TL;DR：
企业级AI产品屡屡折戟于“交付即翻车”的魔咒，其核心症结并非技术炫技不足，而是对客户业务场景理解的匮乏与行业Know-how的缺失。成功的关键在于回归商业本质，以“可收费的端到端场景”为导向，辅以客户驱动的快速迭代和深厚的人力资本投资，方能将硅谷的算法梦想转化为企业利润的实实在在。
在科技界的浩瀚星海中，人工智能（AI）无疑是当前最璀璨的明星，其光芒足以令一众传统产业黯然失色。然而，这颗新星投向企业级（ToB）市场时，却常常遭遇一个尴尬的现实：内测时千娇百媚的AI产品，一旦交付客户便可能“见光死”，宛如一位出阁即失宠的新娘。这一现象，并非孤例，而是当前ToB AI商业化进程中一道普遍的阴影，警示着市场对AI的狂热追捧与实际落地之间的巨大落差。
近期，一场由崔牛会创始人崔强与北森联合创始人纪伟国展开的深度对话，揭示了这出“见光死”悲喜剧背后的深层逻辑。其核心洞察力，远超寻常的技术争鸣，直指商业的本质：AI落地，技术固然重要，但它并非高不可攀的圣殿；真正的门槛，恰在于对纷繁复杂的业务场景的洞察，以及对行业Know-how的融会贯通。这不禁让人联想起经济学中的“隐性知识”概念——那些难以编码、根植于实践的经验，在AI时代反而成了稀缺的“数字黄金”。
算法之外的真金白银
长期以来，科技巨头们在通用大模型上展开的“军备竞赛”，使得世人一度沉迷于算法的精巧与算力的磅礴。然而，当这些“通用武器”被推向企业级战场，它们的威力往往大打折扣。北森的实践经验便是明证：他们在2023年下半年开发了诸多AI产品，却“收不上钱来”。这一冷酷的现实，迫使他们重新审视商业逻辑，确立了两个看似简单却极度深刻的准则：首先，必须做能收费的AI产品；其次，这些产品必须能够解决客户端到端的某个具体问题。这并非是对技术创新的否定，而是对价值创造的回归。
北森由此将战略重心聚焦于七个（后增至十个）具备独立收费潜力的AI Agent，例如AI招聘助手、AI面试官。这些“智能体”的共通之处在于，它们并非原有软件功能的锦上添花，而是针对特定高价值业务场景的独立解决方案。值得玩味的是，纪伟国透露，北森AI面试官约50%的研发工作与大模型技术本身并无直接关联，更多的是围绕客户实际业务需求进行的“填补空缺”。这暗示着，在AI应用的金字塔尖，基础模型不过是基石；而真正决定商业价值的，是其之上，基于行业经验构建的“应用层”与“服务层”。
这其中的精髓，恰在于对“行业Know-how”的数字化和可学习化。人力资源领域，一个长期以来偏重“人文”与“平衡性”的领域，其深厚的经验积累，过去多储存于专家头脑中，难以规模化。而今，AI大模型提供了将这些隐性经验“固化”为产品的可能性。北森派遣上百名测评顾问转型为提示词工程师，将不同岗位的能力模型、面试追问技巧、科学评分标准等专家知识“喂食”给AI，才得以训练出一个能与专业面试官媲美的AI。这不仅仅是技术活，更是深度理解行业、萃取知识的“匠人活”，其背后所依赖的，是与传统软件开发截然不同的人力资本结构。
从实验室到客户：商业化的崎岖小径
企业级AI的商业化之路，远非坦途。它不像消费级应用那样可以迅速通过用户量积累来修正方向，ToB市场的容错率极低，每一次“翻车”都可能带来客户信任的巨大损耗。北森的经验描绘了一条务实而充满挑战的路径：
-
“从0到1”的严苛验证：原型产品一旦问世，便迅速推向“先锋客户”进行可用性验证。这一阶段的交付工作，甚至由产品经理亲自上阵，紧密贴合客户业务场景，确保产品在客户侧“能用起来，且能通过评审”。若客户反馈的问题无法解决，纪伟国甚至建议“果断放弃”，例如北森的AI测评产品便因此“折戟”。这种对“最小可行版本”的独特理解——即“最小可行场景”，要求产品必须解决端到端的客户痛点，而非仅仅提供部分功能。客户不会为未能完全替代其传统流程的“半成品”买单。
-
客户化与实施的再定义：最初，人们幻想AI Agent将是高度标准化的产品，但现实证明，它正走向客户的自定义。企业在AI面试官中输入自己的面试题目、评价标准，意味着未来的“客户化工作”可能变得相当繁重。然而，这种“重”与传统软件实施的“重”又有所不同。AI产品的实施服务分为轻量级的培训配置和深度定制，其总成本远低于传统软件。更重要的是，实施顾问的构成也发生了质的变化——不再是单纯的IT工程师，而是具备人力资源专业知识和Know-how的专家。这揭示了一个深层趋势：软件公司的竞争壁垒，正从代码量和功能广度，转向行业知识的深度融合与数字化能力。
-
定价逻辑的审慎探索：当市场对“按结果付费”的呼声甚嚣尘上时，北森的定价实践显得更为务实。尽管Salesforce、ServiceNow等巨头已在探索订阅费之外的模式，北森的AI面试官仍按面试人数收费，而AI陪练、AI领导力教练则采用席位订阅费。崔强对此持保留态度，认为当前绝大多数SaaS或企业软件尚不具备切换到按结果付费的条件。这反映出，商业模式的创新往往是一个渐进而非颠覆的过程，过早地追求“完美结果”，可能反而陷入偏执。
-
销售转型的阵痛与耐心：销售AI产品与销售传统SaaS的逻辑截然不同。AI产品通常销售链条更短，客户试测后即可决策，甚至不再需要IT部门的深度介入。但这也意味着销售团队需要更长时间来理解产品、积累案例、梳理卖点。纪伟国强调，耐心是关键。一个AI Agent从原型到可用性验证再到规模化销售，可能需要一年半载。仓促将不成熟的产品推向市场，只会导致“乱套”。
如今，一个显而易见的市场趋势正在形成：部分大额企业订单已明确要求产品必须与AI相关。这并非仅仅是客户的“炫技”需求，而是深刻认识到AI作为一种新生产力，能够有效解决传统方案难以触及的效率和成本问题（如AI客服在某些场景下虽体验不佳，但可显著降低成本）。对于传统SaaS公司而言，“不做AI已经不行了”，但转型的路径并非简单的“修修补补”。它要求企业忘掉固有的“软件思维”，回到客户业务的痛点，结合大模型的优势，寻找那些能够“端到端”解决问题、客户有付费意愿、且成本可控的场景。
这场AI的浪潮，正以一种独特而有时显得笨拙的方式，重塑着企业级软件的版图。它呼唤的不再是单纯的代码骑士，而是那些既懂技术又深谙商业肌理的“多面手”。成功的AI Agent，将不会在耀眼的算法光芒下“见光死”，而是在无数次与客户业务的磨合中，在对行业Know-how的深刻理解中，找到属于自己的生存之道，最终在商业的沃土上，生根发芽，绽放真正的商业价值。