如果一家企业能让业务负责人和技术同事借助 AI,自己搭出审批、报表或客户管理工具,原来的软件采购流程就会发生变化。以前只能等待供应商给方案、报工期的问题,现在可能先在内部做一版,再决定要不要继续买。

这时,一个很实际的问题会摆上桌面:业务是我自己的,需求也是我最清楚,既然实现功能的门槛降低了,我为什么还要向软件公司付钱?

这个问题会让一些供应商不舒服,却值得认真回答。过去的软件报价里,既有真正的工程难度,也有把需求翻译成代码的人力成本,还有客户无法判断技术难度时产生的议价空间。AI 让这几部分开始被重新拆开。

我的判断是,越依赖一次性功能交付的软件生意,越容易承受价格压力;越能把长期复杂性变成可复用能力的公司,越有机会留下来。这并不能推出多少公司必然消失,但足以改变甲乙双方判断价值的方式。

甲方定义业务目标,AI加速软件实现,软件公司沉淀可复用能力,三者通过真实业务反馈协作
开发能力扩散后,甲方、AI 与软件公司的分工开始重排;真正的交付仍要接受业务反馈。

一、客户第一次可以认真考虑“先自己做”

许多内部工具并没有高深的技术原理。它们可能只是让几张表单流转起来,把数据整理成报表,或者为一个小团队减少重复操作。过去交给外部公司,往往是因为企业没有足够方便、可负担的开发资源。

AI 辅助开发让业务人员更容易把想法表达成原型,让技术人员更快尝试不同实现。它的意义不只是节省几段代码的编写时间,还在于缩短需求提出、看到结果和修改方案之间的距离。一个业务判断不必先经过冗长的转述,才有机会接受使用者的检验。

这会首先挤压三种价值比较薄的生意。

第一种是主要按人天堆叠的轻量定制。如果交付的核心只是常见表单、审批和报表,而且没有复杂集成或持续服务,那么客户自建就会成为真实选项。人天仍可以是成本计算方法,却越来越难单独解释客户为什么应该付这个价格。

第二种是只有功能集合、缺少长期积累的 SaaS。一个界面里装了多少按钮,不再天然构成壁垒。客户会进一步追问:它有没有稳定的协作体验、可迁移的数据、成熟的权限和持续服务?如果只是把容易复现的功能装在一起,订阅价格就需要新的理由。

第三种是依靠技术黑箱维持溢价的服务。当客户能够借助工具拆解方案、尝试原型,空泛的术语和无法解释的排期会更难令人信服。真正复杂的工作仍然值得付费,但复杂性必须能被说清楚。

这不意味着小型定制公司一定没有未来。贴近现场、迅速处理特殊问题、长期承担维护,也可以构成扎实的价值。受到冲击的是无法说明自身贡献的交付模式,而不是某一种公司规模。

二、能演示的系统,离能依赖的系统还有多远

设想一个小团队做了一套内部审批工具。正常情况下,申请、审核、导出都能跑通,看起来已经替代了外包方案。但真正上线后,新的问题会接连出现:两个人同时修改怎么处理?离职员工的访问权何时收回?审批人休假由谁接手?重复提交会不会重复记账?备份损坏后还能恢复吗?

这些问题并不是界面之外的附加装饰,它们本来就是系统的一部分。演示通常只走一条顺畅路径,组织的日常运行却充满例外、冲突和变化。

AI 可以帮助实现权限、测试、备份和审计,但不会自动替企业决定谁有权看什么、什么损失可以接受、出现事故由谁负责。生成了一套机制,也不代表机制已在真实环境中得到验证。

因此,自建系统的成本不能只计算“第一版花了多少时间”,还要包括数据迁移、接口变化、模型与基础设施费用、故障处置、安全更新,以及负责人调岗后的交接。采购软件也一样:许可证价格只是其中一项,配置、培训、集成和退出成本都需要算进去。

第一版证明的是“我们能够实现这个想法”;长期运行要证明的是“即使人员、需求和环境变化,这件事仍然有人管、管得住”。

如果一个内部工具只服务少数人、数据不敏感、出错可以迅速重做,自建可能非常划算。若它已经进入结算、生产或关键客户流程,工程保障就需要跟着责任一起升级。内部团队和外部厂商都要接受同一把尺子。

软件从原型、上线到持续运行和交接退出,各阶段需要处理不同的权限、数据、故障与维护责任
原型只是软件生命周期的一段。选择自建还是采购,应比较整条责任链的成本与承接能力。

三、好产品的积累,是让下一个客户少踩一次坑

甲方最了解自己的流程,这是很强的优势。但一个企业里习以为常的规则,换到另一个企业未必成立:同样叫“客户”,可能有不同的归属方式;同样叫“审批完成”,背后可能是完全不同的责任确认。

软件公司的产品能力,体现在它能否从这些差异里找出稳定的共性。哪些应该进入统一的数据模型,哪些需要配置,哪些应保留为独立扩展,哪些需求看似普遍却会破坏系统边界,都需要判断。

这种抽象不是把所有客户的要求塞进一个越来越大的后台。一个真正可复用的产品,应让新客户使用已有能力时更轻松,让老客户升级时少受干扰,而不是每增加一个客户就增加一组互不兼容的分支。

跨客户经验只有被转化成产品,才会产生复利。一次权限事故可以变成更清楚的默认规则,一次迁移失败可以变成自动检查,一次行业例外可以变成可复用的流程模块。如果每次都靠某位老员工临场救火,公司积累的仍然是人力依赖。

这里也有必须守住的界限:跨客户学习可以沉淀通用规则、匿名问题模式和工程方法,不能把一家客户的私有数据、商业秘密和专属配置带给另一家。复用能力的同时尊重数据边界,才是值得托付的平台能力。

四、平台、行业与结果,为什么仍值得购买

沿着这条线看,软件公司的长期价值可以落在三个方向,但每个方向都需要交付实质。

平台:让客户反复复用一套基础能力

统一身份、权限、数据连接、任务编排和审计,不一定直接出现在业务演示最醒目的地方,却可能被许多内部应用共同依赖。客户可以自己开发前端和业务逻辑,同时购买这些基础能力。

平台的价值不能只靠“离不开我”来证明。接口是否开放、数据能否导出、服务是否稳定、迁移是否可行,同样是产品质量。客户因为可靠和省心而持续使用,比因为被锁住而无法离开,更能说明平台的竞争力。

行业:把隐性约束变成能运行的规则

在制造、医疗、金融或零售等领域,难点往往藏在异常流程、权限分工、数据口径和责任划分里。懂一个行业,不是把行业词汇换到菜单上,而是知道一个看似简单的操作会牵动哪些后果。

有价值的行业软件,会把这些知识变成可解释、可配置、可追踪的机制,并随业务和适用规则的变化持续更新。它还应该知道自己覆盖不到哪里,哪些环节需要客户或专业人员作出判断。

结果:让软件与业务改善建立可检验的关系

客户关心的是交付更快、差错更少、协作更顺畅,而不是多装了一个界面。围绕结果设计产品和服务,可以让软件公司更接近真实价值。

但按结果收费并不会自动消除争议。转化率的变化可能同时受价格、渠道和市场影响,客服成本下降也可能以体验变差为代价。双方需要先约定基线、指标、归因边界、质量底线和退出条件,才谈得上分享收益。无法验证的“业务赋能”,仍然只是一句销售语言。

真实业务问题经过共性抽象、工程保障、业务效果验证和反馈,再沉淀为可复用的软件能力
软件公司的复利来自这个循环:问题进入产品,效果接受验证,经验变成下一次可以复用的能力。

五、甲方真正需要的,是有边界的主动权

企业不必在“全部自建”和“全部采购”之间二选一。更实际的做法,是把系统按差异化价值、故障后果和维护能力拆开。

对于需求变化快、只服务局部团队、能够低成本撤回的工具,可以先用 AI 做原型,让业务问题尽早暴露。对于身份认证、支付、安全等通用而责任重的基础能力,应认真比较成熟服务和内部建设的完整成本。对于真正体现自身业务优势的流程,企业则需要保留定义能力,即使请供应商实现,也不应把规则理解和数据控制全部交出去。

采购前,可以把问题问得更具体一些:出了故障谁响应?历史数据怎样导出?供应商停止服务后如何接续?自建前,也应问相同的问题:原型的负责人离开后谁维护?模型或接口失效时怎么办?恢复流程是否真正试过?

好的组合通常是:甲方掌握目标、业务规则、验收标准和数据控制,AI 加速探索与实现,内部技术团队或软件供应商承接明确的工程责任。边界可以变化,责任不能空着。

六、软件公司要证明,客户为什么愿意一直选择你

对软件公司来说,最值得警惕的不是客户开始尝试 AI,而是客户用它做完一版以后,发现自己原来购买的价值很难解释。

如果供应商只能强调“代码还是很复杂”,它就把自己的价格押在了客户永远没有开发能力这个前提上。更有说服力的回答应当是:哪些风险已经被产品处理,哪些经验能直接复用,哪些长期维护由我们承担,以及这些投入怎样帮助客户改善业务。

同样,甲方拥有更强的开发工具,也不意味着必须接管所有软件建设。能自主判断哪些值得自己做、哪些交给专业团队,以及怎样让双方协作,比一味追求内部开发比例更重要。

AI 会继续改变功能实现的成本。软件的价值也会沿着客户真正需要的方向重新分配:从“替我写出这些功能”,走向“帮我把一类问题持续解决好”。

当客户也能开发,值得长期购买的软件,应当让客户越来越有能力,而不是越来越依赖解释不清的黑箱。