AI RaaS全球實踐背后的產投邏輯

今年年初，DeepSeek發布推理模型DeepSeek R1正式版，同步開源模型權重，一經發布立即火爆全網。當人們感嘆DeepSeek R1處理復雜任務時的出色表現時，其開源路徑進一步降低了AI創新的門檻和成本，千行百業正以前所未有的速度被重塑，AI應用的商業化落地也有望跑出“加速度”。

新的機會必然伴隨著新挑戰，面對時代機遇，如何將AI應用快速轉化為真金白銀的營收和利潤？什么樣的AI應用才具備高長期的資本價值？

4月2日，由盛景聯合中關村企業家顧問委員會、中關村100企業家俱樂部、中關村高新技術企業協會等合作伙伴在北京中關村全球科創路演中心舉辦的“上市公司AI應用第二曲線創新閉門研討會”上，盛景嘉成管理合伙人王湘云分享了AI RaaS（“AI包工頭”模式）的全球實踐與產投邏輯，并指出搶占AI產業升級窗口期的關鍵。

以下為分享內容整理，enjoy～

對于AI RaaS（即“AI包工頭”模式），盛景在兩年前投資相關項目時就已開始思考。今年春節DeepSeek發布其開源推理模型DeepSeek R1，成為中國科技崛起的重要里程碑，也讓我們更加堅定了一個觀點：AI RaaS模式加速落地的時機已經到來。

隨著AI技術的進步，在實現“技術平權”和“知識平權”的同時，現有的產業結構正在被顛覆。因為技術和知識的稀缺性、壁壘和重置成本在同步發生了改變，直觀體現在原有的壁壘可能將消失，稀缺性可能也將不復存在。此時，各行各業的競爭格局、價值體系和商業模式將如何升級，是企業家創業者們必須要思考的問題。

自2022年11月底ChatGPT正式推出以來，已過去兩年半左右的時間。回顧這一發展歷程，我們對人工智能大趨勢的關鍵預判基本得到了驗證：

第一個判斷，基礎大模型的持續迭代與開源，會引發AI價值鏈的重構。以DeepSeek的開源實踐為典型代表，它的推出引發了基礎大模型的價值重估，使得資本對基礎大模型的投資布局開始變得審慎；

第二個判斷，大廠在2C市場的后發優勢和長期壁壘。我們看到DeepSeek推出以后，一眾大廠快速跟進，成為前者開源的最大受益方。這揭示出頭部企業在AI價值鏈中具備持續迭代升級的能力，由此也引發了一個靈魂命題：如何避免被大廠踩踏？

基于上述研判，我們得出一個明確的結論：簡單“套殼”走不遠。為此，盛景創新性地提出并率先實踐“AI RaaS（Result as a Service，結果即服務）”或者叫“AI包工頭”的商業模式。

01

AI包工頭模式的第一性：

以AI為支點撬動更大利潤池

在闡釋“AI包工頭”模式的第一性原理時，需回歸企業經營的底層邏輯——利潤池。這是盛景在多年的投資過程當中，梳理總結提出的概念。

之所以要強調“利潤池”，是因為AI技術的升級和進步，將構建新的價值杠桿，幫助企業以AI為支點去撬動更大利潤池，這也是AI Raas模式具備巨大商業價值的核心所在。

企業本質上有五大利潤池，分別是：

1、數字化利潤池，包括企業自研、外采、委托開發的軟件和IT服務等資金投入。

2、人力資源利潤池，包括企業自雇、外包的人力資源性資金投入。

3、資產利潤池，包括采購和租賃的無形資產、設備/產線、土地/廠房/辦公場所等資金投入。

4、供應鏈利潤池，包括為產品研發和制造而外采的原材料、半成品、零部件、耗材用品等資金投入。

5、資本/資金利潤池，包括企業為貸款而支付的資金利息，繳納的各項稅費，股東的稅后利潤等。

假設一個企業的收入是100%,五大利潤池占比為X1+X2+X3+X4+X5=100%，拆解如下圖：

● 數字化利潤池：占到總收入X1%，通常情況為1%-2%，甚至更低；

● 人力資源利潤池：占到總收入X2%，通常情況下為20%-40%左右；

● 資產利潤池：占到總收入X3%，通常情況下為10%-20%左右；

● 供應鏈利潤池：占到總收入X4%，通常情況為20%-40%左右；

● 資本/資金利潤池，占到總收入X5%，通常情況為10%-20%左右；

由此可見，企業的數字化利潤池，也就是我們所說的軟件和IT服務產業，占比僅僅為1%-2%。軟件和IT服務行業，雇傭著行業平均受教育程度最高的人力資源，但卻僅僅在一塊最小的數字化利潤池中高強度競爭，高度內卷。

再來看一組更直觀的數據：

2022年全球GDP為100.22萬億美元，但全球軟件支出額僅為6750億美元，即使再加上12651.27億美元的IT服務支出額，合計也還不到全球GDP的2%（僅為1.87%）。

即便是對SaaS最友好的美國市場，情況也沒有本質性的改變：2022年美國GDP為25.4萬億美元，美國軟件及服務支出額約為7890億美元，也僅占美國當年GDP的3.1%，若扣除IT服務，美國軟件市場的總規模占美國當年GDP僅1.2%。

所以，如何打破這樣的困局？AI能力的突破，AI包工頭模式的出現，將突破數字化利潤池的天花板。三種不同的商業模式下，收入、利潤量級將相差10倍以上。

●A區工具模式：按照License/用戶數，收取一次性買斷的費用或者按年度訂閱（SaaS），但本質上都是工具型商業模式，覆蓋數字化利潤池。

●B區人力外包模式：按照外包人力的數量向客戶收費，從絕對規模上來看，比數字化的利潤池要大，即使沒有AI加持，整體產業規模依然巨大。

在AI技術賦能的推動下，基于人工智能的數字員工已進入廣泛應用階段。以盛景投資的今日人才這家公司為例，該公司已向深圳福田區政府成功部署數十個AI數字員工，用于提升公共服務效率。

盡管當前數字員工的能力與人類員工相比仍有差距，但其顯著優勢在于極低的邊際成本，這種成本優勢正推動著數字員工在各領域實現規模化應用，形成新型勞動力補充形態。

●A+B+C區運營外包模式（“包工頭”模式）：不僅包含對數字化、人力資源能力的覆蓋，也包含對設備、產線、資源以及一些獨有的生產力的覆蓋，實現全流程的端到端外包服務，按照工作量和結果收費，覆蓋更大規模的利潤池。

這種運營外包模式，并不是新鮮事物，如美國的Accenture，印度的Infosys，包括中國頭部的IT服務企業，都有大量的運營外包業務屬于包工頭模式。

過去，在很多人的傳統意識中認為，這種模式干的都是苦活、累活、臟活，且盈利能力不強，但如今在AI的加持下，這種模式不僅擁有一個巨大的利潤池，更形成了兼具高科技屬性與強勁盈利前景的創新商業模式。

以礦山無人駕駛為例，一家擁有500臺車輛的露天礦山：

如果只是賣自動駕駛套件，一年該礦山的購買上限也就是在2000萬人民幣以內，利潤按10%計算不超過200萬，若要派員工去現場做定制化開發，可能利潤更微薄。

如果把無人駕駛技術+車輛整合在一起，按照單臺60萬元計算，每年的采購上限約7000萬左右，利潤率按照15%計算僅1000萬人民幣。

AI包工頭模式下，一年的土石方運輸外包（按照每立方米不超過10元人民幣計算）一年的收入約10億元，即使利潤率按照5%的傳統利潤水平計算，也有約5000萬人民幣，相比于工具模式下的200萬凈利潤，AI包工頭模式下的利潤池實現了20-30倍左右的放大。

因此，我們在探討未來構建AI SaaS模式時，必須回歸第一性原理：基于AI技術實現AI SaaS的時候，能否幫助企業獲得一個更大的利潤池，并且有潛力達到10倍以上的量級，這是核心邏輯所在。

02

DeepSeek R1:

為什么優質的推理模型這么重要？

關于優質的推理模型為何如此重要，春節期間推出的DeepSeek給出了很好的解釋。

此前，行業一直在討論AI Agent，但若沒有優質推理模型支撐，AI Agent便淪為偽概念。DeepSeek R1作為優質且開源的推理模型，在它推出之前，所謂的AI Agent僅能完成簡單任務，無法處理復雜任務。

黃仁勛在3月舉行的英偉達GTC大會上，直觀展示了DeepSeek R1與Llama 3.3（Meta推出的開源大模型）之間的差異：優質的推理模型不僅提供正確結果，還能呈現完整可視化的推理過程。

在大會現場，兩個模型需要同時完成婚宴座位的安排提示，不僅要滿足傳統習俗、拍照的角度美觀，還要兼顧調節家族成員矛盾等多項復雜約束。Llama 3.3做推理，Token數量僅439個，雖然速度快，但答案是錯誤的，而DeepSeek R1通過8559個token詳細展示了推理過程，并得出正確結論。兩者Token數量相差近20倍。

這種差距正是優質推理模型的價值所在，另一方面，也正是由于優質推理模型DeepSeek R1的開源，讓AI具備了解決復雜問題、長流程場景的可能性，即提升了AI的能力上限。同時推理的可視化還打破了AI黑箱，使得人與人工智能以及工具之間的交互和協同變得更好。

另外， DeepSeek的開源比較徹底，它把模型的權重開源了，這就意味著所有人都可以無差別地使用其模型，那么這也消除了產業上下游對AI投資的不確定性和不可控性的疑慮。

至此，DeepSeek R1開源所釋放的技術勢能，推動產業變革開啟。有了這些技術支持，基于AI包工頭模式重構千行百業的歷史性機遇也打響了發令槍。

03

AI包工頭模式：不跟進則出局，

傳統軟件/SaaS不再值錢

在AI技術加速滲透的背景下，傳統SaaS（軟件即服務）行業的價值邏輯正在被顛覆。

1、傳統SaaS代碼資產價值貶值

這一代AI最重要的能力之一就是實現了自動化編程，目前自動化編程的占比已經達到70%-80%，而且在AI維護升級迭代上，也實現了更高比例的自動化。

此前，亞馬遜CEO安迪?賈西就宣布，公司的生成式人工智能助手“Amazon Q”在軟件升級方面取得了顯著成效，相當于4500個開發人員一年的工作量。

所以，AI自動化編程能力將使傳統SaaS軟件的重置成本10倍速、100倍速的下降，傳統SaaS以代碼資產為核心的競爭壁壘將加速瓦解。

2、傳統SaaS數據模式和數據接口過時

在AI時代，MCP（Model Context Protocol，模型上下文協議）提供了一種統一標準的方式，將 AI Agent 和模型與外部數據和工具集成。它是一個強大的連接框架，不僅僅是另一個 API，它使智能、動態和上下文豐富的 AI 應用成為可能。傳統SaaS企業長期構筑的數據壁壘，面臨系統性穿透。

3、AI的介入將重構企業的業務邏輯

基于傳統SaaS的標準化模塊所建立的標準化流程、業務邏輯，正在被動態智能化的調度所產生的智能化決策所取代。

微軟的CEO納德拉曾大膽預言：AI Agent將終結所有SaaS。他認為，傳統的SaaS應用，本質上都是具有業務邏輯的增刪改查的數據庫，這些業務邏輯將來會被AI替代。后臺的增刪改查的數據庫將變得更加開放，所影響的不僅是前臺的業務端，比如CRM這樣的業務應用，后臺的財務、運營等等應用，也都將被瓦解。

所以在這種情況下，基于AI的包工頭模式，反而在新時代擁有了高長期的資本價值。

04

AI包工頭模式：

“五高”=高長期資本價值

傳統包工頭模式賺錢不值錢的原因：投資人顧慮低科技含量、重人力成本、高人力管理難度帶來的交付質量的不可控，從而導致難以大規模復制，難以形成規模化收入、利潤和持續增長，以及人力資源合規成本高等原因，即所謂“規模、收益、確定性“的不可能三角。

但是，AI包工頭模式將有可能打破“不可能三角”，在10倍利潤池放大的同時，還能實現“五高”，而“五高”也是投資人判斷項目是否具有長期資本價值的標準。

所謂“五高”，一是高科技含量；二是高系統性優化，指的是你的能力不是單一的，需要具備完整的組合能力，這樣才能有高壁壘；三是高可控和可復制性，即交付能力和質量高度可控，能夠最大限度降低人為因素的影響（比如，因為作業環境惡劣導致作業人員招工難且流失嚴重等，由此所導致的效率、成本、質量的惡化）四是高客戶粘性和復購；最后是高財務確定性和可預測性。

我們相信，未來AI SaaS（“包工頭”模式）在“五高”的共同作用下，會有效消除前述減損資本價值的各種因素，從而實現高長期資本價值。

同時，我們也必須清醒地認識到，未來1-2年內，若企業不能以AI SaaS這種模式完成市場卡位戰，就意味著可能將喪失產業升級的入場券。AI的門檻不會是永久的，所以企業要抓住這樣一個窗口性時機。

05

從計件計量制到AI業主：

AI包工頭模式的四大進化層級

隨著人工智能技術的深入應用，AI產業鏈中的“包工頭”模式也有四個進化階段。每個階段的進化不僅體現了技術能力的提升，更標志著AI從工具屬性向資產屬性的跨越。

第一個階段，簡單、標準化任務按工作量計費，提升初級效率。例如，由OpenAI董事會主席所孵化的美國AI客服公司Sierra，目前所提供的就是比較標準的客服服務，在沒有人類介入的情況下獨立完成處理客戶工單的任務，它提升的是簡單任務的初級效率。

第二個階段，軟硬結合復雜系統按工作量計費，提升綜合效率。真正賺錢的任務，也就是規模更大的任務，會涉及到更為復雜的系統，這就要求把軟件和硬件結合起來，然后按工作量計費。

如前文所述的礦山無人駕駛項目，為什么它運土石方的收入一年能達到10多億，就是因為這個項目涉及到軟件、設備、地圖、調度，5G通信等，是一個非常復雜的系統，同時還要把人有機地結合進去，所以要完成的是一個綜合系統的效率升級以及AI保障，這也是礦山場景商業價值和資本價值上限更高的原因所在。

第三個階段，收入分成與傭金模式——深度綁定業務成果。進階至第三層級的AI包工頭模式，不再滿足于按量收費，而是通過收入分成或傭金與客戶業務成果深度綁定。

該模式的成功，取決于能否幫助客戶實現增收，而不僅僅是客戶內部運營能力和流程的優化，這需要觸達到客戶最核心的資產（客戶資產），而一旦觸達就有可能實現更高層面的AI業主模式。所以收入分成與傭金模式，一方面要求企業和客戶的信任度要更強，另一方面對數據質量和算法泛化能力要求更高。

第四個階段，AI業主模式：從服務提供者到資源掌控者。最高階段的進化是從“AI包工頭”進一步躍升為“AI業主”，升級到對資產的獲取。

典型案例是AI探礦公司KoBold Metals，由兩位哈佛博士聯手創立，利用AI技術進行礦產勘探。相比于傳統的探礦模式，這家公司將探礦成功率提升了10倍，同時把探礦效率也提升了10倍。比如勘探一個礦藏，傳統模式下需要大概5-7年的時間，現在半年時間即可完成，而且成本僅為傳統模式的25%。

當AI帶來實質性提升之后，未被認知到的資產價值發現能力也在被重構。2024年2月，KoBold Metals在贊比亞的明戈巴項目上發現了巨型銅礦儲量，成為了該國一個世紀以來最大的銅礦，其儲量價值為100-150億美元。而僅在14個月之前，這家公司才出資近1.5億美元買下該礦床52%的股權，之所以能以這樣的價格成交，是因為在它發現這個礦床之前，大家都沒有認識到這一資產的價值。

事實上，該礦床所在位置也曾經被不少探礦隊鉆探過，但由于埋藏較深亦或是運氣全部失之交臂，而這也從側面反映出AI能力之強。

所以，AI不僅能讓我們成為一個好的服務企業，未來還能讓我們成為更優質的資產和資源的掌控者。

06

AI包工頭模式：

必須完成四大認知升級

認知1：AI包工頭模式，必須垂直、垂直、再垂直；不專注，必敗

與傳統軟件追求跨行業通用性不同，AI包工頭模式一定要圍繞著垂直行業、垂直場景。盡管底層的AI模型會差不多，但當觸及更長的價值鏈時，行業壁壘開始顯性化：跨行業人才復用性低、專用設備體系獨立、產業合作伙伴的整合也不一樣……在這種情況下，唯有持續聚焦細分行業，做垂直場景，才能構建技術、數據、行業認知、行業資源生態、風險控制能力五重護城河，才不會把寶貴的窗口時機讓給競爭對手。

認知2：AI包工頭模式：無人則敗，人機協同方可勝出

AI包工頭模式的成敗關鍵在于能否有效整合人類價值，而非盲目追求“純AI替代”。未來隨著AI包工頭模式的成熟，該模式里的“人”一定是各個領域的專家，各個場景的專家。

因為大部分中低端的場景和服務會被AI+設備所替代，但中高端的或者一些復雜的系統性的任務，仍然需要專家來做決策，做服務保障，所以沒有“人”必敗。

而且未來越是優質的頭部專家，薪資水平會越高，因為這類人才非常稀缺，所以未來的包工頭模式下，企業要盡快整合到所垂直的領域或場景的專家，與AI進行人機協同，才能在激烈競爭中勝出。

認知3：AI包工頭模式，不能排斥臟活累活，輕AI是短樂長痛

AI包工頭模式的真正壁壘，恰恰藏在那些被輕視的“臟活累活”中，如果企業沉迷于開發“輕量化AI”，只能做那些簡單的標準化的工作，而不是繁瑣、非標、高摩擦的環節，企業的競爭門檻就比較低，就會在更高層次的AI競爭中出局。

所以，從理念或者從心智模式上就要接納這樣一個邏輯：不能排斥臟活累活，輕AI是短樂長痛。這樣我們AI才能有長期的競爭力。

認知4：AI包工頭模式，一年內是寶貴窗口期，需要快速落地拼執行力；需要快速推進組合式聯創，沒有時間慢慢交學費

當下，AI包工頭模式正處爆發前夜，一年窗口期是行業卡位的黃金階段。目前技術迭代速度遠超場景滲透效率，先發者可通過快速落地搶占數據、客戶與行業標準的話語權。

因此，在寶貴的搶跑窗口期，需要企業快速推進，但在這一過程中，可能會遭遇的問題包括，懂場景的，可能對AI不是很擅長；懂AI的，對場景和行業know-how可能又不是很在行。如何解決？最優選就是用孵化器的模式，幫助大家進行組合式聯創，加速覆蓋場景的能力，而不是靠企業自己慢慢滲透去交學費，因為市場不會給你足夠的時間。

未來10年，AI包工頭模式將持續進化，盛景通過“兩大抓手和一個基礎平臺”為有實力的產業公司或行業資源豐厚的產業老兵，抑或是AI應用創業者，創造大展宏圖的機會。

其中，兩大抓手，一個是“AI包工頭聯創孵化營”，最新一期的孵化營將在4月推出；另一個是“AI RaaS早期基金”。“一個基礎平臺”則是盛景積淀多年的多維生態體系：首先是CIC產業孵化生態；其次是深度覆蓋清北中科院的頂級科創投資生態，系統化對接清華、北大、中科院優秀的人工智能的科學家創業者，構建起科技前沿與產業實踐的價值轉化通道；第三是盛景的母基金生態，通過與頭部基金的合作，形成對AI賽道領跑企業的投資覆蓋；最后盛景獨有的極簡戰略賦能體系，都將為AI RaaS提供基礎的平臺能力建設。