AI 不会杀死Saas，AI重塑Saas商业价值

传统软件行业的担心，主要集中在这三件事：AI 会替代人工操作，软件入口会失去价值，席位订阅会增长乏力。按这个逻辑推下去，SaaS 企业的收入、利润率和估值似乎都会被压缩。

这套担忧抓住了一部分真实变化，却把结构性冲击误读成了全面替代。传统 SaaS 依靠前端界面获取用户，依靠席位订阅形成收入，再依靠较低的边际交付成本维持高利润率。AI Agent 正在逐项改变这套商业逻辑，但冲击并不是均匀落在所有软件企业身上。

它带来的更多是一次价值重分配：低壁垒、轻流程、数据沉淀有限的工具型产品会被压缩；反过来，掌握企业数据、深度嵌入业务流程、具备治理能力的平台型软件，会因为成为 AI 落地的底层支撑而获得更高价值。

软件行业也因此从业务记录系统向 AI 驱动的业务执行系统迁移。未来竞争的关键，不再只是有多少用户使用界面，而是能否控制企业数据资产、完成闭环业务执行，并把新增价值转化为可持续收入。

01 AI 冲击的是商业基础，不是软件需求本身

入口价值开始分层

传统软件的人机交互发生在应用前端。员工登录系统，完成查询、录入、审批和跟进，界面既是业务入口，也是产品粘性和定价权的重要来源。

AI Agent 改变了这一过程。用户可以直接用自然语言表达需求，Agent 再调用底层业务系统，完成跨系统操作。前端界面依然存在，但不再需要承担所有操作。这会让工具型 SaaS 首先承压。功能单一、数据积累薄弱、业务嵌入较浅的产品，会从一个独立工作入口退化成 AI 调用的后台能力，客户粘性和自主定价权随之下降。

平台型软件的情况相反。它们掌握核心数据、权限体系和关键业务流程，即使前端入口的重要性下降，仍然是 AI 执行任务时无法绕开的底层系统。

席位不再是唯一增长锚点

传统 SaaS 的收入增长与组织扩张高度相关。企业增加员工，就购买更多席位；再叠加模块扩容和续约，形成一条相对清晰的线性增长曲线。当 AI 开始承担客服运维、销售运营、数据分析和行政支持等重复性工作后，企业新增人工席位的需求会放缓。原来的“人员扩张、席位增长、收入提升”逻辑，不再适用于所有软件公司。

这不等于企业不再需要软件，而是软件的使用者从单纯的人工，变成了人工+AI 智能体。如果厂商仍然只按席位收费，就会看到 AI 创造的工作量不断增长，收入却无法同步增长。

利润结构被双向拉扯

低边际交付成本，一直是 SaaS 高利润率的基础。生成式 AI 进入产品后，推理、算力调度、数据处理和基础设施运维都会带来新增成本，利润空间因此承压。但 AI 也能反过来降低企业内部成本。研发、运营、客服和运维流程都可能被自动化，释放出新的利润空间。

结果就是软件企业之间的盈利分化会加剧。只是被动叠加 AI 功能，却无法改善内部效率的公司，需要长期承担增量成本；能够同时把 AI 用于对外增值和对内提效的公司，利润率才可能稳住甚至继续上升。

02 头部公司的经营数据，已经反映出这种变化

如果这些变化只停留在概念层，仍不足以解释趋势。Salesforce、Snowflake 和 ServiceNow 的季度数据，已经把这些变化带入 ARR、任务执行量、客户留存和订单增速等核心经营指标。

Salesforce：AI Agent 创造了新的可计费工作量

Salesforce FY27Q2 整体收入同比增长 11%。Agentforce 与 Data 360 的 ARR，也就是年度经常性收入，接近 39 亿美元，同比增速超过 210%，其中 Agentforce 独立 ARR 突破 15 亿美元。这组数字的意义，不只是 AI 产品收入增长快。AI 已经开始形成可以单独衡量的收入池，不再只是附着在传统软件订阅上的附加功能。

更值得关注的是任务执行规模。Salesforce 单季 Agentic Work Units，也就是智能体任务执行量，达到 32 亿次，环比增长 97%，累计执行量超过 70 亿次。AI 由此从辅助工具变成承接实际业务工作量的数字劳动力，也让按任务、按调用量收费具备了现实基础。

Snowflake：数据治理决定 AI 能走多远

Snowflake FY27Q2 产品收入同比增长 37%，净收入留存率维持在 126%，全年收入指引继续上调。AI 产品贡献了近半数新增增长，AI 开发工具生态覆盖的客户数量也在扩大。企业 AI 落地的瓶颈，往往不是模型本身，而是数据是否可信、是否可查、权限是否可控。AI 应用越普及，底层数据平台的查询、治理和调用需求就越大。

ServiceNow：流程与治理能力决定商业化上限

ServiceNow FY26Q2 的数据显示，AI 整体 ACV 突破 10 亿美元，Agent 规模化部署量在 9 个月内增长 9 倍，订阅收入和 RPO，也就是剩余履约义务，保持 20%以上增速。

ServiceNow 的特点，是让 AI 嵌入 IT 运维、客户管理、员工服务和安全风控等核心环节，并接受权限、规则和审计体系约束。生产级 AI 能否落地，往往取决于这种流程闭环和治理能力，而不只是通用模型能力。

从行业渗透率看，目前只有 11%的企业完成了 AI Agent 生产级部署，超过半数仍处于试点阶段。能否帮助客户从 PoC 走向规模化生产，会成为下一阶段软件企业估值分化的重要分界。

03 席位收缩是计价方式落后，不是需求消失

市场对席位制萎缩的焦虑，本质上来自计价体系没有跟上软件价值的变化。传统 SaaS 按人工使用行为收费，座位数就是最直接的计价单位。进入 AI 时代后，软件价值同时来自人工操作和智能体自动化调用，任务执行量、数据调用频次、流程触发数量和自动化覆盖率，都会成为新的价值载体。如果厂商继续只收席位费，就会出现一个错位：AI 为客户创造的价值越多，软件公司的收入反而越难同步增长。

Salesforce 已经采用“席位订阅+对话计费+操作积分用量”的多元计费体系，通过弹性协议协调固定预算和增量用量；ServiceNow 则落地“基础许可证+增量用量”的混合定价框架，以基础订阅保障稳定性，以 AI 用量兑现增量价值。

新的评价标准也因此变得清楚：软件公司的价值不只取决于席位规模，而取决于它能否把智能体带来的自动化工作量、业务增量和效率提升，转化为实际营收。

04 一横四纵决定不同类型软件公司的上限

AI 对软件产业的影响不是单个产品的升级，而是连接方式、数据基础、执行流程和运维体系同时变化。这一格局可以概括为“一横四纵”：一个横向通用协议层，以及四个纵向价值层。

MCP 协议层：重做 AI 与企业系统的连接方式

MCP，也就是模型上下文协议，是一种厂商中立的开放标准。它把 AI 模型与企业系统之间复杂的“N×M”适配关系，简化为“N+M”的标准化对接，降低了 AI 应用的集成门槛。它带来的变化不只是接口统一。标准化调用让 AI 行为可以被追溯、计量和收费；竞争壁垒也从界面粘性和用户习惯，转向数据控制权、权限体系和业务流程嵌入度。同时，Agent 接入核心系统后，细粒度权限、身份认证和全链路审计会变成企业 AI 的基础设施。

数据控制层：企业 AI 的上下文底座

通用大模型决定 AI 能推理和生成什么，企业数据体系则决定 AI 能否理解具体业务。数据控制层需要为智能体提供可信、合规、可追溯的业务上下文，解决它的认知边界问题。分析型数据平台侧重多模态数据打通与统一治理，适合复杂推理和跨域分析；操作型数据平台则面向实时业务交互，适合客服、销售运营等高频动态场景。AI 应用越多，底层数据查询、检索、治理和调用的需求就越强。

工作流执行层：AI 从回答问题走向完成工作

工作流执行层决定的，不是 AI 能不能理解需求，而是它能不能沿着企业现有规则，把一件事完整做完。Agent 一旦进入采购审批、员工入职、费用报销、客户跟进等流程，就必须理解业务对象、执行步骤、审批关系、权限边界和异常处理方式。谁能把这些能力沉淀进系统，谁就更有可能把 AI 从辅助工具变成真正可调用的数字劳动力。这也是当前 AI 商业化回报相对清晰的赛道。

Workday的切入点，是人力与财务这类企业核心经营流程。它并不是在通用对话界面外挂一个 AI 功能，而是把 AI 放进组织架构、岗位、薪酬、预算和审批链路之中。比如一项人事或财务操作需要经过多个角色确认，Agent 只有理解这些流程关系，才能在权限范围内完成查询、发起、流转和反馈。流程越接近企业经营主线，AI 创造的价值就越难被一个通用模型单独替代。

HubSpot面对的是另一类场景：中小企业客户运营。这里的业务特点是触点多、频率高、数据分散，销售和市场团队需要持续完成线索触达、客户跟进和转化推进。HubSpot 的价值，在于把这些分散动作放进统一的客户流程中，让 AI 能够参与自动触达、持续跟进和转化辅助。它距离最终业务结果更近，因此 AI 带来的效率变化也更容易被客户直接感知。

UiPath解决的是跨系统执行问题。大量企业并不是从零开始建设 IT 体系，而是同时运行着 ERP、CRM、财务系统、内部工具和大量存量应用。Agent 要完成一项跨部门任务，往往需要在多个系统之间传递信息、触发操作并处理异常。UiPath 通过流程编排把这些原本依赖人工衔接的步骤串起来，让 AI 能够覆盖复杂、异构的存量系统，而不是要求企业先替换掉所有基础设施。

Palantir则把数据治理、权限管控和 AI 执行放在同一套体系里。它的本体建模能力，重点不只是把数据汇聚起来，而是把企业中的客户、订单、设备、事件和业务关系整理成机器能够理解的对象。这样一来，Agent 在执行任务时，既能知道“数据代表什么”，也能知道“谁有权调用、操作会产生什么影响”。对于高度依赖数据安全和合规的企业，这种从数据到执行的贯通能力，往往比单一模型能力更关键。

这四类公司的切入点不同：Workday 守住核心经营流程，HubSpot 贴近客户增长，UiPath 负责跨系统编排，Palantir 强调治理与执行一体化。但它们的共同方向是一致的：软件不再只记录业务，而是开始承接业务动作。嵌入越深、闭环越完整、执行结果越可量化，软件在 AI 时代的定价权就越强，也更有可能从按席位收费转向按流程、任务或业务结果收费。

垂直场景层：价值越可量化，定价越灵活

医疗、金融、法律和工业等垂直场景，拥有行业数据和专业规则壁垒，更容易量化 AI 带来的效率提升。以医疗场景为例，AI 工具可以降低文书负担、提高接诊效率。价值一旦能够被明确衡量，软件厂商就有条件从单一订阅制走向“基础订阅+模块增值+任务计费+结果分成”的混合模式。

云与开发运维层：保障 AI 稳定、安全、低成本运行

AI 应用越复杂，对可观测性、安全治理和成本管控的要求越高。日志检索、异常检测、风险防护和算力成本治理，都会成为生产级 AI 不可缺少的基础能力。这类基础设施不依赖某一个 AI 应用是否成功，而是随着企业 AI 整体渗透率提升而增长，因此具备相对稳定的产业价值。

05 最终被重构的是价值分配

AI 没有让软件行业失去意义，它改变的是软件价值的评判方式。

过去，软件企业依靠界面入口、用户习惯和席位规模建立护城河。进入 AI 时代后，数据控制权、流程执行力、合规治理能力和商业化变现能力，会成为更关键的竞争壁垒。

行业分化也会继续扩大。低壁垒、弱流程、浅数据的工具型 SaaS 可能持续估值折价；平台型软件、数据底座、工作流平台、垂直场景软件和 AI 基础设施，则更有机会获得价值重估。

对软件厂商而言，问题已经不是简单给产品增加一个 AI 功能，而是要让自己的产品成为企业 AI 落地时的数据底座、执行载体或治理边界。只有进入这几种位置，软件企业才能在下一轮价值分配中占据主动。