提示库和选择性微调操作或适配器[61] * **第四支柱：可观测性**，包括追踪、成本和延迟遥测以及策略合规视图，这些现在已成为产品的一部分[61] 现有企业与挑战者相遇 * 现有企业正将治理转化为核心产品功能，最近的发布强调了可观测性转向，例如Salesforce的Agentforce强调“可见性和控制”的命令中心，ServiceNow的生成式AI控制器记录保留和集成模式，SAP的Joule强调“基于业务数据”[63] * AI原生挑战者则颠覆了技术栈，以模型/智能体层作为产品核心，仅构建捕获意图和监督异常所需的用户体验，依赖连接器和API进行数据输入/输出[67] * 竞争在边缘地带加剧，现有企业将原生智能体扩展到曾经仅由初创公司占据的领域，初创公司则通过深化范围、收紧治理和转向结果定价来应对[68] 投资者视角 * 对于投资者，当前的任务是识别那些能够用AI原生骨干和可信治理端到端替换工作流的公司，或者作为第二选择，将AI嵌入式智能体插入大型现有企业平台并按可衡量结果定价的公司[73] * 尽职调查必须全面挑战产品，包括评估供应商提供的和自有的评估套件、检查匿名化的生产遥测数据（如干预率、延迟分布、单次行动成本）、验证数据权利、检查身份和策略映射的管理控制台，以及如果需要写入记录系统，则需演示回滚和审计功能[75] * 一份实用的防御性尽职调查清单应包括：任务自主权（自主执行步骤的百分比）、人工干预率及其趋势、评估覆盖率、溯源与审计文档、策略与身份映射、分销渠道（包括技术和服务集成合作伙伴渠道）[82] 结论与展望 * 预计未来几个季度和几年，品类领导者将展示从建议到可问责行动的转变，并据此定价[93] * 控制平面本身有潜力贡献于护城河建设，身份感知的工具权限授予、策略存储、数据溯源和可观测性仪表板都需要大量投资并根据真实客户工作负载进行调优，这创造了转换摩擦[94] * 垂直深度将比横向表层覆盖更具优先性，例如法律智能体若不能保证大规模引证链，则无法取代现有的研究工作流[95] * 预计供应商务实的模型选择将超越单一模型基础，性能优势将来自供应商为每项独特任务选择和评估模型的能力，而非任何单一基础LLM提供商的优越性[97] 附录：关键现有企业与挑战者评分 * 报告提供了对15家关键现有企业和30家挑战者的AI评分摘要[98] * AI评分方法论从评估对话流畅性转向评估运营效能，核心哲学是评分不由单一突破性模型定义，而由系统在感知、推理和执行之间闭环的能力定义，同时保持出错时的韧性[99] * 评分涵盖10个维度，归为三个关键层：**认知层**（目标分解、因果推理）、**操作层**（工具熟练度、主动感知、自适应韧性）和**治理层**（有限自主权、可验证解释性）[100] * 最终分数使用几何平均数计算，以惩罚单点故障，高分（85或以上）表明一个平衡、成熟的系统，没有任何单一维度是现实部署的阻碍[101] * **关键现有企业示例**：Palantir（91.4分）、Salesforce（89.5分）、Snowflake（86.4分）、ServiceNow（85.6分）、Microsoft（83.5分）[103] * **关键挑战者示例**：Anthropic（94.1分）、Cognition（92.8分）、OpenAI（91.0分）、Ramp（86.5分）、Anysphere（88.9分）、Glean（85.5分）[107]