<mark id="oztn4"></mark>
0
| 本文作者： 張嘉敏 | 2025-12-03 14:55 |
“我們有按結果付費的合同模板，但目前客戶大多不愿意簽。”Agent浪潮帶來的不僅是一場技術變革，還有關于SaaS商業模式的考驗。
蓋雅工場董事長兼CEO章新波告訴雷峰網，作為勞動力管理領域的領頭羊，蓋雅工場在“試水”按結果付費的模式。
“Agent讓SaaS廠商有能力為業務結果負責”，章新波認為，SaaS產品引入Agent的關鍵在于改變業務結果。
在他看來，過去很多SaaS廠商只提供工具，現在不僅要解決怎么使用SaaS工具的問題，還要告訴企業客戶怎么使用才能達成最優業務結果。
要做到這一點并不容易，章新波直言：“Agent不能是通才，而是要成為某個領域的專才，甚至某個行業的專才。”
這樣的理念，滲透在蓋雅工場15年的AI探索歷程中。
早在2010年，蓋雅工場就洞察到人口紅利消失的趨勢，瞄準AI運籌算法，將對勞動力成本的追求轉化為對勞動力效能的激活，推出“智能排班”SaaS產品，開始用機器排班取代人工排班。
章新波笑稱，蓋雅工場對待AI的態度既激進又保守。“雖然我們算是較早布局AI的SaaS廠商，但在大模型領域，我們確實沒那么激進，甚至可以說是保守。”
這里所說的“保守”，是相較于其他廠商而言——在Agent元年，有激進者一口氣推出四五十個Agent，而蓋雅工場“目前只推出五個Agent”。
章新波坦言，蓋雅工場之所以沒有過早追逐Agent浪潮，是因為他在思考一個問題：大模型興起后，誰能成為被企業級應用穩定接受的大平臺、大玩家？
他清楚地認識到，蓋雅工場并非自研大模型的玩家，并不掌握底層的AI技術。在大模型快速迭代的時代，作為SaaS應用廠商，需要先摸清行業格局和發展趨勢，才能更加游刃有余。
一邊觀望，一邊前進。
“我們想先把這五個Agent做深做透，深度扎根場景和數據。”章新波認為，SaaS廠商為企業提供的價值，在于立足行業know-how的洞察，告訴企業客戶哪些做法能達成行業領先結果，這是Agent算法模型之外的核心附加值。
以勞動者時間管理為例，既要讓員工滿意，又要讓公司滿意，這需要匯集各行各業的know-how，借鑒不同行業對員工時間高效利用的方法，“這不是一家公司能獨立完成的”。
章新波深信，Agent能讓業務結果更明確：過去企業客戶想要結果，但結果難以量化；現在結果越來越清晰可測，且能計算貢獻度，理論上已具備轉向“為價值、為結果付費”的基礎。
但按結果付費的“試水”，在蓋雅工場的實踐中暫未取得明顯成效。章新波提到，企業仍更傾向于傳統訂閱制付費模式，即按模塊、按人數、按賬號購買。
這并不代表按結果付費的邏輯在SaaS行業行不通。多家SaaS廠商告訴雷峰網，引入Agent后，SaaS產品的付費模式已逐漸轉向混合制，即基礎訂閱+增值服務，其中AI增值服務多采用按結果付費或按量付費模式。
而章新波認為，從“開源節流”的角度看，開源類產品相對更容易實現按結果付費：因為增量部分的分成邏輯會更清晰，天然更具備商業模式轉型的條件。而蓋雅工場的產品屬于節流類，目前這類工具產品按結果付費的模式尚未規模化，只有零星個案。
Agent浪潮不僅引發了產品技術的競速和商業模式的探索，也為SaaS行業格局變動帶來了新的可能性。
面對不斷變化的行業格局，章新波有著不變的“生意經”：在AI時代，產品上線和結果反饋的速度比傳統SaaS時代更快，細分領域有品牌、有口碑的公司會更具優勢。
他認為，無論技術如何發展，To B業務的決策邏輯幾十年來從未改變。細分領域的頭部SaaS廠商如果能避免被顛覆，并且保持不犯錯，就能進入“強者恒強”的狀態。
作為SaaS老兵，章新波也有著獨到的“生存哲學”。他清醒意識到，大多數SaaS廠商在資金、資源、人才密度等方面并不占優，在有限的條件下想實現“百花齊放”并不現實。“沒錢就要好好茍著——茍著不見得是壞事，有多少資源就干多少仗。”
蓋雅工場的AI探索和章新波的行業思考，正是垂直SaaS廠商面對Agent洪流的一個縮影。
近期，雷峰網與章新波展開了一場深度對話，談及蓋雅工場早期云轉型、擁抱AI的歷程，也聊到近年來SaaS行業在資本市場遇冷，以及大模型、Agent浪潮帶來的新機遇。
見證過SaaS在資本市場的浮沉，章新波仍對這一行業充滿信心：隨著Agent技術和SaaS的深入融合，部分SaaS廠商可能在2025年之后進入“既增長又盈利”的階段。或許從明年開始，這一趨勢會讓越來越多資本看到明確的投資保底空間。
以下是具體的對話內容，為了方便理解，內容經編輯。
既激進又保守的AI策略
雷峰網：在聊Agent話題之前，想了解蓋雅工場當初為何選擇SaaS的商業模式？背后有哪些故事？
章新波：蓋雅工場早期是傳統軟件公司，但商業模型跟其他行業軟件公司有所不同。當時我們定義盈利有兩個關鍵要素：一是基于客戶的員工數量設計價格清單，很多廠商按照功能模塊收費，但蓋雅工場按照員工數量，和客戶業態緊密綁定；二是給客戶提供持續服務，每年收取維護費，此前國內收取維護費的廠商并不多。
剛好當時SaaS在中國興起，我們發現SaaS模式可以更好地實現這兩個關鍵要素——基于人員用量收取年費，還能為企業客戶提供持續的升級服務。但當時也面臨困境：2014年左右國內幾乎沒有面向大客戶的SaaS產品。投資人問我們的客戶群定位，我說“3000人及以上”，投資人說“這沒戲，你可以走了”，所以當時很痛苦。
雷峰網：那蓋雅工場探索AI又是基于什么契機？
章新波：我們在2010左右就進入了AI領域，那時的AI更多是運籌算法、機器學習等技術分支，大模型還沒出現。我們第一次融資是在2016年，此前一直靠自身盈利投入AI研發，沒有資本加持，公司壓力不小。
之所以在2010年就瞄準AI，是因為我們察覺到人口紅利消失可能是一個趨勢，企業對勞動力成本的追求，會逐漸轉化為對勞動力效能的激活，也就是不靠壓榨時間和成本，而是激活人的效能。所以我們引入了運籌算法，推出“智能排班”的AI產品，用機器排班取代人工排班，這是蓋雅工場最早的AI探索。
雷峰網：當時企業客戶對這款AI產品的接受度如何？
章新波：一開始企業客戶并不理解，我舉了導航地圖的例子之后他們才明白：在導航中輸入從蘇州到上海的路線，系統會推薦成本最低、時間最快、路線最優美的方案，還會提示路過的服務區，用戶可以自行選擇。
企業內部的人員調度也是如此。我們的客戶大多是一兩萬人甚至幾萬人規模的企業，擁有幾百上千家門店。員工每天工作8小時，過去這些時間由初級管理者安排；如果定義好員工的標簽或其他量化指標，再交由AI計算，結果會比人腦計算更精準，對企業來說有巨大增值作用。
雷峰網：這兩年大模型興起之后，蓋雅工場的SaaS產品有哪些變化？
章新波：在勞動力管理領域，大模型為觸達員工提供了更優方式。過去的運籌算法不像今天的大模型這么智能，無法為每個員工匹配專屬Agent，也難以采集、標注員工的各類標簽。借助AI大模型，我們能更快速地完成員工標簽的采集和標注，幫助員工提升技能成長速度、工作效率和工作結果。可以說，員工標簽越完善，SaaS系統提供的服務越精準。
雷峰網：目前蓋雅工場在Agent上有哪些探索？
章新波：年初DeepSeek火了之后，很多人問我們會做哪些準備、發布哪些產品。我的回答是，蓋雅工場對待AI的態度既激進又保守。雖然我們算是較早布局AI的SaaS廠商，但在大模型領域，我們確實沒那么激進，甚至可以說是保守。
我們也關注到有些廠商的激進策略，甚至發布了三四十個Agent，但蓋雅工場在市場上并沒有表現得特別“積極”。我們目前只推出了五個Agent：時間智能體、動能智能體、技能智能體、合規智能體以及人效AI問數。
之所以沒有太早追逐Agent浪潮，核心原因是我們不確定大模型興起后，誰能成為被企業級應用穩定接受的大平臺、大玩家。
雷峰網：企業級應用需要具備哪些核心能力？
章新波：To B企業級應用與To C應用有巨大差異。C端用戶追求創新、可以隨時切換，但企業級應用的首要需求是穩定。
在To B領域，如果企業服務應用的底層架構（大模型玩家）發生顛覆性變更，前期所有投資都可能打水漂，所以蓋雅工場選擇了相對保守的策略——作為應用廠商，先了解、判斷行業格局及變化趨勢，再確定跟隨哪個玩家的步伐。但我們始終在持續投入AI，并且堅信AI必將改變軟件行業的未來格局。
雷峰網(公眾號：雷峰網)：針對目前已推出的五個Agent，蓋雅工場有哪些考量？
章新波：我們想先把這五個Agent做深做透，深度扎根場景和數據，為企業客戶帶來實際價值。我們一直在思考一個問題：甲方企業憑什么購買乙方廠商的Agent服務？設想未來甲方有能力打造自己的Agent，甚至甲方本身就是AI公司，SaaS廠商能提供哪些差異化價值？
答案一定是基于行業know-how，甲方企業僅靠自身單一的數據、場景遠遠不夠，這也是他們購買SaaS廠商服務的核心價值所在。如果只是做通用型、流程型、表達型功能，甲方直接使用AI巨頭、云大廠提供的大模型或AI Builder（AI構建器）即可。
SaaS廠商要先做AI“自我改造”
雷峰網：以勞動力管理為例，對于SaaS廠商來說，哪些痛點可以通過Agent解決?
章新波：首先要想清楚兩件事：一是SaaS行業到底有沒有價值？這幾年很多人對SaaS態度比較悲觀，但一個行業的價值不是資本說了算，而是客戶說了算；二是還有多大價值？比如能解決多少管理問題、業務問題或成本問題，甚至是全局問題，總而言之要先找到價值點。想清楚這兩點，SaaS廠商就會更淡定。
SaaS本身得有價值，如果沒有價值，就算有Agent加持也沒用；既然有價值，Agent會放大價值，并加快落地。以排班場景的價值為例，過去是“軟件+管理者”跟員工溝通，現在有了相關Agent，且每個員工都能擁有專屬Agent，就可以隨時發起互動。Agent會記錄員工在公司的行為變化，為員工匹配最愿意上的班、最適合上的班，實時監測員工的最佳工作狀態。
雷峰網：從管理角度，這對企業和員工來說也是一種“雙贏”。
章新波：過去存在一個矛盾：員工想要“錢多事少”，公司想要“降本增效”，這看似不可調和。但在AI時代，這個難題有了解決方案。
借助算法和大模型，我們能在SaaS平臺快速為員工貼好標簽，根據員工的特點、偏好為其安排最擅長、最喜歡的工作，效率自然會提高。效率提高帶來更多產出，員工獎金也會增加，相當于實現了“錢多事少”的目標。
對公司而言，當每個員工的效能發揮到極致，就不用硬性降本。隨著公司效率提高、營收增加，管理成本下降，“降本增效”的目標也就達成了。
雷峰網：從行業角度看，這波AI浪潮給SaaS行業帶來了哪些新機遇？
章新波：工具類SaaS產品積累了大量數據，這是新興AI工具難以具備的基礎優勢。如果SaaS廠商能夠自我革新、重新出發，將會迎來更大機遇，甚至可能探索出下一代商業模式；但如果固步自封、拒絕接納AI，最終只會作繭自縛，甚至導致滅亡性后果。
無論是前些年的SaaS轉型，還是現在擁抱Agent，我們始終在做同樣的事情：推出符合客戶需求的產品之前，先完成自身的改造。如果SaaS廠商自己都不用SaaS，就無法證明其SaaS產品的價值；同樣，能推出優質AI產品的公司，必然也是被AI深度改造的公司。
雷峰網：蓋雅工場內部做了哪些AI“自我改造”？
章新波：我們用AI改造組織能力、團隊能力、工作流程機制，形成和AI共存的模式。以研發為例，一是我們為每位AI研發工程師配備Agent，采購國內外各類AI代碼工具，努力實現“一名工程師+一個Agent≥過去三名程序員”的效率目標。
二是推動管理模式改革。過去研發人員的績效評價難以量化，年底評價多依賴感性判斷，而AI能實現對知識工作者工作過程的量化，現在我們將研發分為成熟研發和創新研發兩大類，基于大量成熟性的需求分析，使用AI工具分別對這兩類研發人員實現量化管理。
Agent不能是通才，應該是專才
雷峰網：Agent的引入，對企業客戶的業務有哪些影響？
章新波：引入Agent的關鍵是改變業務結果。AI時代和過去軟件時代的最大不同，在于企業搭建應用的速度更快、成本更低。因此，SaaS廠商的優勢在于立足行業know-how的洞察，告訴企業客戶哪些做法能達成行業領先結果，這是SaaS廠商在Agent算法模型之外的核心附加值。所以客戶買單的不是技術或功能，而是know-how和業務結果。
過去很多SaaS廠商只提供工具，怎么用是客戶自己的事；現在不僅要解決怎么用的問題，還要告訴客戶怎么用才能達成最優業務結果。要做到這一點，Agent就不能是通才，而是要成為某個領域的專才，甚至某個行業的專才。
比如蓋雅工場聚焦勞動者時間管理，如何實現時間利用最大化，既讓員工滿意，又讓公司滿意，這需要匯集各行各業的know-how，借鑒不同行業對員工時間高效利用的方法，這不是一家公司能獨立完成的。
雷峰網：這是否會推動SaaS從訂閱制轉向按結果付費？
章新波：未來有一部分SaaS產品會先進入按結果付費的邏輯。因為過去企業客戶想要結果，但結果難以量化；現在結果越來越清晰可測，且能計算貢獻度，理論上已具備轉向“為價值、為結果付費”的基礎。我們現在已經有相關合同模板，但客戶仍覺得按用量、按功能的訂閱模式更劃算。
雷峰網：這背后主要是哪些顧慮？
章新波：我們可以來算一筆賬：假如客戶使用AI產品減少了1000個人力投入，按照每年每人節省七八萬，算下來可以節省七八千萬。如果按照“二八比例”分成，其中廠商分20%，客戶大多不愿意買單，這是價值被低估的現狀。
再比如，客戶的管理效率有10%的提升空間，使用AI產品后實現了這個目標，但客戶也很難拿出其中5%和廠商分成，因為他們會覺得“肉疼”。
再加上全行業的SaaS工具價格相對“內卷”，廠商都賣得很便宜，客戶自然更愿意選擇傳統訂閱制，按模塊、按人數、按賬號購買。
雷峰網：哪些領域相對更容易實現按結果付費？
章新波：從“開源節流”的角度看，蓋雅工場的產品屬于節流類，而開源類產品相對更容易實現按結果付費，因為存在明確的增量。假設客戶原本營收1億元，使用AI產品之后增長到2億元，在增量的1個億里，前面5000萬怎么分、后面5000萬怎么分，計算邏輯可以很清晰。
相對而言，開源類產品比節流類產品天然更具備商業模式轉型的條件。目前節流類工具產品按結果付費的商業模式還沒規模化，只有零星個案。
SaaS細分領域將是“強者恒強”
雷峰網：擁抱AI技術浪潮、探索新的商業模式，是SaaS行業今年的基調。這是否意味著SaaS行業迎來了拐點？
章新波：我認為拐點主要體現在兩方面：技術拐點和商業拐點。
技術拐點上，目前行業對SaaS+AI、AI+SaaS還是AI取代SaaS、SaaS借AI賦能等方向都還在摸索中，雖然業內對SaaS廠商要提升AI能力這件事形成了共識，但還沒有形成統一結論：是從SaaS廠商轉型為AI公司？還是將AI作為SaaS工具或知識庫的一部分？是否維持SaaS原有的商業模式？不同行業、領域的發展路徑可能不同。
商業拐點上，即盈利與不盈利、燒錢與不燒錢的差異。SaaS廠商聚水潭的上市，讓市場看到其良好的盈利能力、現金狀況和增長情況。在存量經濟時代，SaaS廠商能在增長的同時仍保持盈利，這是很好的市場信號，也是商業拐點的核心。
雷峰網：面對AI技術和商業模式的雙重變革，蓋雅工場如何定位自身在行業里的角色？
章新波：我們的定位非常清晰，蓋雅工場的基因和優勢是垂直廠商，而非通用平臺。我們也不奢望成為移動互聯網入口，而是通過標準化接口跟其他平臺銜接。如果客戶想將蓋雅工場的Agent和其他業務系統、Agent聯動，可通過MCP（模型上下文協議）、A2A（Agent-to-Agent協議）實現對接、聯調和整合。
在大模型時代，當所有公司都可能具備AI能力時，SaaS廠商需要進一步明確自身的差異化價值和競爭力。作為垂直應用廠商，蓋雅工場的核心工作是在大模型基礎上做垂直應用優化，融入自身知識庫（know-how）。目前通用型產品、行業平臺有很多大廠在布局，甚至部分企業客戶的能力比我們更強，所以我們選擇專注自己擅長的領域。
雷峰網：面對Agent浪潮，作為垂直應用SaaS廠商，蓋雅工場會感到焦慮嗎？
章新波：我認為細分領域未來會呈現“強者恒強”的格局。在AI時代，產品上線和結果反饋的速度比傳統SaaS時代更快，細分領域有品牌、有口碑的公司，傳播效果會更好。
企業服務本身就是“慢賽道但強者恒強”的行業，像SAP、Oracle等廠商已成立近50年，海外很多細分領域的軟件廠商也成立30、40年，他們經歷多輪科技浪潮仍保持細分領域第一，核心原因在于形成客戶口碑之后，新客戶會優先選擇這些最靠譜、對自身經營最安全的廠商。
無論技術如何發展，To B業務的決策邏輯幾十年來從未改變。細分領域的頭部SaaS廠商如果能避免被顛覆，并且保持不犯錯，就能進入“強者恒強”的狀態。
雷峰網：當下涌現了很多類似AI Builder的玩家，傳統SaaS廠商是否會被這類玩家顛覆？
章新波：對于SaaS廠商來說，有兩方面的擔憂：
一是AI Builder更像一個定制化開發工具，基于各個AI巨頭或云廠商的大模型和協議。但大模型的底層邏輯每個月都在迭代更新，SaaS廠商并不掌握底層AI技術，也無法掌控底層架構，因為AI Builder建立在別人的“土壤”之上。
二是Agent如果什么都能干，那也就意味著什么都不精深。AI Builder上定制開發的Agent，并不具備行業know-how。當一個公司所有的Agent都能通過AI Builder定制開發時，這些Agent更像是技術堆砌。
雷峰網：在您看來，AI Builder對SaaS行業的沖擊其實并沒有那么大？
章新波：是的。但我認為國內SaaS廠商也要有自己的生存之道。過去幾年資本市場對SaaS行業的態度發生了變化，目前大多數SaaS廠商在資金、資源、人才密度等方面并不占優。在這些條件都有限的情況下，想實現“百花齊放”并不現實。沒錢就要好好茍著——茍著不見得是壞事，有多少資源就干多少仗。
雷峰網：關于資本市場的態度變化，目前有觀點認為SaaS行業正在回暖，您覺得Agent是否給SaaS行業帶來了這樣的契機？
章新波：SaaS廠商的投資主要依賴美元基金。美元基金首先會受到地緣政策、宏觀戰略等因素的約束，其次才會關注行業本身的新變化。
我相信SaaS行業整體在變好，因為隨著Agent技術和SaaS的深入融合，部分SaaS廠商可能在2025年之后進入既增長又盈利的階段。或許從明年開始，這一趨勢會讓越來越多資本看到明確的投資保底空間——不再像過去那樣，面臨高估值入場、虧損擴大且增長不及預期的尷尬處境。目前那些增長平穩、盈利不錯、客戶粘性高且能帶來投資確定性結果的SaaS廠商，會更受資本認可。
在企業服務領域，SaaS廠商一旦成為某個細分領域的頭部，且無人能超越，就能為投資帶來穩定的確定性保底，即使在過去本地化部署的軟件時代也是如此。過去SaaS廠商沒能給投資帶來確定性保底，而一旦具備這樣的能力，投資價值將會顯著提升。如果未來地緣政治和宏觀因素有所緩解，SaaS依然是不錯的投資方向。
專題介紹
眼下，Agent大潮正在SaaS行業掀起一場深刻變革：小到產品形態、技術架構，大到商業模式、市場格局，都將被重塑，危與機并存。
鑒于此，雷峰網推出“SaaS+Agent十人談”系列專訪，將對話一眾SaaS公司和Agent從業者，從戰略決策者、業務負責人、技術創新先鋒等不同視角，探討Agent為SaaS行業帶來的機遇與挑戰。如果對這一SaaS與Agent融合話題感興趣，歡迎添加微信skylar_12_14參與討論。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
