文丨胡镤心
【亿邦原创】" 不烧钱 " 成了朱啸虎的口头禅，也成了他对创业者讲得最多的话。
对于那些仍在烧钱、成本高企、砍成本困难的公司，他会开董事会反复提，" 实在看不下去 "。
在中国企服的寒冬里，朱啸虎还是坚定看好企服赛道，因为中国企业数字化的大趋势不可逆转，但他也提醒，这个冬天会很漫长，还需要三到五年，如果企业能活到那个时候，市场都是你的。
活下去的方法就是不烧钱，还能保持正向现金流。如果能不烧钱，仅靠订阅收入，实现 100% 增长，那就会成为投资人的最爱。
不烧钱的方法是 AI 化，通过 AI 应用，给客户降低一个数量级的成本，实现见面签单，这是中国企服的唯一希望。
不久前，盛景嘉成和金沙江创投联合举办了主题为 " 企服公司，如何借助 AIGC 实现不烧钱的爆发性增长 " 的闭门研讨会，作为重点投后活动，帮助被投企业实现可持续健康发展。
会上，盛景嘉成创始合伙人彭志强、金沙江创投主管合伙人朱啸虎做了深入分享。他们共同提到企业要回归商业本质，要有自我造血能力，要不遗余力地打造 10 倍好产品，为客户新创造 10 倍价值或降低 90% 的成本。AI 是中国企服 " 改命 " 的关键因素，没有 AIGC 赋能的企服企业，已经没有投资人感兴趣了！其中 "AI" 一词被提及 75 次，" 增长 " 一词被提及 39 次。
此外，朱啸虎分享了他对中国企服行业的观察、对中美企服发展迥异的分析，以及他对中国企服出路的思考。会后，他也和亿邦动力交流了对当下大模型价格战、AI 应用发展现状以及竞争壁垒的看法。本文第一部分为亿邦动力对朱啸虎的采访，第二三部分为朱啸虎演讲内容。
朱啸虎的主要观点包括：
· 今年将是 AIGC 创业回归商业本质的开始。
· 没有良性商业模式的持续输血，单独的大模型公司很难走远。
· 没有专有数据、专有用户场景来形成数据闭环并持续优化的大模型公司，很难保持持久的防御壁垒。
· 产品标准化收敛是收入长期上规模的唯一可行路径。刚创业的时候靠项目打磨产品，但只有迅速产品化，降低项目收入比例，才能上规模。
· B 端大规模企业应用 PMF 初现：销售营销、客户运营、产品研发、软件工程。这四部分占据生成式 AI 总价值的 75%。
01
"GPT-5 有没有不是很重要，GPT-4 够用了 "
亿邦动力 : 最近国内大模型在打价格战，您怎么看大模型行业的发展现状？
朱啸虎 : 大模型公司已经进入淘汰赛。为什么打价格战，因为本质上大模型之间没什么差别，性能上没什么差别，所以开始打价格战。
我昨天和两个大厂的高级副总裁聊天，大家普遍感觉生成式 AI 虽然机会很多，但是陷阱也很多。
我觉得这对创业公司很严峻，大厂打价格战，你看创业企业几乎都不敢跟进，因为没钱。通义千问 1 块钱能买到 150 万到 200 万汉字，对于普通人来说，根本用不掉，相当于免费。几乎所有大模型免费，创业公司怎么跟进？
另外，我们感觉 GPT-5 还是会有些问题，没有那么简单出来。Sam Altaman 的风格是没有 ready 的时候就能抢先发布 Sora，GPT-5 如果能够发，肯定早就发布。到今天发布不了，我们感觉 GPT-5 可能没有比 GPT-4 好很多。
而且我觉得 GPT-4 对绝大部分用户场景来说，已经足够了。GPT-4 已经满足绝大部分商业场景，GPT-5 有没有也不重要。
亿邦动力：在 AI 应用方面，您认为哪些细分赛道会最先爆发，对爆发的时间节点有何预判？
朱啸虎 : 今年 To B 有很多细分场景很多机会，但 To C 还需要等一下。
To C 我觉得可能要等到明年才会有机会，得等到手机上能够支持小模型，C 端才有可能爆发。C 端我们做了一些非常小的布局，总体来看，还要再等一下。
To B 因为大家都关注不到，相对来说都比较细分。比如 AI 面试，今年在今年在校招上用得非常广泛。比如视频广告，像 Fancy Tech 做文生广告视频的，专门生产广告视频的这个场景，也非常好用。在比如电话中心这个场景，AI 也能够取代大部分人力。
还有很多细分场景，比如我最近看了一项目，帮电网生成工单。电网工单比较复杂，因为一张工单有几百项任务，他的任务本身还有点危险性。以前人工排比较麻烦，用 AI 生成会非常迅速，也能降低错误的可能性。所以 to B 的各种场景有很多。
亿邦动力：做小工单的 MES 企业有很多，增长都不错，尤其在消费领域。这种做垂直场景 AI 应用的公司，壁垒大概有多高？
朱啸虎 : 小工单对消费行业没有那么痛，你知道吗？消费类工厂的工单都很容易，也不复杂，我们都看过。电网的工单为什么要需要用大模型，因为它很复杂，1 个工单有几百项子任务，其中还有危险作业，这种工单里大模型是有价值的，因为痛点很痛。一般的小工单都是很容易高度同质化。
亿邦动力：电网这类场景涉及到服务央国企的问题，跟服务民营企业的逻辑可能又不大一样，这个壁垒高吗？
朱啸虎 : 客户关系肯定是壁垒，但是你有了客户关系还是不够，还要有更好的产品。这些 ISV 服务这些客户很久了，有客户关系，同时也有客户数据，他做这些东西就比较容易。你作为一个新的公司，想进去很难的，不投入一两年时间是不可能的。
亿邦动力：但央国企维护关系的成本高，另外数据属于客户，对提升自己产品效果有限。
朱啸虎 : 你现在基本都是可以提升产品的，数据也不需要拿出来，这个数据拿出来也没有意义，这些开发工作任务你拿出有啥意义，但是你在本地的话，你可以提升模型，然后再把这个模型能力再输出。
亿邦动力：服务这种垂直场景，增速可能没那么快，天花板也没那么高。
朱啸虎 : 不同行业差别很大，有些行业还是有机会的。
亿邦动力：比如说？
朱啸虎 : 比如像大的金融机构，像电网这些行业都还行。
亿邦动力：模型层价格战爆发后，您觉得应用层什么时候爆发，AI 应用从爆发到同质化竞争，中间有多久窗口期？
朱啸虎 : To B 应用很多场景都很细分，不是这个行业的人根本关注不到，比如给电网做工单这个场景，你不是行业内的人，根本看不到，你没有行业数据，根本没法去做垂直性训练。
这里面对创业公司来说还是有很多机会的，前提是你一直在这个行业。你要想跨行进去很难的，一没数据，二没客户关系，要从头开始切进去，就没啥意思。
所以我觉得垂直场景上倒不一定会同质化，但底座大模型现在已经高度同质化了。
亿邦动力 : AI 应用在开拓海外市场的时候，应该关注的问题有哪些？哪些市场值得优先进入？
朱啸虎：他有没有 go to market 能力，因为海外的市场 go to market 不容易的，尤其对中国团队，很多中国团队根本不知道怎么 go to market。他怎么去 go to market，怎么定义产品，这都很重要。
亿邦动力 : 你看到的这些公司，定义产品的能力有跟以前比有什么明显提升吗？
朱啸虎 : 还是要看具体，像 Fancy Tech，我去年让他们聚焦国内市场，但是一些日韩客户主动找上来，因为他们需要的产品在国外没有。今年他们春节的时候去了美国，因为国内放假，他们主动到美国去开拓客户，一个月签了十个品牌客户。
关键看你能不能帮客户降低一个数量级的成本，我觉得签单相对来说还是比较容易的。像他在国内服务了那些头部品牌客户，在国外也同样认的。你在国内的服务 LVMH、服务星巴克、服务 NIKE 等等，这些都是国际品牌，跟着他们出来，跟着客户出来相对更容易。
亿邦动力 : 视频广告这个领域，也需要部分人力外包，你在判断他们用人力还是用技术的时候，有什么判断标准吗？
朱啸虎 : 我觉得部分 AI、部分人工更适合中国创业者。你全部 AI 生成的话，说实话你是没有机会的。如果 AI 能做全部，那 Sora 肯定可以。但为什么 Sora 还不行，因为 Sora 也要部分人工去修改，而美国的人力成本太贵，这在中国反而是有机会的。
你能够靠客户持续迭代自己的模型，人工比例逐步降低，可能去年需要 50% 的人工，今年需要 30% 的人工，明年可能需要 10% 的人工了，这就是我们的优势。
亿邦动力 : 您之前提过 " 中国企服仍然处在云前时代 "，未来几年云市场可能会经历哪些变化？
朱啸虎 : 云为什么难，我觉得最主要是大型央企还要私有化部署，什么时候大型央企都开始要愿意使用公有云，我觉得中国的云才会真的爆发。
亿邦动力：你怎么看国内外在技术层和应用层的区别？
朱啸虎 : 大模型我觉得要你要追上美国，也不是没有机会，如果 GPT-5 一直出不来，就稳定在 GPT-4 了，那中国追上去是可能的。
应用场景中国比美国多太多了，因为场景多数据多。比如 AI 面试，美国没有的，我们现在今年面试了 300 万人次，美国能面试 300 万人就了不得了。像我们现在国内面试一万人次才起做，你面试少于一万人，我都不愿意做的，你知道吗？美国一个企业要面试一万人次，有需要的企业数我觉得都数得过来。
02
" 控制好现金流，三到五年后，市场就是你的。"
这几年中国企服经历了冰火两重天。我觉得今天对所有创业者来说，都是一个严峻考验。
2021 年是一个泡沫期，当时企服公司融资非常容易，很多公司都是按照几十倍 PS 融资。结果 2022 年、2023 年，在营收几千万元的时候，增速降到 50% 以下，估值根本没法做，四五倍 PS 就已经很好了。
我们看到最夸张的案例，融了几亿美金，开了十个新产品线想测试第二曲线。结果十条产品线全部没成功，两亿美金烧完，今天非常非常难，所以千万要控制投入。
在 2021 年融到很多钱的公司，今天还有一个麻烦是砍成本特别难。在泡沫时期，你靠研发、靠定制化冲收入很容易，但产品不标准，后面增长就很难。
我们看一个很重要的指标，美国软件公司销售人员对研发人员的比例，是 3:1 或者 5:1，中国软件公司是 1:10，一个销售对十个研发。为什么？都是做项目，做定制化开发的，所以开发特别多。
而且今天你要砍掉很多人的时候，那些项目就交付不了。很多在资本泡沫时融资的公司，现在都陷入这样的一个困境。
另外美国很多软件公司都讲 PLG ——靠产品增长。在中国 PLG 实际上很难实现。为什么美国能做 PLG，因为部门经理可以直接决定购买，部门经理刷公司信用卡，购买一个小组使用的软件，几千美金一年。这个在中国是不存在的，中国首先基本上没有公司信用卡，而且中国的软件购买决定基本上是 CIO 决策，所以靠 PLG 在中国几乎不可能。
对很多企服公司来说，PLG 只能靠放一个免费版本在线上，获取一些客户线索，但是还是需要销售人员去跟进的。不靠销售员跟进的，在中国几乎不不可能。
标准化不意味着不能做项目，美国软件企业一开始也是做项目，尤其是给头部企业做定制，学习行业最佳实践。像 Workday， 是 People Soft 的两个 VP 创业做出来的，他们对人力资源软件非常了解。第一年可能有 50% 的收入来自项目，为行业最头部的企业定制项目，学习客户需求点在哪里。
关键是你要迅速收敛。今天 Workday 还有 10% 左右是项目收入，还是不断为头部企业服务，学习他们的一些新想法，但是你必须迅速让 80% 以上的收入来自标准化产品。这样才能真的上规模。
此外，企服公司的客户留存率特别重要，如果有 120%-150% 的留存率，就是客户去年花一百块钱，今年花一百五十块钱，说明你的产品非常好，客户在不断增购。今天对中国公司来讲，中小企业客户留存率能做到 60% 已经非常好了，大企业能做到 90% 以上，我觉得这是今天投资人对软件企业的要求。
现在融资放缓，基本上能融到钱的只有 AI 项目。而且今天要求更强的盈利性，基本上都不能烧钱。
最后一点特别重要，就是创业者要少犯错误。
中国企业的数字化肯定是不可逆的，但是这个冬天可能会很漫长，还需要三到五年，所以今天一定要强调不能烧钱，比竞争对手少犯错误，控制好现金流。活到三到五年以后，市场都是你的。
现在好处是大家都融不到钱，就看谁能活下去，所以现金流一定要好。
寒冬也是试金石。优秀创业者现在也如鱼得水，To VC 的创业者要被大浪淘沙淘汰掉了。
比如我们投了一个赋能线下门店的 SaaS 叫万店掌，现在管理 50 万家左右的线下门店。我们投的时候规模很小，管理 3000 家门店，经过五年时间做到五十万家门店，到今年年底估计能做到六七十万家门店的线下管理。
再比如，我们投的 RPA（机器人流程自动化）公司九科信息也发展非常好。RPA 行业也有几家公司融了几千万美金甚至上亿美金，迅速扩张到几千人，到这个寒冬期都非常难。尤其是大客户拖着不付钱，RPA 企业就得大规模裁员，一旦大规模裁员，一些大客户更不敢用，都把他们从供应商名单里踢掉了。
九科信息现在才 200 人，能让客户排队等，因为现在服务不过来。所以今天对创业来说，宁可让客户排队等着，也不要去盲目扩张人员。
今天的企服公司真的和消费公司一样，不能烧钱。我们投消费公司要看 Earning 的，要按 PE 估值的。软件公司如果能 100% 增长，只要不烧钱，我们还愿意看 PS 的，但也是纯订阅制收入的四五倍 PS。
所以从 21 年到现在，这段变化真的是非常非常剧烈。
03
" 以便宜 90% 以上的价格见面签单，这是中国软件唯一的希望。"
我先讲结论，没有 AI 赋能的软件几乎是没人看的，必须是 AI 赋能的软件才有投资人愿意看一看，而且要在不烧钱的前提下能够实现 100% 增长。所以今天投资人是真的是既要、也要、还要。对于创业者来说确实考验非常大，但是真正的好公司确实可以做到。
为什么讲 AI 赋能软件会有爆发性增长的可能，因为 AI 赋能软件，真的能给用户创造一个数量级的优势，降低 90% 以上成本，甚至是降低两个数量级的成本，让客户愿意迅速购买。
我们特别看好 AI 应用在垂直场景里面落地，抢客户，抢场景，抢数据。以后最值钱的都是垂直数据，大模型以后不值钱。
生成式 AI 的效果非常好，麦肯锡预测差不多能创造 2.6 万亿到 4.4 万亿美金的价值，我感觉还是低估的。根据电脑数和 office 数推测，全球差不多十亿白领。假设每个白领平均一年创造 4 万美金的年产值，全球就是 40 万亿产值。AI 提高白领 20% 的效率，就能增加 8 万亿年产值，而且提高 20% 是很容易，今天 coding 至少能提高 20%，我觉得明年 coding 能提高 50%。现在很多文案工作，也是轻轻松松提高 50%。
Klarna 是一个很好的案例，这是瑞典的一家金融与支付公司，处理客户的退款、退货、订单取消等问题，用 GPT 开发了一个 24 小时在线的精通 35 种语言的 AI 助手，上线后四周，就处理了大约 66% 的客户支持工作，相当于 700 名全职客服的工作量。每年增加 4000 万美元的利润。
我们国内企业如果是 Llama2 来当客服，不做随机调优的话，能取代 20% 的人。学习调优下，能取代 40% 到 50% 的人。如果用 Llama3，轻轻松松取代 70-80% 的人。这是一个能迅速降低成本的应用场景。
AI 面试也是一个非常好的场景。比如我们投的 AI 面试公司，他们去年面试了 100 万人次，今年差不多能面试 300 万人次，每个面试差不多 30 到 40 分钟。这些面试数据都很有价值，因为都是非常严肃的职业面试的问题数据。
今年很多大模型公司都要进场干 AI 面试，大家都在找应用场景，但是你的 AI 追问能不能没有幻觉，这是个非常严肃的问题。
再比如我们投的 Fancy Tech，做视频广告，昨天在巴黎获得了 LVMH 全球创新大奖，这是第一个获得 LVMH 全球大奖的中国公司。
我们投 Fancy Tech 的时候他们非常小，前年营收才 1000 万人民币，去年做了 6000 万人民币，而且都是头部客户，今年差不多能做两亿人民币左右。
Fancy Tech 的训练成本很低的，他们一开始训练成本才几张卡，现在客户多了，不断迭代，现在差不多有一两百张卡。100 张自己的，再借了一两百张卡。
所以做 PMF（产品市场匹配度）不需要很大成本，但要快速迭代。去年 Fancy Tech 的 AI 版本比较简单，今年迭代出新版本，9 万 1 年，而旧版本已经降价，从去年的 7 万包年降到 2 万包年不限量。所以你要不断升级你的模型，同时把老版本降低到地板价，让竞争对手根本不要进来。
另外 AI 赋能的软件为什么能爆发式增长，见面签单特别重要。我们给他介绍客户，从微信拉群到签单，一个月时间。我们给 Fancy Tech 介绍了 LVMH，从微信拉群到签单，两个月时间把 LVMH 在中国所有的品牌都签下来，而且 LVMH 推荐他去参加他的全世界大赛，最后拿了第一名。
我今天考核一个软件企业能不能建立起来，就看见面签单效率。我可以帮你介绍客户，第一面做 POC（Proof of Concept，概念验证，一种验证性测试），第二面签合同。
你要让客户产生尖叫，企业客户和消费者一样，实际上都需要拼多多，需要极致性价比——便宜 90% 以上，客户就会见面签单，这是中国软件唯一的希望。
大企业的定制需求，比较适合那些有国资背景的大模型厂商，但这个也很痛苦，去年一个央企买一个大模型 3000 万人民币。现在买一个大模型，加上服务器不到 100 万人民币。
从去年 3000 万人民币到今年不到 100 万人民币。价格已经全完全打到地板上去，而且只有总部才愿意买，我们是后来才发现的。像运营商的省级分公司，花 100 万人民币他们都不愿意。总部才愿意花这个钱，所以真的我觉得大模型公司很难。
创业公司还是要避开直接炮火。什么叫直接炮火，代码、文案、文生图都是直接炮火，文生视频方面，今天的大模型公司还做不到 100%AI 生成，所以对创业公司还有点机会，而且主要是对中国创业公司的机会。
所以一定要避免直接炮火，抢客户、抢场景、抢数据，然后以低一个数量级的成本优势让客户能见面签单。
生成式 AI 里同样的有很多陷阱，最大的难题是找到 PMF。
很多企业要做 AI 都要砸几千万人民币下去。我一直跟他们说，你们十个人找不到 PMF，100 个人同样找不到 PMF。你 500 万搞不出来一个 PMF，你就别搞了。一定要自我造血，一定要找到那个正向现金流。
