在科技领域的激烈竞争中，一个引人注目的现象逐渐浮现：美国在AI应用上的步伐似乎比中国更为迅速。诸如Glean、Harvey等美国初创企业，其年度经常性收入（ARR）动辄过亿美金，而ARR超过2500万美金的也不在少数。这些企业不仅有高估值，更有实实在在的收入支撑，显示出AI应用的深度和广度。相比之下，中国的AI应用在数量和规模上都显得逊色不少。
这一差异背后的直接原因，在于B端数据层的缺失。美国的大量新应用集中在B端，与过去的SaaS模式一脉相承。美国的SaaS曾经历迅猛发展，而中国的SaaS却未能如愿崛起。因此，当AI对SaaS进行升级时，美国自然能够迅速跟进，而中国则显得力不从心。
更深层次的原因，则与数据成本密切相关。以moveworks和Glean为例，这两家公司的架构图都展示了一个共同的特点：存在一个数据层和智能层。数据层是企业的完整表示，智能层则利用大模型的通用智能能力，基于数据层创造服务价值。能否构建合适的数据层，成为了智能层和插件层能否生效的关键。
数据层的构建与技术关联不大，更多的是关乎数据的性质和质量。数据的完整性和时效性对于其价值有着至关重要的影响。例如，一个省份只有5000个人的信息数据几乎没有价值，而接近全量的数据则价值无穷。同样，数据的价值在时间轴上也不等价，一年前的全量数据，其价值也大打折扣。
数据层的缺失不仅卡住了SaaS的发展，也限制了AI在B端的应用。从这个角度看，那些与SaaS模式相似的AI应用，同样面临着巨大的挑战。那么，在SaaS不灵的情况下，AI应用的未来路在何方呢？
近期，在一次科技活动上，有人提出了“AI包工头”的概念来形容未来的AI应用。然而，另一种更为贴切的说法是“AI驱动的商业体”。这种新模式与SaaS截然不同，为AI应用的落地提供了新的思考方向。如果将B端产品置于一个更宏大的叙事框架中，我们可以看到两种截然不同的模式。
第一种是经典模式，即SaaS按层按块进行分工，辅助创造价值。而第二种模式，则是以moveworks等为代表的大模型之后的模式。这种模式的最大特点是几乎所有事情都自己做，至多开放插件。这实际上是一种对ERP等传统体系的置换方案。因为随着AI的发展，越来越多的workflow可以通过数据+大模型来实现，无需再单独开发。
然而，这种垂直整合的模式也面临着巨大的挑战。随着业务范围的扩大，整合的难度也在不断增加。这就像打井一样，井口一旦变大，土方量就会直线上升。
尽管如此，仍有一些企业试图通过垂直整合的方式打造AI驱动的商业智能体。例如Waymo在运行的Robotaxi模式，就是以AI为中心，在产业中选择一个突破口，自上而下整合所有资源，直接创造价值。然而，这种模式的整合成本巨大，不仅涉及技术，还包括资本、商业、制造、服务、治理等多个方面。
如果这种AI驱动的商业智能体真的普及开来，那么将会对现有的供应链和产业分工模式产生深远的影响。过去由N层工具支撑起来的企业栈，很可能会被精简成一个子功能。AI越强大，这种折叠就越彻底。然而，并非所有领域都适合做全AI驱动的商业智能体，选择突破口需要进行商业和技术的双重判断。
中国的文化背景也可能对AI应用的发展产生影响。中国人更倾向于“包产到户”，不太愿意分工协作。这种文化倾向虽然与AI驱动的商业体所需的纵向整合相匹配，但也可能限制了SaaS等分工协作模式的发展。然而，在AI技术日新月异的今天，中国是否有可能跳过SaaS阶段，直接发展AI驱动的商业体，仍然是一个值得探讨的问题。
