范式迁移：数据智能时代下 SaaS 的"去意义化"与企业软件重构

软件范式的终结：Ali Ghodsi 的挑衅与行业断层

企业级软件历史上，每一次生产力飞跃都伴随着对旧架构的解构。20 世纪 80 年代的本地部署软件包，到 21 世纪初 Salesforce 引领的 SaaS 革命，软件的本质始终是"封装好的工作流"。2024 至 2025 年间，Databricks CEO Ali Ghodsi 提出了一个引发争议的观点：SaaS 模式虽然不会在物理意义上消亡，但在 AI 尤其是自主Agent的冲击下，传统 SaaS 正在企业价值链中失去"意义"（Irrelevance）。

Ghodsi 的逻辑很直接：传统 SaaS 应用本质上是围绕人类操作设计的图形用户界面（GUI），核心价值是提供一套预定义的、点选式的工作流。但 Agentic AI 成熟后，知识工作的交互模式从"人适应系统界面"转向"Agent代表人类与底层数据交互"。当一个 AI Agent能通过自然语言指令，直接在数据湖或数据仓库上执行跨系统任务、自主生成 Schema 并完成交易闭环，曾经作为价值核心的应用层就沦为一种"退化器官"。企业 IT 支出的重心从前端应用向底层数据平台发生不可逆的偏移。

结构性移位的机制：从应用层到数据底座

界面重力的消失与工作流的解耦

传统 SaaS 通过垄断特定业务逻辑——如 CRM 中的客户线索管理、HRM 中的薪酬计算——建立护城河。护城河的稳固程度取决于用户对界面的依赖和切换成本。Ghodsi 认为 AI Agent正在消解这种依赖。AI Agent不通过 GUI 导航，而是通过 API 和底层查询语言（如 SQL）直接与数据源对话。如果企业可以直接在数据湖中运行Agent来管理客户关系，无需登录 Salesforce 的界面，Salesforce 作为"应用程序"的溢价就会大幅缩水。

这引发了"SaaS日落"现象：SaaS 产品从"用户必须造访的目的地"转变为"Agent可以绕过的子程序"。对企业而言，数据引力成为新的权力中心。智能生成需要海量且实时的上下文数据，将数据移动到应用层的成本和复杂性很高，在数据存放地（Lakehouse 或数据智能平台）直接构建 AI 能力成为逻辑上的最优解。

生产力悖论与开发成本的坍塌

AI 改变了软件的消费方式，也颠覆了软件的生产逻辑。Ghodsi 指出，AI 不会在一夜之间用"感性编码"（Vibe-coding）完全替代成熟的 SaaS 应用，但它极大降低了进入门槛，导致 SaaS 市场的长尾化和碎片化。

维度	传统 SaaS 开发模式	AI 原生 SaaS 开发模式	影响分析
研发投入（R&D）	占收入的 15-25%，数十名工程师开发多年	资本需求下降 70-90%，核心开发只需 2-3 人	现有 SaaS 巨头的高额毛利受到威胁
交付周期	6-12 个月的销售周期与数季度的实施期	实施周期缩短至数天甚至数分钟	企业对新工具的试错速度加速
核心壁垒	功能深度与复杂的集成生态	数据的实时性与Agent的执行精度	现有厂商必须开放数据接口

开发效率的指数级提升意味着，曾经受保护的利基市场正面临成千上万个 AI 原生初创公司的冲击。这些公司能以传统 SaaS 30%-70% 的价格提供更强智能体验的产品，瓦解现有厂商的利润空间。

Databricks 的战略响应：构建数据智能底座

湖仓一体与 Unity Catalog：智能的治理基石

Databricks 将自身定位为"数据智能平台"，目标是成为所有Agent工作流的终极归宿。平台的核心优势是"湖仓一体"（Lakehouse）架构，结合了数据湖的灵活性（处理各种非结构化数据）和数据仓库的严谨性能。

为了支持 AI Agent在企业级环境中的安全运行，Databricks 强化了 Unity Catalog 的统一治理能力。Unity Catalog 不仅管理表和文件，还管理模型、代码函数和Agent权限。在 AI 时代，Agent即安全。没有细粒度的访问控制，AI Agent可能产生不可预知的风险。Unity Catalog 确保所有生成式 AI 应用都建立在受信的元数据基础之上。

AI/BI Genie：让数据直接"说话"

Databricks 推出的 AI/BI Genie 是其"去意义化"理论的直接技术实践。Genie 不依赖单一的大型语言模型（LLM），而是采用"复合 AI系统"（Compound AI System），通过多个相互作用的组件来解释业务问题并生成精确的查询结果。

• 知识库增强：Genie 允许领域专家（如数据分析师）添加特定的业务语义、SQL 示例和文本指令，作为Agent的"思维导图"帮助其理解组织的特有术语。
• 检查模式：Genie 生成较小的验证性 SQL 语句来检查过滤条件和聚合逻辑，并在返回最终结果前自我修正，以解决 LLM 的幻觉问题。
• 语义推理：Genie 自动搜索工作区中的流行查询和元数据注释，不断进化其对业务逻辑的理解。

将 Genie 集成到业务流程后，Webmotors 等企业将手工单据量减少了 72%，请求响应时间缩短了数小时，证明了无需传统 BI 报表工具即可实现数据民主化。

Agent Bricks 与数据库工业的重塑

Agent驱动的基础设施：99% 的自动化预言

Ghodsi 在 2025 年的行业分享中给出了一个预测：2024 年仅有 30% 的新数据库由 AI Agent构建，2025 年升至 80%，2026 年将达到 99%。数据库管理员（DBA）的角色正从"建设者"转向"监督者"。

这一转变的核心动力是 Agentic AI 对传统数据库架构（已锁定 40 年）的颠覆。传统架构依赖人工预设的 Schema 和索引优化，AI Agent则能根据实时应用需求动态调整系统配置。Databricks 通过收购 Neon（无服务器 PostgreSQL 提供商）构建 Lakebase，为 AI Agent提供原生支持的后端，使其能够处理实时波动的数据流。

Agent Bricks：解决"不可见风险"

Agent的潜力虽然巨大，但目前 AI Agent在企业中普及的最大障碍是缺乏评估标准。企业不能将关键系统交给无法衡量表现的黑盒。Agent Bricks 倡议通过以下机制解决这个瓶颈：

1. 严密的基准测试：超越一般的编程竞赛，测量Agent在特定公司执行特定任务的能力。
2. 持续审计与改进：在Agent投入生产流前，对其进行评分和性能追踪，确保其决策符合预期。
3. 人类反馈闭环：在Agent执行过程中设置审批门禁，将人类的商业判断作为质量控制点。

巨头的防御与反击：Salesforce 与 ServiceNow 的Agent实验

面对"SaaS 无意义化"的威胁，传统软件巨头正通过内嵌Agent能力来重申其价值。这种防御策略的核心是：承认Agent是未来，但主张Agent必须运行在现有的业务上下文中。

Salesforce 的 Agentforce：重定义坐席

Marc Benioff 将"SaaS 终结论"斥为"奇怪的叙事"（Strange Narrative）。他认为 AI Agent不会消灭 SaaS，反而会将其转化为"Agent企业"（Agentic Enterprise）。Salesforce 推出的 Agentforce 360 平台试图将 Slack 作为Agent的"操作系统"，Data Cloud 作为Agent的"记忆体"。

Salesforce 的防御建立在三点：

• Context（上下文）：拥有 26 年的客户历史数据，这是第三方通用Agent难以触及的护城河。
• Trust（信任）：提供 Agent Test Center 和审计轨迹，解决企业对Agent安全性的焦虑。
• Outcome-based Pricing：引入弹性积分（Flex Credits）和按结果付费模式，缓解席位制失效带来的收入压力。

ServiceNow 的 AI Agent Fabric

ServiceNow 通过"AI Agent Fabric"构建了一个跨平台的通信主干。其 CEO Bill McDermott 强调，AI Agent不是简单的辅助工具，而是独立的、能够自主处理 IT 和业务流程的执行实体。

组件名称	功能定位	核心价值
AI Agent Fabric	通信骨干网络	允许来自不同供应商的Agent无缝协作
AI Control Tower	中央指令中心	提供统一视图，对所有Agent进行治理和合规管理
RaptorDB	高性能数据引擎	专为处理 AI Agent产生的高并发请求设计的数据库
Workflow Data Fabric	实时数据流处理	消除数据孤岛，确保Agent能即时获取跨部门的最新信息

这种架构反映了 ServiceNow 的野心：即便企业不再直接使用其传统界面，ServiceNow 也要成为编排所有Agent的"智慧中枢"。

第四次定价革命：席位制的瓦解与结果导向模型的兴起

SaaS 赖以生存的"席位制"（Seat-based Pricing）在 AI 的重压下正在崩塌。当一个 AI Agent能代替十个甚至一百个人类员工进行操作时，按人头收费的模式会导致软件供应商的收入随价值提升而下降，产生严重的价值错配。

根据行业统计，SaaS 产品中的席位制占比在一年内从 21% 下降至 15%，混合计费模式从 27% 激增至 41%。这是软件史上的第四次定价革命。

结果导向定价的机制

结果导向定价的核心逻辑：只有在达到预定义的业务成果时，客户才需要付费。

• Intercom Fin：每解决一个有效工单收费 0.99 美元。如果机器人无法独立解决问题并需要转人工，则不计费。
• Zendesk：允许客户先测试再扩展，仅为 AI Agent完成的自动化决议付费。
• Sierra：将定价与"成功追加销售"或"挽回流失客户"等直接财务指标挂钩。

这种模式将风险从买方转移到供应商身上，要求供应商具备极强的数据归因能力（Attribution）。企业买家对此表现出兴趣，因为这能有效消除"架上软件"（Shelfware）的浪费——目前高达 50% 的传统 SaaS 许可证未被充分利用。

基础设施软件：AI 时代的结构性赢家

在 SaaS 应用层面临去意义化风险的同时，基础设施软件正表现出更强的防御性和增长潜力。根据 iCapital 的研究，基础设施软件的增长率（15.4%）高于应用软件（9.3%），这主要归功于其更深的经济护城河。

基础设施胜出的四个维度

1. 数据引力与切换成本：重新架构一个云数据仓库（如 Snowflake 或 Databricks）的难度远高于更换一个 CRM 插件。这种粘性确保基础设施厂商在预算紧缩时仍能保持高留存率。
2. 算力与流量的自动变现：基础设施厂商大多采用消耗制模型，随着 AI Agent产生海量的 API 调用和查询请求，这些厂商的收入会自动随负载规模化增长。
3. 可观测性与安全性的溢价：Agent化工作流的复杂性使可观测性工具和 AI 安全平台成为刚需。到 2026 年，企业在安全和可观测性上的支出增长率预计是整体 IT 支出增长的两倍。
4. 领域专用语言模型（DSLM）的需求：在制药、法律等特定行业实现高精度，通用 LLM 正在让位于在专业数据上微调的 DSLM。这推高了对高性能底层数据平台的依赖。

无头化 SaaS 与 API 经济的新常态

随着 Ali Ghodsi 提出的趋势演进，2025 年后的 SaaS 行业正向"无头化"（Headless）和"嵌入式"（Embedded）架构演进。

Headless SaaS：后端即服务

在这种范式下，SaaS 厂商不再提供完整的用户界面，而是提供核心逻辑、工作流引擎和数据模型的 API 接入。这种架构的优势在于：

• 解耦前端风险：当界面风格（GUI/CUI/Voice）发生变化时，后端逻辑保持稳定。
• Agent友好型设计：API 文档的完备性成为新的竞争力指标。易于被Agent解析和调用的软件在"Agent选型"中会脱颖而出。
• 消除技术债：无头架构允许企业在不破坏现有业务逻辑的情况下，快速部署新的交互层，缩短 MVP 开发周期。

低代码与公民开发者的兴起

AI Agent正在降低"构建"软件的门槛。非技术用户（运营、财务、市场人员）可以利用 AI 助手，在数周内缝合出满足内部需求的自动化流程，无需购买昂贵的标准套件。这种"自给自足"的趋势正在侵蚀中端 SaaS 厂商的市场份额——这些厂商的功能集往往容易被快速复制。

挑战与限制：为何 SaaS 的"夕阳"依然漫长

去意义化的趋势虽然明确，但 Ali Ghodsi 也承认，SaaS 在短期内不会完全消失。这个过程受到多种现实因素的制约。

组织惯性与合规壁垒

大型企业拥有数以千计的遗留合同和严格的监管要求。将一个支撑核心财务流程的传统 ERP 系统迁移到完全自主的Agent架构上，往往需要数年的风险评估。这种"组织粘性"为传统厂商提供了转型缓冲期。

信任赤字与不可解释性

只有 13% 的企业认为自己已经为 AI 做好了准备，其余大多数仍在进行零散的试验。AI Agent的"幻觉"问题和不可解释的决策路径，使得在医疗决策、信贷审批等高风险领域，人类依然倾向于保留可见、可点的软件界面作为最后的防线。

数据的"AI Readiness"危机

绝大多数企业的数据依然处于孤岛化、杂乱无章的状态。Forrester 指出，由于数据清洗和整合的进度缓慢，许多 AI 实验被迫推迟。在数据变得真正"AI-Ready"之前，SaaS 应用作为数据的整理者和容器，依然具有不可替代的功用。

结论：软件价值链的再平衡

Ali Ghodsi 的断言揭示了企业软件逻辑的根本性重组。过去二十年，价值被应用层（App Layer）所捕获，因为它是人类与数字化业务的唯一接口。在Agent化时代，界面失去其作为中介的特权，价值向两端扩散：

• 上游的数据与智能资产：拥有独特行业数据和高质量治理能力的厂商（如 Databricks、Snowflake）将掌握智能生成的"原材料"。
• 下游的结果执行与信用背书：能够承诺并交付具体业务结果的厂商，将通过"结果导向定价"捕获业务溢价。