人工智能并未消灭企业软件，而是将其分化为结构性的赢家与输家
过去两年间，有一种叙事主导着董事会会议室和风险投资基金的对话：人工智能将吞噬企业软件，正如软件当年吞噬了模拟商业模式一样。这是一幅强烈的图景。而正如所有在毫无阻力下广泛传播的强烈图景一样，在它左右真实投资决策之前，有必要对其施加一定的压力与审视。
Anaplan首席执行官查理·戈特迪纳（Charlie Gottdiener）近期在《财富》杂志发表了一篇文章，提出了一种截然不同的解读。他的论点并非是人工智能不会改变软件，而是这种改变不会是横向的、平等普惠的——它将是一场筛选，一个分类过程，它将放大某些供应商的价值，同时让另一些供应商变得多余。在戈特迪纳看来，决定性变量不是技术本身，而是每一层软件所计算或代表的内容的本质。
以下内容既非对这一论点的辩护，也非对其的驳斥，而是对其商业逻辑的一次审计。
---
三层模型及真正存在争议的是什么
戈特迪纳提出，企业软件架构正在沿三个层次发生断裂，各自承担不同的角色。在顶层，大规模语言模型充当着通用对话界面。在底层，他所称的模型上下文协议（Model Context Protocol）向现有系统执行命令。在中间层，他将其称为确定性领域权威（Deterministic Domain Authority）——这是他对受治理、可审计、可复现的计算引擎的表述——他认为，可防御的价值将在此层沉淀。
支撑该论点的技术区分是精确的：语言模型是概率性的。它根据统计模式生成响应，而非依据固定的计算逻辑。当一家企业需要确切地知道财务计划某项修改的影响，或需要计算薪酬结构变动对总劳动力成本的效应时，概率性的答案是不够的。这需要一个无论在何种监管或税务审计条件下，面对相同数据始终产生相同结果的引擎。
语言模型的这一局限性是真实存在的，有据可查，在严肃的技术层面不存在争议。真正存在争议的，是那些不处于这一确定性空间中的软件层将会发生什么。
戈特迪纳对商业智能工具和数据可视化工具的诊断具体而有分量：如果一款产品的主要价值在于允许用户以自然语言对数据提问并获取可视化回答，那么该产品现在就已在与集成在工作操作系统中的对话界面直接竞争了。不是三年后，而是今天。复制这一基础功能的进入壁垒已经崩塌。
同样的逻辑也适用于——尽管有所差别——那些不拥有自身计算能力的工作流自动化工具：它们在系统之间移动数据，但并非任何数据的真实来源。当一个语言模型可以通过自然语言指令直接协调这些集成时，中间层便失去了其存在的理由。
分析变得更加有趣，也更值得深入审视的地方，在于这一分类的另一半。
---
戈特迪纳所提议的护城河，以及他未曾言明的部分
戈特迪纳认为，企业规划引擎、人力资源系统、客户管理系统和专业化监管数据库是结构性的幸存者。原因在于：它们拥有受治理的计算真相。一名员工的入职日期，一笔已成交谈判的金额，一种药物化合物的最大允许剂量——这些是事实，不是建议。而语言模型无法以审计所要求的精度来生成或验证这些事实。
这一论点具有技术层面的坚实性。但它引入了一个陷阱，戈特迪纳部分承认了这一点，却未能充分展开。
如果确定性引擎的价值在于领域内的计算精度，而另一家供应商能够以更低的成本提供同等精度的引擎，那么作为通用界面的语言模型将对供应商保持中立。护城河并不在于引擎本身，而在于客户在该引擎中多年构建的特定模型。
戈特迪纳自己也提到了这一点：真正的优势在于某家企业在平台上多年编码积累的规划或运营模型。将该模型迁移到竞争对手的系统并非一次数据导出，而是从零开始重建机构逻辑。这是痛苦的，而这种痛苦正是留住客户的原因。
此处有必要将叙事与商业发现分开。因为戈特迪纳所描述的——尽管他并未如此命名——是一种基于累积替换成本的留存机制，而非持续的技术优越性。这是一种粘性论点，而非持续创新的论点。这并不会使其失效，但却从根本上改变了它对一个尚未开始实施的客户所意味的内容。
一个尚未与任何平台绑定的买家必须追问——而戈特迪纳的分析对此帮助不大——他所获得的价值有多少来自引擎本身，有多少来自其随时间构建的模型的深度，又有多少来自未来与语言模型生态系统的集成。这是三种具有截然不同的成本结构与留存结构的价值主张。
---
那个在显性论点中缺席的变量
戈特迪纳是在一个他坦诚声明的利益冲突立场下写作的：Anaplan，按他自己的描述，恰好是他的理论框架所宣称的赢家类型的平台。这并不会使他的分析失效，但确实要求读者更加仔细地审视他未曾言及的内容。
文中未出现的是：在确定性引擎不断增多的市场中，定价将如何演变。如果语言模型充当中立界面，以最低成本选择最精确的引擎，那么随着更多供应商提供确定性引擎，其价格将趋于下降。竞争不会因计算精准而消失，而是会转移到另一个层面：谁能以同等精度提供更优性能和更低的初始实施成本。
在这种情景下，唯一持久的防御不是引擎，而是客户机构模型的深度。这意味着供应商的价值将逐渐集中在实施和模型构建阶段，而非软件许可证本身。这对利润率和收入结构有直接影响：如果价值在于专业服务和所构建模型的复杂性，那这门生意越来越像是拥有自有平台的咨询公司，而非凭借高利润率、通过扩大许可证实现增长的纯软件产品。
这种转变未必是坏事。但它也不是在谈论具有纯软件估值的SaaS平台时所流传的那种叙事。
另一个值得注意的缺失，是语言模型本身在数学与逻辑推理任务上的改进速度。戈特迪纳假设语言模型在处理复杂企业计算时的概率性局限是结构性的、永久性的。这一假设今天或许成立，但四年后未必仍然如此。新一代模型在形式推理方面的改进是持续性的、有案可查的。如果这一差距部分缩小，对外部确定性引擎的依赖将随之减少，而随着依赖减少，该论点的核心前提也将随之动摇。
---
什么区分了结构性护城河与自我印证的叙事
戈特迪纳的论点并非空话。它识别出了一个真实的技术区别——确定性计算与概率性推理——并将其正确地与一种具体的企业需求联系起来：审计、监管精准性，以及在高影响力的财务和运营决策中的可复现性。
论点需要更多深入阐述的地方，不在于其技术前提，而在于其所预测的商业架构。基于累积替换成本的留存是强大的，但它作用于已经完成实施的企业。对新买家的价值主张，比这一框架所暗示的更加脆弱，因为新买家可以选择更为谨慎地实施，以更浅的初始模型深度进行，并保留更多的退出选项。随着这一类别走向成熟，确定性引擎将面临日益增加的价格压力。而语言模型在复杂推理方面的持续改进，将不断压缩那个必须将任务委托给外部引擎的强制性空间。
有一点确实清晰明了，值得毫无保留地接受，那就是对主要基于用户体验和可视化的软件层的诊断。这些层没有基于自身计算的留存论点。它们的护城河曾是界面，而界面如今已有了更为便捷的替代品。并非它们明天就会消失，而是它们在不将价值主张向受治理的计算或数据转型的情况下，维持定价和留存的能力，正在每个季度持续恶化。
人工智能并未在全面均匀地吞噬企业软件。它正在施加一种不对称的压力，偏向那些拥有受治理计算能力的人，惩罚那些主要出售对他人所计算数据的便捷访问权限的人。这种分化不是戈特迪纳发明的，而是被人工智能加速了。那些尚未审计其当前供应商处于这条分界线哪一侧的企业，将不得不在下次合同续签之前完成这一审计。
