AI应用领域呈现差异化发展态势：在AI应用领域，传统观点认为中国人擅长应用开发，但此次在AI应用方面，美国表现更为突出。像Glean、Harvey等应用，Annual RecurringREVEnue（ARR）动辄过1亿美金，还有众多ARR过2500万美金的初创企业，且有实际收入支撑，这体现了其应用深度，而国内应用在数量和规模上与之差距明显。
B端数据层缺失成为关键制约因素：美国大量新应用集中在B端，与过去的SaaS发展一脉相承。过去美国SaaS发展迅猛，国内却未能兴起，因此基于AI对SaaS升级时，美国进展更快。从深层次分析，数据成本是重要因素。以moveworks（28.6亿美金被ServiceNow收购）和Glean（估值56亿美金）的架构图为例，二者都存在数据层和智能层，数据层是企业的完整呈现，智能层借助大模型通用智能能力，基于数据层创造服务价值。能否构建合适的数据层是智能层和插件层发挥作用的前提，而这与技术关联不大，本质是数据性质及背后生产关系的问题。数据具有完整性、时效性等特殊性质，其有效性依赖于生产关系特质，数据层的缺失限制了SaaS及AIB端应用发展，与SaaS模式越相似的应用面临的风险越大。
探索AI应用新路径：有观点提出“AI包工头”概念，也认为“AI驱动的商业体”更贴切，这代表着与SaaS不同的新模式和对AI应用落地的新思考。B端产品可从不同模式分析，经典SaaS模式按层块分工辅助创造价值，全AI驱动商业体则自身完成价值创造全过程；以moveworks为代表的模式出现本质变化，倾向于自身完成多数工作，最多开放插件，这可能是对ERP体系的置换方案，因部分产品核心价值的实现方式转变，原有模式价值降低，但当前整合深度有限；还有AI驱动的商业智能体模式，以Waymo的Robotaxi模式为代表，以AI为核心，垂直整合产业创造价值，与前两种模式不同，该模式下水平分工空间受限，智能、数据和工作过程紧密整合，各商业体可能拥有独立系统，这会压缩类似moveworks公司的生存空间。
垂直整合面临挑战：国内能否跳过moveworks阶段直接进入AI驱动的商业智能体模式尚不确定。这种垂直整合模式虽先进，但难度大，随着业务范围扩大，成本呈几何式增长。以Robotaxi方向为例，垂直整合需涉及技术、资本、商业、制造、服务、治理等多方面，构建以管控出租服务平台为核心的商业体系，整合供应链各环节，导致系统通用性差，每个商业体可能都有专属系统。
AI驱动商业体的潜在影响：若AI驱动的商业体模式普及，将带来重整供应链、去中介化的影响。如Tesla若涉足Robotaxi领域，将重塑整个供应链。在这种模式下，过去产业分工模式将被重整，单一工具可能被简化为子功能，AI越强大，这种整合越彻底，不过不同领域的整合速度因成本和技术可行性而异，并非所有领域都适合该模式，选择突破口需综合商业和技术判断。
非技术商业因素的作用：SaaS模式在国内发展不佳，除数据成本等因素外，文化背景也有影响。在我国文化中，更倾向“包产到户”，不太热衷分工协作，这与AI驱动商业体所需的纵向整合相契合。例如阿米巴模式，强调各干各事、各有结果，为AI驱动提供了合适单元。
发展阶段的综合判断：在当前多种技术并存的阶段，对于AI应用发展，不仅要关注愿景，还要考虑技术、商业等现实因素，权衡各方面维度及权重，并确定发展进度。在此背景下，需要思考能否跳过SaaS及AI驱动的SaaS阶段，直接迈向AI驱动的商业体阶段。
