以下文章来源于Magineer，作者汇聚builder的

Magineer在上周日举行了出海社区第三期的线上meeting分享，主题是Human-AICollaboration,未来的软件将会如何与人产生更深的协作，以及还谈到了现在有哪些软件是在朝这个方向迭代的。

嘉宾是来自靖亚资本的高级投资经理林文丰Jason，主要负责GlobalAI和国内企服软件的投资。这是他的个人网站：https://er3qppdg4y.feishu.cn/docx/QiCMd5hcGohNGnx661Cc1yLfnEd

我今天的分享是基于过去一直对AI的研究，提出了一个新的thesis，一个新的逻辑：过去的软件和现在的软件有什么本质的不同？企业软件为什么会不断地有新的机会？以及AI的到来有什么新的机会？

我们过去的软件其实都是为了人的操作去设计的，在若干个节点都是请人去input、做分析。但是现在AI到来了以后，很大的变化是AI跟人类是一样的，它是一个新的类生命体，它有自己的分析能力、思考能力和判断能力。所以当过去的软件只是为人的操作来做设计的时候，它忽略了一个很重要的变量：AI。

我认为未来的软件将会重视人与AI的深度的合作，而不是过去的人与软件的交互。

那么在人与AI的深度合作中，我认为AI是会非常重视从头到尾的、所有的数据，尤其是全结构的数据。无论是人能够用的结构化数据，还是人不能用的非结构化数据，AI都会去收集，因此会提供的是一个allinone的工作流产品，这样才能让数据连通。

能够使一个复杂场景的jobstobedone，从原来的人来完成，变成人和机器协作完成。这是我的prediction，那么接下来我会说一下逻辑。

在现在这个时候，human和AI的collaboration其实是在脑力劳动者和体力劳动者中都会出现的。

在自动化的时代，脑力劳动者就已经开始和软件去合作了，而体力劳动者是HMI(HumanMachineInterface)。

在AI时代到来以后，我们认为还是脑力劳动者更多地与软件合作，而体力劳动者还是去用interface的形式去和AI协作。所以接下来大多数的讨论还是以脑力劳动者的场景为核心。

事实上，在北美的脑力劳动者是贡献了63%以上的岗位和85%以上的工资收入。

也就是说我们仅去讨论脑力劳动者已经是在讨论我们过去常说的软件创业的主要的人群了。那在AI到来之前，软件是为人类的体验去设计的，所有的关键节点都是由人来输入和决定，软件去做自动化的。

但未来我们认为软件会为人类和AI的深度合作去设计，大部分的输入、输出和决策是由AI来做的，人类只需要做少部分的决定。

第二个点是，人类在过去对软件的操作主要是以结构化的数据为主。我们经常在上面去输出一些数或者一些文字，但事实上世界上约80%的数据都是非结构化的，AI能够且需要使用这类的数据去优化模型。

第三点，我们过去经常看到北美的软件，经常有很多很小的软件，这些小软件指功能小，但是他们甚至能做到一亿美金甚至更高的ARR。

所以我们经常说北美软件非常棒，很多小的软件都能做得很大。我认为未来会有一个很明显的趋势是，人类可以去使用多软件去串联工作流，起始数据、中间数据和结果数据都分散成各个系统。所以各个小软件都能做得很大，这是过去。因为人只对中间的数据，或者说对于一些比较有结果的数据是感兴趣的。

但AI不一样，AI对于全链条的每一个数据它都很感兴趣，因为对它来说都能用起来，去优化这个模型。所以我认为从左到右是一个很巨大的范式改变。

未来的为脑力劳动者设计的软件，要去设计人与AI的深度协作，去贡献muchmoreproductive，要不然实现了，要不然就会失败。

我认为未来的这些产品会allinone，而不是专业的单功能的产品。

左边是以Adobe为例，它就是一个非常专业的设计软件。它做得很好，包括AI来了以后，它还是一个更专业的AI设计软件，当然它的用户群体会拓展到非专业的人群。

那我认为未来的软件会更加地强调allinone，或者未来能够做大的软件会强调allinone。

原因是：第一，全链条的数据和非结构化的数据对AI来说非常有用，甚至对于AI未来自研模型有巨大好处；第二，AI能够填补原来多个中间的小软件提供的价值。第三，有利于抓住用户最多的时间，实现更深的品牌心智。

举例来说，印度的一个软件叫Pixis，ARR已经超过5,000万的美金，融资金额超过2亿美金。它不是提供一个AI生成工具，而是从最早的定位目标用户的分析，到创造这个设计，到最后的投放效果，三个部分都去做，端到端地去知道下一个创意应该是什么样的，以及什么样的设计和创意对品牌有价值。

那可能会有很多人会问，AI创业的门槛越来越低了吗？我觉得是对的，我认为两个趋势同时在进行。第一个就是AI的创业越来越容易了，它会实现更多的、更小的产品，同时像我们现在说的这种，看起来更重，但其实是更好地能够实现jobstobedown。也就是我认为未来，中腰部的机会一部分会越来越小，一部分会变得越来越大。

我们非常需要强调的是定位和护城河，我认为它的核心护城河有两点。

1）反定位，是这些新进入者能够提出已有成功玩家不能轻易跟随的策略

比如说一个很明显的、符合humanAIcollaboration的软件：Gamma，它是一个AInative的PPT。最早会帮用户去梳理思路、设计，甚至是做整个内容的呈现，这个策略微软的PPT是不敢轻易地去follow的，否则就会影响到大量的用户的体验。

2）迁移成本

其实我们看AI的创业，算力、数据和算法，算力肯定不是创业公司的强项，必须去积累数据，从而优化算法。而这种软件因为端到端的特性，所以它有更大、更高的迁移成本。

所以他们的很重要的护城河就是，作为最核心的记录系统，让用户使用最多的时间、积累最多的数据，就可以去嵌入业务积累数据，并且逐步地实现数据网络效应。

数据网络效应指的是使用产品产生了数据，并且产品的价值随着数据的增加而增加。最后随着时间积累，就有机会形成品牌。

humanAIcollaboration的商业模式，我认为会更多地与价值创造相关，更多地基于价值创造去定价。

比如说按照产生的工作量、个性化的水平、参与度的水平等。这就使得软件公司能够追求服务的支出，而不是像过去一样一定要从软件的支出中去赚钱。

这个模式有什么优势呢？

1）产品粘性更强，续约率更好；

2）年度付费金额会更高；

3）效果会更加的明显，销售周期会显著地缩短；

4）商业效率更好，因为lifetimevalue更长，同时因为效果更明显，所以CAC会有所下降。

humanAIcollaboration已经有一些已有玩家了。

无论是在过去的餐饮领域里的toast，或建筑领域里的Procore、电商里的Shopify等，也都在这个逻辑里面延伸。他们不断地使自己allinone的同时，能够让AI作为主线进来。

同时通用软件里面的Salesforce、Einstein，也在这方面不断地尝试。新玩家也是非常有机会的，比如在垂直领域，我们发现在法律场景、教育场景、金融场景，都有公司出来，而且现在很快地有了不少的融资，且不少的用户、营业收入。

那通用领域我可以举几个例子：Gamma，23年11月份的用户访问量已经达到了4,680万，比Tome的同期高了近9倍；Durable，一个建站的AI软件，从最早的建站、关键词优化、CRM、收费、服务助手为一体的软件，把AI和人的交互做到了非常的极致；AI会计领域的Puzzle，获得了5,000万美金的融资，从总账、报表、绩效监控、决策，端到端帮助大家解决问题。

总结一下，humanAIcollaboration的创业和投资的framework是什么？

1）设计目标不一样

过去都是为人类的体验去设计的，所有的关键节点都是人来输入和决定，软件只做自动化的部分。现在提出的humanAIcollaborationsoftware是为人类和AI的深度合作去设计的。大部分的输入、输出和决策是由AI来做的，人类只需要做很少的部分。

2）数据的积累

过去是以结构化的数据和结果数据为主，现在是充分利用全链条的结构化和非结构化的数据。

3）产品形态

过去是专业的单功能产品为主，现在是围绕着更复杂的jobstobedone，提供allinone的工作流的产品。

4）灵活度

过去的软件相对来说比较固定，但现在的软件非常强调个性化，因为不同的jobstobedone就可以有不同的通用软件。而且我们主要是chatbased，所以个性化程度更高。产品价值方面，ROI会比过去的软件更加明显。

5）商业模式

过去主要是工作价值，所以很多时候是基于座位数，by年、by月。那未来会更多地基于创造的价值，去制定商业模型，甚至去切业务的预算。

6）创始人特点

过去可能很擅长对某个单点的场景和洞察。我认为未来的创业者会越来越多的对于复杂场景的jobstobedone有深刻的洞察。

未经允许不得转载：头条资讯网_今日热点_娱乐才是你关心的时事 » Global SaaS 投资人 Jason 分享未来软件与人的协作形态 | Magineer 分享