Sapphire：如何打造“杀手级”生成式AI原生应用？

作者

Sapphire Ventures（蓝宝石风投）于2011年从其母公司SAP（SAP SE）分拆出来，独立成为一家风投公司。以提供早期和增长阶段的资本支持为主，同时还为创业公司提供战略和运营指导。现在是一家全球性的风险投资公司，总部位于美国加利福尼亚州的帕洛阿尔托。专注于技术创新和初创企业的投资，涵盖多个行业领域，包括企业软件、消费技术、人工智能、金融技术、生物技术等。投资组合涵盖了一系列知名企业，如Square、Fitbit、Alteryx、Apigee、Box、MuleSoft等。

Sapphire Ventures是AI行业的坚定支持者，2023年年中宣布计划在与人工智能相关的企业初创公司上投资超过10亿美元，资金将来自Sapphire现有的基金，将以直接投资人工智能初创公司的形式进行，主要关注企业级软件公司以及垂直行业人工智能和机器学习初创公司，如制造业和医疗保健行业。

截止2024年11月底，根据硅谷科技评论数据库（svtr.ai），Sapphire Ventures以12家AI行业投资案例在全球AI投资机构中排名第62位，其中包括企业搜索公司Glean。详情见文末附录。

2022年11月ChatGPT的问世，引发当下对生成式AI（Generative AI）的热情与投资浪潮。但总体而言，应用层的发展往往落后于技术堆栈的其他部分。许多生成式AI的批评者指出，缺乏“杀手级应用”是这一技术被夸大其词的证据。然而，越来越多的迹象表明，应用层正在逐渐迎头赶上。


根据硅谷科技评论数据库（svtr.ai），2024年，生成式AI（GenAI）原生应用的融资热潮达到了新的高度，截至11月底融资总额已超过100亿美元，占整体GenAI投资的比重相比过去两年显著提升。同时，越来越多的AI原生应用开始展示显著的收入增长。据统计，目前市场上至少有47个AI原生应用的年经常性收入（ARR）超过2500万美元，而这一数字在年初还仅为34个。


AI在代码辅助、客户支持和营销等领域的成功案例，正逐步扩展到新的功能和垂直领域。这些应用不仅填补了传统软件的空白，还创造了全新的使用场景。例如，AI工具在法律文件撰写、医疗文档管理和供应链优化等专业领域的应用正快速兴起。这种跨领域的扩展，体现了AI原生应用在复杂场景中的适应性和创新力。



一、AI 原生应用的定义


AI 原生应用指的是人工智能在应用体验中处于核心地位，而不仅仅是一个辅助功能。尽管这一术语在业界被广泛使用，但其定义——如同 AI 领域的许多概念一样——仍处于不断演变和模糊之中。这里，我们将AI原生应用定义为：


  • 核心 AI 能力是基础：AI 原生应用建立在基础的人工智能能力之上，例如从大型数据集学习、理解上下文或生成新颖的输出。

  • 全新突破传统约束：这些应用可以突破传统在速度、规模和成本上的限制，从而实现全新的可能性。

  • 持续改进的设计：AI 原生应用设计时就注重不断优化：不仅借助底层模型的进步，还通过使用真实世界数据的反馈来提升性能。

  • 独特的 AI 技术：这些应用通常包含某种专有的 AI 技术，例如通过微调开源模型来改进特定功能，或通过模型编排实现更复杂的应用。


正如几年前软件巨头在本地部署（on-prem）时代成功转型为云原生产品（如 Adobe Photoshop 和 Microsoft Office），我们同样相信，许多企业可以从云原生逐步演变为 AI 原生。


这种转变并不要求完全从零开始构建，而是通过将核心 AI 能力逐步整合到现有的产品中，实现创新和提升。这种演变路径为传统软件公司提供了巨大的机会，使它们能够在新的技术浪潮中保持竞争力，同时继续利用现有用户群和产品优势。


二、AI 原生应用的评估


Sapphire 使用一个五维框架来评估使用 AI 构建应用的公司，为 AI 原生应用的创新和成功建立评估标准，并帮助企业在一个快速变化的环境中找到清晰的定位和竞争优势。



（一）设计（Design）：AI 原生应用的核心竞争力


企业软件已经发展成一个年产值数万亿美元的市场，每年大量资金投入到提高运营效率和扩展规模的解决方案中。然而，尽管这一领域快速增长，以用户为中心的设计却长期被忽视，通常为了功能牺牲用户体验。传统企业工具充斥着繁杂的设置、复杂的菜单和频繁的通知，功能性强但缺乏吸引力。AI时代，这种情况正在改变，设计将成为下一代企业软件的关键差异化因素。


1. 创新型交互方式


过去两年，聊天和搜索界面成为生成式 AI 用户界面的主要形式，用户通过文本 AI 助手可以与数据互动，包括提问、总结、合成和头脑风暴等。


  • 自然语言解锁高级功能：许多企业工具中拥有强大的功能，但大多数用户很少使用，因为他们不了解这些功能或不懂如何有效使用。而通过自然语言（文本或语音）表达需求，用户可以轻松访问更多现有的产品能力。

  • 多模态交互的新机会：多模态 GenAI 模型（结合文本、语音、视频等）正在快速追赶文本模型，这为重新思考用户与软件的交互方式提供了机会。性能更强的语音和视频模型可以捕捉和转化输入与输出，成为传统的点击和键入方式的有力补充。例如，OpenAI 的 Canvas 和 Anthropic 的功能探索展示了从聊天机器人到协作画布、从辅助模式到自动驾驶模式的潜在演变。

  • 灵活且富有表现力的工具：多模态模型不仅能提供丰富的输出，也支持多样化的输入方式。未来，能够理解和生成跨多模态的工具将变得至关重要，为用户提供更流畅、更直观的交互体验。

2. 加速反馈循环


生成式 AI 的非确定性输出为实际部署带来了挑战。在模型层面，基于人类反馈的强化学习 (RLHF) 在对齐 AI 和人类意图方面发挥了重要作用，也加速了迭代优化。


  • 创新的用户反馈机制：许多企业在采用传统的“赞/踩”或星级评价的同时，探索了更具创造性的方式来监控用户行为信号。例如，通过分析分享、停留时间、内容更新频率、交互次数（如复制+粘贴）等数据来捕捉用户意图信号。

  • 智能的反馈集成设计：那些能够以不干扰用户体验的方式，智能收集反馈的产品，可以更快地迭代，并优化性能以更好地满足用户需求。

3. 构建 AI 原生系统


AI 原生应用公司的一个显著特点是其在应用设计中的系统级思维。这种思维体现在多个方面：


  • 优化性能同时降低成本：通过将开源 AI 组件与专有能力结合，以优化特定用例的性能。使用微调 (fine-tuning)、基于检索的生成 (RAG)、提示工程等技术，在模型层面采用集成方法以实现性价比最佳的查询处理。

  • 优雅设计背后的复杂性：尽管许多 AI 原生应用的用户界面看似简洁，其背后隐藏了极其复杂的系统设计和流程。

  • 解释性设计：AI 原生系统还必须在多个环节整合可解释性，以便赢得用户信任并确保对齐用户需求。例如：

    • 明确输入与输出之间的关系；

    • 提供具体内容来源的引用；

    • 在适当时显示置信区间；

    • 为需要深入了解系统性能的用户提供更详细的解释。

4. AI 原生设计案例


  • 搜索与引用增强：Perplexity.ai 和 OpenAI 的 ChatGPT 搜索通过整合相关网络链接和引文增强生成的响应。

  • 表格化用户界面：Hebbia 和 Reliant AI 提供基于表格的 UI，允许用户更细粒度地交互输出，同时建立强大的反馈循环。

  • 代码生成与优化：Cognition 的原生代码编辑器让用户直接在生成输出旁进行工作，从而帮助模型学习偏好代码风格。

  • 多模态 AI 在销售领域的应用：

    • Rilla 分析客户对话（语音转文本）以改进培训。

    • Bland.ai 使用数字代理（文本转语音）自动化销售和支持通话。

（二）数据（Data）：AI 原生应用的关键驱动力


数据在支撑过去两年间涌现的所有 AI 产品和服务中扮演了核心角色，而在应用层面，它的重要性甚至可能超过模型层。这是因为数据能够将通用化的基础能力转化为针对性强、可防御的产品，以满足客户需求。在 AI 原生应用的背景下，我们关注企业如何利用数据创造价值，并是否能够做到以下几点：


1. 强化端到端的数据管理


“没有数据战略就没有 AI 战略”。AI 原生应用不仅受益于基础模型公司整合全球数据的能力，还得益于客户更新数据架构的努力。然而，企业仍可以通过数据管理最佳实践在以下方面实现差异化：


  • 数据的采购与整理：确保数据来源合法、全面且相关。

  • 数据质量：去除噪声、填补数据空白，并确保准确性。

  • 数据治理与安全：保护数据隐私，遵守合规要求，避免风险。

随着多模态模型能力的增强，在结构化和非结构化数据之间无缝切换将成为实现生成式 AI 潜力的关键。那些能够快速、智能地收集、清理和安全整合数据的公司将在竞争中占据优势。


2. 激活潜在数据价值


多年来，许多企业都意识到自己的数据具有潜在价值，但将这一认知转化为实际行动却极具挑战性。生成式 AI 使这一转变成为可能，其产品能解锁长期闲置的客户数据（如存储在 Box、Google Drive、SharePoint 等平台中的文件），甚至捕获以前未记录的数据（如客户通话、患者讨论、会议记录）。其优势包括：


  • 无缝利用现有数据：减少数据孤岛，实现统一管理与访问。

  • 快速获取最佳内容：加速每一位用户的决策和执行。

  • 方便管理数据资产：提高数据的组织性与可用性。

3. 创建新的专有数据集


生成式 AI 的另一个巨大潜力在于捕获全新的数据集，包括：


  • 多模态交互数据：涵盖用户在多种形式（文本、语音、视频等）下的行为和偏好。

  • AI 生成内容的元数据：记录内容的创建和消费模式。

  • 数据的微观和宏观模式识别：挖掘新的业务洞察。

这些全新的数据不存在于现有系统中，因而为 AI 原生公司提供了独特的机会。企业可以围绕这些数据创建集中管理点，构建独特的工作流，最大化其价值。这些数据随后可以用作训练数据，持续改进底层模型的性能，进而强化 AI 原生挑战者的竞争优势。


4. AI 原生数据管理案例


  • Glean：通过训练自定义的大型语言模型 (LLM) 和构建组织专属知识图谱，结合实时反馈，为每位用户提供个性化、上下文相关的搜索结果。

  • Writer：利用专用 LLM 深度理解企业数据中的语义关系，提供与上下文相关的精确搜索或应用查询结果。

  • Jeeva.ai：整合多个来源的销售潜在客户数据，帮助用户细化目标客户画像（ICP），快速构建客户名单并生成高度个性化的消息内容，以自动化客户互动。

（三）专业领域知识（Domain Expertise）：AI 原生应用的加速器


过去一年中，垂直领域的 AI 应用，如法律、医疗、房地产和金融服务等领域增长迅速。生成式 AI (GenAI) 在深刻表达领域专业知识方面展现的能力令人振奋，它不仅优化了具体的产品交互，还重塑了端到端的工作流程。我们从以下几个维度评估 AI 原生应用在专业领域知识上的表现：


1. 加速知识任务自动化


垂直 AI 迅速发展的原因之一在于 GenAI 能够更好地捕捉特定领域中用户活动的数字化表现。


  • 精准翻译与转录：如在医生与患者对话中实现更准确的语音转文本处理。

  • 强化研究总结：如在法律研究和财务分析中提供更深入的研究摘要。

  • 细化关系理解：如在企业搜索中深入分析用户与实体之间的关系。


在这些场景中，GenAI 模型深度理解特定领域或职能的背景信息，将个别任务中的知识自动化，从而帮助用户更快速、更高效地实现目标。通过这种方式，基于基础模型和企业特定数据微调的 GenAI 应用可以实现知识的广泛传递，帮助整个员工团队的能力跃升。


2. 快速大规模合成信息


AI 原生应用的另一个优势在于从海量数据中快速提取洞察的能力。许多领域正在涌现新的 AI 原生应用，通过整合行业特定的可信数据（如 SEC 的 EDGAR 数据库）、微调模型和基于聊天的界面，大幅提升用户识别并处理关键信息的效率。例如：


  • 法律领域：像 Harvey、EvenUp、Robin AI 和 Supio 等公司，帮助用户快速完成法律分析和文档生成。

  • 其他行业：这一趋势也扩展到医疗、公共部门、保险、金融服务和教育领域。

这些 AI 原生应用赋予用户在特定领域需求上的“超能力”。过去需要由大团队耗费数天甚至数周才能解决的问题，现在通过这些服务可以在几分钟内部分解决或完全解决。


3. 结合全球与本地知识


AI 原生应用独特之处在于它们可以整合三种知识：


  • 全球知识（global knowledge）：嵌入基础模型中的海量训练数据。

  • 行业知识（domain-specific knowledge）：来源于行业相关数据库中的专业信息。

  • 企业特定知识（company-specific Knowledg）：包括公司自身的文档、备忘录、会议记录、研究报告和历史资料等。

通过结合以上三种知识，AI 原生应用不仅能够优化单个任务，还能自动化整个工作流程，同时更专注于用户的具体需求和目标。例如：


  • 个性化输出：通过企业专属的高质量内容和材料优化模型输出，确保与用户预期一致。

  • 上下文相关性：理解数据如何在员工、团队或组织的特定语境中反映相关知识。


这一整合能力让用户能够更轻松地完成复杂工作流的优化，从而实现更高层次的成果。


4. AI 垂直行业应用案例


  • Abridge：通过多模型架构将实时患者语音转换为精准的临床笔记，训练数据来自大量医疗对话数据集。

  • EliseAI：利用 LLM 吸收物业管理系统 (PMS)、CRM、知识库和租赁专业人员的相关信息，自动回应潜在和现有租户的问题。

  • Supio：其专有模型经过大量个人伤害案件数据集训练，能够高精度分析并生成法律文档。

  • Magic School：为教育者提供 80 多种专门调优的 AI 工具，支持课程规划、评估编写、学术内容生成和管理等任务的改进与自动化。

（四）动态性（Dynamism）：推动 AI 原生应用体验进化的关键力量


在 Ben Thompson 的文章《Meta’s AI Abundance》中，他提出了 Meta 在生成式 AI (GenAI) 方面的巨大潜力，尤其是在多模态动态广告创建与测试，以及通过 “Imagine Yourself” 模型实现下一代个性化内容方面的能力。这种动态性的影响不仅显而易见，还将迅速波及数字营销和商业领域。


更重要的是，这也意味着：GenAI 将推动用户期望从静态到动态的演变。我们预计应用体验将有三个关键趋势：


1. “幕后”优化操作：实时优化性能与成本


从输入到输出的过程变得更加灵活多样，许多公司已从测试单一模型概念，发展到协调多模型交互以优化特定用例的输出。


  • 模块化架构的灵活性：企业正在构建具有灵活性的基础设施，能够轻松更换模块组件，以实现性能提升或成本优化。

  • 模型路由器的兴起：像 Martian 这样的公司开发的模型路由器成为 AI 原生应用基础设施的重要组成部分，帮助动态选择和切换最适合的模型。

  • 智能隐藏复杂选择：目前，许多高级 AI 功能仍以用户选择的形式展现，例如在 ChatGPT 或 Perplexity 中选择模型、输出语调或评分。然而，随着系统智能化程度提升，这些选择将逐渐隐藏，系统会根据用户意图自主适配决策。

2. 构建生成式客户体验


正如在设计部分提到的，传统企业软件的用户体验长期不尽人意。GenAI 带来了改变这一现状的可能性，特别是在创建动态、适应性强的内容体验方面，其对终端用户和客户的深刻理解提供了巨大潜力：


  • 定制化营销与销售内容：从个性化的推广邮件、演示文稿、登录页面到合同生成，AI 可以为个体客户偏好定制内容。

  • 个性化购物体验：电商平台可以通过数字孪生技术让用户看到商品如何在其物理空间或数字化身中呈现。

我们已经看到市场中有许多类似的应用案例。例如，Jeeva 的 CEO Gaurav Bhattacharya 预测未来的应用将成为“实时、持续学习的系统，AI 可根据客户交互自主适应”。更长远来看，界面可能会根据用户意图的实时表达自动生成，动态呈现或隐藏功能和内容，从而进一步提升用户体验。


3. 多层级的超级个性化


企业软件的个性化体验将更进一步，不仅针对个体用户，还会覆盖团队、部门乃至整个组织。这种个性化由以下驱动：


  • 实时更新的定制模型：例如，Outreach 为每个团队和销售人员构建了实时更新的自定义“赢单模型”，根据交易进展优化决策。

  • 精细化的销售沟通和内容：销售材料将根据客户需求和偏好更精准地调整。

  • 具备共享记忆的智能代理：未来，AI 代理可能是这一主题的极致表现形式，能够了解用户的历史偏好和动态需求，提供高度个性化的建议与支持。

4. 展示动态性的优秀实例


  • HeyGen：提供 AI 视频创建平台，帮助销售和学习发展 (L&D) 团队快速生成高度个性化的视频内容，部署全自动、对话式视频体验，覆盖销售、支持和培训等领域。

  • Mercor：开发了一款 AI 面试官，能够实时评估候选人，基于预处理的简历和个人资料数据，同时适应实时对话。

  • Evolv AI：通过 AI 驱动的实验实时调整用户体验，基于实时用户行为优化客户旅程。

（五）分发（Distribution）：AI 原生应用的定价策略


随着 AI 价值的不断释放，关于如何使用和定价这些新技术成果的问题变得尤为重要。一个关键争论点是，生成式 AI (GenAI) 是否会对云时代以席位为基础的 SaaS 模式造成“毁灭性”威胁？尽管有些人认为软件模式即将走向终结，但我们认为这种说法被过度夸大。虽然目前尚无法确定是否存在一种主导模式颠覆现状，但可以看出企业正在通过多种实验方式平衡新价值与成本，同时应对潜在的竞争威胁。


1. 产品定价灵活性提升


当下的定价环境变得更加多样化，主要体现在以下几种模式：


  • 无额外成本嵌入 GenAI 功能：如 Workday，将 AI 功能整合到现有服务中，作为标准功能的一部分。

  • 推出包含 GenAI 功能的高级版本：通过创建高端 SKU 吸引用户为额外价值付费。

  • 推出全新独立的 GenAI 应用：如全新的平台级应用程序。

  • 基于平台的消费型或效果型定价模式：在基础订阅模式上叠加按使用或结果收费的结构。

目前还没有一种“主导”分发模式适用于所有场景，而是会根据具体行业和产品类别而有所差异。然而，GenAI 的核心特质是扩展了企业交付价值的方式，从而更好地满足客户需求。未来的定价可能是多种模式的组合，包括席位制（seat-based）、消费制（consumption-based），以及在某些场景下的效果制（outcome-based）。


成功的应用开发者需要在多种模式之间找到平衡，以覆盖更广泛的客户群体，并更透明地将价格与交付的价值对齐，从而在市场中占据有利地位。


2. AI原生应用定价案例


关于软件驱动服务的增长，以及基于特定业务成果定价的代理系统的潜力，已经有许多探讨。值得注意的是，真正的颠覆不仅仅取决于技术能力，还需要伴随商业模式的变革（如从许可证转向订阅软件）。


硅谷科技评论（SVTR.AI）在半年前，专门分享过AI原生公司的定价策略。今天，许多企业已推出整合消费型和成果型元素的创新定价策略，以下是一些案例：


  • 传统企业的创新：Salesforce 的 Agentforce 套件以每次对话 2 美元定价，Zendesk 则按每次自动解决收取 1.5-2 美元。

  • 基于成果的客户服务 AI：如 Sierra、MavenAGI、Decagon 和 Crescendo，根据解决的工单数量收费。

  • AI 驱动的索赔处理：Reserv 提供基于 AI 的索赔处理服务，按已开启和完成的索赔量收费。

  • 内容生成和编辑工具：Synthesia 按生成的视频分钟数收费，而 Imagen 和 Aftershoot 则按每次编辑收费。


3. 定价策略的未来展望


在未来，我们可以预见以下趋势：


  • 灵活混合模式：席位制、消费制和成果制的组合将成为常态，不同客户和场景需求将驱动企业定制化的定价方式。

  • 基于价值透明度的优化：价格体系将更加清晰地反映用户实际获得的价值，例如基于成功率或 ROI 进行收费。

  • 实时调整能力：通过动态分发和实时成本优化（见“动态性”部分），企业可以更快地适应市场变化和客户反馈。


三：AI 原生应用的未来

Sapphire提出的上述框架为构建者和投资者提供了一种独特而强有力的视角，帮助他们深入思考在应用层中AI赋能所带来的差异化特性。然而，真正的突破性进展将来自那些能够巧妙结合这些维度的企业家。他们不仅仅局限于改进现有产品，而是以全新的方式重新定义工作的本质。


尽管将现有产品升级为更先进的版本依然是必要且有价值的，但若要构建能够长期超越当今企业软件巨头的公司，仅靠渐进式的改进是不够的。只有通过彻底的创新，重新思考产品、服务和用户体验的核心逻辑，才能在竞争中占据优势，推动行业迈向一个全新的高度。



对于那些能够通过快速整合和表达新能力来展现组合式创新的AI应用和AI代理公司，将有望成为定义下一代 AI 驱动软件时代的“关键企业”。


未来的 AI 原生应用，不仅会重塑工作方式，还将重塑整个行业。通过持续创新与迭代，企业软件将迎来一个更加智能、灵活且充满可能性的新时代。


四、附录



硅谷科技评论（SVTR.AI），在ChatGPT问世之际，创立于美国硅谷，依托AI创投库、AI创投会和风险投资，为创始人提供人才、资金和咨询服务，打造全球前沿科技（AI）创新生态系统。目前覆盖全球10W+ AI从业者，包括AI创始人和AI投资人。最近孵化案例包括：AI超级工程师模本科技；AI教育咨询公司高考纸鸢。

联系凯瑞（pkcapital2023），加入我们创业工作室，成为导师、顾问、创业合伙人等。

（文：硅谷科技评论）

欢迎分享

发表评论